GPT-6.1Sol

GPT-۶.۱ Sol را معرفی می‌کنیم؛ ارتقایی برای GPT-۶ Sol که در کد نویسی عامل محور، کار با رایانه و کارهای حرفه‌ای، با یک پنجم قیمت استاندارد توکن‌های ورودی و خروجی Astra، تقریباً با هوشمندی GPT-۶ Astra برابری می‌کند. هزینهٔ ورودی ذخیره شده در حافظهٔ نهان فقط ۰.۱۰ دلار به ازای هر یک میلیون توکناست؛ ۹۵٪ کمتر از قیمت استاندارد ورودی و ۵۰٪ کمتر از قیمت ورودی ذخیره شده در حافظهٔ نهان GPT-۶ Sol. این امر به توسعه دهندگان امکان بیشتری می‌دهد تا عامل‌های توانمندی ساخته و اجراء کنند که زمینه را در درخواست‌های مختلف دوباره استفاده می‌کنند.

Sol توانمندتر در انجام وظایف گوناگون

GPT-۶.۱ Sol برای کارهای مهم روزمره، توازن تازه‌ای میان توانمندی و هزینه ارائه می‌کند. این مدل در کارهای حرفه‌ای پیچیده، از نوشتن و اشکال زدایی کد تا درک اسناد و اجرای گردش کارهای چند مرحله‌ای کسب و کار، نسبت به GPT-۶ Sol پیشرفت چشمگیری دارد. در چندین مورد از این ارزیابی‌ها، با هزینه‌ای به مراتب کمتر به عملکرد GPT-۶ Astra نزدیک می‌شود.

کدنویسی

در DeepSWE v1.1 که وظایف پیچیدهٔ مهندسی نرم‌افزار را در پایگاه‌های کد واقعی ارزیابی می‌کند، GPT-6.1 Sol با حدود یک‌پنجم هزینه به عملکرد GPT-6 Astra می‌رسد. همچنین با تلاش استدلالی و هزینهٔ کمتر، بهترین امتیاز GPT-6 Sol را ۶٫۴ واحد درصد پشت سر می‌گذارد.

کارهای حرفه‌ای

در GDP.pdf که دقت پاسخ مدل‌ها به پرسش‌های حرفه‌ای با استفاده از اسناد پیچیدهٔ PDF، شامل جدول‌ها، نمودارها، طرح‌ها و جزئیات ریزنوشت را می‌سنجد، GPT-6.1 Sol در تنظیمات استدلالیِ آزمایش‌شده، با کمتر از نصف هزینهٔ هر وظیفه، امتیازی بالاتر از Opus 5.5 با گزینه‌های جایگزین کسب می‌کند. همچنین با حدود یک‌پنجم هزینهٔ هر وظیفه، به عملکرد برتر GPT-6 Astra نزدیک می‌شود.

در AutomationBench که تکمیل صحیح گردش‌کارهای چندمرحله‌ای کسب‌وکار توسط عامل‌ها را می‌سنجد، GPT-6.1 Sol در سطح تلاش استدلالی متوسط، با حدود یک‌سوم هزینه، ۲٫۲ واحد درصد بیشتر از Opus 5.5 امتیاز می‌گیرد. این امتیاز همچنین ۴٫۸ واحد درصد بالاتر از امتیاز GPT-6 Sol با همان تنظیمات است.

کار با رایانه

GPT-6.1 Sol در وظایفی که به تعامل با برنامه‌های رایانه‌ای نیاز دارند نیز پیشرفت چشمگیری داشته است. در مجموعهٔ آفلاین OSWorld 2.0 که عامل‌ها را در گردش‌کارهای دشوارِ کار با رایانه ارزیابی می‌کند، GPT-6.1 Sol با حداکثر تلاش استدلالی و کمتر از نصف هزینه، هفت واحد درصد بهتر از GPT-6 Sol عمل می‌کند. با حداکثر تلاش استدلالی، فاصلهٔ امتیاز آن با Astra به ۲٫۱ واحد درصد می‌رسد، درحالی‌که هزینهٔ هر وظیفه حدود یک‌هفتم است.

