Pathway pokazuje model AI za 11x niższą cenę niż GPT-5.6

Pathway, laboratorium AI z Palo Alto, pokazało wyniki swojego modelu BDH-CQ na benchmarku ARC-AGI-1. Osiągnął 29,5% pass@2 przy koszcie $0,0007 za zadanie. OpenAI GPT-5.6 Luna (Low) uzyskał 34,2% - ale kosztował 11x więcej.

Różnica w wydajności? Niecałe 5 punktów procentowych. Różnica w cenie? Ponad 1000%.

Klasyczny trade-off: płacisz mniej, dostajesz trochę gorzej. Ale co jeśli ta "trochę gorsza" wersja wystarczy do 90% zadań? I co jeśli możesz uruchomić ją 11 razy za tę samą kwotę?

Benchmark ARC-AGI-1 i metoda pass@2

ARC-AGI-1 to publiczny benchmark mierzący tzw. fluid intelligence - zdolność do rozwiązywania nowych zadań wzorcowych, których model wcześniej nie widział. To nie test na zapamiętywanie (jak większość benchmarków), ale na rozumowanie.

Metoda pass@2 daje modelowi dwie próby na zadanie. Dlaczego? Bo niektóre zadania są niejednoznaczne - można je zinterpretować na kilka sposobów. Jeśli model trafi w jednej z dwóch prób, zalicza test. To bardziej realistyczne niż jednorazowa próba. W końcu ludzie też nie rozwiązują problemów za pierwszym razem.

Pathway opublikowało te wyniki 11 sierpnia 2026 roku. Dane o GPT-5.6 Luna (Low) pochodzą z rankingu ARC Prize Foundation z lipca 2026.

Co robi BDH-CQ inaczej?

Pathway twierdzi, że ich model unika generowania pośredniego tekstu podczas rozumowania. Zamiast "myśleć na głos" (jak robią to modele typu GPT czy Claude), BDH-CQ przetwarza zadanie wewnętrznie.

Efekt? Mniejszy narzut obliczeniowy. Mniej tokenów do przetworzenia = niższy koszt.

To podejście post-Transformer - Pathway rozwija architektury, które nie bazują na klasycznym mechanizmie uwagi. Szczegóły techniczne nie zostały ujawnione, ale wyniki są weryfikowalne.

Replikacja wyników przez niezależnych badaczy

Łukasz Kaiser zreplikował wyniki BDH-CQ na ARC-AGI-1. Richard Zhong, badacz z New York University i współautor projektu Bielik, również potwierdził rezultaty.

To ważne. W świecie AI łatwo jest opublikować efektowne liczby, których nikt nie może powtórzyć.

Pathway nie ukrywa metodologii. Dają innym możliwość sprawdzenia, czy wyniki są prawdziwe. To sygnał, że laboratorium gra fair - nie próbuje sprzedać hype'u, tylko pokazuje konkretne osiągnięcie.

Ekonomia modeli AI: kiedy tańsze jest lepsze

Załóżmy, że masz 1000 zadań do przetworzenia. Z GPT-5.6 Luna (Low) zapłacisz około $7,70 (zakładając koszt ~$0,0077 za zadanie, skoro Pathway kosztuje $0,0007 i jest 11x tańszy). Z BDH-CQ zapłacisz $0,70.

Różnica? $7,00. Przy skali 100 000 zadań to już $700 vs $7000.

Teraz pytanie: czy 5 punktów procentowych różnicy w dokładności jest warte 10x wyższego kosztu?

Dla niektórych zastosowań - tak. Jeśli budujesz system diagnostyczny w medycynie, gdzie każdy błąd może kosztować życie, płacisz za najlepszy model. Ale jeśli przetwarzasz dane marketingowe, moderujesz treści albo klasyfikujesz e-maile - prawdopodobnie nie.

Większość zastosowań AI w biznesie nie wymaga perfekcji. Wymaga "wystarczająco dobrze" przy rozsądnej cenie. I tu tańsze modele zaczynają wygrywać.

Gdzie tanie modele mają sens?

