A Mesterséges Intelligencia Még Mindig Bénázik A Kódolásban, Lepnek Meg A Kutatók
Az OpenAI kutatói beismerték, hogy még a legfejlettebb AI modellek sem érnek fel az emberi programozókkalannak ellenére, hogy Sam Altman vezérigazgató ragaszkodik hozzá, hogy év végére le fogják győzni a szoftverfejlesztőket. Egy új tanulmányban a cég kutatói megállapították, hogy még a határokat feszegető, legfejlettebb AI rendszerek is “képtelenek megoldani a feladatok többségét” a programozás terén. A kutatók egy újonnan kifejlesztett teljesítménymérőt használtak, a SWE-Lancer-t, amely több mint 1400 szoftverfejlesztési feladatot tartalmaz az Upwork szabadúszó platformról. Az OpenAI három nagy nyelvi modellt teszteltsaját o1 következtető modelljét és zászlóshajó GPT-4o-ját, valamint az Anthropic Claude 3.5 Sonnet-jét.
Felszínes megoldások, mélyreható problémák
Az új teljesítménymérő két típusú Upwork feladaton értékelte a nyelvi modellek teljesítményét: egyedi feladatokon, amelyek hibák javítását és megoldását jelentették, illetve menedzsment feladatokon, ahol a modelleknek átfogóbb, magasabb szintű döntéseket kellett hozniuk. (A modellek nem férhettek hozzá az internethez, így nem tudtak egyszerűen másolni hasonló, online már közzétett megoldásokat.) A modellek összesen több százezer dollár értékű feladattal foglalkoztak az Upworkon, de csak felszíni szoftverproblémákat tudtak javítani, míg képtelenek voltak nagyobb projektekben hibákat találni vagy azok gyökérokait feltárni. Ezek a félkész, gyenge “megoldások” ismerősek lehetnek mindenkinek, aki dolgozott már AI-jal – amely kiváló magabiztosan hangzó információk közlésében, amelyek alaposabb vizsgálat során összeomlanak.
Gyorsaság nem minden
Bár mindhárom nyelvi modell gyakran “sokkal gyorsabban működött, mint egy ember”, jegyzi meg a tanulmány, mégsem tudták felmérni a hibák kiterjedtségét vagy megérteni azok kontextusát, “ami helytelen vagy nem elég átfogó megoldásokhoz vezetett”. Ahogy a kutatók elmagyarázták, a Claude 3.5 Sonnet jobban teljesített, mint a két OpenAI modell, és több pénzt is keresett, mint az o1 és a GPT-4o. Ennek ellenére válaszainak többsége helytelen volt, és a kutatók szerint bármely modellnek “magasabb megbízhatóságra” lenne szüksége ahhoz, hogy valós programozási feladatokkal meg lehessen bízni.
Egyszerűbben fogalmazva, úgy tűnik, a tanulmány azt mutatja, hogy bár ezek a csúcsmodellek gyorsan dolgoznak és meg tudnak oldani kisebb feladatokat, még közel sem olyan ügyesek ezek kezelésében, mint az emberi mérnökök. Bár ezek a nyelvi modellek az elmúlt években gyorsan fejlődtek és valószínűleg ez folytatódni is fog, még nem elég képzettek a szoftverfejlesztésben ahhoz, hogy helyettesítsék az élő embereket – bár ez nem tartja vissza a vezérigazgatókat attól, hogy az automatizálási megoldások mellett döntsenek.
📈 A kínai csipgyártó cégek tavaly soha nem látott bevételnövekedést produkáltak, amit legfőképp az MI-hez kapcsolódó félvezetők iránti hatalmas kereslet, a memóriacsipek hiánya és az Egyesült Államok exportkorlátozásai hajtottak...
Figyi, 2025-ben történt valami, amit tényleg rángatózva fogadnak a gáz- és olajrészvényesek: a világ telepített áramtermelő kapacitásának már 49,4%-át a megújulók adják!..
A Google Vids végre valóban szintet lépett a videókészítésben. Az új frissítéssel egyszerre jelentek meg a Veo és a Lyria modellek, amelyek profi MI-eszközöket biztosítanak minden felhasználónak...
Az Anthropic fejlesztésű Claude Code, egy terminálalapú MI-ügynök forráskódja március végén nem várt módon kiszivárgott, mivel egy 59,8 MB-os JavaScript forrástérkép véletlenül nyilvánossá vált az npm-csomagban...
