Ce s-a întâmplat
OpenAI a publicat recent rezultate remarcabile privind performanța modelului GPT-5.6 pe benchmark-ul ARC-AGI-3 (Abstraction and Reasoning Corpus). Prin simpla activare a două setări avansate în API-ul lor — una axată pe menținerea raționamentului (reasoning retention) și alta pe compactarea contextului (context compaction) — scorurile modelului s-au triplat. Această optimizare nu a necesitat o reantrenare a modelului, ci a demonstrat că modul în care interacționăm cu modelele de limbaj mari (LLM) poate debloca capacități latente masive.
Context tehnologic
ARC-AGI-3 este considerat unul dintre cele mai dificile teste pentru inteligența artificială, deoarece măsoară capacitatea unui model de a învăța concepte noi „din mers” și de a rezolva probleme de logică vizuală pe care nu le-a mai întâlnit în setul de antrenament. Spre deosebire de testele standard care evaluează memorarea, ARC testează raționamentul pur.
Tehnologia din spatele acestei creșteri implică:
1. Retenția raționamentului: Permite modelului să „gândească” în pași intermediari fără a pierde firul logic pe măsură ce contextul devine complex.
2. Compactarea: O metodă de a comprima informațiile redundante din fereastra de context, permițând modelului să proceseze mai multă informație relevantă fără a depăși limitele computaționale.
De ce contează
Această descoperire este crucială deoarece indică faptul că nu avem nevoie doar de modele „mai mari”, ci de modele mai eficiente în gestionarea logicii. Faptul că scorurile s-au triplat prin configurarea API-ului sugerează că barierele actuale către AGI (Inteligența Artificială Generală ar putea fi legate de modul de execuție și inferență, nu doar de mărimea setului de date. Pentru dezvoltatori, acest lucru înseamnă că optimizarea fluxurilor de lucru AI poate aduce beneficii de performanță egale cu salturile generaționale de hardware.
Impact
Pe termen scurt, vom vedea o adoptare rapidă a acestor setări de către companiile care dezvoltă aplicații complexe de programare sau analiză de date. Eficiența crescută va reduce costurile de operare pentru sarcini care necesită mult „gândit”. Pe termen mediu, succesul pe ARC-AGI-3 apropie industria de momentul în care AI-ul va putea rezolva probleme științifice complet noi, depășind simpla sintetizare a cunoștințelor umane existente.
Ce urmează
Ne putem aștepta ca OpenAI și competitorii săi să integreze aceste capacități de raționament direct în nucleul modelelor viitoare. Tendința se mută de la „mai mulți parametri” la „procese de gândire mai structurate”. Este probabil ca următoarea versiune publică a ChatGPT să demonstreze o capacitate de rezolvare a problemelor mult mai apropiată de intuiția umană.
Surse
- OpenAI Blog: How two settings tripled our ARC-AGI-3 scores
- François Chollet: The ARC Benchmark documentation