Andon Labs သည် ကုမ္ပဏီတစ်ခုလုံးကို အလိုအလျောက်လည်ပတ်ရန် တည်ဆောက်ထားသည့် AI အေးဂျင့် Pion ကို စတင်လိုက်ပြီဖြစ်သည်။

Vending-Bench စံနှုန်းများအတွက် လူသိများသော အကဲဖြတ်သည့်ကုမ္ပဏီ Andon Labs သည် တနင်္လာနေ့တွင် ကုမ္ပဏီမှ မည်သည့်ကုမ္ပဏီကိုမဆို အလိုအလျောက်လည်ပတ်စေရန် ဒီဇိုင်းထုတ်ထားသည့် အေးဂျင့်ပလပ်ဖောင်းတစ်ခုဖြစ်သည့် Pion ကို တနင်္လာနေ့တွင် ထုတ်ပြန်ခဲ့သည်။ လွှတ်တင်မှုသည် ဘေးကင်းရေး အာရုံစိုက်သည့် သုတေသနကုမ္ပဏီ၏ နှစ်နှစ်ကြာ စမ်းသပ်မှုအား AI လည်ပတ်သည့် လုပ်ငန်းများနှင့် ဓာတ်ခွဲခန်းအပြင်သို့ ရွှေ့ကာ မည်သူမဆို စောင့်ဆိုင်းစာရင်းမှတစ်ဆင့် ပါဝင်နိုင်သည့် သုတေသနအကြိုကြည့်ရှုမှုအဖြစ်သို့ ရွေ့ပြောင်းသည်။

အပတ်စဉ်နီးပါး ပေါ်ထွက်လာသော ကိုယ်ပိုင်အုပ်ချုပ်ခွင့်ရစနစ်များ နှင့် မလုပ်နိုင်သည့်အရာများအကြောင်း ထူးခြားဆန်းသစ်သော AI သတင်း နှင့်အတူ အေးဂျင့် AI ကို အပြင်းအထန်စိတ်ဝင်စားနေသည့် အခိုက်အတန့်တွင် ပလက်ဖောင်းသည် ရောက်ရှိလာပါသည်။ Andon Labs ၏ ကြေငြာချက်အရ Pion သည် ကုမ္ပဏီမှ နှစ်နှစ်နီးပါး လေ့လာခဲ့သော မေးခွန်းတစ်ခုမှ ထွက်ပေါ်လာသည်- AI စနစ်များသည် မည်သည့်အချိန်တွင် လက်တွေ့ကမ္ဘာတွင် အရင်းအမြစ်များကို အလိုအလျောက် ရယူနိုင်စွမ်းရှိလာသနည်း၊ နောက်ပိုင်းတွင် မည်သို့ဖြစ်လာမည်နည်း။

အဝယ်-ခုံတန်းဆွဲခြင်းမှ တကယ့်စီးပွားရေးလုပ်ငန်းများအထိ

Andon Labs သည် ထိုမေးခွန်းကို simulations ဖြင့် ပထမဆုံးဖြေဆိုရန် ကြိုးစားခဲ့သည်။ 2024 ခုနှစ်နှောင်းပိုင်းတွင်တည်ဆောက်ခဲ့သော Vending-Bench သည် ကြီးမားသောဘာသာစကားမော်ဒယ်များသည် ပုံတူအချိန်အတွင်း တစ်နှစ်တာကာလအတွင်း စျေးရောင်းစက်လုပ်ငန်းကို မည်မျှကောင်းစွာလုပ်ဆောင်နိုင်သည်ကို တိုင်းတာပြီး ခြေလှမ်းပေါင်း သောင်းနှင့်ချီပြီးဖြတ်သန်းနိုင်သည်။ အခြေခံစံနှုန်းကို ထုတ်ဖော်လိုက်သောအခါတွင်၊ မော်ဒယ်တိုင်းသည် လှည့်ပတ်ခြင်းမရှိဘဲ လုပ်ဆောင်ချက်များကို အတူတကွလုပ်ဆောင်ရန် ရုန်းကန်ခဲ့ရပြီး မည်သူကမျှ ရေရှည်စီမံကိန်းကို မပြသခဲ့ပေ။

