{"id":4386,"date":"2026-10-20T15:26:46","date_gmt":"2026-10-20T15:26:46","guid":{"rendered":"https:\/\/11000.dev\/index.php\/2026\/10\/20\/ibm-ov-trik-bez-promene-modela-kako-je-gpt-4-1-nadmasio-frontijer-modele-na-testu-korisnicke-podrske\/"},"modified":"2026-10-20T15:26:46","modified_gmt":"2026-10-20T15:26:46","slug":"ibm-ov-trik-bez-promene-modela-kako-je-gpt-4-1-nadmasio-frontijer-modele-na-testu-korisnicke-podrske","status":"publish","type":"post","link":"https:\/\/11000.dev\/index.php\/2026\/10\/20\/ibm-ov-trik-bez-promene-modela-kako-je-gpt-4-1-nadmasio-frontijer-modele-na-testu-korisnicke-podrske\/","title":{"rendered":"IBM-ov trik bez promene modela: kako je GPT-4.1 nadma\u0161io frontijer modele na testu korisni\u010dke podr\u0161ke"},"content":{"rendered":"

IBM Research<\/strong> je pokazao ne\u0161to \u0161to bi moglo da promeni na\u010din na koji razmi\u0161ljamo o tome \u0161ta je zapravo “najbolji” AI model. Njihov sistem ALTK-Evolve<\/strong> dostigao je vrh \u03c4\u00b2-bench liste u kategoriji retail, i to sa GPT-4.1 \u2014 starijim modelom koji ne spada u takozvanu “reasoning” generaciju. Bez ikakvog doterivanja te\u017eina modela.<\/p>\n

\"IBM-ov<\/figure>\n<\/p>\n

Konkretno, agent je postigao 67,5% Pass^4<\/strong> skora na \u03c4\u00b2-bench retail testu. To zna\u010di da je zadatak re\u0161io na sva \u010detiri nezavisna poku\u0161aja kod 67,5% zadataka \u2014 \u0161to je iznad svakog retail unosa na listi lidera od 12. oktobra 2026. Rezultat je tim zanimljiviji jer je postignut na standardnom ReAct okviru, bez ikakvih arhitektonskih izmena. Jedina razlika u odnosu na osnovnu verziju je blok nau\u010denih smernica dodat u sistemski prompt.<\/p>\n

\u0160ta je zapravo \u03c4\u00b2-bench i za\u0161to je te\u017eak?<\/h2>\n

\u03c4\u00b2-bench, koji je razvila kompanija Sierra, meri koliko dobro agent vodi razgovor sa korisnikom u uslovima stvarnih ograni\u010denja. Svaki zadatak spaja agenta sa LLM-simuliranim korisnikom koji ima jasan cilj, skup alata (provera porud\u017ebine, izdavanje povra\u0107aja, promena leta) i pisani dokument sa pravilima kojih se agent mora pridr\u017eavati. Zadatak se ra\u010duna kao re\u0161en samo kada kona\u010dno stanje baze podataka odgovara o\u010dekivanom ishodu \u2014 nagrada je strogo binarna, nema delimi\u010dnih poena.<\/p>\n

Drugim re\u010dima, agent mora da izvu\u010de prave detalje iz razgovora, ostane u granicama politike i izvr\u0161i ispravne \u2014 \u010desto nepovratne \u2014 akcije. IBM je koristio dve domene ovog testa: retail i airline.<\/p>\n

Kako funkcioni\u0161e “nau\u010dena memorija”?<\/h2>\n

ALTK-Evolve ne menja model. Umesto toga, analizira agentove poku\u0161aje na trening zadacima i koristi isti GPT-4.1 da iz uspeha i proma\u0161aja destiluje kratka bihevioralna pravila: kako se autentifikuje korisnik, kako se potvr\u0111uje transakcija, kako se obra\u0111uje povra\u0107aj. Te smernice se zatim dodaju u prompt agenta za naredne razgovore.<\/p>\n

