Meta s Muse Wonderom stiže na vrh, Anthropic upozorava na AI crve u kućanskim uređajima

Dvije vijesti iz istog tjedna lijepo pokazuju raspon ove industrije. Meta je objavila model koji je po rezultatima na rubu samog vrha. Anthropic je objavio upozorenje da bi se mali modeli uskoro mogli sami kopirati po kućanskim uređajima.

Meta je donedavno u AI utrci bila uglavnom tema za suosjećanje. Sad se natječe s najboljima, a najteži prigovor joj je da ne zna snimiti dovoljno efektan video.

Muse Wonder: skok do vrha bez lijepih demonstracija

Meta je objavila Muse Wonder, model koji se naplaćuje i koji je odmah dostupan preko Mete i preko OpenRoutera. Nije dostupan baš svugdje, ali je dovoljno dostupan da ga ljudi stvarno isprobaju.

Brojke su iznenađujuće dobre, pogotovo za tvrtku koja je u ovom razredu donedavno bila statist.

• Terminal Bench 4.0, danas najcjenjeniji test rada u terminalu: Muse Wonder ima 57,1 i time preskače Claude Fable 5.1, a prilazi blizu GPT6 Astri i Claude Opusu 5.5.
• DeepSWE, programerski zadaci koji traju satima: Muse Wonder je bolji i od GPT6 Astre i od Opusa 5.5.
• Software engineering marathon, zadaci koji traju danima pa i tjednima: 57,5 naspram 42,5 i 46,3 kod dva konkurenta.
• ProgramBench: negdje između GPT6 Astre i Opusa 5.5.

Zanimljiviji je dio ono što model namjerno ne zna. Alex, čovjek koji je u Meti zadužen za puštanje modela u široku upotrebu, otvoreno je rekao da se osjeća glupo jer model nikad nisu dodatno uvježbavali na 3D i vizualnim zadacima. Konkurencija je svoje modele brusila baš na tome, jer se takve snimke dijele i jer većina ljudi po njima procjenjuje kvalitetu.

Ishod je komično nepravedan. Meta je napravila model za posao i izgubila natjecanje u dojmu. Opus 5.5 vrti blistave 3D scene, Muse Wonder izdrži višednevni programerski zadatak, a publika glasa za kocku koja se okreće.

Drugi je Metin adut upornost. Muse Wonder je rađen tako da, kad zapne, proba drugu strategiju umjesto da digne ruke. U radu s AI agentima to je važnije nego što zvuči, jer većina neuspjeha nije u tome da model ne zna riješiti zadatak, nego da prerano odustane.

Tu je i trajno pamćenje osobnog konteksta. Smjer mi se sviđa, ali s njim odmah ulazi i privatnost. Model koji pamti sve o vama pamti i ono što ste krivo rekli, a krivi podatak upisan u trajno pamćenje teže je povući nego jedan loš razgovor.

Cijena je ista kao kod suparnika koji na neovisnim mjerenjima imaju bolje rezultate. Hrabro za model koji se tek predstavlja.

Moj stav: ovo je ozbiljan skok, ali Opus 5.5 nije svrgnut. Muse Wonder vrijedi staviti na popis za isprobavanje, ne vrijedi zbog njega otkazivati postojeće pretplate. Vrh se pomiče i bez Mete, pa će sljedeća objava konkurencije vjerojatno brzo preslagati tablice.

Jedna mi je sitnica ipak ostala najdraža. Google je Gemini 4 Argon najavio prije jedanaest dana i javnost ga još uvijek ne može koristiti. Meta je svoj model najavila i istoga ga dana pustila van. Najbolji rezultat ovog tjedna nije brojka u tablici, nego gumb koji radi.

Anthropic i AI crv: petnaest TV kutija koje zajedno sastavljaju rečenicu

Druga je vijest mračnija. Anthropic smatra da su modeli možda samo nekoliko mjeseci udaljeni od sposobnosti da se sami umnožavaju bez podatkovnog centra. Zamisao je jednostavna i neugodna: model koji svoju kopiju i prateći softver raširi po uređajima spojenima na internet.

Da to ne ostane na teoriji, napravili su pokus. Uzeli su mali model, verziju Gemme 4 s 26 milijardi parametara, i umjesto na jedan grafički procesor pustili ga da radi raspoređeno preko petnaest Android TV kutija na jednoj kućnoj mreži. Model je sam rasporedio posao po uređajima i uredno radio.

Brzina je bila oko 0,4 tokena u sekundi, dakle otprilike jedna riječ svake tri sekunde. Ako vam ikad takav sustav zauzme dnevni boravak, imat ćete dovoljno vremena skuhati ručak dok vam izriče prijetnju.

Važno je reći i što pokus nije pokazao. Mali modeli zadatak još moraju razbiti na mnogo odvojenih koraka, veći sustavi prolaze tek pojednostavljene testove umnožavanja, a Anthropic je dio s iskorištavanjem ranjivosti preskočio i nije pronašao nijedan sustav koji je izmaknuo kontroli. Nije, dakle, uhvaćen AI crv u divljini. Uhvaćen je dokaz da je put prohodan.

Pozadina je stvarna. Modeli se svaki mjesec smanjuju uz istu razinu sposobnosti, pa ono što je lani tražilo podatkovni centar sutra stane na opremu koju već imate doma. U isto vrijeme Japan je proglasio izvanredno stanje zbog hakerskih napada, a među metama su bili i domovi za starije, kućanski uređaji i televizori.

Za malu tvrtku ovdje nema ni zarade ni razloga za paniku. Ima popis pitanja. Koji su uređaji u vašem uredu spojeni na internet, tko ih ažurira i tko bi uopće primijetio da se jedan od njih počeo čudno ponašati. Kamera, pisač i pametni termostat rijetko su na ičijem popisu rizika, a redovito su jedini uređaji koje nitko nije dirao godinama.

Što od ovoga vrijedi upamtiti

Prva je vijest dobra: tržište modela postaje gušće, a gušće tržište znači bolje cijene i manju ovisnost o jednom dobavljaču. Druga je korisno neugodna: ista sposobnost koja model čini upotrebljivim čini ga i zanimljivim napadačima.

Zabavlja me što obje vijesti govore o istoj osobini. Meta prodaje model koji ne odustaje dok ne riješi zadatak, a Anthropic upozorava da bi takav model mogao završiti u vašem televizoru. Upornost je vrlina samo dok točno znate koji ste zadatak zadali.

Moj je praktični zaključak dosadan, ali se drži. Model birajte prema poslu koji stvarno radite, a ne prema snimkama koje kruže mrežom. I odvojite jedno popodne za popis uređaja koji u vašem uredu imaju pristup internetu. To nije futurologija, to je održavanje.