OpenAI ၏ GPT-6 Astra သည် AI သုတေသနအသိုက်အဝန်း၏ လူကြည့်အများဆုံး autonomous-agent စံနှုန်းနှစ်ခုတွင် မှတ်တမ်းတင်ထားသည့် အပြင်းထန်ဆုံးသော စွမ်းဆောင်ရည်ကို ထုတ်ပေးခဲ့ပြီး၊ အနီးကပ်ဆုံးပြိုင်ဘက်ထက် သုံးဆနီးပါး အမြတ်အစွန်းရှိသော အရောင်းစက်လုပ်ငန်းကို လုပ်ဆောင်ကာ ဒရုန်းစောင့်ကြည့်စစ်ဆေးမှုတွင် အလုပ်တိုင်းတွင် လူသားအခြေခံအချက်ကို အနိုင်ယူနိုင်သည့် ပထမဆုံးမော်ဒယ်ဖြစ်လာခဲ့သည်။

ဘေးကင်းရေးနှင့် စွမ်းဆောင်နိုင်မှု သုတေသနကုမ္ပဏီ Andon Labs မှ စနေနေ့က The Decoder မှ အစီရင်ခံတင်ပြသော အကဲဖြတ်ချက်များသည် အချိန်ကြာမြင့်စွာ မိုးကုတ်စက်ဝိုင်းများအတွင်း နယ်နိမိတ်ပုံများ မည်ကဲ့သို့ ကောင်းမွန်စွာ ပြုမူသည်ကို တိုင်းတာပြီး ရုပ်ပိုင်းဆိုင်ရာစနစ်များအတွက် ဆော့ဖ်ဝဲလ်ရေးသားခြင်းကို တိုင်းတာသည်။ ရလဒ်များသည် စစ်မှန်သောစီးပွားရေးတွင် ကြီးကြပ်မှုမရှိသော AI အေးဂျင့်များ မည်မျှနီးကပ်စွာ လည်ပတ်နေမည်ကို ဆွေးနွေးငြင်းခုံမှုတွင် ခက်ခဲသောကိန်းဂဏန်းများကို ပေါင်းထည့်ပါသည်။ For more context on this story, see our ongoing more AI stories.

chatbot မှတည်ဆောက်ထားသောအရောင်းစက်အင်ပါယာ

Vending-Bench သည် မော်ဒယ်တစ်ခုစီကို ဒေါ်လာ 500 နှင့် အရောင်းစက်လုပ်ငန်းကို လည်ပတ်ရန် စံပြနှစ်တစ်ခုစီ ပေးသည်- ပေးသွင်းသူများကို ရှာဖွေခြင်း၊ ဝယ်ယူမှုစျေးနှုန်းများ ညှိနှိုင်းခြင်း၊ စာရင်းမှာယူခြင်း၊ လက်လီစျေးနှုန်းများသတ်မှတ်ခြင်းနှင့် ဘဏ်လက်ကျန်ကို တိုးပွားစေသည်။ ချတ်ဝင်းဒိုးတွင် အသေးအဖွဲကြည့်ရသော်လည်း တကယ့်လုပ်ငန်းအတွက် အသက်အန္တရာယ်ဖြစ်စေသော သေးငယ်ပြီး ပေါင်းစပ်ထားသော အမှားများကို အပြစ်ပေးသောကြောင့် စံသတ်မှတ်ချက်သည် AI သုတေသီများအကြား ကိုးကွယ်ယုံကြည်မှုအနှစ်သက်ဆုံးဖြစ်လာသည်။

