Anthropic Claude Opus 5 ಅನ್ನು ಅನಾವರಣಗೊಳಿಸಿದೆ: ಅರ್ಧದ ಬೆಲೆಯಲ್ಲಿ ಅತ್ಯುತ್ತಮ ಕಾರ್ಯಕ್ಷಮತೆ
Anthropic ಅಧಿಕೃತವಾಗಿ Claude Opus 5 ಅನ್ನು ಬಿಡುಗಡೆ ಮಾಡಿದೆ. ಇದು ಪ್ರೀಮಿಯಂ Claude Fable 5 ಗೆ ಸಮಾನವಾದ ಕಾರ್ಯಕ್ಷಮತೆಯನ್ನು ನೀಡುವ ಮೂಲಕ, ಅತ್ಯಂತ ಕಡಿಮೆ ಬೆಲೆಯಲ್ಲಿ ಉನ್ನತ ಮಟ್ಟದ LLM ಮಾರುಕಟ್ಟೆಯಲ್ಲಿ ಕ್ರಾಂತಿ ಮಾಡುವ ಉದ್ದೇಶ ಹೊಂದಿರುವ ಹೊಸ ಫ್ಲ್ಯಾಗ್ಶಿಪ್ ಮಾಡೆಲ್ ಆಗಿದೆ. ಈ ಕಾರ್ಯತಂತ್ರದ ಕ್ರಮವು GPT-5.6 Sol ನಂತಹ ಸ್ಪರ್ಧಿಗಳಿಂದ ಬರುವ ಬೆಲೆಯ ಒತ್ತಡವನ್ನು ನಿವಾರಿಸುವ ಗುರಿಯನ್ನು ಹೊಂದಿದೆ ಮತ್ತು此同时ವೇ ಡೆವಲಪರ್ಗಳಿಗೆ ಕೋಡಿಂಗ್ ಮತ್ತು ಸಂಕೀರ್ಣ ಜ್ಞಾನದ ಕೆಲಸಗಳಿಗಾಗಿ ಹೆಚ್ಚು ಪರಿಣಾಮಕಾರಿ ಸಾಧನವನ್ನು ಒದಗಿಸುತ್ತದೆ.
ಬೆಲೆ-ಕಾರ್ಯಕ್ಷಮತೆಯ ಮಿತಿಯನ್ನು ಮೀರಿಸುವುದು
Claude Opus 5 ನ ಅತ್ಯಂತ ಗಮನಾರ್ಹ ವೈಶಿಷ್ಟ್ಯವೆಂದರೆ ಅದರ ಆಕ್ರಮಣಕಾರಿ ಬೆಲೆ ರಚನೆ. ಉನ್ನತ ಮಟ್ಟದ Claude Fable 5 ಪ್ರತಿ ಮಿಲಿಯನ್ ಇನ್ಪುಟ್ ಟೋಕನ್ಗಳಿಗೆ $10 ಮತ್ತು ಪ್ರತಿ ಮಿಲಿಯನ್ ಔಟ್ಪುಟ್ ಟೋಕನ್ಗಳಿಗೆ $50 ವೆಚ್ಚವಾಗುವ අතර, Opus 5 ಈ ದರಗಳನ್ನು ಅರ್ಧಕ್ಕೆ ಇಳಿಸಿದೆ; ಇದು ಪ್ರತಿ ಮಿಲಿಯನ್ ಇನ್ಪುಟ್ಗೆ $5 ಮತ್ತು ಪ್ರತಿ ಮಿಲಿಯನ್ ಔಟ್ಪುಟ್ಗೆ $25 ಬೆಲೆಯನ್ನು ಹೊಂದಿದೆ.
