Fable 5.2 Remote Labor Index Testinde Gerçek Serbest Çalışma İşlerinin Yüzde 41'ini Tamamladı

Fable 5.2 Remote Labor Index testinde rekor kırdı. The Decoder'ın aktardığına göre Anthropic'in 9 Kasım'da yayımlanan modeli Claude Fable 5.2, Scale Labs ile Center for AI Safety (CAIS) tarafından geliştirilen Remote Labor Index'te (RLI) gerçek serbest çalışma projelerinin yüzde 41,3'ünü profesyonel kalitede tamamlayarak liderliğe yerleşti. Test, yapay zekâ ajanlarının gerçek serbest çalışma işlerini ücret ödeyen bir müşterinin kabul edeceği kalitede ne sıklıkla bitirebildiğini ölçüyor.

Fable 5.2 Remote Labor Index'te rakiplerini nasıl geçti?

Güncel sıralamada Fable 5.2'nin ardından yüzde 21,25 ile Anthropic'in Opus 5.5 modeli ve yüzde 20,83 ile OpenAI'ın GPT-6 Astra modeli geliyor. Yani Fable 5.2, piyasadaki en iyi ikinci sistemlerin neredeyse iki katı başarı gösteriyor. Google'ın testteki en güçlü modeli Gemini Argon 4 yüzde 17,08 ile beşinci sırada. GPT-5.2 ve Gemini 3 Pro gibi eski modeller ise yüzde 3'ün altında kalıyor. Modelin doğrudan öncülü Fable 5.1 de yüzde 18'in biraz altında; Fable 5.2 ondan iki kattan fazla iş tamamlıyor.

İlerleme hızı da dikkat çekici. Test yaklaşık bir yıl önce yayımlandığında o dönemin en iyi sistemi Manus işlerin yalnızca yüzde 2,5'ini tamamlayabiliyordu. Temmuz ayında ise Fable 5 yaklaşık yüzde 16 ile öndeydi. Dört ay sonra Fable 5.2 bu oranı yaklaşık iki buçuk katına çıkardı.

Hangi işlerde başarılı, hangilerinde zorlanıyor?

Scale Labs, Fable 5.2'nin en büyük ilerlemeyi ses ve müzik düzenleme, mimari ve iç mekân tasarımı ile 3D model oluşturma işlerinde kaydettiğini açıkladı. Ajan, daha önce üst sıradaki modellerin düzenli olarak başarısız olduğu uzun ve karmaşık projeleri de tamamlayabiliyor. Fable 5.2'nin başarılı olduğu işlerin yaklaşık 50'si, testteki hiçbir yapay zekâ ajanının daha önce çözemediği işlerdi. Buna karşın model, özellikle endüstriyel ürün tasarımı ve animasyon gibi işlerde hâlâ zorlanıyor. Araştırmacılara göre ajanlar başarısız olduklarında genellikle amatör kalitede, eksik, bozuk dosyalı ya da çelişkili tasarımlar teslim ediyor.

Test nasıl yapılıyor?

RLI, yalnızca tekil becerileri ölçen geleneksel testlerden farklı olarak eksiksiz iş görevlerini kapsıyor. Veri setinde Upwork platformundaki 358 doğrulanmış profesyonelin tamamladığı 240 proje var; bu işlerin toplam değeri yaklaşık 144.000 dolar (TCMB'nin 10 Kasım kuruyla yaklaşık 7,2 milyon TL). Bir proje ortalama 632,60 dolar (yaklaşık 31.700 TL) değerinde ve bir insan serbest çalışanın ortalama 29 saate yakın zamanını alıyor. Görevler video düzenlemeden CAD tasarımına, oyun geliştirmeden veri analizine uzanıyor. Ajanlar Blender, GIMP ve Audacity gibi profesyonel yazılımların bulunduğu sanal bir çalışma alanında çalışıyor.

Sonuçları eğitimli insan uzmanlar elle kontrol ediyor: teslim edilen dosyaları ilgili profesyonel yazılımda açıp insan serbest çalışanın teslim ettiği işle karşılaştırıyorlar. CAIS'in bu değerlendirmeyi başka bir yapay zekâyla otomatikleştirme girişimleri şimdiye kadar başarısız oldu; çünkü yapay zekâ değerlendiriciler yüzeyde düzgün görünen ama teknik olarak kusurlu işlere kanıp modellere fazla yüksek not veriyor. Modelin diğer test sonuçlarını ve fiyatını Claude Fable 5.2 haberimizde anlattık.