عامل فابل ۵.۲ شرکت آنتروپیک در مقیاس RLI ۴۱.۳ درصد از ۲۴۰ پروژه واقعی آپ‌ورک را حل کرد. این نمره ۱۶ برابر بهترین نتیجه یک سال پیش است. رتبه‌بندی فابل ۵.۲ در مقیاس RLI در حالی است که شرکت آنتروپیک قیمت این مدل را به ۸ دلار کاهش داده است و با گپ‌تی ۶ آسترا رقابت می‌کند.
مقیاس RLI: پروژه‌های واقعی، نه پازل
مقیاس RLI که اسکِل لَبز اجرا می‌کند، ۲۴۰ پروژه تأییدشده از آپ‌ورک با ارزش ۱۴۴,۰۰۰ دلار را پوشش می‌دهد. هر پروژه در میانگین ۶۳۲.۶۰ دلار ارزش دارد و یک فریلنسر انسانی برای آن زیر ۲۹ ساعت وقت می‌گذارد. عامل‌ها یک فضای کار مجازی (virtual workspace) با نرم‌افزارهای حرفه‌ای — بلندر، گیمپ، اوداسیتی — و ابزارهای تخصصی هوش مصنوعی برای تولید تصویر، صدا و ویدیو دریافت می‌کنند. کارشناسان آموزش‌دیده فایل‌های تحویل‌شده را در نرم‌افزار مربوطه باز کرده و خروجی عامل را مستقیماً با کار فریلنسر انسانی مقایسه می‌کنند.
جدول رتبه‌بندی: فابل ۵.۲ در صدر
- فابل ۵.۲ (Fable 5.2) در صدر با ۴۱.۳ درصد
- اُپاس ۵.۵ (Opus 5.5) دوم با ۲۱.۲۵ درصد
- جی‌پی‌تی ۶ آسترا (GPT 6 Astra) سوم با ۲۰.۸۳ درصد
- جمینی آرگون ۴ (Gemini Argon 4) چهارم با ۱۷.۰۸ درصد
- مدل‌های قدیمی‌تر مثل جی‌پی‌تی ۵.۲ و جمینی ۳ پرو زیر ۳ درصد مانده‌اند
پیشرفت در سه حوزه کلیدی
پیشرفت‌های فابل ۵.۲ در سه حوزه متمرکز شده: ویرایش صدا و موسیقی، معماری و طراحی داخلی، و ساخت مدل سه‌بعدی. تقریبا ۵۰ پروژه از این موفقیت‌ها کارهایی بودند که هیچ عامل قبلی نتوانسته بود حل کند. طراحی محصول صنعتی و انیمیشن همچنان نقاط ضعف‌اند.
گلوگاه تأیید — کارشناسانی که خروجی‌ها را نمره می‌دهند — یعنی استقرار همچنان اعتبار می‌خواهد. داورهای هوش مصنوعی همچنان با فایل‌های پوست‌پوست اما خراب فریب می‌خورند و نمره‌دهی می‌کنند. شکاف ۲۰ امتیازی بین فابل ۵.۲ و رقبا هم نشان می‌دهد معماری عامل آنتروپیک در استفاده از ابزار در افق‌های طولانی پیشی گرفته.
ببینید آیا اسکِل لَبز تأیید را خودکارسازی می‌کند — آن لولاست که این محک را از نتیجه آزمایشگاه به خط تولید تبدیل می‌کند. همچنین ردیابی کنید که اوپن‌ای‌آی یا گوگل آیا شکاف ۲۰ امتیازی را تا انتشار بعدی RLI می‌بندند.
گام بعدی شما
- اگر تیم خلاقه دارید، یک پروژه روتین رندر یا ویرایش صدا را به عنوان نمونه‌ی آزمایشی به عامل بسپارید و زمان تأیید را بسنجید.
- ردیف مقیاس RLI را رصد کنید: خودکارسازی تأیید توسط اسکِل لَبز کلید تبدیل این محک به خط تولید است.
- شکاف ۲۰ امتیازی را بپایید — اگر رقبا این فاصله را بستند، بازار عامل‌ها وارد فاز جدید می‌شود.
گفتگو