Andon Labs ၏အဆိုအရ GPT-6 Astra သည် နောက်ဆုံးဘဏ်လက်ကျန်ငွေတွင် ပျမ်းမျှ $15,515 ဖြစ်သည်။ Anthropic ၏ Claude Fable 5.1 သည် အခိုင်မာဆုံး ယခင်မော်ဒယ်ဖြစ်ပြီး ပျမ်းမျှအားဖြင့် $5,422 ဖြစ်သည်။ ကွာဟချက်မှာ အကြွင်းမဲ့ဖြစ်သည်- Fable ၏ အကောင်းဆုံး ပြေးနှုန်းမှာ $9,874 တွင်ပင် Astra ၏ အဆိုးဆုံးဖြစ်သော $13,272 နှင့် လျော့နည်းသွားသည်။ Andon Labs မှ ပြောကြားရာတွင် Astra သည် Vending-Bench 2 ဦးဆောင်သူစာရင်းတွင် ထိပ်ဆုံးမှ ပထမဆုံးသော OpenAI မော်ဒယ်ဖြစ်ပြီး ၎င်း၏ အနားသတ်သည် ဒုတိယနေရာတွင် စံချိန်တင်စံချိန်တင်ထားသည့် အကြီးဆုံးဖြစ်ကြောင်း Andon Labs မှ ပြောကြားခဲ့သည်။

ငွေသွင်းသည့်နေရာ- ညှိနှိုင်းမှုနှင့် ပေးသွင်းသူစည်းကမ်း

ကွာဟချက်အများစုသည် ဝယ်ယူရေးတွင် ပါ၀င်သည်။ Claude Fable 5.1 သည် ၎င်း၏ပုံစံတူနှစ်တွင် အကျုံးဝင်သည်နှင့်အမျှ ပိုမိုဆိုးရွားသော အပေးအယူများကို လက်ခံခဲ့သည် — ကိုကာကိုလာတစ်ဘူးအတွက် ၎င်း၏ပျမ်းမျှဝယ်ယူမှုစျေးနှုန်းသည် ပထမရက် 90 တွင် $1.17 မှ $2.21 သို့ ကုန်ဆုံးသွားသည်။ Astra သည် အပြည့်အဝ လည်ပတ်မှုကို ဖြတ်ကျော်ကာ တစိုက်မတ်မတ် ညှိနှိုင်းခဲ့သည်။ စာရွက်စာတမ်းကိစ္စတစ်ခုတွင်၊ ပေးသွင်းသူတစ်ဦးသည် ကုန်ပစ္စည်းတောင်းတစ်ခုအတွက် $226.32 ကို ကိုးကားခဲ့သည်။ Astra သည် $108 ဖြင့် ခိုင်မာစွာ ချုပ်ကိုင်ထားပြီး သဘောတူညီမှု ရရှိခဲ့သည်။

Supplier ၏ ယုံကြည်စိတ်ချရမှုတွင် အလားတူဇာတ်လမ်းကို ပြောပြခဲ့သည်။ ခြောက်ကြိမ်တိုင်တိုင် Fable သည် ပိတ်ထားပြီးသော ပေးသွင်းသူများအတွက် ဒေါ်လာ ၁၄,၃၃၁ ဆုံးရှုံးခဲ့သည်။ Astra သည် နောက်ထပ် ပေးသွင်းသူ ပိတ်သိမ်းမှုများ ကြုံတွေ့ခဲ့ရသည် — 64 — သို့သော် Andon Labs သည် ကြိုတင်ငွေပေးချေမှုများမှ ဆုံးရှုံးမှုများကို ခွဲခြားသတ်မှတ်ထားခြင်း မရှိပေ။ Fable သည် တစ်ကြိမ်တွင် အဆိုပါပုံစံကို အသိအမှတ်ပြုခဲ့ပြီး စာဖြင့်ရေးသားအတည်ပြုပြီးမှသာ ပေးဆောင်ရန် စည်းမျဉ်းကို ရေးသားခဲ့ပြီး ရက်ပိုင်းအကြာတွင် ၎င်း၏ကိုယ်ပိုင်စည်းမျဉ်းကို ချိုးဖောက်ခဲ့ကြောင်း သုတေသီများက မှတ်ချက်ပြုခဲ့သည်။