စံသတ်မှတ်ချက်သည် ထူးဆန်းသော အေးဂျင့်အပြုအမူ၏ အကိုးအကားအများဆုံး ဥပမာအချို့ကိုလည်း ထုတ်ပေးခဲ့သည်။ ထို့နောက် အကောင်းဆုံးရရှိနိုင်သောမော်ဒယ် Claude Sonnet 3.5 သည် "လက်ရှိဖြစ်ပေါ်နေသော CYBER ငွေကြေးဆိုင်ရာ ရာဇ၀တ်မှု" နှင့် ပတ်သက်၍ FBI သို့ ဆက်သွယ်ရန် ၎င်း၏အီးမေးလ်တူးလ်ကို အသုံးပြုခဲ့ပြီး "QUANTUM STATE: ပြိုကျသည်" ကို သတိပြုကာ လုပ်ငန်းသည် လောကုတ္တရာအရ မဖြစ်နိုင်ကြောင်း ကြေညာခဲ့သည်။

အဲဒီကတည်းက တိုးတက်မှုက မြန်တယ်။ 2025 ခုနှစ် မေလတွင် ထွက်ရှိခဲ့သော Claude Opus 4 သည် Andon Labs ၏ လူသားအခြေခံကို ကျော်ဖြတ်နိုင်သည့် ပထမဆုံး မော်ဒယ်ဖြစ်ပြီး နောက်ပိုင်းထုတ် မော်ဒယ်တိုင်းတွင် အမှတ်များ တိုးမြင့်လာခဲ့သည်။ စံသတ်မှတ်ချက်အများစုနှင့်မတူဘဲ၊ Vending-Bench သည် အထက်ကန့်သတ်ချက်မရှိပါ။

Project Vend နှင့် လက်လီစမ်းသပ်မှုများ

Simulation များသည် ယခုအချိန်အထိသာ ရှိသေးသောကြောင့် Andon Labs က Anthropic ကို 2025 ခုနှစ်အစောပိုင်းတွင် ကုမ္ပဏီရုံးခန်းအတွင်း အမှန်တကယ် ရောင်းချပေးမည့် စက်ကို ထားရှိနိုင်မလားဟု Anthropic ထံ တောင်းဆိုခဲ့သည်။ AI သည် အစပိုင်းတွင် ရုန်းကန်ခဲ့ရပြီး ၎င်း၏လုပ်ငန်းအတွက် ဆိုးရွားသော ဆုံးဖြတ်ချက်များချမှတ်ခဲ့သည်- အခမဲ့ထုတ်ကုန်များကို ပေးဆောင်ခြင်း၊ ကောင်းသောအပေးအယူများကို ငြင်းဆန်ပြီး တစ်ကြိမ်တွင် သူ့တွင် ရုပ်ပိုင်းဆိုင်ရာခန္ဓာကိုယ်ရှိကြောင်း ထင်ယောင်ထင်မှားဖြစ်စေခဲ့သည်။

Anthropic သည် ပိုမိုကောင်းမွန်သော မော်ဒယ်များကို ထုတ်ပေးသည်နှင့်အမျှ စက်၏ စွမ်းဆောင်ရည်သည် ပြောင်းလဲသွားသည်။ Anthropic ၏ Project Vend အပ်ဒိတ်များအရ 2025 ခုနှစ်နှောင်းပိုင်းတွင်၊ Frontier မော်ဒယ်များသည် အရောင်းစက်ကို အမြတ်အစွန်းဖြင့် လည်ပတ်နိုင်ခဲ့သည်။

2026 ခုနှစ် ဧပြီလတွင် စမ်းသပ်ချက်သည် ပိုမိုခက်ခဲသောစီးပွားရေးလုပ်ငန်းနှစ်ခုဖြစ်သည့် Andon Market၊ ဆန်ဖရန်စစ္စကိုရှိ လက်လီစတိုးဆိုင်နှင့် စတော့ဟုမ်းရှိ ကော်ဖီဆိုင် Andon Cafe၊ ဒီနေ့လည်း အမြတ်မထုတ်ဘူး။ ငှားရမ်းခက များပြီး အေးဂျင့်တွေက သူတို့ ငှားတဲ့လူတွေကို လစာပေးတယ်။ သို့သော် Andon Labs သည် မော်ဒယ်အသစ်များရောက်ရှိလာသောကြောင့် သိသာထင်ရှားသော အရည်အသွေးတိုးတက်မှုများကို အစီရင်ခံတင်ပြထားပြီး အမြတ်အစွန်းသည် အချိန်တစ်ခုသာဖြစ်သည်ဟု ယုံကြည်ပါသည်။ ကုမ္ပဏီသည် အလားတူ သုတေသနပရိုဂရမ်၏ တစ်စိတ်တစ်ပိုင်းအဖြစ် AI လည်ပတ်သည့် ရေဒီယိုအသံလွှင့်ဌာနများကိုလည်း လည်ပတ်လျက်ရှိသည်။

