Představujeme GPT-6.2 Astra a Sol
A new standard for professional work
Vyzkoušet v ChatGPT Work(otevře se v novém okně)Představujeme GPT‑6.2 Astra, náš nový průkopnický model pro vaše nejnáročnější projekty, a GPT‑6.2 Sol, náš efektivní a všestranný model pro každodenní práci. Oba modely dosahují lepších výsledků u náročných úloh s menším počtem výstupních tokenů, takže v rámci svých limitů využití zvládnete více práce. Pro firmy a vývojáře to znamená průkopnický výkon za náklady, které dávají smysl i při rozsáhlém nasazení.
GPT‑6.2 Astra nastavuje novou laťku kvality AI pro složitou odbornou práci. Jeho snímky, tabulky a dokumenty působí méně jako výstupy AI a lépe odpovídají dodaným šablonám i zvyklostem vašeho oboru. Píše čistší kód a vytváří frontendová rozhraní, která lépe vypadají i fungují, zejména u webů, her a 3D návrhů.
V testu Agents’ Last Exam, který prověřuje profesionální práci v několika krocích, dosahuje GPT‑6.2 Astra nového rekordu: překonává GPT‑6 Astra o 5,2 bodu při méně než třetinových nákladech a Claude Fable 5.2 o 5,5 bodu při pouhých 5 % nákladů.
Agents’ Last Exam hodnotí modely při dlouhodobých profesionálních pracovních postupech. Výsledky modelu Fable 5.2 v jeho žebříčku nezahrnují devět úloh, u nichž byl použit záložní model.
Věříme, že GPT-6.2 Astra je pro vědce nejlepším modelem na světě. Dosahuje nového rekordu v testu Terminal-Bench-Science 0.1, který prověřuje, jak dobře modely zvládají vědeckou práci v terminálu. GPT-6.2 Astra dosahuje o 9 procentních bodů vyššího skóre než GPT-6 Astra při méně než třetinových nákladech. Nového rekordu dosahuje také v testu Vals Science Index, v němž modely interpretují skutečná biologická data a provádějí experimenty, aby odvodily, jak funguje simulovaný systém.
Ceny vstupních a výstupních tokenů modelu GPT‑6.2 Astra v API jsou o 20 % nižší než u GPT‑6 Astra a cena vstupu uloženého v mezipaměti je nižší o 60 % (8 USD za vstup, 0,40 USD za vstup z mezipaměti a 40 USD za výstup, vše za milion tokenů). GPT‑6.2 Sol zachovává ceny tokenů v API modelu GPT‑6.1 Sol. V několika benchmarcích se oba modely blíží ostatním špičkovým modelům nebo je překonávají, a to při pouhém zlomku nákladů na úlohu.
GPT-6.2 Sol: naše první volba pro každodenní práci
Oproti GPT‑6.1 Sol je GPT‑6.2 Sol chytřejší, efektivnější a umožňuje vám dokončit více úloh v rámci stejného placeného tarifu. Svižně zvládá vícekrokové agentní pracovní postupy, píše jasně a přirozeně a spolupráce s ním je intuitivní. Mnoho zaměstnanců OpenAI ho používá jako svůj výchozí model pro technické i netechnické úlohy.
V testu FrontierCode 2.0 od společnosti Cognition zaostává GPT‑6.2 Sol za GPT‑6.2 Astra o méně než 0,5 bodu při přibližně pětinových nákladech (oba při nastavení Max).
FrontierCode 2.0 hodnotí, zda změny ve skutečných kódových základnách splňují požadavky správců pro začlenění do projektu.
Díky své rychlosti a inteligenci je také ideální pro důležité úkoly, s nimiž se lidé obracejí na AI mimo práci. V našem nedávno zveřejněném hodnocení LifeVal, které měří výkon při náročných každodenních úlohách, dosahuje GPT‑6.2 Sol vyššího skóre než GPT‑6 Astra při přibližně sedminových nákladech.
LifeVal testuje, jak dobře modely zvládají každodenní úkoly přizpůsobené konkrétním potřebám člověka, například sestavení užšího výběru mateřských škol po stěhování, hledání bydlení odpovídajícího rodinnému rozpočtu a požadavkům na dojíždění nebo plánování jídelníčku pro rodiče, který se přizpůsobuje nové diagnóze.