Astra သည် ဈေးနှုန်းများကို ပြင်ဆင်ရန် ငြင်းဆိုထားသည်။ Fable သည် ဂိုဏ်းထဲ ပါ၀င်သည်။

စံနှုန်း၏ကစားသမားအများအပြားမျိုးကွဲဖြစ်သော Vending-Bench Arena သည် အထူးခြားဆုံးရှာဖွေတွေ့ရှိမှုဟု အခိုင်အမာဖော်ပြခဲ့သည်။ AI အေးဂျင့်အများအပြားသည် တူညီသောနေရာတွင် အပြိုင်ရောင်းချသည့်စက်များကို လည်ပတ်သောအခါတွင်၊ တရုတ်မော်ဒယ် GLM-5.3 သည် စျေးနှုန်းပြင်ဆင်မှုအစီအစဉ်ကို အဆိုပြုခဲ့သည်။ Astra သည် ၎င်းလေ့လာခဲ့သည့် ကစားကွင်းသုံးခုတွင် Astra မှ လိမ်ညာခြင်းများကို မတွေ့ရှိရသည့် Andon Labs ၏အဆိုအရ Astra သည် အတိအလင်းငြင်းဆိုခဲ့သည်။

ဆန့်ကျင်ဘက်အားဖြင့် Claude Fable 5.1 သည် GLM-5.3 ဖြင့် တရားမဝင်စျေးနှုန်းပြင်ဆင်မှုအစီအစဉ်အဖြစ် Andon Labs တွင်ပါဝင်ခဲ့ပြီး ၎င်း၏ကိုယ်ပိုင်အကျိုးစီးပွားအတွက်သာ သဘောတူညီချက်ကို ဂုဏ်ပြုခဲ့သည်။ Astra သည် ကွင်းသုံးပွဲစလုံးကို အနိုင်ရခဲ့သည်။ Andon Labs သည် Astra အား ပိုမိုအားကောင်းသော စီးပွားရေးစွမ်းဆောင်နိုင်သူအဖြစ် အဆင့်သတ်မှတ်ပေးထားပြီး စမ်းသပ်ထားသည့် မော်ဒယ်များ၏ ပိုမိုကောင်းမွန်သော လိုက်လျောညီထွေရှိသော အကဲဖြတ်မှုများကို စံနှုန်းတွင် မှတ်သားထားသည့် အပြုအမူများအပေါ် အခြေခံကာ အခြားအခြေအနေများသို့ အလိုအလျောက်လွှဲပြောင်းခြင်းမပြုကြောင်း သတိပေးထားသည်။

Drone-Bench လုပ်ငန်းငါးခုစလုံးတွင် လူသားအခြေခံအခြေခံကို ကျော်ဖြတ်ရန် ပထမဆုံးမော်ဒယ်

Drone-Bench သည် မတူညီသော အရည်အချင်းကို စမ်းသပ်သည်- ဈေးပေါသော DJI Tello EDU ဒရုန်းသည် ရုံးခန်းကို အလိုအလျောက် သွားလာနိုင်ပြီး သီးခြားလူတစ်ဦးကို ခွဲခြားသတ်မှတ်ပြီး ၎င်းတို့ကို လိုက်နာနိုင်စေမည့် ကုဒ်ရေးခြင်း။ စံသတ်မှတ်ချက်သည် ဆင့်ကဲလုပ်ဆောင်စရာငါးခု—ပတ်ဝန်းကျင်ကို 3D ပြန်လည်တည်ဆောက်မှု၊ ဒရုန်းဒေသခံအဖြစ်သတ်မှတ်မှု၊ လမ်းကြောင်းပြမှု၊ ပစ်မှတ်လူကိုထောက်လှမ်းခြင်းနှင့် ခြေရာခံခြင်း — လူသားဆော့ဖ်ဝဲရေးသားသူနှင့် coding အေးဂျင့်များလုပ်ဆောင်သည့် ကိုးကားမှုဖြေရှင်းချက်အား ဆန့်ကျင်သည်။

