Tutvustame GPT‑6 Soli ja Lunat
Rohkem võimalusi tuua tipptasemel nutikus oma igapäevatöösse.
Selle kuu alguses tutvustasime GPT‑6 Astrat, maailma kõige nutikamat ja paremini joondatud mudelit. Kõige nõudlikumad ja olulisemad projektid vajavad endiselt Astra täielikku võimekust, kuid tööd tehakse eri mahus, tempos ja eelarvega.
Seepärast laiendame GPT‑6 mudeliperet mudelitega GPT‑6 Sol ja GPT‑6 Luna. GPT‑6 Astra juhatas sisse uue nutikuse põlvkonna. Need mudelid aitavad selle nutikuse eeliseid laiemalt jagada, nihutades kulutõhususe tipptaset. Koolitasime GPT‑6 Soli ja Lunat GPT‑6 Astraga sarnaste meetoditega, tuues Astra tipptasemel professionaalse töö, faktitäpsuse, programmeerimise, arvutikasutuse ja joondatuse aluseks olevad uuendused kiirematesse ja soodsamatesse mudelitesse.
GPT‑6 mudelid on kulu ja nutikuse suhte poolest esirinnas, ühendades igal tasemel erakordse võimekuse taristuga, mis võimaldab seda suures mahus tõhusalt pakkuda. Vahemällu salvestamise ja järeldamise täiustused võimaldavad meil neid mudeleid odavamalt pakkuda. Anname säästu otse kasutajatele ja klientidele edasi, langetades Soli ja Luna API hindu 50% võrreldes nende GPT‑5.6 soodushindadega. Koos muudavad need täiustused kõrgtasemel tehisaru praktiliseks rohkemate igapäevaste ülesannete ja suuremahuliste rakenduste jaoks.
Mudel | Sisend | Väljund | Hinnalangus |
GPT‑6 Sol | $4 → $2 | $20 → $10 | 50% odavam |
GPT‑6 Luna | $0.20 → $0.10 | $1.20 → $0.50 | 50% odavam |
Hinnad kehtivad ühe miljoni tokeni kohta.
GPT‑6 Astra on jätkuvalt meie parim mudel kõigis valdkondades. Valige see, kui soovite parimaid tulemusi ega soovi kogemuse arvelt kompromisse teha.
GPT‑6 Sol ja Luna täiustavad teile juba tuttavate mudelite nutikust ja kulutõhusust võimekustes, mis on keeruka töö tegemiseks kõige kasulikumad.
GPT‑6 Sol saab hakkama keerukate tööülesannetega, pakkudes suuremate kasutuspiirangute ja väiksemate kulude toel rohkem katsetamisruumi ning võrreldava hinnaga konkurentide mudelitest suuremat nutikust ja paremaid tulemusi.
Rakendusteüleseid äriprotsesse hindavas testis AutomationBench edestab väga suure pingutustasemega GPT‑6 Sol maksimaalse pingutustasemega Claude Opus 5 mudelit, makstes ülesande kohta vaid 9% Opus 5 kulust. Suure pingutustaseme korral ületab GPT‑6 Luna oma eelkäijat 5,4 protsendipunktiga, makstes ülesande kohta 58% vähem.
Testis AutomationBench 1.0.6(avaneb uues aknas) hinnatakse AI-agente terviklike töövoogude põhjal, kasutades 47 müügi-, turundus-, tegevus-, tugi-, finants- ja personalitööriista. Claude Fable 5.1 andmepunkt näitab tegelikust väiksemat kulu, sest ei hõlma Opus 5 varumudeli kulu. Varumudelit kasutati ligikaudu 40% ülesannete puhul.
GPT‑6 Sol ületab palju väiksema kulu juures ka Claude Fable 5.1 mudelit ning edestab isegi väikese pingutustasemega GPT‑6 Astrat.
Mudel (ja pingutustase) | Tulemus | Kulu ülesande kohta |
|---|---|---|
GPT‑6 Sol (Väga kõrge) | 33.2% | $0.27 |
GPT‑6 Astra (Madal) | 30.3% | 3.9× GPT‑6 Sol |
Claude Opus 5 (Max) | 26.9% | 11.1× GPT‑6 Sol |
Claude Fable 5.1 koos Opus 5 varumudeliga (Max) | 31.4% | >8.9× GPT‑6 Sol (varumudeli kulu pole avaldatud) |
Keerukates professionaalsetes töövoogudes agente hindavas testis Agents’ Last Exam saavutab maksimaalse pingutustasemega GPT‑6 Sol 56,4% tulemuse, ületades Claude Opus 5 parimat tulemust selles hindamises, kuid makstes ülesande kohta 60% vähem.
