OpenAI၊ Anthropic နှင့် Google တို့၏ ထိပ်တန်း AI မော်ဒယ်ကြီးသုံးခု ယှဉ်ပြိုင်တိုက်ခိုက်သောအခါ မည်သည့်အရာက စက်ရုပ်များကို ပိုမိုထိန်းချုပ်နိုင်သနည်း။
အောက်တိုဘာလ 20 ရက်နေ့တွင် မီဖောင်းနည်းပညာ၊ Hugging Face၊ NVIDIA၊ ချင်းဟွာတက္ကသိုလ်အပါအဝင် တက္ကသိုလ်၊ လုပ်ငန်းနှင့် သုတေသနအဖွဲ့အစည်း ကမ္ဘာတစ်ဝှမ်းမှ 20 ခန့်က ပူးပေါင်းစတင်တည်ထောင်ခဲ့သော ကိုယ်ထည်ပါ ဂလက်ဒီယေးတာ RoboColiseum က ယခုအကြိမ် အကဲဖြတ်ရလဒ်များကို ထုတ်ပြန်ခဲ့သည်- Claude Opus 5.5 သည် ထိပ်တန်းမော်ဒယ်လေးခုအနက် စုပေါင်းအဆင့်တွင် ပထမရရှိပြီး GPT-6 Astra က ဒုတိယနေရာတွင် ရပ်တည်ခဲ့သည်။
ကဏ္ဍအလိုက် ကြည့်ပါက ထိပ်တန်းမော်ဒယ်လေးခုအနက် GPT-6 Astra သည် ညွှန်ကြားချက်လိုက်နာမှုနှင့် စုစုပေါင်း အနှောင့်အယှက်ပြောင်းလဲမှု လိုက်လျောညီထွေမှုတွင် ရှေ့ဆုံးမှ ရပ်တည်ခဲ့ပြီး ညွှန်ကြားချက်လိုက်နာမှု ရမှတ်သည် 99.35 အထိ ရောက်ရှိခဲ့သည်။ Opus သည် အာကာသဆိုင်ရာ နားလည်မှုနှင့် ယေဘုယျလုပ်ဆောင်မှုတွင် ပိုမိုကောင်းမွန်စွာ စွမ်းဆောင်နိုင်ခဲ့ပြီး အကဲဖြတ်မှု အလှည့်အားလုံးတွင် token သုံးစွဲမှု အနည်းဆုံးဖြင့် ထိပ်တန်းအုပ်စု စုပေါင်းအဆင့်တွင် ပထမရရှိခဲ့သည်။ ပုံရိပ်အရည်အသွေး အနှောင့်အယှက်ခံရသော စမ်းသပ်မှုတွင် GPT-6.1 Sol သည် အခြားမော်ဒယ်သုံးခုထက် သိသိသာသာ နောက်ကျကျန်ခဲ့ပြီး မတူညီသော မော်ဒယ်များက အမြင်အာရုံအချက်အလက် ပြောင်းလဲမှုများကို ရင်ဆိုင်ရာတွင် တည်ငြိမ်မှု ကွာခြားချက်များကို ဖော်ပြနေသည်။
သို့သော် ယခုအကြိမ် စုပေါင်းအဆင့် ထိပ်ဆုံးနှစ်နေရာကို ကိုယ်ထည်ပါ မဟာဗျူဟာမော်ဒယ်များက ဆက်လက်ရယူထားပြီး အထူးသဖြင့် ယေဘုယျလုပ်ဆောင်မှု အတိုင်းအတာတွင် အားသာချက်ကို ထိန်းသိမ်းထားသည်။
