Az Opus család legújabb tagja, a Claude Opus 5, jelentős frissítésként érkezett, amely nagy feltűnést kelt a mesterséges intelligencia modellek világában. A videó elmélyülten vizsgálja, hogyan teljesít az Opus 5 különböző benchmarkokon az előző generációkhoz és más vezető modellekhez képest, mint például a Fable 5 vagy a GPT 5.6 Soul.
Külön figyelem irányul arra, hogy az Opus 5 nemcsak teljesítményben, hanem ár-érték arányban is túlszárnyalja versenytársait. A „cost per task”, vagyis a feladatonkénti költség kiemelt téma a bemutatóban. Az összehasonlítás során kiderül, hogy akár fele annyiba kerül, mint egyes rivális modellek, miközben számos szempontból jobb eredményeket ér el.
A videó részletesen bemutatja azokat a mérőszámokat, amelyekben az új modell kimagaslik: jelentős előrelépések tapasztalhatók az OS World számítógép-használati benchmarkján, a Frontier Code teszten, vagy az ARC AGI 3 játék-alapú tesztjén egyaránt. Ugyanakkor bizonyos területeken – például a jogi vagy az egészségügyi benchmarkok terén – visszaesést is megfigyelhetünk.
Az Opus 5 kibővített képességei ellenére a modell számottevően kevesebb lehetőséget biztosít a kibervédelmi tesztekben, mint például a Mythos, amely guardrail nélküli fejlesztést alkalmaz. Felvetődik a kérdés, hogy vajon a biztonsági szűrők szigorítása mennyire befolyásolja a modellek általános képességeit?
Végül a videó érdekes dilemmákat vet fel a modellek jövőjével kapcsolatban: vajon a hatékonyság és a biztonság egyensúlya, illetve a kormányzati szabályozások hogyan alakítják majd a következő generációs MI-megoldásokat.