Profesionální výstupy odpovídající oborovým standardům
GPT‑6.2 Astra jsme natrénovali tak, aby vytvářel přehlednější a lépe zpracované snímky, tabulky a dokumenty, které se více drží zvyklostí odborníků v oborech, jako je právo, prodej, finance a účetnictví. Texty jsou přímočařejší a konkrétnější, s menším množstvím obecných závěrů a zbytečné výplně.
Harvey LAB‑AA v1.1 pomocí právních úloh testuje, zda modely dokážou ve zdrojových dokumentech najít relevantní fakta, využít je při zpracování podrobného zadání a vytvořit přesný výstup splňující všechny požadavky. GPT‑6.2 Astra posouvá hranice nejlepších dosažených výsledků: při přibližně šestinových nákladech dosahuje více než dvojnásobné úspěšnosti oproti Claude Fable 5.2. OpenAI pro advokátní kanceláře, naše konfigurace GPT-6.2 Astra pro právníky, dosahuje v tomto benchmarku ještě vyššího skóre.
Harvey LAB‑AA testuje právní práci, například posuzování smluvních ustanovení. Do hlavního skóre se započítávají pouze výstupy, které splňují všechna hodnoticí kritéria a neobsahují žádné závažné halucinace.
Náš interní benchmark GDPval v2 je další verzí GDPval a měří zvládání složitých, dlouhodobých pracovních postupů ze skutečných projektů v oborech, jako je poradenství, finance a design. GPT‑6.2 Astra vede mezi testovanými modely: oproti GPT‑6 Astra si polepšil o 6,2 procentního bodu a přitom využívá o 22 % méně výstupních tokenů. GPT‑6.2 Sol se oproti GPT‑6.1 Sol zlepšuje o 5,3 bodu.
GDPval v2 tvoří dlouhodobá zadání znalostní práce ze skutečných projektů v oborech, jako jsou finance, datová věda, biotechnologie a marketing.
Sešity a zprávy
Tvorba oceňovacího sešitu nebo psaní investiční zprávy začíná vyhledáním relevantních čísel ve zdrojových souborech a pochopením toho, jak spolu souvisejí. AA‑AnalystAgent od Artificial Analysis tuto práci testuje na skutečných tabulkách a zprávách. V jedné z úloh modely používají výdajové zprávy kalifornského programu Medicaid k výpočtu toho, kolik program vynaložil na zdravotnickou přepravu. GPT‑6.2 Astra dosahuje nového rekordu: na 62,5 % otázek odpovídá správně ve všech pěti nezávislých pokusech.
Prezentace
GPT‑6.2 Astra je náš dosud nejlepší model pro navrhování snímků a dodržování prezentačních šablon, ať už dostane původní soubor, nebo třeba jen snímek obrazovky. Dokáže napodobit rozvržení, barvy i typografii až po přesnou velikost písma a přenést styl psaní ze šablony do nových snímků. První testeři zjistili, že prezentace lze snáze rovnou použít a vyžadují méně úprav, protože nadpisy sdělují hlavní závěr a stručné texty se soustředí na podrobnosti, které čtenáři potřebují.
Ovládání počítače a interaktivní webdesign
Přesnější ovládání počítače umožňuje modelu GPT‑6.2 Astra pracovat v CAD a simulačních nástrojích až na úrovni jednotlivých dílů a spojů. Konstruktéři mohou díky této vyšší podrobnosti kontrolovat, jak do sebe součásti zapadají, sledovat změny zatížení při pohybu navržené konstrukce a testovat úpravy ještě před stavbou prototypu.
Simulace jízdy
Požádali jsme GPT‑6.2 Astra, aby vizualizoval dynamiku podvozku auta na horské silnici. Astra vytvořil 3D model a napsal výpočetní řešič v Pythonu pro simulaci složitých dynamických vztahů mezi pneumatikami a zavěšením kol a poté výsledky animoval v Blenderu. Konstruktérům to umožňuje rychle testovat nové návrhy a postupně zvyšovat přesnost simulací.
Strojírenské navrhování a montáž
GPT‑6.2 Astra dokáže modelovat mechanický systém součást po součásti, takže konstruktéři mohou ukázat, jak se sestavuje, a otestovat, jak změny návrhu ovlivňují jeho chování.
Od CADu k papírové lampě
Náš tým pomocí GPT‑6.2 Astra proměnil obloukovité balkony chicagských věží Marina City v lampu. Video zachycuje vývoj návrhu od referenčních fotografií přes úpravy v CADu až po ručně sestavenou skutečnou lampu. Web vytvořený modelem GPT-6.2 Astra můžete využít k výrobě vlastní papírové lampy.
