METR: Anthropic نىڭ مودېل تەرەققىياتى سۈنئىي ئىدراك ياردىمىدە تەخمىنەن ئىككى ھەسسە تېزلەشكەن

مۇستەقىل سۈنئىي ئىدراك باھالاش تەشكىلاتى METR 5-نويابىر كۈنى Anthropic شىركىتىدە سۈنئىي ئىدراكنىڭ سۈنئىي ئىدراك تەتقىقاتىنى (AI R&D) قانچىلىك تېزلىتىۋاتقانلىقى ھەققىدىكى باھالاش دوكلاتىنى ئېلان قىلدى. METR خادىملىرى 12-ئاۋغۇستتىن 29-ئۆكتەبىرگىچە Anthropic نىڭ ئىچكى سانلىق مەلۇماتلىرىنى تەكشۈرۈپ، خادىملار بىلەن سۆھبەتلەشكەن. ئۇلارنىڭ يەكۈنىچە، 2026-يىلى ئۆكتەبىرگە قەدەر Anthropic ئېنىق بەلگىلەنگەن ۋەزىپىلەردە مودېللىرىنىڭ ئىقتىدارىنى 2024-يىلى مارتتىن 2025-يىلى ئۆكتەبىرگىچە بولغان مەزگىلدىكىدىن تەخمىنەن ئىككى ھەسسە تېز ئۆستۈرۈۋاتقان بولۇشى مۇمكىن. METR ھەقىقىي سۈرئەتنىڭ 1.3 ھەسسە ياكى 3 ھەسسە بولۇپ چىقىشىدىنمۇ ھەيران قالمايدىغانلىقىنى ئېيتتى.

ئاساسلىق تاپىلمىلار

• سىناق نەتىجىلىرى 1.9 ھەسسە تېزلەشكەن. Anthropic نىڭ ئىچكى ئىقتىدار كۆرسەتكۈچى AECI (Epoch Capabilities Index نىڭ Anthropic نۇسخىسى) بويىچە، 2025-يىلى ئۆكتەبىردىن بۇيان ئۆسۈش سۈرئىتى ئىلگىرىكىدىن 1.9 ھەسسە تېز (95% ئىشەنچ ئارىلىقى: 1.5–2.8). باشقىچە ئېيتقاندا، بىر يىلدا تەخمىنەن ئىككى يىللىق ئىلگىرىلەش بولغان.
• سەۋەبى ھېسابلاش قۇۋۋىتى ئەمەس. METR بۇ تېزلىشىشنىڭ تەربىيەلەش ھېسابلاش قۇۋۋىتى (training compute) نىڭ تېزراق ئېشىشىدىن كەلمىگەنلىكىگە ئىشەنچ قىلىدۇ.
• تېزلىشىشنىڭ كۆپ قىسمى سۈنئىي ئىدراكتىن. METR نىڭ مۆلچەرىچە، ھازىرقى تېزلىشىشنىڭ كۆپ قىسمى (تەخمىنەن 80%) Anthropic نىڭ تەتقىقاتتا سۈنئىي ئىدراكنى كەڭ ئىشلىتىشىدىن كېلىدۇ، ئەمما بۇ مۆلچەرنىڭ ئېنىقسىزلىقى زور. خادىملار ئارىسىدىكى Slack راي سىناشلىرىدا ئەڭ كۈچلۈك ئىچكى مودېلدىن ھېس قىلىنغان ئۈنۈم ئېشىشى ئوتتۇرىچە 12 ھەسسە دەپ كۆرسىتىلگەن؛ لېكىن METR بۇنى ناھايىتى بوش دەلىل دەپ قارايدۇ.
• ئېنىق توسالغۇ كۆرۈلمىگەن. كېيىنكى 12 ئايدا ئالگورىتم، ھېسابلاش قۇۋۋىتى ياكى سانلىق مەلۇمات جەھەتتە ئىلگىرىلەشنى توختىتىدىغان چوڭ توسالغۇ بايقالمىغان. شۇڭا METR ئىقتىدارنىڭ ئېشىشى تېخىمۇ تېزلىشىش خەۋپى بارلىقىنى ئاگاھلاندۇردى.

نېمە ئۈچۈن مۇھىم؟

METR نىڭ ئىزاھاتىچە، ئەگەر سۈنئىي ئىدراك سىستېمىلىرى سۈنئىي ئىدراكنىڭ تەرەققىياتىنى زور دەرىجىدە تېزلەتسە، ھەددىدىن زىيادە كۈچلۈك ۋە خەتەرلىك ئىقتىدارلار تۇيۇقسىز پەيدا بولۇشى مۇمكىن. دوكلاتنىڭ يەنە بىر مۇھىم تەرىپى ئاشكارىلىق مەسىلىسى: Anthropic كېلىشىم بويىچە مەخپىي ئۇچۇرلارنى ئۆچۈرۈش ھوقۇقىغا ئىگە بولۇپ، METR يەكۈن چىقىرىشتا ئەڭ مۇھىم دەپ قارىغان دەلىللەرنىڭ كۆپ قىسمىنى ئاممىغا ئاشكارىلاشقا يول قويمىغان. شۇڭا METR جامائەتچىلىكنىڭ ئۆزىنىڭ ھۆكۈمىگە ئارتۇقچە تايىنىشقا مەجبۇر بولىدىغانلىقىنى ئېتىراپ قىلدى. METR بۇ باھالاش ئۈچۈن Anthropic تىن ھەق ئالمىغان.

