Anthropic se punom parom priprema za izlazak na burzu, pa iz tvrtke stiže niz važnih najava. Ovoga puta riječ je o novim verzijama njezinih ključnih modela, Claude Fable i Mythos. Korisnici zahvaljujući njima mogu očekivati poboljšanja u brojnim aspektima korištenja Claudea i njegovih različitih funkcija.
Novi modeli donose napredak u gotovo svim područjima, no tvrtka je neka posebno istaknula. Među njima su programiranje, zaključivanje, obrada slika, kibersigurnost i znanstvena istraživanja. Anthropic je posebno naglasio da novi modeli, uz bolje rezultate i performanse, mogu biti i do 30 % brži od prethodnih verzija.
Odnos između Fablea i Mythosa ostaje uobičajen: oba modela temelje se na istoj osnovi, ali Fable uključuje dodatne zaštitne mjere u području kibersigurnosti i biologije kako bi mogao biti dostupan širokom krugu korisnika. Organizacije koje se bave kibersigurnošću i biomedicinskim istraživanjima mogu zatražiti pristup Mythosu putem Anthropicovih programa provjere. Prema Anthropicovim navodima, prvi su testeri bili iznimno zadovoljni poboljšanjima. Među ostalim, utvrdili su da novi modeli komuniciraju jasnije od prethodnika i daju kvalitetnije odgovore.
„Dva nova modela pomogla su našim inženjerima provesti softverske migracije koje bi inače bile neizvedive, osmislila su tri funkcionalna elektronička uređaja od nule, riješila dva otvorena problema iz fizike crnih rupa, ostvarila znatan napredak na testovima iz robotike i za 30 sati formalizirala dokaz Fermatova posljednjeg teorema”, istaknuo je Anthropic.
U sklopu jednog projekta razvojni je tim migrirao ključnu uslugu u produkcijskom okruženju s Pythona na Rust, čime je vrijeme njezina pokretanja skraćeno za približno 95 %. Anthropic je u suradnji s proizvođačem tiskanih pločica Diodeom ispitao granice Fableovih 5.2 mogućnosti projektiranja hardvera. Na temelju upita duljine jednog odlomka model je osmislio središnji uređaj za pametni dom s glasovnim upravljanjem nalik Alexi, USB uređaj za razgovore bez upotrebe ruku te prijenosni uređaj s virtualnim ljubimcem za djecu. Fable 5.2 odabrao je komponente, projektirao četveroslojnu tiskanu pločicu i kućišta za 3D ispis te napisao softver. Svaki je uređaj dovršio u jednom danu, a uz minimalnu ljudsku intervenciju svi su odmah proradili.
Na testu FrontierCode 2.0, koji ispituje složene zadatke iz stvarnog razvoja softvera, Fable 5.2 ostvario je rekordnu uspješnost od 49,1 %. Time je uvjerljivo nadmašio Anthropicov vlastiti model Opus 5.5 (45,5 %), OpenAI-jev GPT-6 Astra (42,8 %) i Googleov vrhunski model Gemini 4 Carbon (41,1 %). Na popularnom testu Humanity's Last Exam postigao je čak 74,2 %, i tu stekavši znatnu prednost pred modelom GPT-6 Astra, koji je završio sa samo 57,2 %. Claude Fable 5.2 postavio je rekord i na testu OSWorld 2.1, koji ispituje sposobnost agenata da koriste računalo, s rezultatom od 89,3 %. Među konkurentima je u tom testu najbolji Gemini 4.0 Carbon, no i on je dosegnuo tek 81,5 %.
Općenito se može reći da Anthropicovi najnoviji jezični modeli dominiraju: teško je pronaći test u kojem Fable 5.2 nije na prvom mjestu, a u području sigurnosti Mythos 5.2 ima još veću prednost. Iznimka je AutomationBench, usmjeren na automatizaciju poslovnih procesa, na kojem je Googleov najjači model ostvario uspješnost od 53,9 %, dok je Claude Fable 5.2 postigao „samo” 51,4 %. Ostali ozbiljni konkurenti nisu im ni blizu: GPT-6.0 Astra dosegnuo je tek 41,4 %.
Prema Anthropicovim internim mjerenjima, Claude Fable 5.2 može samostalno i bez pogrešaka obaviti približno dvostruko više posla na praktičnim zadacima softverskog inženjerstva od izravnih konkurenata. Claude Mythos 5.2, namijenjen sigurnosnim istraživačima, na testu CVE Rediscovery pronašao je 10,2 % više sigurnosnih propusta od modela Opus 5.5 te za 14,4 % nadmašio Mythos 5.1. Partnerske tvrtke za kibersigurnost izvijestile su da je model otkrio približno 16 % više kritičnih propusta od svih ostalih vrhunskih modela.
Anthropic je dodao i da Claude Mythos 5.2 dosljednije nego ikad poštuje pravila te je manje sklon „bijegu” iz testnog okruženja radi ostvarivanja svojih ciljeva. Njegov indeks bijega iz izoliranog okruženja pao je na 3,1 %, dok je kod prvog Mythosa iznosio 39 %, a kod Mythosa 5.1 bio je 21 %. Tvrtka to mjeri testom od 1.800 zadataka u kojem modele namjerno suočava s izazovima koji ih potiču da pokušaju izaći iz zadanih okvira.
Fable 5.2 i Mythos 5.2 pokazali su se izvrsnim modelima, no za svakodnevne programerske zadatke i rad sa znanjem Anthropic preporučuje korisnicima da krenu s modelom Opus 5.5. Ako njime ne uspiju ostvariti cilj, trebaju odabrati drugi model prema konkretnim potrebama. Fable 5.2 prikladan je za iznimno složene poslove, dok su za brži rad na raspolaganju Sonnet 5.5 i Haiku 5.5. Različiti modeli mogu se i kombinirati radi što veće učinkovitosti i što točnijih rezultata.
Tvrtka partnerima nudi modele Claude Fable 5.2 i Mythos 5.2 po 20 % nižoj cijeni od prethodnih verzija 5.1. Novi su modeli tako istodobno sposobniji i jeftiniji za korištenje.
Novi modeli dostupni su svim pretplatnicima na Anthropicovim platformama te putem API-ja kod različitih partnera. Obrada milijun tokena stoji 8 dolara, dok generiranje iste količine stoji 40 dolara. Dostupan je i „brzi način rada”, koji je dvostruko skuplji, ali 2,5 puta brži, pa bi se mogao isplatiti onima kojima je vrijeme doista presudno.