GPT‑6.2 Astra přináší do webdesignu lepší vizuální uvažování: volí rozvržení a obrazové prvky, které každému webu dodávají osobitý vzhled, a jednotlivé prvky vytváří s ohledem na skutečný účel webu.
Tato zlepšení vizuálního uvažování a ovládání počítače se promítají i do 3D designu. GPT‑6.2 Astra a Sol dokážou proměnit písemné zadání v interaktivní zážitek v prohlížeči — od pinballového stolu, na kterém si můžete zahrát, až po rekonstrukci Kolosea, kterou si můžete prohlížet z různých úhlů. V testu AA‑3D od Artificial Analysis lidští hodnotitelé zkoušejí dva interaktivní výstupy vytvořené podle stejného promptu, aniž vědí, který model je vytvořil, a hlasují pro ten, který se jim líbí více. GPT‑6.2 Astra je na prvním místě s Elo 1 318, následovaný modelem Claude Fable 5.2 s 1 271 a GPT‑6.2 Sol s 1 259.
Efektivní pracovní postupy s čistším stylem kódu
GPT‑6.2 Astra lépe posuzuje, jak úlohu provést – přizpůsobuje nástroje a míru úsilí pracovnímu postupu a ví, kdy použít pluginy a kdy ovládat počítač.
V programování GPT-6.2 Astra lépe implementuje a testuje složité změny v existujících kódových základnách. První testeři zaznamenali čistší styl kódu, cílenější testy a méně kol úprav.
Schopnosti v oblasti kybernetické bezpečnosti
GPT‑6.2 Astra a GPT-6.2 Sol představují další výrazný skok ve schopnostech v oblasti kybernetické bezpečnosti. Účinněji nacházejí a využívají zranitelnosti, píšou bezpečnější kód a vytvářejí lepší opravy, přičemž v několika hodnoceních výrazně efektivněji využívají tokeny. Stejně jako GPT‑6 Astra dosahují modely 6.2 Astra a Sol kritického prahu v oblasti kybernetické bezpečnosti podle našeho rámce připravenosti.
Vzhledem k jejich rozšířeným schopnostem uvádíme GPT‑6.2 Astra a Sol s přísnějšími ochrannými opatřeními pro rizikovější pomoc v oblasti kybernetické bezpečnosti. Tato opatření snižují riziko zneužití, ale zároveň omezují některé legitimní postupy při výzkumu zranitelností a bezpečnostním testování. Prostřednictvím OpenAI Daybreak mají nyní odborníci na kybernetickou obranu na Daybreak Blue vedle naší alfa verze GPT-6 Astra přístup také k GPT‑6 Sol s menší mírou odmítání kyberbezpečnostních požadavků a na Daybreak Red k modelu GPT‑6 Cyber pro pokročilé, autorizované bezpečnostní testování. Budeme pracovat na zpřístupnění modelů GPT‑6.2 v Daybreak.
Níže uvádíme klíčové výsledky benchmarků získané v interních testovacích konfiguracích s vypnutými kyberbezpečnostními ochrannými opatřeními a klasifikátory. Úplné výsledky a metodiku najdete v doprovodné kartě systému(otevře se v novém okně).
Výhoda pro odborníky na kybernetickou obranu
Vývojáři se při psaní produkčního softwaru stále více spoléhají na programovací agenty, zatímco schopnější agenti zároveň usnadňují hledání a zneužívání zranitelností. PHP2Shell(otevře se v novém okně) ukázal, jak může AI pomoci výzkumníkům odhalovat kritické chyby. U GPT‑6.2 Astra a Sol jsme se zásadně zaměřili na obranné schopnosti a zavedli nové tréninkové signály, které vývojářům pomáhají těmto chybám předcházet a opravovat je – psát bezpečný kód od samého začátku a vytvářet opravy, které zachovávají zamýšlené chování.
Bezpečnost a sladění s lidskými záměry
GPT-6.2 Astra a Sol nasazujeme s našimi dosud nejsilnějšími ochrannými opatřeními. Zpřísnili jsme omezení a posílili systémy, které používáme k monitorování modelů a zásahům v případě potřeby.
Stejně jako GPT-6 Astra dosahují GPT-6.2 Astra i Sol kromě kritické prahové úrovně pro kybernetickou bezpečnost také vysoké prahové úrovně pro biologické a chemické schopnosti podle našeho rámce připravenosti. Zavedli jsme ochranná opatření ke zmírnění souvisejících rizik a zároveň zpřísnili omezení pro vybrané požadavky z oblasti biologie a kybernetické bezpečnosti s potenciálem dvojího užití.
