معرفی GPT-6.2 Astra و Sol
استانداردی تازه برای کار حرفهای
در ChatGPT Work امتحان کنید(در یک پنجره جدید باز میشود)GPT‑6.2 Astra، مدل پیشروی جدیدمان برای دشوارترین پروژههای شما، و GPT‑6.2 Sol، مدل کارآمد و چندمنظورهمان برای کارهای روزمره را معرفی میکنیم. هر دو مدل در کارهای دشوار با توکنهای خروجی کمتر، نتایج بهتری ارائه میدهند؛ بنابراین میتوانید در محدوده سقف استفاده خود، کارهای بیشتری انجام دهید. برای کسبوکارها و توسعهدهندگان، این یعنی عملکرد پیشرو با هزینههایی که در مقیاس بزرگ هم بهصرفهاند.
GPT‑6.2 Astra معیار تازهای برای کیفیت هوش مصنوعی در کارهای حرفهای پیچیده تعیین میکند. اسلایدها، صفحهگستردهها و اسناد آن کمتر حالوهوای محتوای تولیدشده با هوش مصنوعی دارند و بیشتر از قالبهای ارائهشده و رویههای رایج حوزهٔ کاری شما پیروی میکنند. کد تمیزتری مینویسد و فرانتاندهایی با ظاهر و عملکرد بهتر میسازد، بهویژه برای وبسایتها، بازیها و طراحی سهبعدی.
در Agents’ Last Exam، که کارهای حرفهای چندمرحلهای را میسنجد، GPT‑6.2 Astra رکورد تازهای ثبت میکند: امتیازی ۵٫۲ واحد بالاتر از GPT‑6 Astra با کمتر از یکسوم هزینه، و ۵٫۵ واحد بالاتر از Claude Fable 5.2 با تنها ۵٪ هزینه آن.
Agents’ Last Exam مدلها را در گردشکارهای حرفهای طولانیمدت ارزیابی میکند. نتایج Fable 5.2 در جدول رتبهبندی آن، نُه کاری را که در آنها از مدل جایگزین استفاده شده است، شامل نمیشود.
معتقدیم GPT-6.2 Astra بهترین مدل جهان برای دانشمندان است. این مدل در Terminal-Bench-Science 0.1، که توانایی مدلها را در انجام کارهای علمی در ترمینال میسنجد، رکورد تازهای ثبت میکند. GPT-6.2 Astra با کمتر از یکسوم هزینه GPT-6 Astra، امتیازی ۹ واحد درصد بالاتر کسب میکند. همچنین در Vals Science Index رکورد تازهای ثبت میکند؛ این ارزیابی از مدلها میخواهد دادههای واقعی زیستی را تفسیر کنند و با اجرای آزمایشها، نحوه کار یک سیستم شبیهسازیشده را استنباط کنند.
در API، قیمت توکنهای ورودی و خروجی GPT‑6.2 Astra نسبت به GPT‑6 Astra بیست درصد کمتر است و ورودی ذخیرهشده در حافظه نهان نیز ۶۰٪ تخفیف دارد (بهازای هر یک میلیون توکن: ۸ دلار برای ورودی، ۰٫۴۰ دلار برای ورودی ذخیرهشده در حافظه نهان و ۴۰ دلار برای خروجی). قیمت توکنهای GPT‑6.2 Sol در API همان قیمتهای GPT‑6.1 Sol باقی میماند. در چندین معیار ارزیابی، هر دو مدل با صرف تنها بخش کوچکی از هزینه هر کار، به عملکرد دیگر مدلهای پیشتاز نزدیک میشوند یا از آنها بهتر عمل میکنند.
GPT-6.2 Sol: انتخاب اول ما برای کارهای روزمره
GPT‑6.2 Sol نسبت به GPT‑6.1 Sol هوشمندتر و کارآمدتر است و به شما امکان میدهد با همان اشتراک پولی، کارهای بیشتری به پایان برسانید. گردشکارهای عاملمحور چندمرحلهای را با قدرت پیش میبرد، روشن و طبیعی مینویسد و همکاری با آن آسان و سرراست است. بسیاری از کارکنان OpenAI آن را مدل پیشفرض خود برای کارهای فنی و غیرفنی قرار دادهاند.
در FrontierCode 2.0 شرکت Cognition، امتیاز GPT‑6.2 Sol با حدود یکپنجم هزینه، تنها ۰٫۵ واحد با GPT‑6.2 Astra فاصله دارد (هر دو در سطح Max).
FrontierCode 2.0 ارزیابی میکند که آیا تغییرات اعمالشده در پایگاههای کد واقعی، معیارهای نگهدارندگان آنها برای ادغام را برآورده میکنند.
