Das Unternehmen für künstliche Intelligenz Pathway hat ein neues Modell namens BDH-CQ entwickelt, das bei der Lösung komplexer Fragen nicht jeden Zwischenschritt in Text umwandeln muss. Das Modell aktualisiert sein rekurrentes Gedächtnis anhand von Beispielen, führt Berechnungen in einem hochdimensionalen verborgenen Arbeitsraum durch und gibt nur die endgültige Antwort aus. Laut der nicht begutachteten und auf arXiv veröffentlichten Studie löste BDH-CQ drei der 10 Rätsel im Test ARC-AGI-1 in zwei oder weniger Versuchen und erzielte damit eine Erfolgsquote von rund 30 Prozent. Pathway erklärte, die Kosten pro Aufgabe lägen bei weniger als 1/10 Cent und das Modell habe einen Rekord bei der Effizienz im Verhältnis von Genauigkeit und Kosten aufgestellt. Die Forscher erklärten, BDH-CQ erziele eine ähnliche Punktzahl wie GPT 5.6 Luna, arbeite jedoch 11-mal günstiger. Bielik AI und die New York University bestätigten die Ergebnisse. Das Modell verfügt über 150 Millionen Parameter.
Warum das wichtig ist
Der Ansatz von BDH-CQ stößt eine neue Debatte über Verifizierung und Fehlerbehebung an, da das System zur künstlichen Intelligenz arbeitet, ohne den Nutzern den Problemlösungsprozess zu zeigen. Auch wenn die Ergebnisse bei der begrenzten Zahl von Rätseln in ARC-AGI-1 auf die Leistung der Methode bei bestimmten Aufgaben hindeuten, zeigen sie allein nicht, wie sie sich bei unterschiedlichen Problemarten verhalten wird. Während ein wesentlicher Teil des Vergleichs von Kosten und Genauigkeit auf den eigenen Angaben von Pathway beruht, bestehen innerhalb des Gremiums Meinungsverschiedenheiten hinsichtlich der Überprüfbarkeit von GPT 5.6 Luna, das in dem Vergleich genannt wird. Die Überprüfung durch Bielik AI und die New York University zeigt zwar, dass die Ergebnisse unabhängig untersucht wurden, doch weil die Studie kein Begutachtungsverfahren durchlaufen hat, gelten die Ergebnisse noch nicht als gesichert.