ក្រុមហ៊ុន Benchmark ការវិភាគសិប្បនិម្មិតបានចាប់ផ្តើមកំណែទី 5 នៃសន្ទស្សន៍ភាពវៃឆ្លាតរបស់ខ្លួន ដោយហៅវាថាជាការធ្វើឱ្យប្រសើរឡើងដ៏ធំបំផុតចំពោះចំណាត់ថ្នាក់គំរូសមាសធាតុរបស់វាចាប់តាំងពី v4 បង្ហាញខ្លួនក្នុងខែមករា។ ការផ្លាស់ប្តូរចំណងជើង៖ ជាលើកដំបូង 60 ភាគរយនៃសន្ទស្សន៍ត្រូវបានសាងសង់ឡើងលើការវាយតម្លៃជាមួយនឹងសំណុំតេស្តឯកជន ឬចម្លើយដែលទុកចោល — ការឆ្លើយតបដោយផ្ទាល់ចំពោះបញ្ហានៃការចម្លងរោគគោលដែលបានលុបបំបាត់ការជឿទុកចិត្តលើតារាងពិន្ទុសាធារណៈ។

ការរុះរើមកដល់ជាមួយនឹងសាលក្រមច្បាស់លាស់នៅកំពូល។ Claude Opus 5.5 (អតិបរមា) នាំមុខសន្ទស្សន៍ v5 នៅ 58 នាំមុខ GPT-6 Astra (អតិបរមា) នៅ 57 និង GPT-6.1 Sol (អតិបរមា) នៅ 55 ។ Anthropic និង OpenAI រួមគ្នាកាន់កាប់តំណែងកំពូលទាំងប្រាំ ដោយ Google's Gemini 4 Argon (ខ្ពស់) បន្ទាប់នៅ 50 ។ For more context on this story, see our ongoing artificial intelligence updates.

អ្វីដែលបានផ្លាស់ប្តូរនៅក្នុង v5

សន្ទស្សន៍ v5 ត្រូវបានរៀបចំជាបួនប្រភេទដែលមានទម្ងន់ស្មើគ្នា - ការងារចំណេះដឹង ការសរសេរកូដ វិទ្យាសាស្រ្ត និងទូទៅ - ដែលនីមួយៗមានតម្លៃ 25 ភាគរយ។ គោលពីរគឺថ្មីទាំងស្រុង ហើយបីបានទទួលការធ្វើឱ្យប្រសើរឡើងសំខាន់ៗ៖

  • FrontierCode 2.0 (ថ្មី)។ ស្តង់ដារឯកជនរបស់ Cognition នៃកិច្ចការសរសេរកូដពិភពពិតចំនួន 132 នៅក្នុងឃ្លាំងប្រភពបើកចំហ ដែលបានវាយតម្លៃថាតើអ្នកថែទាំឃ្លាំងពិតជានឹងបញ្ចូលការផ្លាស់ប្តូរភ្នាក់ងារ។ កិច្ចការរក្សាភាពឯកជនដើម្បីជៀសវាងការចម្លងរោគ ហើយការវិភាគសិប្បនិម្មិតដំណើរការរាល់កិច្ចការបីដងនៅក្នុងខ្សែភ្នាក់ងារ Stirrup របស់វា។
  • Terminal-Bench-Science (ថ្មី)។ កិច្ចការស្រាវជ្រាវវិទ្យាសាស្ត្រភ្នាក់ងារចំនួន 70 ត្រូវបានប្រតិបត្តិក្នុងបរិយាកាសស្ថានីយ ដែលកិច្ចការមួយឆ្លងកាត់បានលុះត្រាតែរាល់ការធ្វើតេស្តរបស់វាឆ្លងកាត់។
  • HLE-Diamond (បានអាប់ដេត)។ កំណែសំណួរចំនួន 1,000 ចម្រាញ់នៃការប្រឡងចុងក្រោយរបស់មនុស្សជាតិពីមជ្ឈមណ្ឌលសម្រាប់សុវត្ថិភាព AI និងមាត្រដ្ឋាន AI បែងចែកស្មើគ្នារវាងសំណួរហេតុផល និងចំណេះដឹង ដោយជំនួស HLE ដើម។
  • AA-Omniscience v1.1 (អាប់ដេត)។ សំណុំទិន្នន័យចំណេះដឹង និងការយល់ច្រលំដែលបានសម្អាតជាមួយនឹងសំណួរដែលឆ្អែត និងសាធារណៈត្រូវបានដកចេញ។
  • សំណុំរងរឹង CritPt v2 (បានធ្វើបច្ចុប្បន្នភាព) ។ សំណុំរងរឹង 40 សំណួរឯកជននៃស្តង់ដាររូបវិទ្យាកម្រិតស្រាវជ្រាវដែលត្រូវបានកែសម្រួលដោយអ្នកនិពន្ធរបស់វា និងដំណើរការជាមួយការប្រតិបត្តិកូដ។

