Pathway breakthrough answers AI's compute problem
Pathway představil malý reasoning model BDH-CQ (150 milionů parametrů) postavený na post-transformerové architektuře, spolu s výsledky na benchmarku ARC-AGI-1: 29,5% přesnost (pass@2) při nákladu $0,0007 na úlohu. Pro srovnání, nejlevnější model OpenAI GPT-5.6 Luna (Low) dosáhl 34,5% přesnosti, ale i po 80% zlevnění z 30. července stojí 11× více na úlohu. Architektura vychází z říjnového paperu Pathway The Dragon Hatchling a tým věří, že ji lze škálovat až na 600 miliard parametrů konkurenceschopných s předními modely.
Proč to je důležité: Zatím jde o výzkumný proof-of-concept na malém modelu, ne o nasaditelnou náhradu frontier modelů, takže pro firmy zatím není přímo akční – ale řádové snížení nákladů na inferenci je signál k sledování pro každého, kdo plánuje škálovat AI agenty a řešení s vysokým objemem dotazů.