OpenAI’ın yeni testi: GPT-6 Astra gündelik işlerde yüzde 80 başarı aldı

OpenAI, yapay zekânın kreş aramak, ev bakmak ya da beslenme planı çıkarmak gibi gündelik işlerde ne kadar iş gördüğünü ölçen yeni bir kıyaslama testi yayımladı. Şirketin eylülde kullanıma açtığı GPT-6 Astra bu testte genel olarak yüzde 80 puan aldı; bir önceki nesil GPT-5.2’nin puanı yüzde 49,3’te kalmıştı.

Görev bazında sonuçlar da paylaşıldı. Taşınmanın ardından yeni mahallede uygun kreş bulma görevinde model yüzde 93,1, sel öncesi gönüllüleri organize etmede yüzde 98, diyabet tanısı konmuş bir ebeveyn için beslenme planı hazırlamada ise yüzde 90,4 başarı gösterdi.

Bunu da okuyun: Apple Watch’a konuşma özetleyen yapay zekâ geliyor: Beta testi başladı

Test nasıl hazırlandı?

Şirket daha önce yapay zekânın iş dünyasındaki becerilerini ölçen testler yayımlamıştı. Bu kez odak günlük hayat. Senaryolar için 4 bin kullanıcıyla anket yapıldı, yaklaşık 100 kişilik deneyimli kullanıcı grubu da kreş seçiminden daire aramaya uzanan görevleri ve başarı ölçütlerini belirledi. Sistem; modelin internet sitelerinde gezinmesini, eski sohbetlerden bağlam çıkarmasını ve sonucun kullanıcının beklediği şeye ne kadar uyduğunu puanlıyor.

OpenAI araştırmacısı Jenny Yang, testi kullanıcıların teknolojiyi nasıl yaşadığını anlamak ve modelin zayıf kaldığı yerleri bulmak için kurduklarını söyledi.

Neden önemli?

Meta’nın Muse’u, Anthropic’in Claude Duet’i ve Google’ın ajanlarıyla yarış kızışırken OpenAI, GPT-6 ailesiyle ChatGPT’yi yalnızca metin yazan bir araçtan kullanıcı adına iş halleden bir asistana çevirmeye çalışıyor. Bir not düşmek lazım: testi hazırlayan da puanı açıklayan da OpenAI’ın kendisi. Bu tür asistanların güvenlik ve veri gizliliği tarafı da hâlâ tartışılıyor.

Kaynak: TRT Haber