ವಿಳಂಬದ (latency) ಅಗತ್ಯತೆಗಳನ್ನು ಪೂರೈಸಲು, Anthropic "Fast Mode" ಅನ್ನು ಪರಿಚಯಿಸಿದೆ, ಇದು ಪ್ರೊಸೆಸಿಂಗ್ ವೇಗವನ್ನು 2.5x ಹೆಚ್ಚಿಸುತ್ತದೆ, ಆದರೆ ಇದಕ್ಕೆ ಟೋಕನ್ ಬೆಲೆಯನ್ನು ದ್ವಿಗುಣಗೊಳಿಸಬೇಕಾಗುತ್ತದೆ. ಈ ಹಂತದ ಬೆಲೆ ಮತ್ತು 1 ಮಿಲಿಯನ್ ಟೋಕನ್ಗಳ ಬೃಹತ್ ಕಾಂಟೆಕ್ಸ್ಟ್ ವಿಂಡೋ (context window), Opus 5 ಅನ್ನು Claude Max ಗಾಗಿ ಹೊಸ ಡಿಫಾಲ್ಟ್ ಮಾಡೆಲ್ ಆಗಿ ಮತ್ತು Claude Pro ಬಳಕೆದಾರರಿಗೆ ಅತ್ಯಂತ ಸಮರ್ಥ ಆಯ್ಕೆಯನ್ನಾಗಿ ಮಾಡುತ್ತದೆ.
ಕೋಡಿಂಗ್ ಮತ್ತು ರೀಸನಿಂಗ್ನಲ್ಲಿ ಬೆಂಚ್ಮಾರ್ಕ್ ಪ್ರಾಬಲ್ಯ
Opus 5 ಕೇವಲ ಕಡಿಮೆ ಬೆಲೆಯ ಪರ್ಯಾಯವಲ್ಲ; ಇದು ನಿರ್ದಿಷ್ಟ ಕ್ಷೇತ್ರಗಳಲ್ಲಿ ಕಾರ್ಯಕ್ಷಮತೆಯ ಶಕ್ತಿಶಾಲಿ ಸಾಧನವಾಗಿದೆ. Frontier-Bench v0.1 ಮೂಲಕ ಏಜೆಂಟಿಕ್ ಟರ್ಮಿನಲ್ ಕೋಡಿಂಗ್ನಲ್ಲಿ, Opus 5 43.3% ಸ್ಕೋರ್ ಸಾಧಿಸಿದ್ದು, Fable 5 (33.7%) ಮತ್ತು GPT-5.6 Sol (34.4%) ಎರಡನ್ನೂ ಗಮನಾರ್ಹವಾಗಿ ಹಿಂದಿಕ್ಕಿದೆ. ಇದು ಜ್ಞಾನದ ಕೆಲಸಗಳಲ್ಲಿಯೂ ಪ್ರಾಬಲ್ಯವನ್ನು ಪ್ರದರ್ಶಿಸಿದ್ದು, 1,861 Elo ಸ್ಕೋರ್ನೊಂದಿಗೆ GDPval-AA v2 ಬೆಂಚ್ಮಾರ್ಕ್ನಲ್ಲಿ ಮುಂಚೂಣಿಯಲ್ಲಿದೆ.
ಬಹುಶಃ ಅತ್ಯಂತ ಆಶ್ಚರ್ಯಕರ ಅಂಕಿಅಂಶವು ARC-AGI-3 ಬೆಂಚ್ಮಾರ್ಕ್ನಿಂದ ಬಂದಿದೆ, ಇದು ಹೊಸ ಸಮಸ್ಯೆಗಳನ್ನು ಪರಿಹರಿಸುವ ಸಾಮರ್ಥ್ಯವನ್ನು ಅಳೆಯುತ್ತದೆ. Opus 5 30.2% ಸ್ಕೋರ್ ಮಾಡಿದೆ, ಇದು GPT-5.6 Sol ಸಾಧಿಸಿದ 7.8% ಕ್ಕಿಂತ ಸುಮಾರು ನಾಲ್ಕು ಪಟ್ಟು ಹೆಚ್ಚು. ಇದು ತನ್ನ ತರಬೇತಿ ಡೇಟಾ ಮಾದರಿಗಳ ಹೊರಗಿರುವ ಕಾರ್ಯಗಳನ್ನು ನಿರ್ವಹಿಸುವ ಮಾಡೆಲ್ನ ಸಾಮರ್ಥ್ಯದಲ್ಲಿನ ಭಾರಿ ಪ್ರಗತಿಯನ್ನು ಸೂಚಿಸುತ್ತದೆ.
