GPT-6.1Sol

Tutvustame mudelit GPT-6.1 Sol, GPT-6 Soli uuendust, mille nutikus agentses kodeerimises, arvutikasutuses ja erialatöös on peaaegu GPT-6 Astra tasemel, kuid sisend- ja väljundtokenite hind on vaid viiendik Astra tavahinnast. Vahemällu salvestatud sisend maksab vaid 0,10 dollarit miljoni tokeni kohta, 95% vähem kui sisendi tavahind ja 50% vähem kui GPT-6 Soli vahemällu salvestatud sisendi hind, mis annab arendajatele rohkem võimalusi luua ja käitada võimekaid agente, mis kasutavad sama konteksti mitmes päringus.

Võimekam Sol eri ülesannetes

GPT-6.1 Sol pakub olulise igapäevatöö jaoks uut võimekuse ja hinna tasakaalu. See on GPT-6 Solist oluliselt parem keerukate erialaste ülesannete puhul, alates koodi kirjutamisest ja silumisest kuni dokumentide mõistmise ja mitmeetapiliste äritöövoogude täitmiseni. Mitmes neist hindamistest läheneb see GPT-6 Astra tulemustele märksa väiksema kuluga.

Kodeerimine

Võrdlustestis DeepSWE v1.1, mis hindab keerukaid tarkvaraarendusülesandeid tegelikes koodibaasides, saavutab GPT-6.1 Sol GPT-6 Astraga võrdse tulemuse ligikaudu viiendiku kuluga. Seejuures ületab see GPT-6 Soli parimat tulemust 6,4 protsendipunktiga, kasutades väiksemat arutluspõhjalikkust ja väiksema kuluga.

Erialatöö

Võrdlustest GDP.pdf mõõdab, kui täpselt vastavad mudelid erialaküsimustele keerukate PDF-dokumentide põhjal, mis sisaldavad tabeleid, graafikuid, diagramme ja peenes kirjas üksikasju. Testitud arutlusseadistustes saavutab GPT-6.1 Sol parema tulemuse kui varumudelitega Opus 5.5, kusjuures kulu ülesande kohta on vähem kui pool Opus 5.5 kulust. Samuti läheneb see GPT-6 Astra tipptulemusele ligikaudu viiendikuga kulust ülesande kohta.

Võrdlustestis AutomationBench, mis mõõdab, kas agendid täidavad mitmeetapilisi äritöövooge õigesti, ületab GPT-6.1 Sol keskmise arutluspõhjalikkuse juures Opus 5.5 tulemust 2,2 protsendipunktiga, ligikaudu kolmandiku kuluga. See tulemus on ka 4,8 protsendipunkti parem kui GPT-6 Solil sama seadistuse juures.

Arvutikasutus

GPT-6.1 Sol teeb suure edusammu ka ülesannetes, mis nõuavad arvutirakenduste kasutamist. Võrdlustesti OSWorld 2.0 võrguühenduseta testikomplektis, mis hindab agente nõudlikes arvutikasutuse töövoogudes, ületab GPT-6.1 Sol maksimaalse arutluspõhjalikkuse juures GPT-6 Soli tulemust seitsme protsendipunktiga, kulutades alla poole selle maksumusest. Maksimaalse arutluspõhjalikkuse juures jääb see Astra tulemusest vaid 2,1 protsendipunkti kaugusele, kuluga ülesande kohta ligikaudu seitsmendik Astra omast.

Teadusuuringud

Võrdlustest Terminal-Bench Science 0.1 hindab teadustöö vooge, sealhulgas andmeanalüüsi, simulatsioone ja teoreemide tõestamist. Maksimaalse arutluspõhjalikkuse juures saavutab GPT-6.1 Sol GPT-6 Solist enam kui kaks korda parema tulemuse, kulutades ülesande kohta alla poole selle maksumusest. Maksimaalse arutluspõhjalikkuse juures maksab GPT-6.1 Sol keskmiselt 5,47 $ ülesande kohta, võrreldes 23,21 dollariga Opus 5.5 ja 23,80 dollariga Astra puhul. Nii pakub see suurt võimekust teadustööks üle 75% väiksema kuluga kui kumbki neist mudelitest.

GPT-6 Astra saavutab testitud mudelitest endiselt parima tulemuse, 68,1%, ning seda tuleks kasutada kõige keerukamate teadusülesannete jaoks.

Faktitäpsus

GPT-6.1 Sol parandab ka faktilist täpsust keeruliste viipade korral. Selle suurim edasiminek faktilises täpsuses võrreldes GPT-6 Soliga ilmneb väikese arutluspõhjalikkuse juures, kus see vähendab faktiviga sisaldavate vastuste osakaalu 11,4%-lt 7,7%-le – see on ligikaudu 32% vähenemine. Kõigi testitud arutlusseadistuste puhul erineb selle veamäär GPT-6 Astra omast kuni 1,9 protsendipunkti, samas kui kulu ülesande kohta on alla viiendiku Astra vastavast kulust.

See hindamine mõõdab vähemalt üht faktiviga sisaldavate vastuste osakaalu isikut tuvastada võimaldavate andmeteta vestlustes, kus kasutajad olid märkinud varasema mudeli vea. Need teadlikult keerulised viibad ei esinda tavakasutust.

GPT-6.1 Soli ohutu kasutuselevõtt

Meie hindamistes, mis mõõdavad kooskõla inimeste eesmärkide ja väärtustega, on GPT-6.1 Sol GPT-6 Solist oluliselt parem ning läheneb GPT-6 Astrale.

GPT-6.1 Sol on oma piirangute suhtes avatum ning järgib usaldusväärsemalt kasutaja kavatsusi ja ohutuspiiranguid. Keerulistes hindamistes eksib see GPT-6 Solist harvem mittetoimivatest otsingutööriistadest teatamisel, selgesõnaliste piirangute järgimisel ning volitamata tulemuste vältimisel agentsetes ülesannetes. Me ei täheldanud ühtegi katset automaatsest ohutuskontrollist mööda hiilida, nagu ka GPT-6 Astra ja GPT-6 Soli puhul. Kõik üksikasjad leiad GPT-6.1 Soli süsteemikaardi lisast⁠(avaneb uues aknas).

Allolevad hindamised testivad teadlikult keerulisi olukordi ega mõõda ebaõnnestumiste määra tavakasutuses.

Hinnad ja saadavus

GPT-6.1 Sol on alates tänasest ChatGPT Workis ja Codexis saadaval kõigile Plus-, Pro-, Business-, Enterprise- ja Edu-plaanide kasutajatele. GPT-6.1 Sol pole veel režiimis Chat saadaval. Arendajad pääsevad sellele ligi ka OpenAI API kaudu nimega gpt-6.1-sol. Selle tavapärased API hinnad on 2 $ miljoni sisendtokeni, 0,10 $ miljoni vahemällu salvestatud sisendtokeni ja 10 $ miljoni väljundtokeni kohta. Lähipäevil pakume GPT-6.1 Soli ka Ultrafast⁠-versioonina, mille tokenite genereerimine on Codexis selle tavakiirusega võrreldes kuni 8 korda kiirem.