ဤတစ်ခုတည်းသော စင်မြင့်ပေါ် ယှဉ်ပြိုင်မှုသည် ယေဘုယျစွမ်းရည်ကြီးမားသော မော်ဒယ်များနှင့် ကိုယ်ထည်ပါ မဟာဗျူဟာမော်ဒယ်များ၏ စွမ်းရည်အားသာချက်နှင့် အားနည်းချက်များကို လုပ်ငန်းနယ်ပယ်က ရှင်းရှင်းလင်းလင်း မြင်နိုင်ရန် ကွက်ကွက်ကွင်းကွင်း ကိုးကားမှုတစ်ခု ပေးအပ်ခဲ့သည်။
RoboColiseum သည် ညွှန်ကြားချက်လိုက်နာမှု၊ အာကာသဆိုင်ရာ နားလည်မှု၊ အနှောင့်အယှက်လိုက်လျောညီထွေမှုနှင့် ယေဘုယျလုပ်ဆောင်မှုတို့ကို အခြေခံ၍ စွမ်းရည်အမျိုးအစားခွဲ စာရင်းခွဲ လေးမျိုး၊ တိကျမှုမြင့်မားသော သရုပ်ပြအကဲဖြတ်မှု လုပ်ငန်းတာဝန် 78 ခုကို ထုတ်လုပ်ခဲ့ပြီး မော်ဒယ်များ၏ ကဏ္ဍအလိုက် စွမ်းဆောင်မှုကို ပြသရုံသာမက လုပ်ငန်းတာဝန် ပြီးမြောက်သည့် အဆင့်များနှင့် ကျရှုံးသည့် နေရာများကိုပါ မှတ်တမ်းတင်ကာ ဖန်တီးသူများအနေဖြင့် မော်ဒယ်၏ စွမ်းရည်အားနည်းချက်များကို လျင်မြန်စွာ ရှာဖွေဖော်ထုတ်နိုင်ရန် ကူညီပေးသည်။
ပူးပေါင်းစတင်တည်ထောင်သူအနေဖြင့် မီဖောင်းသည် RoboColiseum အတွက် တိကျမှုမြင့်မားသော အရာဝတ္ထု အရင်းအမြစ်များနှင့် သရုပ်ပြအခြေအနေများကို ပံ့ပိုးပေးပြီး ရှုပ်ထွေးသော စက်ရုပ်လုပ်ဆောင်မှု လုပ်ငန်းတာဝန်များ၏ အကဲဖြတ်မှု ပတ်ဝန်းကျင်ကို တည်ဆောက်ရန် ပံ့ပိုးကာ မတူညီသော အရာဝတ္ထု အပြန်အလှန်တုံ့ပြန်မှု၊ အာကာသဆိုင်ရာ အပြင်အဆင်နှင့် ပတ်ဝန်းကျင် အခြေအနေများအောက်တွင် မော်ဒယ်စွမ်းရည် စမ်းသပ်မှုအတွက် အခြေခံအရင်းအမြစ်များကို ပံ့ပိုးပေးသည်။
သရုပ်ပြမှုအတွင်း မော်ဒယ်၏ ရမှတ်များသည် လက်တွေ့လုပ်ဆောင်မှု စွမ်းဆောင်ရည်ကို ထင်ဟပ်နိုင်ခြင်း ရှိ၊ မရှိသည်လည်း အကဲဖြတ်မှု၏ အဓိကအချက် ဖြစ်သည်။ ပလက်ဖောင်းက ထုတ်ပြန်ထားသော လက်တွေ့စမ်းသပ်ရလဒ်များအရ RoboColiseum သရုပ်ပြအကဲဖြတ်မှုနှင့် စက်အစစ်တွင် ဖြန့်ကျက်မှု၏ ဆက်စပ်မှုသည် 89.5% အထိ ရောက်ရှိပြီး မော်ဒယ်တူတူ၏ သရုပ်ပြနှင့် လက်တွေ့ကမ္ဘာအတွင်း အကဲဖြတ်မှု ကွာခြားချက်သည် 10% အောက် ရှိသဖြင့် ဖန်တီးသူများအနေဖြင့် စက်အစစ် စမ်းသပ်မှုမဝင်မီ မော်ဒယ်ရွေးချယ်စစ်ဆေးမှုနှင့် ပြဿနာရှာဖွေဖော်ထုတ်မှုအတွက် ကိုးကားမှု ပံ့ပိုးပေးနိုင်သည်။
