मॉडल अकेले 30 प्रतिशत पर था। एनवीडिया के ढाँचे में लपेटने पर उसी मॉडल ने सब कुछ पार कर लिया।
एनवीडिया ने 21 अगस्त को AVO यानी एजेंटिक वेरिएशन ऑपरेटर्स के नतीजे प्रकाशित किए। यह सामान्य प्रयोजन का कोडिंग एजेंट तंत्र इंटरैक्टिव रीजनिंग बेंचमार्क ARC-AGI-3 के सार्वजनिक सेट में सभी 25 वातावरणों के सभी 183 स्तर पूरे कर गया और मानव-सापेक्ष क्रिया दक्षता के पैमाने पर 100.00 अंक पाए। ये वातावरण एजेंट को न कोई निर्देश देते हैं, न नियम, न लक्ष्य; उसे खेलते हुए ही समझना पड़ता है कि खेल क्या है। सोचने का काम Anthropic के Claude Opus 5 ने किया, जो अकेले और उच्च तर्क प्रयास पर चलाए जाने पर इसी सेट में लगभग 30 प्रतिशत तक ही पहुँचता है। AVO को 6,624 क्रियाएँ लगीं, पिछले सर्वश्रेष्ठ VISTA से लगभग 12 प्रतिशत कम। एनवीडिया ने बताया कि यह नतीजा केवल 25 वातावरणों वाले सार्वजनिक सेट का है, अर्ध-निजी या निजी प्रतियोगिता सेट का नहीं।
यह क्यों मायने रखता हैदो साल से मान्यता यही थी कि प्रगति अगले मॉडल के साथ आएगी। यह नतीजा कहता है कि उसका बड़ा हिस्सा अब उस सॉफ़्टवेयर से मिल सकता है जो आप पहले से खरीद सकने वाले मॉडल के इर्द-गिर्द लपेटते हैं: स्मृति, योजना, निगरानी और एक ऐसा चक्र जो अपने ही काम को जाँचकर दोबारा कोशिश करता है। वही वज़न बिना दोबारा प्रशिक्षण के बेंचमार्क के एक तिहाई से पूरे तक पहुँच गए। इससे तय होता है कि इंजीनियरिंग मेहनत कहाँ लगे, और यह सवाल कि कोई उत्पाद किस मॉडल पर चलता है, उसकी असली क्षमता का बहुत कमज़ोर संकेत बन जाता है।
▶ संबंधित वीडियो: Interactive Reasoning Benchmarks | ARC-AGI-3 Preview
ऐप में पढ़ें — मुफ़्त, 9 भाषाएँ
संबंधित खबरें
तीन-चौथाई अमेरिकी अपने पास डेटा सेंटर नहीं चाहते। एक साल पहले वे बराबरी पर बँटे थे।2026-08-22Anthropic अपने सबसे ताक़तवर मॉडल को आपके कोड में ख़ामियाँ ढूँढ़ने देगा, पर उससे बात नहीं करने देगा
2026-08-22मशीन लर्निंग ने बीमार मस्तिष्क कोशिकाओं का आकार पढ़ा और नौ पहले से स्वीकृत दवाएँ चुनीं जिन्होंने उन्हें शांत किया
2026-08-21अफवाह: जिस गुमनाम मॉडल ने मुफ्त में कोडिंग बेंचमार्क में शीर्ष स्थान लिया, वह कथित तौर पर झिपू का अघोषित फ्लैगशिप है
2026-08-21डीपसीक का सस्ता वर्कहॉर्स अब देख सकता है — और आँखों वाली एजेंट कार्यों में वह एंथ्रोपिक के सर्वश्रेष्ठ के करीब होने का दावा करता है
2026-08-21