ಬುದ್ಧಿವಂತ ಪ್ರಯತ್ನದ ಸ್ಕೇಲಿಂಗ್ ಮತ್ತು ದಕ್ಷತೆ
Anthropic ಒಂದು ಸುಧಾರಿತ "effort" ವ್ಯವಸ್ಥೆಯನ್ನು ಪರಿಚಯಿಸಿದೆ, ಇದು ಬಳಕೆದಾರರಿಗೆ ಐದು ಸೆಟ್ಟಿಂಗ್ಗಳ ನಡುವೆ ಬದಲಾಯಿಸಲು ಅನುಮತಿಸುತ್ತದೆ: low, medium, high, xhigh, ಮತ್ತು max. ಇದು ಟೋಕನ್ ಬಳಕೆ ಮತ್ತು ರೀಸನಿಂಗ್ನ ಆಳದ ನಡುವೆ ಸೂಕ್ಷ್ಮವಾದ ಸಮತೋಲನವನ್ನು ಸಾಧಿಸಲು ಅನುವು ಮಾಡಿಕೊಡುತ್ತದೆ.
ವೆಚ್ಚವನ್ನು ಕಡಿಮೆ ಮಾಡಲು ಸಾಮಾನ್ಯ ಕಾರ್ಯಗಳಿಗೆ "low" ಮತ್ತು "medium" ಸೆಟ್ಟಿಂಗ್ಗಳನ್ನು Anthropic ಶಿಫಾರಸು ಮಾಡುತ್ತದೆ, ಆದರೆ ಸಂಕೀರ್ಣ ಏಜೆಂಟಿಕ್ ಕೋಡಿಂಗ್ಗಾಗಿ "xhigh" ಅನ್ನು ಬಳಸಲು ಸಲಹೆ ನೀಡುತ್ತದೆ. ಆಸಕ್ತಿದಾಯಕ ವಿಷಯವೆಂದರೆ, "max" ಸೆಟ್ಟಿಂಗ್ನಲ್ಲಿ ಲಾಭವು ಕಡಿಮೆಯಾಗುತ್ತಿರುವುದನ್ನು ಕಂಪನಿಯು ಗಮನಿಸಿದೆ; Frontier-Bench v0.1 ಮತ್ತು Artificial Analysis Coding Agent Index ಎರಡರಲ್ಲೂ, ಹೆಚ್ಚಿನ ವೆಚ್ಚವಾಗಿದ್ದರೂ ಸಹ, ಗರಿಷ್ಠ ಪ್ರಯತ್ನದ (maximum effort) ಸಮಯದಲ್ಲಿ Opus 5 ನ ಕಾರ್ಯಕ್ಷಮತೆಯಲ್ಲಿ ಸ್ವಲ್ಪ ಇಳಿಕೆಯಾಯಿತು. ಇದು "xhigh" ಸೆಟ್ಟಿಂಗ್ ಪ್ರಸ್ತುತ ದಕ್ಷತೆಗೆ ಅತ್ಯುತ್ತಮ ಆಯ್ಕೆಯಾಗಿದೆ ಎಂದು ಸೂಚಿಸುತ್ತದೆ.
ಸುಧಾರಿತ ಸುರಕ್ಷತೆ ಮತ್ತು ಸ್ವಾಯತ್ತತೆ
ಬಳಕೆದಾರರ ಪ್ರತಿಕ್ರಿಯೆಗೆ ನೇರ ಪ್ರತಿಕ್ರಿಯೆಯಾಗಿ, Anthropic Opus 5 ಗಾಗಿ ಸುರಕ್ಷತಾ ವರ್ಗೀಕರಣಕಾರಿಯನ್ನು (safety classifiers) ಸುಧಾರಿಸಿದೆ. ಈ ಮಾಡೆಲ್ನ ಸೈಬರ್ ಫಿಲ್ಟರ್ಗಳು Fable 5 ಗಿಂತ ಸುಮಾರು 85% ಕಡಿಮೆ ಬಾರಿ ಕಾರ್ಯಪ್ರವೃತ್ತವಾಗುತ್ತವೆ, ಇದು ಕಾನೂನುಬದ್ಧ ಸಂಶೋಧನೆಯನ್ನು ಅತಿಯಾಗಿ ತಡೆಯುತ್ತಿರುವ ಬಗ್ಗೆ ಬಂದಿದ್ದ ಹಿಂದಿನ ಟೀಕೆಗಳಿಗೆ ಪರಿಹಾರ ನೀಡುತ್ತದೆ. ಇದು ಎಕ್ಸ್ಪ್ಲಾಯ್ಟ್ ಜನರೇಷನ್ (exploit generation) ಮತ್ತು ಬೈನರಿ ಆಧಾರಿತ ಸ್ಕ್ಯಾನಿಂಗ್ ಅನ್ನು ತಡೆದರೂ ಸಹ, ಸೋರ್ಸ್ ಕೋಡ್ ವಲ್ನರಬಿಲಿಟಿ ಸಂಶೋಧನೆಗೆ ಹೆಚ್ಚಿನ ಅವಕಾಶ ನೀಡುತ್ತದೆ.