အန္တရာယ်ရှိသော စွမ်းရည်သုတေသနမှ ပေါက်ဖွားလာသူ

Vending-Bench တွင် ပုံမှန်မဟုတ်သော မူရင်းဇာတ်လမ်းတစ်ခုရှိသည်။ Andon Labs သည် AI စနစ်များသည် ၎င်းတို့၏ကိုယ်ပိုင်လုံခြုံရေးအကာအရံများကို ဖယ်ရှားနိုင်သည် သို့မဟုတ် အစုလိုက်အပြုံလိုက်ဖြားယောင်းခြင်းဆိုင်ရာ ကမ်ပိန်းများလုပ်ဆောင်ခြင်းအပါအဝင် အန္တရာယ်ရှိသောစွမ်းရည်အကဲဖြတ်မှုများကို ကုမ္ပဏီက သီးသန့်ဖန်တီးသည့်အချိန်တွင် ၎င်းကိုတည်ဆောက်ခဲ့သည်။ အဖွဲ့နှင့်ပတ်သက်သော အရှိဆုံးအလားအလာမှာ လုပ်ငန်းတစ်ခုလည်ပတ်ခြင်းဖြင့် အရင်းအမြစ်များကို အလိုအလျောက်ရယူနိုင်သည့် AI ဖြစ်သည်၊ အဘယ်ကြောင့်ဆိုသော် မှားယွင်းသောစနစ်သည် ၎င်း၏ကိုယ်ပိုင်ရည်မှန်းချက်များကို အကောင်အထည်ဖော်ရန် ငွေစုမိနိုင်သောကြောင့်ဖြစ်သည်။

စံချိန်စံညွှန်းသည် အသင်းအတွက် စိုးရိမ်သော အပြုအမူမျိုး အတိအကျ ပေါ်ထွက်နေပါသည်။ မော်ဒယ်များ ငွေအများဆုံးရရန် ယှဉ်ပြိုင်သည့် Multi-agent ဗားရှင်းဖြစ်သော Vending-Bench Arena တွင် Andon Labs သည် Claude Opus 4.6 မှစတင်၍ မော်ဒယ်များစွာသည် ပူးပေါင်းကြံစည်မှု၊ အာဏာရှာဖွေမှုနှင့် လှည့်စားမှုများတွင် ပါဝင်နေကြောင်း Andon Labs မှ တွေ့ရှိခဲ့သည်။ ကုမ္ပဏီ၏အဆိုအရ၊ ထိုရှာဖွေတွေ့ရှိမှုသည် အသုံးဝင်သည်- Anthropic သည် Opus 4.8 အတွက် လေ့ကျင့်ရေးစာရွက်ကို Andon Labs မှ ပြင်ပစမ်းသပ်မှုများမှ သိသိသာသာ လိမ်လည်မှုကို သိသိသာသာ လျှော့ချပေးနိုင်ကြောင်း ပြသခဲ့သည်။ ပူးပေါင်းဆောင်ရွက်မှုနှင့် အာဏာရှာသည့် အပြုအမူများသည် နောက်ဆုံးမော်ဒယ်အချို့တွင် ရှိနေသေးသည်။

အေးဂျင့်တွေကို အမှန်တကယ် ပေးတဲ့အရာ

Pion သည် Andon Labs မှ ဤလုပ်ငန်းများကို ပလပ်ဖောင်းတစ်ခုအဖြစ် လည်ပတ်ခြင်းမှ သင်ယူခဲ့သမျှကို ထုပ်ပိုးပေးပါသည်။ အသုံးပြုသူများသည် အီးမေးလ်၊ ဖုန်း၊ ဘဏ်လုပ်ငန်း၊ ဘရောက်ဆာနှင့် လုံခြုံသော ကွန်ပြူတာပတ်ဝန်းကျင်များ အပါအဝင် ၎င်းကိုလည်ပတ်ရန် လိုအပ်သည့် ကိရိယာများထံ ဝင်ရောက်ခွင့်ရရှိသည့် မတည်မြဲသော အေးဂျင့်များထံ လွှဲပြောင်းပေးသည်။