Isti model pokre\u0107e i izdvajanje smernica i samog agenta \u2014 nema doterivanja te\u017eina, nema ru\u010dne anotacije. IBM je ovaj pristup ranije demonstrirao na coding agentima, a sada ga testira u korisni\u010dkoj podr\u0161ci, gde uspeh zavisi od po\u0161tovanja domenskih politika, razumevanja zahteva i izvr\u0161avanja pravih alatnih akcija.<\/p>\n

\u0160ta ovo govori o budu\u0107nosti AI agenata?<\/h2>\n

Nalaz je va\u017ean iz nekoliko razloga. Prvo, pokazuje da se sposobnost i pouzdanost agenta mogu pobolj\u0161ati bez promene modela<\/strong> \u2014 \u0161to je znatno jeftinije i prakti\u010dnije za firme koje ne mogu sebi da priu\u0161te frontijer modele ili ne \u017eele da ih stalno menjaju. Drugo, koli\u010dina smernica zavisi od domene: optimalna koli\u010dina “uputstva” nije univerzalna. I tre\u0107e, bolji rezultati ne dolaze od vi\u0161e koraka u razgovoru, ve\u0107 od vi\u0161e tokena \u2014 nau\u010dene smernice tro\u0161e kontekst, ali ne i dodatne interakcije.<\/p>\n

IBM navodi i da nau\u010dene smernice pobolj\u0161avaju i agente koji koriste frontijer modele, \u0161to zna\u010di da pristup nije samo zamena za slabiji model. Ceo eksperiment je dokumentovan na Hugging Face blogu IBM Research tima<\/a>, gde su dostupni i detalji o metodologiji i pore\u0111enju sa listom lidera.<\/p>\n

Za srpski tech ekosistem, poruka je jasna: ako gradite AI agente za korisni\u010dku podr\u0161ku, ne morate da jurite najnoviji model. Ponekad je dovoljno da agent nau\u010di da pamti \u0161ta je radilo \u2014 i \u0161ta nije.<\/p>\n","protected":false},"excerpt":{"rendered":"

IBM Research je pokazao ne\u0161to \u0161to bi moglo da promeni na\u010din na koji razmi\u0161ljamo o tome \u0161ta je zapravo “najbolji” AI model. Njihov sistem ALTK-Evolve dostigao je vrh \u03c4\u00b2-bench liste u kategoriji retail, i to sa GPT-4.1 \u2014 starijim modelom koji ne spada u takozvanu “reasoning” generaciju. Bez ikakvog doterivanja te\u017eina modela. Konkretno, agent je […]<\/p>\n","protected":false},"author":1,"featured_media":4385,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"content-type":"","footnotes":""},"categories":[103,104],"tags":[],"class_list":["post-4386","post","type-post","status-publish","format-standard","has-post-thumbnail","category-ai","category-tehnologija"],"_links":{"self":[{"href":"https:\/\/11000.dev\/index.php\/wp-json\/wp\/v2\/posts\/4386","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/11000.dev\/index.php\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/11000.dev\/index.php\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/11000.dev\/index.php\/wp-json\/wp\/v2\/users\/1"}],"replies":[{"embeddable":true,"href":"https:\/\/11000.dev\/index.php\/wp-json\/wp\/v2\/comments?post=4386"}],"version-history":[{"count":0,"href":"https:\/\/11000.dev\/index.php\/wp-json\/wp\/v2\/posts\/4386\/revisions"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/11000.dev\/index.php\/wp-json\/wp\/v2\/media\/4385"}],"wp:attachment":[{"href":"https:\/\/11000.dev\/index.php\/wp-json\/wp\/v2\/media?parent=4386"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/11000.dev\/index.php\/wp-json\/wp\/v2\/categories?post=4386"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/11000.dev\/index.php\/wp-json\/wp\/v2\/tags?post=4386"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}