Nowe modele Anthropic i OpenAI stawiają na efektywność i niższe koszty

Wyścig w dziedzinie modeli sztucznej inteligencji (AI) wkracza w fazę, gdzie kluczowym czynnikiem staje się efektywność kosztowa. Zarówno OpenAI, jak i Anthropic, zaprezentowały niedawno nowe modele, które mają na celu obniżenie kosztów wdrożeń AI, odpowiadając na potrzeby deweloperów i przedsiębiorstw.

Efektywność zamiast przełomów

Nowe wydania modeli nie koncentrują się na wprowadzaniu rewolucyjnych, przełomowych możliwości, lecz na zwiększeniu efektywności. Anthropic ogłosił model Opus 5.5, najnowszą wersję swojego głównego modelu rynkowego, wykorzystywanego do zadań takich jak kodowanie i złożone prace wymagające przetwarzania wiedzy. OpenAI natomiast zaprezentowało GPT-6 Sol i Luna, będące nowymi iteracjami ich mniejszych, bardziej zoptymalizowanych modeli, skupionych na szybkości i wydajności.

Firmy te, celując w klientów korporacyjnych, konkurują również z modelami o otwartym kodzie źródłowym. Przedsiębiorstwa coraz częściej eksplorują alternatywne podejścia, takie jak routery modeli, aby ograniczyć użycie droższych, czołowych modeli na rzecz tańszych rozwiązań. Zarówno OpenAI, jak i Anthropic, twierdzą, że ich nowe modele przesuwają granice możliwości (choć w umiarkowany sposób), jednocześnie znacząco obniżając koszty.

Anthropic Opus 5.5: Niższe koszty, lepsza wydajność

Opus 5.5 plasuje się w wyższej półce wśród ogłoszonych modeli. Anthropic nadrabia zaległości w wyścigu z OpenAI, które wcześniej w tym miesiącu wydało GPT-6 Astra, model przewyższający niekiedy Opus 5 w benchmarkach. Testy przeprowadzone przez Anthropic i jego partnerów wskazują, że Opus 5.5 w niektórych przypadkach osiąga lepsze wyniki w kodowaniu i pracy z wiedzą niż GPT-6 Astra, choć różnice są skromne.

Prawdziwą innowacją jest jednak koszt. Zgodnie z zapowiedziami Anthropic, tokeny wejściowe i wyjściowe kosztują odpowiednio 4 dolary i 20 dolarów za milion, co stanowi 20% mniej niż w przypadku Opus 5. Odczyty z pamięci podręcznej, które stanowią większość kosztów w pracy agentowej i kodowaniu, kosztują 0,20 dolara za milion tokenów, czyli 60% mniej niż w Opus 5. Dodatkowo, Opus 5.5 generuje wyniki o ponad 30% szybciej niż Opus 5. Anthropic twierdzi, że oszczędności dla typowych obciążeń przy domyślnych ustawieniach są bliższe 40%, ponieważ Opus 5.5 zużywa również mniej tokenów do wykonania zadań. Model Opus 5.5 jest również zdolny do pracy w obszarach wysokiego ryzyka, takich jak cyberbezpieczeństwo i biologia, z zastosowaniem tych samych zabezpieczeń co Fable 5.1, co oznacza, że niektóre zapytania mogą być przekierowywane do starszych modeli w przypadku naruszenia zasad.

OpenAI GPT-6 Sol i Luna: Dostępność i przystępność

Wydanie GPT-6 Sol i Luna przez OpenAI to kolejny krok ewolucyjny. Firma niedawno wprowadziła konwencję nazewnictwa Sol, Terra, Luna dla swojej rodziny modeli GPT-5.6, a następnie GPT-6 Astra, który jest jej najbardziej zaawansowanym i potężnym modelem. W skrócie:

• Astra: najpotężniejszy i najdroższy model, do intensywnego kodowania i badań.
• Sol: wydajna i przystępna cenowo alternatywa, do codziennych zadań.
• Terra: zrównoważony model ogólnego zastosowania.
• Luna: szybka i tania opcja.

Modele GPT-6 Sol i Luna zostały przeszkolone podobnymi metodami jak GPT-6 Astra. W zależności od benchmarku, są one czasami o kilka punktów procentowych bardziej wydajne niż ich poprzednicy w niektórych zadaniach, ale kosztują o połowę mniej. Ceny API dla GPT-6 Sol wynoszą 2 dolary za milion tokenów wejściowych i 10 dolarów za milion tokenów wyjściowych. Dla Luny to odpowiednio 0,10 dolara i 0,50 dolara.

Kontekst rynkowy i przyszłość AI

Obecny dyskurs wokół modeli AI jest złożony, od entuzjastycznych deklaracji po obawy dotyczące bezpieczeństwa i regulacji. Rośnie świadomość, że same modele, niezależnie od ich twórców (Anthropic, OpenAI, Alibaba czy inni), nie są jedynymi motorami postępu. Równie ważne stają się orkiestracja i integracja tych modeli. Deweloperzy i przedsiębiorstwa coraz mniej skupiają się na samych granicach możliwości, a bardziej na tym, jak efektywnie i kosztowo wdrożyć dostępne rozwiązania. W obliczu tego, że obecne modele są wystarczająco dobre do wielu zadań, kluczowe staje się ich kontekstualizacja i operacjonalizacja przez ludzi. Firmy poszukują przewidywalnych wdrożeń i przede wszystkim rozsądnych kosztów, co może naturalnie spowolnić wyścig na najbardziej zaawansowane możliwości, kierując rozwój w stronę praktycznych i ekonomicznych rozwiązań.

Źródło: arstechnica.com