AI-бенчмарки під вогнем: як ігри Pokémon викрили проблеми з порівнянням моделей

Ігри про Покемонів

ШІ-моделі порівнюють за результатами в Pokémon, але різні умови тестування ставлять під сумнів чесність таких бенчмарків.

Про це пише Tech Times.

Ігри Pokémon стали неочікуваним майданчиком для суперечок у світі штучного інтелекту. Все почалося з допису в X, де стверджувалося, що модель Gemini від Google перевершила Claude від Anthropic у проходженні класичних Pokémon-ігор. На стрімі Gemini дійшов до Лавандер-тауна, тоді як Claude все ще перебував у Гірі Місяця (Mount Moon).

Однак пізніше з’ясувалося, що в тестуванні Gemini використовувався спеціальний міні-карта — інструмент, який значно спрощував гру. Завдяки цьому AI міг розпізнавати ключові об’єкти, зокрема дерева, які можна зрізати, не покладаючись лише на аналіз скриншотів. Claude ж таких покращень не мав.

Ця ситуація викликала хвилю критики з боку спільноти розробників ШІ, адже вона показала, наскільки нестандартизованими можуть бути умови тестування. Це призводить до спотворення результатів та ускладнює об’єктивне порівняння між моделями.

Наприклад, модель Claude 3.7 Sonnet демонструє різні показники на відомому бенчмарку SWE-bench Verified, який оцінює здатність моделі до програмування. Без жодних додаткових покращень Claude набирає 62,3%, однак із власною “системою шаблонів” (scaffold system) від Anthropic результат підвищується до 70,3%.

Цей приклад, як і випадок із Pokémon, демонструє, наскільки результати залежать від зовнішніх факторів. Умовні «покращення» чи нестандартні інструменти можуть суттєво вплинути на продуктивність, створюючи ілюзію переваги тієї чи іншої моделі.

Фахівці закликають до створення єдиних стандартів у тестуванні ШІ-моделей, з відкритим кодом та однаковими умовами для всіх учасників. Це дозволить уникнути спотворених порівнянь і справді оцінити реальні можливості кожної моделі.

Скандал із Pokémon підкреслив, що веселі ігри можуть викрити серйозні проблеми у серйозній науці. І поки не буде стандартизованого підходу, будь-які порівняння моделей — лише гра з несправедливими правилами.


Телеграм double.newsТелеграм double.news

Схожі Новини
Samsung

Samsung може отримати замовлення на перший AI-чип від компанії Ілона Маска xAI

Samsung Electronics може стати основним виробничим партнером для першого ASIC-чипа штучного інтелекту, який розробляє компанія xAI Ілона Маска. Це стало можливим завдяки успіху Samsung у здобутті замовлень від Tesla та Apple, що посилило позиції південнокорейського гіганта на світовому ринку напівпровідників.
Детальніше
Microsoft

Microsoft відновила роботу Azure після пошкодження підводних кабелів у Червоному морі

Microsoft підтвердила відновлення роботи свого хмарного сервісу Azure після інциденту з пошкодженням підводних оптоволоконних кабелів у Червоному морі. Аварія сталася вранці 6 вересня та призвела до перебоїв у роботі сервісів у країнах Близького Сходу, а також до зростання затримок для користувачів у Південній Азії та країнах Перської затоки.
Детальніше
Uber

Uber запустять тестування роботаксі в Європі з 2026 року

Компанія Uber разом із китайським партнером Momenta у 2026 році розпочне тестування роботаксі-сервісу в Європі. Першим містом стане Мюнхен, де для перевезень використовуватимуться автомобілі з автономною системою керування Momenta, інтегрованою у платформу Uber. Надалі планується розширення сервісу на інші європейські країни.
Детальніше