ចេញពីសន្ទស្សន៍៖ GDPval-AA v2.1, SciCode និង AA-LCR v1.1 ។ ការវិភាគសិប្បនិម្មិតក៏បានដាក់ឱ្យដំណើរការនូវដៃគូ Progress Index v1 ដែលតាមដានសមត្ថភាពគំរូតាមពេលវេលានៅលើមាត្រដ្ឋានបន្តតែមួយ។

Claude Opus 5.5 នាំមុខទាំងមូល

Claude Opus 5.5 (អតិបរមា) នាំមុខការវាយតម្លៃបុគ្គលចំនួន 3 ក្នុងចំណោមការវាយតម្លៃបុគ្គលចំនួន 9៖ FrontierCode 2.0 នៅ 46 ភាគរយ HLE-Diamond នៅ 68 ភាគរយ និង AA-Omniscience v1.1 នៅ 48 ។ គ្មានម៉ូដែលណាមួយនាំមុខអ្វីគ្រប់យ៉ាងទេ — ម៉ូដែល 5 ផ្សេងទៀតឈរលើចំណុចគោលប្រាំមួយដែលនៅសល់។

GPT-6 Astra (អតិបរមា) នាំមុខ Terminal-Bench-Science នៅ 63 ភាគរយ និងផ្នែករងរឹង CritPt v2 នៅ 72 ភាគរយ ដែលបញ្ជាក់ពីភាពខ្លាំងរបស់ OpenAI ក្នុងការងារវិទ្យាសាស្ត្រដ៏វែងឆ្ងាយ។ Claude Sonnet 5.5 នាំមុខ AA-Briefcase នៅ 1812 Elo, Kimi's K3.1 Pro នាំមុខ Terminal-Bench 4.0 នៅ 67 ភាគរយ, Gemini 4 Argon នាំមុខ AutomationBench-AA នៅ 78 ភាគរយ ហើយ Muse Wonder Full នាំមុខ GDP.pdf នៅ 33 ភាគរយ all-pass ។

លទ្ធផល HLE-Diamond មានព័ត៌មានលម្អិតប្រាប់៖ ម៉ូដែលឈានមុខគេទទួលបានពិន្ទុប្រសើរជាងការវែកញែកជាជាងចំណេះដឹង។ Claude Opus 5.5 និង GPT-6 Astra ទាំងពីរបានវាយលុក 78 ភាគរយលើសំណួរវែកញែក ប៉ុន្តែធ្លាក់ចុះមកត្រឹម 58 និង 50 ភាគរយរៀងៗខ្លួនលើចំណេះដឹង — ភស្តុតាងដែលថាសូម្បីតែប្រព័ន្ធព្រំដែននៅតែបំភាន់ភ្នែក ឬខ្វះការពិតញឹកញាប់ជាងពិន្ទុហេតុផលរបស់ពួកគេណែនាំ។

គម្លាតទម្ងន់បើកចំហបីដង

ការរកឃើញដ៏គួរឱ្យអស់សំណើចបំផុតសម្រាប់ប្រព័ន្ធអេកូឡូស៊ីចំហរ៖ គម្លាតរវាងគំរូបើកចំហល្អបំផុត និងអ្នកដឹកនាំទូទៅកើនឡើងបីដង ដោយពង្រីកពី 3 ពិន្ទុក្នុង v4.3 ដល់ 12 ពិន្ទុក្នុង v5 ។

Kimi's K3.1 Pro គឺជាម៉ូដែលទម្ងន់បើកចំហកំពូលនៅ 46 - ប៉ុន្តែទម្ងន់របស់វាមិនទាន់ត្រូវបានចេញផ្សាយនៅឡើយទេ។ ក្នុងចំណោមម៉ូដែលដែលមានទម្ងន់ដែលបានចេញផ្សាយនោះ DeepSeek's V4.1 Flash 1017 (អតិបរមា) និង Z.ai's GLM-5.3 (អតិបរមា) នាំមុខនៅ 32 ដែលជា 26 ពិន្ទុពេញនៅពីក្រោយ Claude Opus 5.5 និងខាងក្រោម Claude Haiku 5.5 (អតិបរមា) នៅ 36 ។