Az Európai Bizottság Amazon-alapú felhőszolgáltatását márciusban sikeresen törték fel, aminek következtében legalább 29 másik uniós szervezet és a Bizottság 42 belső ügyfelének adatai kerültek veszélybe...
💵 Az amerikaiak fejében élő ideális nyugdíjasélet képéhez régóta hozzátartozik a folyamatos meleg idő, a golfklubok és az unokákkal töltött nyugodt hétköznapok...
A kaliforniai vezető egyetemek kutatói furcsa viselkedést figyeltek meg a legmodernebb MI-modelleknél: ezek a rendszerek önszántukból is képesek félrevezető, titkolózó magatartásra – de nem önmagukért, hanem más MI-k védelmében...
🚀 Az Orion űrhajó fedélzetén elindult a NASA Artemis II. küldetésének négyfős legénysége: az Apollo-korszak óta ők az elsők, akik emberekkel repülnek a Hold irányába...
🚀 A pénteki kereskedés során az ázsiai–csendes-óceáni tőzsdék többsége emelkedéssel zárt, miután felröppent a hír, hogy Irán és Omán egy megfigyelési protokoll kidolgozásán dolgozik, amely felügyelné a Hormuzi-szoroson áthaladó hajóforgalmat...
📷 A Sony Interactive Entertainment most felvásárolta a brit Cinemersive Labs nevű AI-startupot, amely 2D-s fotókat és videókat varázsol át elképesztően látványos, háromdimenziós térélményekké...
🚀 Ez a jelenség jól illusztrálható azzal, hogy egészen mostanáig a Naprendszer legtávolabbi bolygóira, így az Uránuszra is – szinte lehetetlennek tűnt érdemi űrszondát juttatni...
A Perplexity mesterséges intelligenciával működő keresőmotorja olyan funkciókat kínál, amelyekkel a felhasználók interaktív beszélgetéseken keresztül mélyebben merülhetnek el a keresésekben...
✈ Egészen új lehetőséget vezetett be az Egyesült Államok egyik legnagyobb légitársasága: mostantól a United mobilalkalmazásában követhetők a TSA biztonsági ellenőrzés becsült várakozási idejei a nagyobb repülőtereken...
Fizetős iOS appok és játékok, amik ingyenesek a mai napon. Notch Island – Wallpaper Maker (iPhone/iPad)Ez az alkalmazás lehetőséget ad arra, hogy egyedivé varázsold iPhone-od felső kivágását, azaz a notch-ot...
🌍 A fantasyjátékok világának új kedvence érkezik: a Nyolcösvényes utazó (Octopath Traveler) videojátékból készült asztali szerepjáték hivatalos, angol nyelvű szabálykönyve októberben jelenik meg...
A Kína által fejlesztett Hukeda-2 műhold nagy áttörést ért el: robotikus „polipkarjával” sikeresen végrehajtott egy kulcsfontosságú üzemanyagutántöltési tesztet alacsony Föld körüli pályán...
Egy új, teljesen ingyenes böngészős eszközt indított el a NordVPN, amely néhány kattintással megmutatja, mit tudnak rólad a webhelyek a tartózkodási helyed alapján...
⚠ Több tízezer felhasználó sietett letölteni a kiszivárgott Claude Code forráskódot, azonban sokakat kellemetlen meglepetés ért: a várt fejlesztőeszköz helyett zárolást és adatlopási kísérleteket rejtő kártékony szoftvert húztak le a gépükre...
Cowabunga, technorajongók! Most minden Tini Nindzsa Teknőcök-rajongó eldobhatja az agyát, mert április 30-án érkezik a Tini Nindzsa Teknőcök: Empire City (Teenage Mutant Ninja Turtles: Empire City) VR-játék Meta Questre, SteamVR-ra és Pico-ra...
Jellemző példa erre, hogy amíg az OpenAI visszavonulót fúj a Sora MI‑videóplatformjával, a Google épp most emeli új szintre a böngészőből elérhető Google Vids szolgáltatását...
🥖 A mindennapi élelmiszerhulladék, például a zsemlemorzsa, új szerephez juthat a vegyiparban: brit kutatók áttörő eljárást fejlesztettek ki, amellyel ebből a hulladékból hidrogént lehet előállítani...