Büyük bir AI modeli, önemli olan birden fazla değerlendirme ölçütünde yeni rekorlar kırarak benchmark grafiklerini alt üst etti.

Son sürüm akademik testlerde müthiş bir başarı gösteriyor: GPQA Diamond (lisans düzeyi bilim sorularında %88.2, AIME 2025 )elit lise matematik yarışmasında %94.5 ve Harvard-MIT Matematik problemlerinde etkileyici bir %96.7 puan aldı. Ayrıca, en zor kanıta dayalı matematik yarışmalarından biri olan USAMO25'te %61.9 puan aldı.

Ama burası önemli – ARC-AGI-2 puanı %44.4'e ulaştı, bu da ikinci sıradaki modelin elde ettiğinden neredeyse iki kat daha fazla. Bu, akıl yürütme yeteneklerinde büyük bir fark.

Bu performans sıçraması, yalnızca kalıp eşleştirme değil, soyut akıl yürütme ve karmaşık problem çözmede gerçek bir ilerleme kaydettiğimizi gösteriyor. Matematik ve mantık puanları, bu ölçütlerin iyileşmeye karşı dirençli olduğu göz önüne alındığında özellikle dikkat çekici.

Bunun daha geniş AI yarışını nasıl etkilediğini ve araştırma, kodlama ve analitik görevlerdeki uygulamalar için ne anlama geldiğini izlemeye değer.