OpenAI-benchmark: a modellek mindennapi feladatokban is egyre jobbak

Az OpenAI hétfőn új belső eszközt jelentett be, amellyel azt méri, hogyan kezelik az AI-modellek az olyan feladatokat, amelyeket eddig általában emberek végeztek, mint a bevásárlás vagy a költségvetés-készítés. A cég ezzel egyidejűleg kutatási eredményeket is közzétett a saját modelljei teljesítményéről. Az OpenAI szerint a GPT-6 Astra modell 93,1 százalékos eredményt ért el a költözés után megfelelő óvoda kiválasztásában, 98 százalékot egy árvízre készülő helyi önkéntesek szervezésében, és 90,4 százalékot egy nemrég cukorbetegséget diagnosztizált szülő étkezési tervének összeállításában.

A benchmark kialakításához az OpenAI mintegy 4000 embert kérdezett meg arról, milyen feladatokban szeretnének AI-asszisztens segítségét. Egy kisebb, körülbelül 100 fős csoport írta le konkrétan a kívánt feladatokat, a hozzájuk tartozó személyes kontextust és az értékelési szempontokat. A feladatokat megfogalmazó felhasználóknak bizonyítaniuk kellett, hogy szakértők az adott területen. A tesztek a weboldalakon való navigálást, a felhasználó csevegési előzményeiből származó információk felhasználását és a felhasználó igényeihez illeszkedő következtetések levonását mérik. Az OpenAI szerint a GPT-6 Astra, amelyet szeptemberben adtak ki, a mindennapi feladatokhoz kapcsolódó általános teljesítményben 80 százalékot ért el, míg a 2025 decemberi GPT-5.2 csak 49,3 százalékot.

Jenny Yang, az OpenAI kutatója szerint a cél az, hogy a felhasználók megtudják, mivel boldogulnak a modellek, és mi az, amiben még nem jók. A cikk a versenytársakat is megemlíti: a Meta Muse nevű ügynöke szeptemberi indulása után 40 nap alatt 10 millió letöltést ért el az Egyesült Államokban a Sensor Tower piackutató cég szerint. Az OpenAI szintén szeptemberben mutatta be Dots nevű ügynökét, amely a háttérben, hosszabb feladatokon dolgozhat, miközben a felhasználó a napi teendőit intézi. Az Anthropic októberben jelentette be Claude Duet nevű AI-ügynök-alkalmazását.