سرعت و هوش این مدل همچنین آن را به گزینهای ایدئال برای کارهای مهمی تبدیل میکند که افراد خارج از محیط کار برای انجامشان به هوش مصنوعی روی میآورند. در ارزیابی LifeVal که بهتازگی منتشر کردهایم و عملکرد مدلها را در کارهای چالشبرانگیز روزمره میسنجد، GPT‑6.2 Sol با حدود یکهفتم هزینه GPT‑6 Astra، امتیاز بالاتری کسب میکند.
LifeVal میسنجد که مدلها تا چه حد از عهدهٔ کارهای روزمرهٔ متناسب با نیازهای فرد برمیآیند؛ مانند تهیهٔ فهرست کوتاهی از مهدکودکها پس از اسبابکشی، یافتن خانهای متناسب با بودجه و رفتوآمد خانواده، یا برنامهریزی وعدههای غذایی برای پدر یا مادری که در حال سازگار شدن با تشخیص یک بیماری جدید است.
خروجیهای حرفهای مطابق با استانداردهای صنعت
GPT‑6.2 Astra را آموزش دادهایم تا اسلایدها، صفحهگستردهها و اسنادی واضحتر و با طراحی بهتر تولید کند که با شیوههای رایج میان متخصصان حوزههایی مانند حقوق، فروش، امور مالی و حسابداری سازگارتر باشند. نوشتهها صریحتر و مشخصترند و نتیجهگیریهای کلی و مطالب زائد کمتری دارند.
Harvey LAB‑AA v1.1 با استفاده از تکالیف حقوقی میسنجد که آیا مدلها میتوانند واقعیتهای مرتبط را از میان اسناد منبع پیدا کنند، آنها را برای پاسخ به شرح کار مفصل به کار بگیرند و خروجی دقیقی تهیه کنند که همه الزامات را برآورده کند. GPT‑6.2 Astra بهترین عملکرد ثبتشده را به سطح تازهای میرساند و با حدود یکششم هزینه Claude Fable 5.2، به نرخ موفقیتی بیش از دو برابر آن دست مییابد. OpenAI برای امور حقوقی، نسخه پیکربندیشده GPT-6.2 Astra برای وکلا، در این معیار ارزیابی امتیاز بالاتری هم کسب میکند.
Harvey LAB‑AA کارهای حقوقی مانند بررسی مفاد قرارداد را میسنجد. در امتیاز اصلی آن، تنها زمانی امتیاز تعلق میگیرد که خروجی همه معیارهای نمرهدهی را برآورده کند و هیچ توهم مهم و اثرگذاری نداشته باشد.
معیار ارزیابی داخلی ما، GDPval v2، نسخه بعدی GDPval است که گردشکارهای پیچیده و طولانیمدت برگرفته از پروژههای واقعی در بخشهایی مانند مشاوره، امور مالی و طراحی را میسنجد. GPT‑6.2 Astra در میان مدلهایی که آزمودیم پیشتاز است؛ امتیاز آن نسبت به GPT‑6 Astra به میزان ۶٫۲ واحد درصد بالاتر رفته، درحالیکه ۲۲٪ توکن خروجی کمتر مصرف میکند. امتیاز GPT‑6.2 Sol نسبت به GPT‑6.1 Sol به میزان ۵٫۳ واحد بهبود یافته است.
GDPval v2 شامل تکالیف طولانیمدتِ کار دانشی برگرفته از پروژههای واقعی در بخشهایی مانند امور مالی، علم داده، زیستفناوری و بازاریابی است.
کارپوشهها و یادداشتها
ساخت یک کارپوشه ارزشگذاری یا نوشتن یادداشت سرمایهگذاری با یافتن ارقام مرتبط در فایلهای منبع و مشخصکردن ارتباط آنها با یکدیگر آغاز میشود. AA‑AnalystAgent از Artificial Analysis این کار را با استفاده از صفحهگستردهها و گزارشهای واقعی میسنجد. در یکی از تکالیف، مدلها با استفاده از گزارشهای هزینه Medicaid کالیفرنیا محاسبه میکنند که این برنامه چه مبلغی را صرف حملونقل پزشکی کرده است. GPT‑6.2 Astra با پاسخ درست به ۶۲٫۵٪ پرسشها در هر پنج تلاش مستقل، رکورد تازهای ثبت میکند.
ارائههای اسلایدی
GPT‑6.2 Astra تاکنون بهترین مدل ما در طراحی اسلاید و پیروی از قالبهای اسلاید است؛ چه فایل اصلی را دریافت کند، چه حتی یک تصویر از صفحه. میتواند چیدمان، رنگها و تایپوگرافی را حتی تا اندازهٔ دقیق قلم بازسازی کند و سبک نگارش قالب را در اسلایدهای جدید ادامه دهد. آزمایشکنندگان اولیه دریافتند که این ارائهها با ویرایش کمتر، آسانتر آمادهٔ استفادهٔ مستقیم میشوند؛ زیرا عنوانها پیام اصلی را بیان میکنند و متن موجز اسلایدها بر جزئیات موردنیاز خوانندگان متمرکز است.
