Az Anthropic Opus 5.5 eléri a 2,3-as compute szorzót, felülmúlja a 24 szakértőt
A TasteVal teljesítményteszt szerint a kutatási íz – a helyes kísérletek megtervezése és kiértékelése – körülbelül háromhavonta duplázódik 2025-től, miközben a legjobb modell 24 szakértővel szemben csak egy harmincadát költötte el, és egy futtatás legfeljebb 40 GPU-órára korlátozott.
Az Opus 5.5 modell a P-Zero Research által kifejlesztett TasteVal teszten a legmagasabb számot érte el, a compute szorzó 2,3-as értékével szakértői szintű pontszámot produkálva kevesebb, mint a felére szükséges számítási kapacitással — írja a The Decoder.
Mire képes a TasteVal teljesítményteszt
A TasteVal három képességet definiál: a kutatási kérdések kiválasztását, a kísérletek megtervezését és az eredmények helyes értelmezését. A teszt csak az utóbbi kettőt vizsgálja, a kérdésfelvetést előre meghatározzák, így a modellnek csak a megvalósítást kell elvégeznie.
Az Opus 5.5 teljesítménye és költséghatékonysága
A modell egy Nvidia H100 GPU-n fut, minden futtatás legfeljebb 40 GPU-óra vagy 120 óra valós időt vesz igénybe. Egy futtatás költsége körülbelül egy harmincad része a 24 emberi szakértő átlagos költségének, ami a compute multiplier 2,3-as értékéből következik.
Trend és duplázási ütem
A P-Zero Research adatai szerint a kutatási íz körülbelül háromhavonta duplázódik 2025-től, a megfigyelt duplázási idő 1,7-5,0 hónap között ingadozik. A compute multiplier tartománya 1,15-4,37, ami azt jelzi, hogy egyes generációk csak alig vezetnek.
Jack Clark előrejelzése
Úgy tűnik, Clark most 2027-re hozza közelebb a rekurzív önfejlesztés (RSI) lehetőségét, korábban 2028-ra tűzte ki a célt. A becslés spekulatív, mivel a teljesítményteszt csak a kísérletek tervezését és kiértékelését méri.
A legjobb modell 2,3-as compute szorzót ért el, miközben a futtatási költség egy harmincadát teszi ki a szakértői próbálkozásokéval — a P-Zero Research 2026-os jelentése szerint.