ಇದಲ್ಲದೆ, Opus 5 ಸುಧಾರಿತ ಸ್ವಯಂ-ತಿದ್ದುಪಡಿ ಸಾಮರ್ಥ್ಯಗಳನ್ನು ತೋರಿಸುತ್ತದೆ. ನೈಜ ಪ್ರಪಂಚದ ಪರೀಕ್ಷೆಯಲ್ಲಿ, ಮಾಡೆಲ್ ಜಿಯೋಮೆಟ್ರಿಯನ್ನು ಅರ್ಥಮಾಡಿಕೊಳ್ಳಲು ತನ್ನದೇ ಆದ ಕಂಪ್ಯೂಟರ್ ವಿಷನ್ ಪೈಪ್ಲೈನ್ ಅನ್ನು ಬರೆಯುವ ಮೂಲಕ FreeCAD ನಲ್ಲಿ 3D ಮಾಡೆಲ್ ಅನ್ನು ಯಶಸ್ವಿಯಾಗಿ ನಿರ್ಮಿಸಿತು—ಇದು ಇತರ ಎಲ್ಲಾ ಸ್ಪರ್ಧಿ ಮಾಡೆಲ್ಗಳನ್ನು ಸೋಲಿಸಿದ ಕೆಲಸವಾಗಿದೆ.
ಪ್ರಮುಖ ಅಂಶಗಳು
- ಭಾರಿ ವೆಚ್ಚ ಕಡಿತ: Opus 5, Claude Fable 5 ನ ಟೋಕನ್ ವೆಚ್ಚದ ಕೇವಲ 50% ರಷ್ಟು ಬೆಲೆಯಲ್ಲಿ ಫ್ಲ್ಯಾಗ್ಶಿಪ್ ಮಟ್ಟದ ಕಾರ್ಯಕ್ಷಮತೆಯನ್ನು ನೀಡುತ್ತದೆ.
- ರೀಸನಿಂಗ್ನಲ್ಲಿ ಕ್ರಾಂತಿ: ಹೊಸ ಸಮಸ್ಯೆಗಳನ್ನು ಪರಿಹರಿಸುವ ARC-AGI-3 ಬೆಂಚ್ಮಾರ್ಕ್ನಲ್ಲಿ ಈ ಮಾಡೆಲ್ ಸ್ಪರ್ಧಿಗಳಿಗಿಂತ 4 ಪಟ್ಟು ಹೆಚ್ಚಿನ ಮುನ್ನಡೆ ಸಾಧಿಸಿದೆ.
- ಸುಧಾರಿತ ಡೆವಲಪರ್ ವರ್ಕ್ಫ್ಲೋ: ಸುಧಾರಿತ ಸುರಕ್ಷತಾ ವರ್ಗೀಕರಣಕಾರಿಗಳು ಮತ್ತು ವಿಶೇಷ "effort" ಸೆಟ್ಟಿಂಗ್ಗಳೊಂದಿಗೆ, Opus 5 ಏಜೆಂಟಿಕ್ ಕೋಡಿಂಗ್ ಮತ್ತು ಸಂಶೋಧನೆಗೆ ಹೆಚ್ಚು ಸುಗಮ ಅನುಭವವನ್ನು ನೀಡುತ್ತದೆ.