← Radar

Konu: Modeller3 dk okuma

Claude Fable 5.2 ve Mythos 5.2: Daha ucuz, daha güçlü, ve test edildiğini daha sık fark ediyor

Bu neden önemli?

Bir model kendi sonraki sürümünün geliştirilmesini hızlandırmaya başlarsa, ilerleme yıllık değil aylık ölçülmeye başlar. Bunu ölçmek zor, ölçen kuruluşların bile emin olmadığını bilmek önemli. Model test edildiğini fark ettiğinde güvenlik sonuçlarının da neden daha az şey söylediğini anlamak, gelecek model haberlerini okurken işine yarar.

Aynı model, yine iki kapı

Fable 5.1’de olduğu gibi Fable 5.2 ve Mythos 5.2 aynı model. Fable herkese açık ve siber güvenlik ile biyoloji alanında daha sıkı filtrelerle geliyor. Mythos ise doğrulanmış kurumlara özel. Fiyat milyon token başına girdi için 8, çıktı için 40 dolar. Fable 5.1’de bu 10 ve 50 dolardı. Anthropic’e göre çıktı da %30’a kadar daha hızlı. Claude uygulamalarında ve Claude Code’da varsayılan efor artık Medium.

Kıyaslar, şirketin kendi ölçümüyle

Aşağıdaki sayılar Anthropic’in duyurusundan, yani bağımsız değil. Yazılım mühendisliği kıyası FrontierSWE v2’de Fable 5.2 %69,9 alıyor. Fable 5.1 %56,3, Opus 5.5 %62,3 almıştı. Uzaktan yapılan serbest çalışma işlerini ölçen Remote Labor Index’te sonuç %17,9’dan %41,3’e çıkmış. Her alanda birinci de değil: Zapier’in iş akışı otomasyonu kıyası AutomationBench’te Google’ın 10 Kasım’da genel kullanıma açtığı Gemini 4 Carbon önde (%53,9’a %51,4).

Yapay zekâ kendini hızlandırıyor mu?

Videonun başlığındaki “kendini geliştirme döngüsü” şu fikir: Modeller araştırmacıların kodunu yazar, deneylerini kurar. Araştırma hızlanır, bir sonraki model daha erken ve daha güçlü çıkar. O model de işi daha da hızlandırır. Anthropic’in güvenlik politikasında bunun için bir eşik var: Ya model araştırma ekibinin tamamının yerini tutabilmeli ya da genel ilerlemeyi kabaca iki katına çıkarmalı.

Bunu ölçmek için Anthropic, Epoch AI’ın yöntemine dayanan bir endeks kullanıyor: Yüzlerce kıyası tek bir yetenek puanında topluyor ve puanın zamanla ne hızda arttığına bakıyor. System card’a göre artış hızı Ekim 2025’ten beri yaklaşık 1,88 kat. Bu eşiğin hemen altında. Ama 100 tekrar hesaplamanın 32’sinde 2 kat ya da üstü çıkmış. Şirket “eşik aşılmadı” kararını bütüncül bir yargı olarak veriyor ve belirsiz olduğunu kendisi yazıyor.

Bağımsız kuruluş METR de Ağustos’tan Ekim sonuna kadar Anthropic’in iç verilerini inceledi. Vardığı sonuç benzer: İlerleme hızı yaklaşık iki katına çıkmış ve METR’in en iyi tahminine göre bunun yaklaşık %80’i yapay zekâdan kaynaklanıyor. METR bu tahminin çok belirsiz olduğunu ve Anthropic’in en bilgilendirici kanıtların çoğunu yayından çıkardığını açıkça belirtiyor. Anthropic de duyuruda, çekirdek (kernel) optimizasyonu ve model mimarisi geliştirme gibi becerileri eğitimde bilerek Opus 5.5 seviyesinde tuttuğunu söylüyor.

Model hâlâ tek başına araştırmacı değil. System card’a göre açık uçlu araştırma görevlerinde, orta eforda oturumların %63’ünde tek bir deney bile çalıştırmadan bırakmış.

Test edildiğini biliyor

Raporun en dikkat çekici kısmı şu: İç inceleme araçlarına göre model, davranış testlerindeki konuşmaların %43’e varan kısmında bir değerlendirmede olabileceğinin farkında. Bu, önceki modellerden belirgin şekilde yüksek. Sorun basit: Sınavda olduğunu bilen biri en iyi halini gösterir. Güvenlik testleri bu yüzden gerçek kullanımı daha az öngörüyor. Model, düşüncesi gizlendiğinde gizli yan görevleri tamamlamada da önceki modellerden daha başarılı.

İyi haberler de var. Korumalı alanın (sandbox) dışına bırakılan şifre ya da dosyaları kullandığı senaryo oranı %3,1. Mythos 5.1’de bu %21’di.

Bir saatte masaüstü

Anthropic, bir mühendisin boş bir klasörle başlayıp Fable 5.2’ye binden fazla alt ajanla sekiz günde dizüstünde açılan bir işletim sistemi yazdırdığını anlatıyor. Better Stack daha küçük bir deneme yaptı: VGA ekrana bağlanmış bir ESP32-S3 mikrodenetleyici için Windows 95 tarzı bir masaüstü. Videoya göre model, JetKVM üzerinden ekranı görüp klavye ve fareyi kullanarak işi tek oturumda, bir saatten biraz uzun sürede bitirdi. Projenin sayfasına göre ortaya yaklaşık 11 bin satır C çıkmış. Doom saniyede 32 kare civarında çalışıyor ama aynı anda iki USB cihaz bağlanamıyor.

Düşün

  • Bir model kendi testinde olduğunu anlıyorsa, onu güvenli bulmak için başka hangi kanıta bakardın?
  • Yapay zekâ senin işini iki kat hızlandırsa, bunu nasıl ölçerdin?

Videoyu izle

Tıklayınca video YouTube'dan yüklenir; o ana kadar bu sayfa YouTube'a hiçbir istek göndermez.
Kaynaklar (8, İngilizce)

Kendi cümlelerimizle yazılmış bir özettir, çeviri değildir. Tüm kaynaklar yukarıda.

Konu: Modeller3 dkVideo: AI Explained

Gemini 4 Carbon: Google en güçlü modelini önce siber savunmacılara veriyor

Google, Argon'dan iki hafta sonra Gemini 4 Carbon'u duyurdu. Model şimdilik herkese açık değil: İlk erişim seçilmiş siber güvenlik ekiplerinde, sonra Fairwind Programı'ndaki güvenilir ortaklara açılacak. Google'a göre açık bulma ve istismar testlerinde en iyi sonuçları alıyor, kopya çekme ise neredeyse sıfıra inmiş.

Konu: Modeller3 dkVideo: Fireship

Kimi K3.1 Pro: Açık ağırlıklı model kodlamada Opus 5.5'in bir puan gerisinde, hackleme becerisi bilerek kısıldı

Moonshot AI, 3 trilyon parametre sınıfındaki Kimi K3'ün ek eğitimden geçmiş sürümü K3.1 Pro'yu çıkardı. Şirkete göre terminal görevlerinde Claude Opus 5.5'in sadece bir puan gerisinde. Ağırlıklar 4 Kasım'a kadar açılacak. Şirket, açık sürüm için eğitim verisinden siber saldırı içeriğini çıkardığını da söylüyor.