Anthropic se pospešeno pripravlja na vstop na borzo, zato se pomembne objave podjetja kar vrstijo. Tokrat je predstavil novi različici svojih ključnih modelov Claude Fable in Mythos. Uporabniki bodo z njima deležni številnih izboljšav pri uporabi Clauda in njegovih različnih funkcij.
Nova modela pomenita napredek tako rekoč na vseh področjih, nekatera pa je podjetje posebej izpostavilo. Med njimi so programiranje, sklepanje, obdelava slik, kibernetska varnost in znanstveno raziskovanje. Anthropic je ob tem dodal, da bosta nova modela poleg boljših rezultatov in večje zmogljivosti tudi do 30 % hitrejša od prejšnjih različic.
Razmerje med modeloma Fable in Mythos ostaja enako: oba temeljita na isti osnovi, vendar Fable vključuje dodatna varovala na področjih kibernetske in biološke varnosti, ki omogočajo splošno dostopnost. Organizacije, ki se ukvarjajo s kibernetsko varnostjo in biomedicinskimi raziskavami, lahko za dostop do Mythosa zaprosijo prek Anthropicovih programov preverjanja. Po navedbah podjetja so bili prvi preizkuševalci nad izboljšavami zelo navdušeni. Med drugim so ugotovili, da modela komunicirata jasneje od predhodnikov in podajata kakovostnejše odgovore.
»Nova modela sta našim inženirjem pomagala izvesti prehode med programskimi tehnologijami, ki bi bili sicer neizvedljivi, od začetka zasnovala tri delujoče elektronske naprave, rešila dva odprta problema v fiziki črnih lukenj, dosegla velik napredek pri preizkusih na področju robotike in v 30 urah formalizirala dokaz Fermatovega zadnjega izreka,« je poudaril Anthropic.
V enem od projektov je razvojna ekipa ključno storitev v produkcijskem okolju prenesla iz Pythona v Rust in s tem čas njenega zagona skrajšala za približno 95 %. Anthropic je v sodelovanju s proizvajalcem tiskanih vezij Diode preizkušal meje sposobnosti modela Fable 5.2 pri načrtovanju strojne opreme. Model je na podlagi poziva, dolgega en odstavek, zasnoval glasovno upravljano osrednjo napravo za pametni dom, podobno Alexi, napravo USB za prostoročno telefoniranje in ročno napravo z virtualnim hišnim ljubljenčkom za otroke. Fable 5.2 je izbral komponente, načrtoval štirislojno tiskano vezje in ohišja za 3D-tisk ter napisal programsko opremo. Vsako napravo je dokončal v enem dnevu, z minimalnim človeškim posegom pa so vse delovale že ob prvem preizkusu.
Na preizkusu FrontierCode 2.0, ki preverja reševanje zahtevnih nalog iz dejanskega razvoja programske opreme, je Fable 5.2 dosegel rekordno 49,1-odstotno uspešnost. S tem je občutno prehitel Anthropicov lastni model Opus 5.5 (45,5 %), OpenAI GPT-6 Astra (42,8 %) in Googlov vrhunski model Gemini 4 Carbon (41,1 %). Na priljubljenem preizkusu Humanity's Last Exam je dosegel že 74,2 % in si tudi tu priboril veliko prednost pred modelom GPT-6 Astra, ki je preizkus končal s samo 57,2 %. Claude Fable 5.2 je z 89,3 % postavil rekord tudi na preizkusu OSWorld 2.1, ki preverja uporabo računalnika z agenti. Med tekmeci se je tu najbolje odrezal Gemini 4.0 Carbon, a je tudi ta dosegel le 81,5 %.
Najnovejši jezikovni modeli podjetja Anthropic na splošno dosegajo izjemne rezultate. Težko je najti preizkus, na katerem Fable 5.2 ne zasede prvega mesta, na področju varnosti pa ima Mythos 5.2 še večjo prednost. Izjema je AutomationBench, ki se osredotoča na avtomatizacijo poslovnih delovnih procesov: Googlov najzmogljivejši model je tu dosegel 53,9-odstotno uspešnost, Claude Fable 5.2 pa »le« 51,4-odstotno. Drugih resnih tekmecev v njuni bližini ni, saj je GPT-6.0 Astra zmogel le 41,4 %.
Po Anthropicovih lastnih meritvah lahko Claude Fable 5.2 pri praktičnih nalogah s področja programskega inženirstva samostojno in brez napak opravi približno dvakrat toliko dela kot neposredni tekmeci. Različica Claude Mythos 5.2, namenjena varnostnim raziskovalcem, je na preizkusu CVE Rediscovery odkrila za 10,2 % več varnostnih ranljivosti kot Opus 5.5 in za 14,4 % presegla Mythos 5.1. Partnerska podjetja s področja kibernetske varnosti so poročala, da je model prepoznal približno 16 % več kritičnih napak kot vsi drugi vrhunski modeli.
Anthropic je dodal še, da Claude Mythos 5.2 doslej najdosledneje upošteva pravila in je manj nagnjen k temu, da bi zaradi doseganja svojih ciljev »pobegnil« iz preizkusnega okolja. Njegov indeks pobegov iz peskovnika se je znižal na 3,1 %, medtem ko je pri prvem Mythosu znašal 39 %, pri Mythosu 5.1 pa 21 %. Podjetje to meri s preizkusom, sestavljenim iz 1.800 nalog, pri katerih modele namenoma postavlja pred izzive, ki jih spodbujajo k poskusom prestopanja zastavljenih meja.
Fable 5.2 in Mythos 5.2 sta odlična modela, vendar Anthropic uporabnikom za vsakdanje programiranje in naloge, ki temeljijo na znanju, priporoča, naj začnejo z modelom Opus 5.5. Če z njim ne dosežejo cilja, naj glede na potrebe preidejo na drug model. Fable 5.2 je primeren za izjemno zahtevna opravila, za hitrejše delo pa sta na voljo Sonnet 5.5 in Haiku 5.5. Različne modele je mogoče tudi kombinirati za čim večjo učinkovitost in čim natančnejše rezultate.
Podjetje partnerjem ponuja modela Claude Fable 5.2 in Mythos 5.2 po 20 % nižji ceni kot prejšnji različici 5.1. Modela sta torej zmogljivejša, njuna uporaba pa je cenejša.
Nova modela sta vsem naročnikom na voljo na Anthropicovih platformah, prek vmesnika API pa tudi pri različnih partnerjih. Obdelava milijona žetonov stane 8 dolarjev, ustvarjanje enake količine pa 40 dolarjev. Na voljo je tudi »hitri način«, ki je dvakrat dražji, vendar 2,5-krat hitrejši, zato se lahko izplača tistim, ki jim je čas res ključnega pomena.