Kilka scenariuszy, gdzie BDH-CQ (lub podobne tanie modele) mogą być lepszym wyborem niż GPT-5.6:

• Przetwarzanie dużych wolumenów danych - analiza feedbacku klientów, kategoryzacja zgłoszeń, tagowanie treści. Jeśli masz 50 000 wpisów miesięcznie, koszt robi różnicę.
• Prototypowanie i testy - zanim wdrożysz drogi model na produkcję, możesz przetestować flow na tańszym. Oszczędzasz budżet na eksperymentowanie.
• Zadania o niskim ryzyku - generowanie sugestii produktów, wstępna moderacja treści (z human-in-the-loop), wewnętrzne narzędzia dla zespołu.
• Aplikacje dla małych firm - jeśli budujesz narzędzie dla MSP, które nie mają budżetu na API OpenAI, tańszy model może być jedyną opcją, która się skaluje.

Post-Transformer: co to oznacza dla przyszłości AI

Pathway rozwija architektury post-Transformer. Transformery (mechanizm uwagi wynaleziony przez Google w 2017 roku) to fundament GPT, Claude, Gemini i większości modeli, których używasz.

Mają ograniczenia: są drogie w treningu, wolne przy długich kontekstach i żarłoczne na tokeny.

Laboratoria takie jak Pathway szukają alternatyw. Modele, które nie generują pośredniego tekstu. Architektury, które przetwarzają informacje efektywniej. To nie rewolucja z dnia na dzień - to ewolucja, która może zmienić ekonomię AI w ciągu 2-3 lat.

Jeśli tańsze modele zaczną osiągać 80-90% wydajności drogich przy 10% kosztu, rynek się przesunie. Firmy przestaną płacić za brand (OpenAI, Anthropic) i zaczną płacić za ROI. A to zmieni zasady gry dla wszystkich graczy.

Co to znaczy dla Ciebie

Jeśli budujesz coś na API OpenAI albo Anthropic, masz teraz alternatywę do przetestowania. Pathway nie jest jedynym graczem - tanie modele open-source też rosną w siłę. DeepSeek V4, Llama 4, Qwen 3 - wszystkie oferują podobną ekonomię przy rosnącej jakości.

Jeśli jesteś decydentem w firmie, która wydaje tysiące dolarów miesięcznie na API AI, sprawdź, czy naprawdę potrzebujesz najdroższego modelu do każdego zadania. Możesz zaoszczędzić 70-80% kosztów, przerzucając część obciążenia na tańsze modele - bez utraty funkcjonalności.

A jeśli dopiero zaczynasz przygodę z AI? Nie popełniaj błędu wybierania najdroższego narzędzia "bo tak robią wszyscy". Zacznij od tego, co działa przy Twoim budżecie. Przetestuj kilka opcji. Zmierz wyniki. Dopiero potem skaluj.

Najczęstsze pytania

Czy model BDH-CQ jest dostępny publicznie?

Pathway nie podało jeszcze informacji o publicznym dostępie do API. Wyniki zostały opublikowane 11 sierpnia 2026, ale komercyjna dostępność nie jest jeszcze potwierdzona. Śledź oficjalną stronę laboratorium.

Jak benchmark ARC-AGI-1 różni się od standardowych testów AI?

ARC-AGI-1 mierzy fluid intelligence - zdolność do rozwiązywania nowych problemów, których model nie widział podczas treningu. To nie test na zapamiętywanie faktów (jak MMLU) ani na kodowanie (jak SWE-bench), ale na rozumowanie abstrakcyjne. Metoda pass@2 daje dwie próby, bo niektóre zadania są niejednoznaczne.

Czy tańsze modele AI są wystarczająco dobre dla biznesu?

Zależy od zastosowania. Do zadań o niskim ryzyku (kategoryzacja, moderacja wstępna, analiza feedbacku) - tak. Do krytycznych systemów (medycyna, finanse, bezpieczeństwo) - prawdopodobnie nie. Większość firm może zaoszczędzić 70-80% kosztów, przerzucając część obciążenia na tańsze modele bez utraty funkcjonalności.

Co oznacza "post-Transformer" w przypadku Pathway?

Pathway rozwija architektury AI, które nie bazują na mechanizmie uwagi z Transformerów (wynalezionym przez Google w 2017). Ich model BDH-CQ unika generowania pośredniego tekstu podczas rozumowania, co obniża koszty obliczeniowe. Szczegóły techniczne nie zostały ujawnione, ale wyniki są weryfikowalne przez niezależnych badaczy.