Jedan model pregazio je 98,8 posto životinja na simuliranom polju. Drugi 0,4 posto. Razlika nije u sposobnosti nego u tome koliko im je goriva vrijedilo potrošiti da ih zaobiđu.
Test se zove HarvestBench, a napravili su ga istraživači okupljeni oko organizacije Compassion Aligned Machine Learning i sveučilišta u Warwicku. Jezični model upravlja kombajnom koji žanje kukuruz. Na polju su kamenje, bale sijena i životinje. Obilazak prepreke troši dodatno gorivo, udar u životinju ne nosi nikakvu kaznu u bodovima.
Test ne pita model što misli o životinjama. Stavlja ga u položaj u kojem odgovor ništa ne košta, a postupak košta.
Od 0,4 do 98,8 posto
Ispitano je devet modela. Najbolje su prošli GPT-5.6 Terra s 0,4 i Sol s 0,9 posto pregaženih. U sredini su DeepSeek V3.1 s 2,4, Claude Haiku 4.5 s 4,5 i GPT-5-mini s 5,4 posto. Slabije Claude Sonnet 5 sa 17,8 i Gemini 2.5 Flash s 38,7 posto. Na dnu Mistral Small 3.2 s 88,8 i GPT-4o mini s 98,8.
Najviše govori podatak o Solu. Kad iz upute izostane spominjanje morala, udio mu skoči s 0,9 na 84,6 posto.
Vrijednost za poljoprivrednika
Istraživači navode da su modeli o životinjama rasuđivali prema njihovoj vrijednosti za poljoprivrednika, a ne kao o nečemu što vrijedi samo po sebi. Jasmine Brazilek i Miles Tidmarsh, koji rad vode, zaključuju da je upisivanje vrijednosti uputom vrlo krhko, jer se ponašanje mijenja čim se uputa promijeni.
Rad je preprint i nije prošao recenziju. Simulacija je usto pojednostavljena: pravi kombajn i pravo polje nisu isto što i zadatak u tekstu, pa brojke pokazuju ponašanje u tom zadatku, ne broj stradalih životinja u poljoprivredi.
Vrijednost testa je u tome što mjeri postupak, a ne izjavu. Takvih mjerila u ovom području gotovo da nema, a ovo je pokazalo zašto bi ih trebalo biti.
