Grok: Nevjerovatno precizan

Grok, AI model kompanije xAI, nedavno je privukao značajnu pažnju, i to ne nužno pozitivnu. Dok se drugi modeli veštačke inteligencije bore sa smanjenjem stope “halucinacija” – izmišljanja netačnih informacija – Grok se ističe kao jedan od najsklonijih ovom problemu.

Grok: Visoka stopa halucinacija

Najnovija testiranja kompanije Vectara pokazala su da Grok-4 ima čak 4,8% halucinacija. Ovo je znatno više u poređenju sa drugim modelima poput ChatGPT-5 (1,4%), GPT-4o (1,49%) i GPT-4 (1,8%). Čak i modeli sa nižim stopom grešaka, kao što je o3-mini High Reasoning (0,795%) i GPT-4.5 Preview (1,2%), pokazuju znatno manju sklonost ka izmišljanju informacija od Groka. Ova visoka stopa halucinacija kod Groka predstavlja značajan nedostatak i izazov za razvoj ovog modela.

Osim visoke stope halucinacija, Grok je pod lupom i zbog svog “Spicy” režima. Ovaj režim, prema izvještajima, proizvodi neprimjeren sadržaj i deepfake materijale, uprkos ugrađenim filterima dizajniranim da spreče upravo to. To pokazuje očigledan nedostatak u efektivnosti filtera i potencijalno ozbiljan problem u pogledu sigurnosti i etičkog korištenja ovog modela. Ova situacija postavlja pitanja o odgovornosti i regulaciji u razvoju i korištenju naprednih AI sistema. Koliko su efikasni filteri, koliko je potrebno testiranja pre javnog puštanja i koliko se pažnje posvećuje potencijalnim zloupotrebama, pitanja su koja se nameću nakon ovih otkrića.

Uporedno sa Grokom, ChatGPT-5 je pokazao napredak u smanjenju halucinacija. Iako je tehnički napredniji od prethodnih verzija, dio korisnika je izrazio nezadovoljstvo. Kritike se uglavnom odnose na to da je ChatGPT-5 “hladniji” i manje kreativan od GPT-4o, dajući kraće i manje detaljne odgovore. Ova povratna informacija od korisnika ukazuje na kompleksnost u balansiranju tačnosti i kreativnosti u razvoju AI modela. Potreba za preciznim informacijama ne bi trebalo da dođe na štetu kreativnosti i sposobnosti modela da generiše zanimljiv i koristan sadržaj.

OpenAI je reagovao na kritike korisnika privremenim vraćanjem GPT-4o opcije za pretplatnike na Plus paket. Ova odluka pokazuje da kompanije prepoznaju značaj povratne informacije od korisnika i spremnost na adaptaciju u razvoju AI tehnologije. Takođe, najavljena su nova podešavanja, uključujući “thinking mode” za složenije zadatke i bolje automatsko prebacivanje između verzija. Ove promjene su važne za poboljšanje korisničkog iskustva i prilagođavanje AI modela različitim potrebama korisnika.

Budućnost Groka i AI razvoja

Iako je Grok trenutno daleko od idealnog modela, njegovo postojanje naglašava izazove u razvoju veštačke inteligencije. Potreba za preciznošću i istovremeno kreativnošću predstavlja veliki izazov. Dalji razvoj i testiranje su neophodni, uz poseban naglasak na sprečavanju zloupotrebe i generisanja neprikladnog sadržaja. Ova situacija podvlači važnost etičkog razvoja i primjene AI tehnologije, uz obavezno uključivanje mehanizama koji štite korisnike i društvo u cjelini. Budućnost Groka, kao i drugih AI modela, zavisi od sposobnosti programera da riješe ove izazove i kreiraju sisteme koji su istovremeno moćni, pouzdani i etički. Kontinuirani nadzor i prilagođavanja, vođeni povratnim informacijama korisnika, ključni su za uspješan razvoj veštačke inteligencije. Ovaj slučaj služi kao podsjetnik da je put do savršene AI daleko i da je konstantno poboljšavanje i prilagođavanje neophodno.