يېقىن كۈنلەردىكى باشقا يېڭىلىقلار

1. Thinking Machines Inkling 2 Small نى ئېلان قىلدى. 5-نويابىر كۈنى ئېلان قىلىنغان بۇ Mixture-of-Experts (MoE) مودېلىنىڭ ئومۇمىي پارامېتىرى 594 مىليارد، ھەر قېتىمدا 17 مىليارد پارامېتىر ئىشلەيدۇ؛ رەسىم كىرگۈزۈشنى قوللايدۇ. Artificial Analysis Intelligence Index تا 31 نومۇر ئالغان. ھازىرچە پەقەت Tinker سۇپىسىدا ئىشلىتىلىدۇ؛ شىركەت سىرتقى بىخەتەرلىك سىنىقى تاماملانغاندىن كېيىن، كېلەر ھەپتە تولۇق ئېغىرلىقلارنى Apache 2.0 ئىجازىتى بىلەن ئېلان قىلماقچى.
2. Baidu ERNIE-5.5-Flash-Base نى ئوچۇق ئېلان قىلدى. 5-نويابىر كۈنى ئېلان قىلىنغان بۇ ئاساسىي مودېل (base model) 280 مىليارد پارامېتىرلىق MoE بولۇپ، ھەر بىر توكېندا 14 مىليارد پارامېتىر ئىشلەيدۇ. ئۇ 33.5 تىرىليون توكېندا نۆلدىن تەربىيەلەنگەن، تەربىيە مەزمۇن ئۇزۇنلۇقى 128K، ئىنچىكە تەڭشەش ۋە ئىجرا قىلىشتا 1 مىليون توكېنلىق مەزمۇننى قوللايدۇ. ئېغىرلىقلار Hugging Face دا FP8 ۋە BF16 شەكلىدە بار؛ كېيىنكى تەربىيەلەنگەن ERNIE 5.5 Flash كېيىن چىقىدۇ.
3. Google Gemini Omni 1.2 Flash نى ئومۇملاشتۇردى. 5-نويابىر كۈنى ئېلان قىلىنغان يېڭى سىن ھاسىل قىلىش مودېلى 15 سېكۇنتلۇق سىن ياسىيالايدۇ (ئىلگىرى 10 سېكۇنت ئىدى)، سىننى سۆھبەت ئارقىلىق قەدەممۇقەدەم تەھرىرلەشنى قوللايدۇ. باھاسى Omni 1.1 دىن 30% ئەرزانلاپ، 720p سىن ئۈچۈن سېكۇنتىغا 0.07 دوللار بولدى. مودېل Gemini API ۋە Google Cloud دا ئومۇمىي ئىشلىتىشكە ئېچىلدى؛ چىقىرىلغان سىنلارغا كۆزگە كۆرۈنمەيدىغان SynthID بەلگىسى قويۇلىدۇ.
4. Claude دا Personal Finance ئىقتىدارى قوشۇلدى. Anthropic ئامېرىكىدىكى Pro، Max ۋە Ultra ئابونتلىرى ئۈچۈن سىناق نەشرىنى باشلىدى. ئىشلەتكۈچى بانكا ۋە كارتا ھېساباتلىرىنى Plaid ئارقىلىق ئۇلىيالايدۇ؛ Claude پەقەت ئوقۇيالايدۇ، پۇل يۆتكىيەلمەيدۇ ۋە مەبلەغ سالالمايدۇ. Claude ئەڭ كۆپ ئىككى يىللىق سودا خاتىرىسىگە ئاساسەن چىقىم تەھلىلى، جەدۋەل ۋە دوكلات تاختىسى ياسىيالايدۇ. ئېلان ياكى ھەقلىق تەۋسىيە يوق، Personal Finance بۆلىكىدىكى سۆھبەتلەر مودېل تەربىيەلەشكە ئىشلىتىلمەيدۇ.

ئومۇمەن، بۇ ھەپتىدىكى خەۋەرلەر بىر تەرەپتىن يېڭى مودېللارنىڭ ئۈزلۈكسىز چىقىۋاتقانلىقىنى، يەنە بىر تەرەپتىن سۈنئىي ئىدراكنىڭ ئۆز تەرەققىياتىنى تېزلىتىۋاتقانلىقىنى مۇستەقىل تەكشۈرۈشنىڭ قانچىلىك مۇھىم ئىكەنلىكىنى كۆرسىتىدۇ.