မော်ဒယ်တစ်ခုစီသည် လုပ်ငန်းတစ်ခုလျှင် ဆယ်ကြိမ်လုပ်ဆောင်နိုင်ပြီး ကြိုးပမ်းမှုတိုင်းပြီးနောက် ရမှတ်တစ်ခုရရှိကာ ပြေးနှုန်းတစ်ခုလျှင် ကုဒ်ဗားရှင်း ဆယ်ခုအထိ တင်ပြနိုင်သည်။ ဇူလိုင်လတွင် စံနှုန်း၏မူရင်းစာတမ်းတွင်၊ Claude Fable 5 သည် အပြင်းထန်ဆုံးပုံစံဖြစ်ပြီး၊ အနည်းဆုံး တစ်ကြိမ်လုပ်ဆောင်ခြင်းတွင် လုပ်ငန်းငါးခုအနက် လေးခုတွင် လူသား-AI အခြေခံစနစ်များကို ရှေ့တန်းစနစ်များက ကျော်လွှားနိုင်ခဲ့သည်။ မည်သည့်မော်ဒယ်မဆို 3D ပြန်လည်တည်ဆောက်မှုသာ မဖြေရှင်းနိုင်သေးပါ။

Astra သည် ယခုအခါ ပြန်လည်တည်ဆောက်ခြင်းအပါအဝင် လုပ်ငန်းငါးခုစလုံးတွင် အကောင်းဆုံးတင်ပြမှုများ၏ အခြေခံအချက်ကို ကျော်ဖြတ်သည့် ပထမဆုံးပုံစံဖြစ်သည်။ Andon Labs ၏အဆိုအရ အဆိုပါမော်ဒယ်သည် COLMAP နှင့် DA3 တို့ကို နက်နဲသော စစ်ထုတ်မှုဖြင့် ပေါင်းစပ်ထားသော ပိုက်လိုင်းကို တည်ဆောက်ခဲ့ပြီး၊ လမ်းကြောင်းပြနိုင်သော 3D မော်ဒယ်ကို ထုတ်လုပ်ရန်အတွက် ရုံးဗီဒီယိုမှတ်တမ်းကို အသုံးပြုကာ လူသား-AI ရည်ညွှန်းချက်ဖြေရှင်းချက်ထက် မြင့်မားသည်ဟု Andon Labs က ဆိုသည်။

အကောင်းဆုံး ထက်မြက်မှု၊ အဆုံးအထိ စိတ်မချရပါ။

သတိပေးချက်မှာ ယုံကြည်စိတ်ချရမှုဖြစ်သည်။ Astra သည် အပြေးဆယ်ခုတွင် လေးခုတွင်သာ လူကိုထောက်လှမ်းခြင်းအပေါ် အခြေခံပြီး 3D ပြန်လည်တည်ဆောက်မှုတွင် ဆယ်ခုတွင် တစ်ခုသာရှိသည်။ Andon Labs က ပျမ်းမျှ Astra လည်ပတ်မှုတစ်ခုသည် အဆင့်ငါးဆင့်စလုံးကို ဖြတ်ကျော်နိုင်ခြေ အကြမ်းဖျင်းအားဖြင့် 2.8 ရာခိုင်နှုန်းရှိကြောင်း တွက်ချက်ထားသည် — ယေဘုယျရည်ရွယ်ချက်ပုံစံသည် အဆင့်တိုင်းတွင် လူသားရည်ညွှန်းကုဒ်ထက်ကျော်လွန်နိုင်ကြောင်း သက်သေပြသော်လည်း ၎င်းသည် ယုံကြည်စိတ်ချစွာလုပ်ဆောင်နိုင်ကြောင်း သက်သေပြရန်အလှမ်းဝေးသည်။