គម្លាតគឺធំទូលាយបំផុតនៅលើស្តង់ដារភ្នាក់ងារដែលពិបាកបំផុត។ នៅលើ HLE-Diamond, Kimi K3.1 Pro ទទួលបានពិន្ទុ 37 ភាគរយធៀបនឹង Opus 5.5 របស់ 68 ភាគរយ។ នៅលើ Terminal-Bench-Science, 34 ភាគរយធៀបនឹង GPT-6 Astra 63 ភាគរយ។ ម៉ូដែលទម្ងន់បើកចំហភាគច្រើនបានកំណត់ពិន្ទុក្រោម 10 ភាគរយលើស្តង់ដារវិទ្យាសាស្ត្រ។

តម្លៃក្នុងមួយកិច្ចការប្រែប្រួលដប់បីដង

ការចំណាយនៅតែជាអថេរសម្រេចចិត្ត។ ក្នុងចំណោមម៉ូដែលដែលមានពិន្ទុខ្ពស់បំផុតទាំងដប់ GPT-6.1 Terra (អតិបរមា) គឺថោកបំផុតនៅ $0.96 ក្នុងមួយកិច្ចការ Intelligence Index ខណៈដែល Claude Fable 5.1 (អតិបរមា) គឺថ្លៃបំផុតនៅ $13.04 ដែលជាការរីករាលដាលច្រើនជាង 13 ដង។

រឿងប្រសិទ្ធភាពគឺជាការទទួលយកជាក់ស្តែងបំផុតរបស់ v5៖ GPT-6.1 Sol (max) ពិន្ទុក្នុងរង្វង់ 4 ពិន្ទុនៃ Claude Opus 5.5 ខណៈពេលដែលចំណាយប្រហែលមួយភាគប្រាំបីដូចជាច្រើនក្នុងមួយកិច្ចការគឺ $1.27 ធៀបនឹង Opus $10.04 ។ GPT-6 Astra (អតិបរមា) ស្ថិតនៅចន្លោះពួកគេនៅ $6.24 ។

ហេតុ​អ្វី​បាន​ជា​គោល​ដៅ​ឯកជន​សំខាន់

ការផ្លាស់ប្តូរឆ្ពោះទៅរកសំណុំការវាយតម្លៃឯកជនឆ្លុះបញ្ចាំងពីបញ្ហាទូទាំងឧស្សាហកម្ម៖ ស្តង់ដារសាធារណៈលេចធ្លាយទៅក្នុងទិន្នន័យបណ្តុះបណ្តាល និងមានភាពឆ្អែតឆ្អន់ ដែលធ្វើឲ្យតារាងពិន្ទុមិនអាចជឿទុកចិត្តបាន។ ជាមួយនឹង FrontierCode 2.0 កិច្ចការត្រូវបានចាត់ថ្នាក់លើថាតើអ្នកថែទាំនឹងបញ្ចូលការផ្លាស់ប្តូរ — ជាមួយនឹងការត្រួតពិនិត្យការទប់ស្កាត់ការបរាជ័យពិន្ទុសូន្យ — ហើយបញ្ជីកិច្ចការនៅតែឯកជន។

នោះធ្វើឱ្យ v5 ក្លាយជាគំរូដ៏លំបាកមួយសម្រាប់ហ្គេម ហើយសាលក្រមរបស់វាមានទម្ងន់៖ ព្រំដែនត្រូវបានដឹកនាំដោយ Anthropic និង OpenAI ការកំណត់កិច្ចខិតខំប្រឹងប្រែងគឺមានសារៈសំខាន់ជាងពេលណាទាំងអស់ ហើយម៉ូដែលទម្ងន់បើកចំហមានមូលដ្ឋានយ៉ាងធ្ងន់ធ្ងរក្នុងការស្ដារឡើងវិញនូវភារកិច្ចភ្នាក់ងារដែលកំណត់ការងារ AI ពិភពពិតកាន់តែខ្លាំងឡើង។

---

Stay Ahead of AI

Get the latest AI news, analysis, and breakthroughs — all in one place.

Read more AI news →