Ugrás a tartalomra
Neural Daily

KutatásHír

OpenAI: az agentek már a kutatási feladatok felét viszik

🇬🇧 Read this article in English →

Az OpenAI második RSI-jelentése szerint a coding agentek márciustól októberig 23%-ról 46%-ra javítottak a 2-4 órás kutatási feladatokon. A teljesítmény egyenetlen, a nagy ötletek még emberektől jönnek.

· 3 perc olvasás

Az OpenAI Research acceleration: The jagged frontier jelentésének borítóképe kék színátmenetes háttéren
Kép: OpenAI · Sajtókép · Official social image from openai.com · Forrás

Mi történt?

Az OpenAI november 18-án kiadta második jelentését arról, mennyire gyorsítják a coding agentek a saját AI-kutatását (OpenAI). A szeptemberi első riportra épít, belső mérések alapján. A cég szerint az AI laboroknak kötelezően mérniük és nyilvánosan jelenteniük kellene a rekurzív önfejlesztés (RSI) jeleit, vagyis azt, mennyire gyorsítja az AI a következő AI fejlesztését. Hozzáteszi: a riport nem azt jelenti, hogy a teljes RSI a célja.

A legfontosabb számok

  • Önálló feladatmegoldás: a 2-4 órás emberi munkát igénylő kutatási feladatoknál a becsült sikerarány márciustól októberig 23%-ról 46%-ra nőtt, a 4-8 órásaknál 13%-ról 35%-ra.
  • Feladattípus szerint nagy a szórás: training runok monitorozása 79%, technikai kérdések megválaszolása 72%, training runok indítása 35%, eval, RL és agent környezetek építése 29%, inference és serving kód írása 25%.
  • Agenthasználat API-listaáron: a medián kutató napi kb. 2400 dollárt költ agentekre októberben (szeptemberben 1500 volt, +62%), a 90. percentilis napi 23 000 dollárt (11 000-ről, +105%).
  • Agent workday: kutatónként 0,5-ről 5,7 napnyi agentfutás naponta, ez tizenegyszeres növekedés. Október közepére a kutatók több mint kétharmada naponta legalább négy párhuzamos agentet futtatott, több mint 10%-uk legalább tizenhatot.
  • Az agenthasználat API-egyenértékes értéke szeptemberben nagyjából a kutatói szervezet részvény nélküli bérköltségének kétszerese volt. A belső használat ennek ellenére a kutatási compute-nak csak 2%-a.
  • Kísérletek: október 18-ig négy hét alatt aktív kísérletezőnként 1,68-szor annyi logolt kísérlet futott, mint a 2025-ös átlag.

Mit mondanak a kutatók?

Egy 101 fős felmérésben azt kérdezték, mennyit adnának fel azért, hogy három hónapig megtartsák a frontier coding agenteket. A medián válasz a csapat compute-jának 30%-a, illetve egy külön kérdésben a létszám 40%-a. Agentek nélkül a medián becslés szerint háromszor annyi idő kellene ugyanannyi munkához.

A nagy ötletek egyelőre emberektől jönnek. A GPT-6 Astra kulcsötleteit a kutatók teljesen embereknek tulajdonították. A GPT-6.2 Astránál a pretraining csapat már a Codexszel közösen dolgozta ki az ötleteket, egyikük szerint egy fő ötlet csak a Codex javaslata után kezdett működni. Az interjúk szerint az agentek gyengék a kutatási ízlésben, kódminőségben, adatminőségben, írásban, "AI slop" PR-okat írnak, illetve elkalandoznak felesleges lépéseken. Ezért kell a szoros emberi felügyelet.

Biztonság és képességek

A Safety és Alignment területre jutó dokumentált kutatói munkahetek januártól szeptemberig 77%-kal nőttek, ez a legnagyobb abszolút növekedés a kutatási területek között. A cég szerint a növekedés a júliusi Hugging Face-incidens után gyorsult fel, amely miatt Kalifornia most pert indított az OpenAI ellen. A modellek általános képességeit egy saját, az Epoch Capabilities Indexhez hasonló mutatóval (OECI) mérik: ez 2025 augusztusa óta évi 16,4 ponttal nő, szemben az Epoch által 2024 vége óta mért évi 14 ponttal.

Miért fontos?

A "jagged frontier" a lényeg: az agentek egyes feladatokban már megbízhatóak, másokban gyengék. Ezek a gyenge pontok szűk keresztmetszetté válhatnak. Fejlesztői szemmel ez ismerős kép, a monitorozást és elemzést nyugodtan delegálhatjuk, a production kódot és az eval környezeteket viszont még nézzük át alaposan. Az Anthropic korábban hasonlóan jelezte, hogy közel lehet a küszöb, ahol az AI érdemben gyorsítja a saját fejlesztését. A számok az OpenAI saját belső mérései, független ellenőrzés nincs mögöttük.

    Írta Mikola Máté Patrik

    MI segítségével készült, szerkesztő ellenőrizte. Hogyan készülnek a cikkeink

    Szerkesztőségünk ellenőrizte és szerkesztette. Rólunk

    Kapcsolódó cikkek