کار با رایانه و طراحی تعاملی وب
دقت بیشتر GPT‑6.2 Astra در کار با رایانه به آن اجازه میدهد در ابزارهای CAD و شبیهسازی، تا سطح تکتک قطعات و اتصالات کار کند. مهندسان میتوانند با این جزئیات بیشتر، نحوهٔ جفتشدن قطعات را بررسی کنند، ببینند بارها هنگام حرکت طرح چگونه جابهجا میشوند و پیش از ساخت نمونهٔ اولیه، اصلاحات را آزمایش کنند.
شبیهسازی رانندگی
از GPT‑6.2 Astra خواستیم دینامیک شاسی یک خودرو را در جادهای کوهستانی به تصویر بکشد. Astra مدل سهبعدی را ساخت و یک حلگر Python برای شبیهسازی دینامیک پیچیدهٔ میان لاستیکها و سیستم تعلیق نوشت، سپس نتایج را در Blender پویانمایی کرد. این کار به مهندسان امکان میدهد طرحهای جدید را سریع آزمایش کنند و دقت شبیهسازی را بهمرور بهبود دهند.
طراحی مکانیکی و مونتاژ
GPT‑6.2 Astra میتواند یک سیستم مکانیکی را قطعهبهقطعه مدلسازی کند و به مهندسان امکان دهد نحوه مونتاژ آن را نشان دهند و تأثیر تغییرات طراحی بر رفتار آن را بیازمایند.
از CAD تا چراغ کاغذی
تیم ما با استفاده از GPT‑6.2 Astra، بالکنهای کنگرهدار برجهای مارینا سیتی شیکاگو را مبنای طراحی یک چراغ قرار داد. این ویدئو مسیر طراحی را از عکسهای مرجع و اصلاحات در CAD تا ساخت یک چراغ واقعی که با دست مونتاژ میشود، دنبال میکند. میتوانید با استفاده از سایتی که GPT-6.2 Astra ساخته است، چراغ کاغذی خودتان را بسازید.
GPT‑6.2 Astra با استدلال بصری قویتر به طراحی وب میپردازد؛ چیدمانها و تصاویری را انتخاب میکند که به هر سایت ظاهری متمایز میدهند و عناصر آن را بر اساس هدف واقعی سایت میسازد.
این پیشرفتها در استدلال بصری و کار با رایانه، به طراحی سهبعدی هم راه یافتهاند. GPT‑6.2 Astra و Sol میتوانند یک شرح کار مکتوب را به تجربهای تعاملی در مرورگر تبدیل کنند؛ از میز پینبالی که میتوانید با آن بازی کنید تا بازسازی کولوسئوم که میتوانید از زاویههای مختلف در آن کاوش کنید. در AA‑3D از Artificial Analysis، داوران انسانی دو تجربه ساختهشده با یک اعلان یکسان را، بدون اطلاع از مدل سازنده، امتحان میکنند و به گزینهای که ترجیح میدهند رأی میدهند. GPT‑6.2 Astra با امتیاز الوی ۱٬۳۱۸ در رتبه نخست قرار دارد و پس از آن Claude Fable 5.2 با ۱٬۲۷۱ و GPT‑6.2 Sol با ۱٬۲۵۹ قرار میگیرند.
گردشکارهای کارآمد با سبک کدنویسی تمیزتر
GPT‑6.2 Astra دربارهٔ نحوهٔ اجرای کار بهتر تصمیم میگیرد؛ از جمله در انتخاب ابزارها و میزان تلاش متناسب با گردشکار، و تشخیص اینکه چه زمانی از افزونهها و چه زمانی از کار با رایانه استفاده کند.
در کدنویسی، GPT-6.2 Astra در پیادهسازی و آزمایش تغییرات پیچیده در پایگاههای کد موجود بهتر عمل میکند. آزمایشکنندگان اولیه از سبک کدنویسی تمیزتر و آزمونهای هدفمندتر، با دورهای اصلاح کمتر خبر دادند.
قابلیتهای امنیت سایبری
GPT‑6.2 Astra و GPT-6.2 Sol جهش مهم دیگری در قابلیتهای سایبری به شمار میروند. آنها آسیبپذیریها را مؤثرتر پیدا میکنند و از آنها بهرهبرداری میکنند، کد امنتری مینویسند و وصلههای بهتری تولید میکنند؛ ضمن اینکه در چندین ارزیابی، بهرهوری توکن آنها بهطور چشمگیری افزایش یافته است. مانند GPT‑6 Astra، مدلهای 6.2 Astra و Sol بر اساس چارچوب آمادگی ما به آستانهٔ «بحرانی» در امنیت سایبری میرسند.
