Parallel halverede forskningstid og -omkostninger med GPT‑6 Astra
Med GPT‑6 Astra kunne Parallels agenter undersøge og sammenfatte arbejdsmarkedsdata på den halve tid og til halv pris sammenlignet med tidligere modeller.
50 %
Kortere tid til at løse researchopgaver
50 %
Lavere kodeomkostninger
Parallel(åbner i et nyt vindue) udvikler infrastruktur til udviklere af AI-agenter, der udfører vidensarbejde på nettet. Virksomhedens værktøjer understøtter alt fra webforankring for stemmeagenter til research for finansielle institutioner og kunder i den juridiske sektor ved at kombinere banebrydende modeller med websøgning.
Ved Parallels mest langvarige researchopgaver krævede et svar af høj kvalitet typisk en større model med udvidet ræsonnering, hvilket tog mere tid og krævede flere ressourcer. Med GPT‑6 Astra har virksomheden opnået markante forbedringer i både tidsforbrug og omkostninger.
»Med Astra har vi vist, at man kan opnå research af samme høje kvalitet langt, langt hurtigere med færre researchkald og færre tokens.«
I en test af GPT‑6 Astra bad Parallel sin agent om at undersøge seks forskellige arbejdsmarkedsstatistikker i fire delstater over seks måneder. Agenten skulle søge på tværs af flere websites, indsamle oplysninger og sammenfatte resultaterne i én researchrapport.
GPT‑6 Astra kunne udføre arbejdet på halvt så lang tid som tidligere modeller og med cirka 50 % lavere kodeomkostninger, samtidig med at kvaliteten af researchen var den samme.
Parallel konstaterede også, at GPT‑6 Astra foretog mere målrettede søgninger og brugte færre trin på at nå frem til et brugbart resultat.
»Astra foretog mere målrettede søgninger og holdt bedre fokus på den overordnede opgave ved at inddrage sin generelle viden sammenlignet med tidligere modeller.«
Den øgede effektivitet gør det også mere praktisk for Parallel at fordele researcharbejdet mellem flere agenter. GPT‑6 Astra kan uddelegere specifikke researchopgaver til underagenter, så arbejdet kan foregå samtidigt, og der bruges mindre tid på at gennemføre en enkelt række søgninger.
Parallel har nu en bedre vej fra et komplekst spørgsmål til et underbygget svar med kortere ventetid, lavere omkostninger og større mulighed for at løse krævende researchopgaver i stor skala.