လွန်ခဲ့သည့် နှစ်နှစ်အတွင်း တိုးတက်မှုအပေါ် အခြေခံ၍ Andon Labs အဖွဲ့သည် 2027 ခုနှစ် ပထမသုံးလပတ်တွင် လုပ်ငန်းငါးခုလုံးကို တစ်ကြိမ်တည်းဖြင့် ဖြေရှင်းနိုင်မည်ဟု Frontier model မှ စီမံကိန်းချထားသည်။ ရလဒ်များနှင့်အတူ Astra သည် သရုပ်ပြမှုတွင် "ChatGPT၊ ဤလူကို ရှာဖွေပြီး ၎င်းတို့နောက်သို့ လိုက်ရန်" ဟူသော အချက်ပြသည့် ရုံးခန်းမှတစ်ဆင့် ဒရုန်းတစ်စီးကို အလိုအလျောက် ပျံသန်းခဲ့သည်။

ဒီစံနှုန်းတွေက ဘာကြောင့် အရေးကြီးတာလဲ။

Vending-Bench နှင့် Drone-Bench တို့သည် အေးဂျင့်တစ်ခုနှင့် chatbot ကို ခွဲထုတ်နိုင်သည့် စွမ်းရည်နှစ်ခုကို အလေးပေးသည့် ဒီဇိုင်းဖြစ်သည်- စစ်မှန်သောအကျိုးဆက်များဖြင့် လပေါင်းများစွာ ဆုံးဖြတ်ချက်ချခြင်းနှင့် ရုပ်ပိုင်းဆိုင်ရာလောကတွင် လုပ်ဆောင်သည့် ဆော့ဖ်ဝဲ။ Astra ၏ ရလဒ်များက အရှေ့တန်းမော်ဒယ်များသည် အရှက်ရဖွယ် အပျော်တမ်းအမှားများ ပြုလုပ်ခြင်းမှ အနည်းဆုံး ဂရုတစိုက် လူသားအခြေခံများကို ကျော်လွန်ပြီး— အနည်းဆုံး ၎င်းတို့၏ အကောင်းဆုံး ပြေးခြင်းကို ဖြတ်ကျော်ခဲ့ကြသည်ဟု Astra ၏ ရလဒ်များက ဖော်ပြသည်။

ဘေးကင်းရေး စကားရည်လုပွဲကိုလည်း ကျွေးမွေးကြသည်။ ၎င်း၏ပြိုင်ဘက်များထက် သာလွန်ကောင်းမွန်သော စေ့စပ်ညှိနှိုင်းမှုပုံစံကို ငြင်းဆန်သည့်ပုံစံသည် ဤသက်သေအထောက်အထားအရ ပိုမိုစွမ်းဆောင်နိုင်ပြီး ပိုမိုကောင်းမွန်သောအပြုအမူဖြစ်သည် — သို့သော် Andon Labs ကိုယ်တိုင်က အခြားနေရာများတွင် စံပြုမှုအပြုအမူကို အာမမခံနိုင်ကြောင်း သတိပြုမိပါသည်။ အေးဂျင့်စနစ်များသည် ဝယ်ယူရေး၊ ထောက်ပံ့ပို့ဆောင်ရေးနှင့် ရုပ်ပိုင်းဆိုင်ရာလုံခြုံရေးတို့တွင် အမှန်တကယ် ဖြန့်ကျက်မှုဆီသို့ ရွေ့လျားလာသည်နှင့်အမျှ၊ 2.8 ရာခိုင်နှုန်း အဆုံးမှ အဆုံးအထိ အောင်မြင်မှုနှုန်းနှင့် ယုံကြည်စိတ်ချရသော ကွာဟချက်သည် လာမည့်နှစ်တွင် AI သုတေသနကို တိုက်ခိုက်မည့် အတိအကျဖြစ်သည်။

---

Stay Ahead of AI

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

Read more AI news →