پژوهش علمی

در Terminal-Bench Science 0.1 که گردش‌کارهای علمی شامل تحلیل داده، شبیه‌سازی و اثبات قضیه را ارزیابی می‌کند، GPT-6.1 Sol با حداکثر تلاش استدلالی و کمتر از نصف هزینهٔ هر وظیفه، بیش از دو برابر GPT-6 Sol امتیاز می‌گیرد. با حداکثر تلاش، هزینهٔ متوسط هر وظیفه برای GPT-6.1 Sol برابر با ۵٫۴۷ دلار است؛ در مقایسه با ۲۳٫۲۱ دلار برای Opus 5.5 و ۲۳٫۸۰ دلار برای Astra. به این ترتیب، توانمندی علمی چشمگیری با بیش از ۷۵٪ هزینهٔ کمتر نسبت به هر یک از این دو مدل ارائه می‌دهد.

GPT-6 Astra همچنان با امتیاز ۶۸٫۱٪ بالاترین امتیاز را در میان مدل‌های آزمایش‌شده دارد و برای دشوارترین وظایف پژوهش علمی باید از آن استفاده کرد.

صحت اطلاعات

GPT-۶.۱ Sol دقت اطلاعات در پاسخ به پرامپت‌های دشوار را نیز بهبود می‌بخشد. بیشترین بهبود آن در دقت اطلاعاتی نسبت به GPT-۶ Sol در سطح تلاش استدلالی پایین رخ می‌دهد؛ جایی که سهم پاسخ‌های دارای خطای اطلاعاتی را از ۱۱.۴٪ به ۷.۷٪ کاهش می‌دهد—کاهشی حدود ۳۲٪. در تنظیمات تلاش استدلالیِ آزموده شده، نرخ خطای آن با هزینهٔ هر وظیفه کمتر از یک پنجم، حداکثر ۱.۹ واحد درصد با GPT-۶ Astra فاصله دارد.

این ارزیابی، سهم پاسخ‌های دارای دست‌کم یک خطای اطلاعاتی را در گفتگوهای هویت‌زدایی‌شده‌ای می‌سنجد که در آن‌ها کاربران خطای مدل قبلی را گزارش کرده‌اند. این پرامپت‌ها عمداً دشوار انتخاب شده‌اند و نمایندهٔ استفادهٔ معمول نیستند.

عرضهٔ ایمن GPT-6.1 Sol

GPT-6.1 Sol در ارزیابی‌های همسویی ما نسبت به GPT-6 Sol پیشرفت چشمگیری نشان می‌دهد و به GPT-6 Astra نزدیک‌تر می‌شود.

GPT-۶.۱ Sol دربارهٔ محدودیت‌های خود شفاف‌تر است و در رعایت قصد کاربر و محدودیت‌های ایمنی قابل اعتمادتر عمل می‌کند. در ارزیابی‌های چالش برانگیز، نرخ شکست آن در شفافیت دربارهٔ خرابی ابزارهای جستجو، رعایت محدودیت‌های صریح و پرهیز از پیامدهای غیر مجاز هنگام انجام وظایف عامل محور، کمتر از GPT-۶ Sol است. هیچ تلاشی برای دور زدن بازبین خودکار ایمنی مشاهده نکردیم؛ نتیجه‌ای مشابه GPT-۶ Astra و GPT-۶ Sol. جزئیات کامل در ضمیمهٔ کارت سیستم GPT-۶.۱ Sol⁠(در یک پنجره جدید باز می‌شود) موجود است.

ارزیابی‌های زیر عمداً شرایط چالش‌برانگیز را می‌آزمایند و نرخ شکست در استفادهٔ معمول را اندازه‌گیری نمی‌کنند.

قیمت و دسترسی

GPT-۶.۱ Sol از امروز در ChatGPT کار و Codex برای همهٔ کاربران Plus، Pro، Business، Enterprise و Edu در دسترس است. GPT-۶.۱ Sol هنوز در چت در دسترس نیست. توسعه دهندگان می‌توانند از طریق API OpenAI نیز با شناسهٔ gpt-۶.۱-sol به آن دسترسی داشته باشند. قیمت‌های استاندارد آن در API به ازای هر یک میلیون توکن عبارت‌اند از: ۲ دلار برای ورودی، ۰.۱۰ دلار برای ورودی ذخیره شده در حافظهٔ نهان و ۱۰ دلار برای خروجی. در روزهای آینده، GPT-۶.۱ Sol فوق سریع⁠ را نیز ارائه می‌کنیم که در Codex تا ۸ برابر سریع‌تر از سرعت استاندارد آن توکن تولید می‌کند.