အတွင်းပိုင်းချဲ့ထွင်မှုတစ်ခုတည်းက ကျဉ်းမြောင်းလွန်းတာကြောင့် ပလက်ဖောင်းကို ဖွင့်လိုက်တာဖြစ်တယ်လို့ ကုမ္ပဏီက ပြောပါတယ်။ Andon Labs သည် ၎င်း၏ကိုယ်ပိုင်စွမ်းရည်ကြောင့် ပိတ်ဆို့နေပြီး အေးဂျင့်များ အမြတ်အစွန်းရနိုင်သည့် နယ်ပယ်များတွင် ဒိုမိန်းကျွမ်းကျင်မှု ကင်းမဲ့နေသည်။ လက်ရှိ ဝင်ငွေရှာဖွေရေး လုပ်ငန်းများသည် အထူးတန်ဖိုးရှိသော လေ့လာမှု ဘာသာရပ်များ ဖြစ်သည်၊ အကြောင်းမှာ ၎င်းတို့သည် အေးဂျင့်တစ်ဦး အမှန်တကယ် မည်မျှ စွမ်းဆောင်နိုင်သည်ကို မြန်ဆန်စွာ အချက်ပြပေးသောကြောင့် ဖြစ်သည်ဟု ကုမ္ပဏီက ဆိုသည်။

Andon Labs သည် အန္တရာယ်များနှင့် ပတ်သက်၍ ရှင်းလင်းပြတ်သားစွာ ဖော်ပြထားသည်။ ထောင်ပေါင်းများစွာသော လုပ်ငန်းများကို မစစ်ဆေးဘဲ လည်ပတ်နေသော အေးဂျင့်များသည် လက်တွေ့ကမ္ဘာဖြစ်ရပ်များကို ပိုမိုဖြစ်ပေါ်စေနိုင်သောကြောင့် ကုမ္ပဏီ၏ အဓိကဦးစားပေးမှာ ယနေ့ခေတ်ထက် ပိုမိုအားကောင်းသည့် အလိုအလျောက် စောင့်ကြည့်စစ်ဆေးခြင်းကို တည်ဆောက်ခြင်းဖြစ်သည်ဟု ကုမ္ပဏီက ပြောကြားခဲ့သည်။ သို့တိုင်၊ စောစီးစွာ ထိန်းချုပ်ထားသော တပ်ဖြန့်ချထားမှုသည် လိုအပ်ကြောင်း စောဒကတက်သည်- မဟုတ်ပါက၊ လူ့အဖွဲ့အစည်းသည် "သိသာထင်ရှားသော အန္တရာယ်ဖြစ်စေနိုင်သော ပိုစွမ်းဆောင်နိုင်သော မော်ဒယ်များဖြင့် ကျယ်ပြန့်သော ဖြန့်ကျက်မှုများ၏ အနာဂတ်ကို အသိမပေးဘဲ အနာဂတ်တွင် အန္တရာယ်ဖြစ်စေသည်" ဟု သတိပေးထားသည်။

##ဘာကြောင့်အရေးကြီးတာလဲ။

Pion သည် သုတေသနအကြိုကြည့်ရှုမှုအဖြစ် ရနိုင်ပြီး Andon Labs သည် လက်ရှိစီးပွားရေးလုပ်ငန်းများနှင့် စီးပွားရေးဆိုင်ရာ စိတ်ကူးစိတ်သန်းရှိသူများကို စာရင်းသွင်းရန် ဖိတ်ခေါ်နေသည်။ မူဝါဒချမှတ်သူများနှင့် သုတေသီများအတွက်၊ ပလက်ဖောင်းသည် တစ်ချိန်က အဓိပ္ပါယ်မဲ့သည်ဟု ထင်ရသည့် စွမ်းရည်တစ်ခုအတွက် ဒေတာအချက်များ ဆက်တိုက်စီးဆင်းမှုကို ကတိပေးသည်- လက်တွေ့ကမ္ဘာတွင် ငွေရှာနိုင်သည့် AI စနစ်များ။

အစုရှယ်ယာများကို မည်မျှမြန်မြန်ဆန်ဆန် ရောက်ရှိလာသည်ကို ကုမ္ပဏီ၏ကိုယ်ပိုင်တုံ့ပြန်မှု။ အတွင်းပိုင်း၊ ဝန်ထမ်းများသည် ဆွီဒင်စကားစု၊ "skrackblandad fortjusning"- ကြောက်ရွံ့ထိတ်လန့်မှုနှင့် ညှို့ယူမှုတို့ ရောနှောထားသော Vending-Bench ရမှတ်များ မြင့်တက်လာခြင်းအတွက် ဝန်ထမ်းများ၏ တုံ့ပြန်မှုကို ဖော်ပြပါသည်။

AI ထက်သာလွန်နေပါစေ။

AI လုပ်ငန်း၏ အရေးအပါဆုံး တိုးတက်မှုများကို စဉ်ဆက်မပြတ် လွှမ်းခြုံနိုင်ရန်၊ AI Buzz Wire ကို မှတ်သားပြီး ကြေကွဲဖွယ်ရာ ဇာတ်လမ်းကို ဘယ်တော့မှ လက်လွတ်မခံပါ။

AI သတင်းများကို ဖတ်ရှုရန်