Testis Agents’ Last Exam V1(avaneb uues aknas) hinnatakse AI-agente pikaajaliste ja majanduslikult väärtuslike ülesannete põhjal 55 allharus, mis hõlmavad enamikku peamisi arvutis tehtava professionaalse töö valdkondi.
Vastuse kasulikkus sõltub faktide õigsusest ning me parandame jätkuvalt faktitäpsust. Meie sisemises faktitäpsuse hindamises, mis põhineb anonüümitud tegelikel vestlustel, kus kasutajad märkisid meie mudelite vigu, teeb GPT‑6 Sol eelkäijast umbes poole vähem vigu, lähenedes palju väiksema kulu juures Astra töökindlusele. Ka GPT‑6 Luna on märgatavalt parem: suurema pingutustaseme korral võrdub see GPT‑5.6 Soliga, kuid maksab sellest ligikaudu sada korda vähem.
Siin hindame faktitäpsust anonüümitud ChatGPT vestlustes, kus kasutajad olid märkinud varasema mudeli faktivea. Need vigu esile kutsuvad vestlused ei kajasta tavakasutust, kus faktivigu esineb harvemini. Tulemusi ei ole vastuse pikkuse suhtes ühtlustatud, kuid meie eri sõnaohtrusega katsed näitasid, et tulemus peaaegu ei sõltu vastuse pikkusest.
Sel aastal on programmeerimisagendid hakanud lahendama keerukamaid, mahukamaid ja pikemaid ülesandeid kui kunagi varem. OpenAI sisekasutus on kasvanud eksponentsiaalselt. API hindade järgi arvestatuna on igapäevase tokenikasutuse väärtus ületanud mediaanteaduri puhul 600 dollarit ja 90. protsentiili teaduri puhul 7000 dollarit („Teadustöö kiirendamine: vaade OpenAI seest“). Kuna programmeerimisagendid võtavad ette pikemaid ja nõudlikumaid ülesandeid, muutub pideva kasutamise hind üha olulisemaks. GPT‑6 Sol ja Luna ühendavad tugeva programmeerimisvõimekuse madalamate API hindadega, andes arendajatele rohkem katsetamisruumi ja meeskondadele kindluse usaldada Codexile ambitsioonikamaid ülesandeid.
Testis FrontierCode, mis hindab, kas programmeerimisagentide muudatused on valmis tegeliku koodibaasiga liitmiseks, ületab GPT‑6 Sol märgatavalt GPT‑5.6 Soli ja saavutab palju väiksema kulu juures väga suure pingutustasemega Claude Fable 5.1-ga võrdse tulemuse.
Testis FrontierCode 1.1 Main(avaneb uues aknas) kirjutavad AI-agendid koodi, mida hinnatakse peale õigsuse ka „liidetavuse“ alusel, näiteks testide kvaliteedi, ulatuse distsipliini, koodistiili ja koodibaasi standardite järgimise järgi.
Testis DeepSWE v1.1, mis mõõdab võimekust tegelike koodibaaside keerukates tarkvaraarendusülesannetes, saavutab maksimaalse pingutustasemega GPT‑6 Sol 68,8% tulemuse. See jääb Claude Fable 5 parimast tulemusest selles hindamises — 69,9% väga suure pingutustaseme korral — vaid 1,1 protsendipunkti kaugusele, kuid maksab ülesande kohta ligikaudu 80% vähem.
Maksimaalse pingutustasemega GPT‑6 Luna saavutab 66,6% tulemuse, mis on võrreldav keskmise pingutustasemega Claude Opus 5 ja Fable 5 tulemustega. Nendes võrdlustes maksab Luna ülesande kohta 93% vähem kui Opus 5 ja 96% vähem kui Fable 5.
Testis DeepSWE 1.1(avaneb uues aknas) lahendavad AI-agendid algupäraseid pikaajalisi tarkvaraarendusülesandeid.
GPT‑6 Astra on endiselt maailma parim arvutikasutuse mudel, kuid GPT‑6 Sol ja Luna on oma eelkäijatest kulutõhusamad. Testi OSWorld 2.0 võrguühenduseta andmestikus saavutab väga suure pingutustasemega GPT‑6 Sol keskmise pingutustasemega Claude Opus 5-ga sarnase tulemuse — 60,5% võrreldes 60,3%-ga —, kuid maksab ülesande kohta ligikaudu 80% vähem. GPT‑6 Luna (Max) ületab GPT‑5.6 Soli (Keskmine), makstes sellest kümme korda vähem.
Testis OSWorld 2.0(avaneb uues aknas) proovivad AI-agendid läbida pikaajalisi arvutikasutuse töövooge, mis hõlmavad igapäevaseid ja professionaalseid ülesandeid. Esitame versiooni v2026.08.08 võrguühenduseta andmestiku osalise tasu.