မီဖောင်းနည်းပညာသည် "ပြည့်စုံပြီး ကောင်းမွန်မြန်ဆန်သော" ဒေတာထောက်ပံ့မှုစနစ်ကို ပံ့ပိုးပေးပြီး စက်အစစ်၊ သရုပ်ပြနှင့် ကိုယ်ထည်မပါသော ဒေတာ ပါရာဒိုင်းကြီး သုံးမျိုးကို လွှမ်းခြုံထားသည်။ သရုပ်ပြကဏ္ဍတွင် မီဖောင်းသည် အရာဝတ္ထု အရင်းအမြစ်နှင့် ပတ်ဝန်းကျင် အရင်းအမြစ် နှစ်မျိုးကို ပံ့ပိုးပေးပြီး နေ့စဉ်သုံး ပစ္စည်းများနှင့် အိမ်တွင်းအခြေအနေများကို လွှမ်းခြုံကာ အခြေအနေ ပြန်လည်တည်ဆောက်မှု၊ ကျွမ်းကျင်သူ လမ်းကြောင်း ဒေတာရယူမှုနှင့် အကဲဖြတ်ရလဒ် မြင်သာစေမှု စသည့် စွမ်းရည်များကိုပါ ပံ့ပိုးပေးသဖြင့် မော်ဒယ်အဖွဲ့များအနေဖြင့် မတူကွဲပြားသော လေ့ကျင့်မှုနှင့် အကဲဖြတ်မှုများကို ပြုလုပ်နိုင်ရန် ကူညီပေးသည်။
Coliseum သည် ရှေးရောမခေတ် စက်ဝိုင်းပုံ ဂလက်ဒီယေးတာကို ရည်ညွှန်းပြီး RoboColiseum က ဤသင်္ကေတကို အခြေခံကာ ဘက်ပေါင်းစုံမှ စနစ်တကျ အကဲဖြတ်မှုစနစ်ကို တည်ဆောက်ကာ စက်အစစ် စွမ်းဆောင်မှုနှင့် မြင့်မားစွာ ကိုက်ညီသော သရုပ်ပြအကဲဖြတ်မှုဖြင့် ကိုယ်ထည်ပါ ဉာဏ်ရည်မော်ဒယ်များအတွက် ပွင့်လင်းမှု၊ ကြားနေမှုနှင့် ပြန်လည်ထုတ်လုပ်နိုင်မှုရှိသော "ဂလက်ဒီယေးတာ" နှင့် "လေ့ကျင့်ကွင်း" တစ်ခုကို တည်ဆောက်ပေးသည်။ တက္ကသိုလ်၊ သုတေသနအဖွဲ့အစည်း သို့မဟုတ် လုပ်ငန်း ဖန်တီးသူ မည်သူမဆို မိမိတို့၏ မော်ဒယ်ကို တင်သွင်းကာ စံချိန်စံညွှန်း "စာမေးပွဲ" တစ်ခုကို ခံယူနိုင်သည်။ သြဂုတ်လတွင် စတင်လွှင့်တင်ချိန်မှစ၍ ပြည်တွင်းပြည်ပ အဖွဲ့ 100 ကျော်က ပလက်ဖောင်းပေါ်တွင် မော်ဒယ် လေ့ကျင့်မှုနှင့် အကဲဖြတ်မှုများကို ပြုလုပ်ခဲ့ကြပြီး ဖြစ်သည်။
RoboColiseum သည် ယခုအခါ ကမ္ဘာတစ်ဝှမ်းမှ ဖန်တီးသူများအတွက် ဖွင့်လှစ်ထားပြီး မော်ဒယ်အဖွဲ့များအနေဖြင့် အကဲဖြတ်မှုတွင် ပါဝင်ရန် ကြိုဆိုပါသည်။