Další podrobnosti o našich ochranných opatřeních a testování najdete v kartě systému GPT-6.2(otevře se v novém okně).
Schopnosti v oblasti výzkumu AI a ochranná opatření
GPT-6.2 Astra je náš první externě zpřístupněný model, který dosahuje vysoké prahové úrovně v kategorii sebezdokonalování AI, jež měří schopnost modelu urychlovat výzkum AI. Označení „vysoká“ odráží naše hodnocení, že dopad modelu odpovídá tomu, jako by každý výzkumník OpenAI získal oproti výchozímu stavu v roce 2024 dalšího vysoce schopného výzkumného inženýra jako asistenta. Tuto schopnost sledujeme, protože modely, které mohou pomáhat s vývojem budoucích systémů AI, by také mohly přinášet nová bezpečnostní rizika — například urychlovat pokrok více, než se dokážou přizpůsobovat ochranná opatření nebo lidský dohled.
Abychom tato rizika řešili, začlenili jsme do trénování a nasazování našich modelů více dohledu a kontrolních mechanismů. Před rozšířením interního přístupu ke GPT-6.2 Astra jsme vyhodnotili jeho soulad s lidskými záměry a ověřili, že jsou v každé fázi zavedena požadovaná ochranná opatření. Posílili jsme izolaci našich výzkumných prostředí a otestovali tato ochranná opatření pomocí našich nejschopnějších modelů. Vytvořili jsme také Control Room, systém, který sleduje výzkumné úlohy a dokáže zastavit další výstup modelu, když je potřeba zasáhnout. Naše rozšířené monitorování zkoumá uvažování a jednání modelů při interních úlohách i podporovaných externích nasazeních. Dokáže automaticky upozornit na neoprávněné chování a tam, kde je to podporováno, pozastavit úlohy nebo konverzace.
Soulad s lidskými záměry
Oba modely dosáhly ve většině hodnocení sladění s lidskými záměry podobných výsledků jako GPT-6 Astra a při simulovaných pracovních úlohách prováděly méně nepřípustných akcí. Ve dvou testech však častěji opomíjely zmínit překážky, které jim bránily v práci, například chybějící soubor nebo nedostupný vyhledávací nástroj. Do Codex jsme přidali instrukce, které tato opomenutí výrazně omezují, a toto chování dále zkoumáme.
Ceny a dostupnost
Ode dneška jsou GPT-6.2 Astra a Sol dostupné všem uživatelům tarifů Plus, Pro, Enterprise a Edu v ChatGPT Work a Codex. Předplatitelé Pro 500 mohou používat Ultrafast s oběma modely. Poprvé také zpřístupňujeme Ultrafast předplatitelům Pro 200, nejprve s modelem GPT-6.2 Sol. Oprávnění uživatelé Enterprise a Edu získají stejný přístup, jakmile ho povolí správce jejich pracovního prostoru. Vývojáři mají k modelům gpt-6.2-astra a gpt-6.2-sol přístup také prostřednictvím OpenAI API, přičemž Ultrafast je pro oba modely dostupný už při uvedení.
GPT‑6.2 Astra má výrazně nižší náklady na úlohu než GPT‑6 Astra díky efektivnějšímu využívání tokenů, o 20 % nižší ceně vstupních a výstupních tokenů a ještě výraznějšímu, 60% snížení ceny vstupních tokenů uložených v mezipaměti. Standardní sazby API za milion tokenů jsou 8 USD za vstup, 0,40 USD za vstup z mezipaměti a 40 USD za výstup. GPT‑6.2 Sol zachovává sazby GPT‑6.1 Sol: 2 USD za vstup, 0,10 USD za vstup z mezipaměti a 10 USD za výstup na milion tokenů.
U GPT-6.2 Astra a Sol doporučujeme ponechávat prefixy promptů beze změny a nové instrukce přidávat na konec(otevře se v novém okně) konverzace. Zlepší se tím opětovné využívání mezipaměti, pomůže to snížit náklady i latenci a zachovat uvažování mezi jednotlivými interakcemi.
Autor
Footnotes
- 1
Výsledky modelu Fable 5.2 v testu Terminal-Bench-Science 0.1 přebíráme od Artificial Analysis(otevře se v novém okně), kde byly naměřeny v harnessu mini-swe-agent. Anthropic uvedl pro Fable 5.2 skóre 74,6 % při maximální úrovni uvažování v Claude Code.