Oleme toonud GPT‑6 Astra täiustatud suhtlusstiili ka Soli ja Lunasse ning arvame, et seda märkab eriti tehnilistes ja programmeerimisvestlustes. Vastused on selgemad, sisaldavad vähem erialaslängi, veidraid väljendeid ja väheväärtuslikke üksikasju ning on üldiselt veidi lühemad, kaotamata sisukust.
Kuigi stiil on subjektiivne, eelistame siin GPT‑6 Soli vastust. See ei tee nii kiiresti ennatlikke järeldusi, kulutab vähem aega küsijale tõenäoliselt ilmselgete üksikasjade kordamisele (näiteks et veebisaidil on neli lehte), kasutab vähem ebamäärast keelt (näiteks „bento-laadne mulje“, „selle süsteemi järgi ümberkujundamine“), ütleb avatumalt, mida kontrollis ja mida mitte, ega jaga tarbetult tehnilisi rakendusüksikasju, nagu pilditööriista viip.
Lisaks madalamatele tokenihindadele aitame GPT‑6 rakendusi loovatel arendajatel rohkem säästa ka rakenduste korduskasutatava konteksti pealt. Täiustasime GPT‑6 viipade vahemällu salvestamist, et suurendada vaikimisi vahemälu tabamusmäära. Nii saavad agendid rohkem konteksti korduskasutada, kiiremini vastata ja kasutada vahemällu salvestatud sisendtokenite lugemisel 90% allahindlust.
Arendajatel on nüüd rohkem võimalusi vahemälu jõudluse mõõtmiseks ja optimeerimiseks.
Jälgige ja diagnoosige. Viipade vahemällu salvestamise juhtpaneel(avaneb uues aknas) näitab vahemällu salvestatud sisendi mahtu ja selle muutumist ajas. Diagnostikatööriist(avaneb uues aknas) aitab selgitada kasutamata vahemällu salvestamise võimalusi ja näitab, mida parandada.
Muutke arutluse pingutustaset ja tööriistade saadavust vahemälu rikkumata. Suurendage keerukamate ülesannete jaoks arutluse pingutustaset(avaneb uues aknas) või vähendage seda lihtsamate jätkuküsimuste puhul ning lubage või keelake tööriistu(avaneb uues aknas) vastavalt agendi muutuvatele vajadustele. Mõlemad juhtelemendid säilitavad nüüd varasema konteksti vahemälus korduskasutamiseks.
Optimeerige vahemällu salvestatavate prefiksite valikut. Selgelt määratud katkestuspunktid võimaldavad arendajatel valida, kus vahemällu salvestatud viibaprefiksid lõpevad. See annab arendajatele vahemälu korduskasutuse üle suurema kontrolli ja võib jõudlust parandada.
GitHubi andmetel on need täiustused viimaste kuude jooksul vähendanud uut töötlust vajavate viibatokenite osakaalu enam kui 50% võrra miljardite OpenAI mudelitele saadetud päringute lõikes, aidates Copilotil kiiremini vastata.
GPT‑6 Sol ja Luna tuginevad meie seni kõige paremini joondatud mudeli Astraga alustatud joondamistööle. Meie joondatuse hindamistes on nii Sol kui ka Luna oma GPT‑5.6 versioonidest paremad, sealhulgas esitavad nad programmeerimistöö kohta harvemini eksitavaid väiteid.
Alltoodud hindamised testivad teadlikult keerulisi olukordi ega mõõda vigade määra tavakasutuses. Täielikke tulemusi vaadake süsteemikaardilt(avaneb uues aknas).
GPT‑6 Sol ja GPT‑6 Luna on alates tänasest ChatGPT Workis ja Codexis saadaval kõigile Plus-, Pro-, Business-, Enterprise- ja Edu-kasutajatele. Free- ja Go-kasutajad saavad GPT‑6 Lunat kasutada töölauarakenduses. Need mudelid pole veel Chatis saadaval. OpenAI API-s on need saadaval nimedega gpt-6-sol ja gpt-6-luna.
Teenuse stabiilsuse tagamiseks plaanime need mudelid päeva jooksul järk-järgult ChatGPT kasutajateni tuua. Kui te uusi mudeleid ChatGPT Workis või Codexis ei näe, proovige hiljem uuesti.
GPT hindamised tehti meie uurimiskeskkonnas või API kaudu. Süsteemiviipade, saadaolevate tööriistade ja muude erinevuste tõttu võivad sealsed väljundid tootmiskeskkonna ChatGPT omadest veidi erineda. Konkurentide mudelite hindamistulemused pärinevad avalikest aruannetest. Kui Claude Fable 5.1 tulemused polnud saadaval, kasutasime Claude Fable 5 tulemusi.