با توجه به افزایش تواناییهای GPT‑6.2 Astra و Sol، آنها را با تدابیر حفاظتی سختگیرانهتری برای کمکهای پرخطرتر در حوزه امنیت سایبری عرضه میکنیم. این تدابیر خطر سوءاستفاده را کاهش میدهند، اما برخی گردشکارهای مشروع پژوهش آسیبپذیری و آزمون امنیت را نیز محدود میکنند. از طریق OpenAI Daybreak، مدافعان سایبری در حال حاضر میتوانند علاوه بر نسخه آلفای GPT-6 Astra، در Daybreak Blue به GPT‑6 Sol با موارد کمترِ خودداری از پاسخگویی به درخواستهای سایبری دسترسی داشته باشند و در Daybreak Red نیز برای آزمونهای امنیتی پیشرفته و دارای مجوز، از GPT‑6 Cyber استفاده کنند. برای فراهمکردن دسترسی به مدلهای GPT‑6.2 در Daybreak تلاش خواهیم کرد.
در ادامه، نتایج کلیدی بنچمارکها را برجسته میکنیم؛ این نتایج با پیکربندیهای آزمون داخلی و با غیرفعال بودن تدابیر حفاظتی و طبقهبندهای امنیت سایبری به دست آمدهاند. برای نتایج کامل و روششناسی، به کارت سیستم همراه(در یک پنجره جدید باز میشود) مراجعه کنید.
ایجاد برتری برای مدافعان سایبری
توسعهدهندگان برای نوشتن نرمافزارهای عملیاتی، بیشازپیش به عاملهای کدنویسی تکیه میکنند؛ همزمان، عاملهای توانمندتر یافتن و بهرهبرداری از آسیبپذیریها را آسانتر میکنند. PHP2Shell(در یک پنجره جدید باز میشود) نشان داد هوش مصنوعی چگونه میتواند به پژوهشگران در کشف نقصهای بحرانی کمک کند. در GPT‑6.2 Astra و Sol، قابلیتهای دفاعی را محور اصلی قرار دادیم و سیگنالهای آموزشی جدیدی معرفی کردیم تا به توسعهدهندگان در پیشگیری و رفع این نقصها کمک کنیم: نوشتن کد امن از همان ابتدا و تولید وصلههایی که رفتار موردنظر را حفظ میکنند.
ایمنی و همراستایی
GPT-6.2 Astra و Sol را با قویترین تدابیر حفاظتی خود تا به امروز عرضه میکنیم. محدودیتها را سختگیرانهتر و سیستمهای مورد استفاده برای پایش مدلها و مداخله در صورت نیاز را تقویت کردهایم.
همانند GPT-6 Astra، هر دو مدل GPT-6.2 Astra و Sol علاوه بر رسیدن به آستانه «بحرانی» در امنیت سایبری، طبق چارچوب آمادگی ما به آستانه «بالا» در تواناییهای زیستی و شیمیایی نیز میرسند. برای کاهش خطرات مرتبط، تدابیر حفاظتی را پیادهسازی کردهایم و همزمان محدودیتها را بر مجموعهای از درخواستهای زیستی و امنیت سایبری با کاربرد دوگانه بالقوه افزایش دادهایم.
جزئیات بیشتر دربارهٔ تدابیر حفاظتی و آزمونهای ما در کارت سیستم GPT-6.2(در یک پنجره جدید باز میشود) موجود است.
قابلیتهای پژوهش هوش مصنوعی و تدابیر حفاظتی
GPT-6.2 Astra نخستین مدل ماست که خارج از سازمان عرضه شده و به آستانه «بالا» در خودبهبودی هوش مصنوعی میرسد؛ این معیار، توانایی مدل را در شتاببخشیدن به پژوهش هوش مصنوعی میسنجد. ردهبندی «بالا» نشاندهنده این ارزیابی ماست که اثرگذاری مدل، در مقایسه با وضعیت پایه پژوهشگران در سال ۲۰۲۴، معادل آن است که به هر پژوهشگر OpenAI یک مهندس پژوهشی بسیار توانمند دیگر بهعنوان دستیار اختصاص دهیم. ما این توانایی را رصد میکنیم، زیرا مدلهایی که میتوانند به توسعه سیستمهای هوش مصنوعی آینده کمک کنند، ممکن است خطرات تازهای نیز برای ایمنی ایجاد کنند؛ مانند شتابدادن به پیشرفت با سرعتی فراتر از توان سازگاری تدابیر حفاظتی یا نظارت انسانی.
برای مقابله با این خطرات، نظارت و کنترلهای بیشتری را در شیوه آموزش و استقرار مدلهایمان گنجاندهایم. پیش از گسترش دسترسی داخلی به GPT-6.2 Astra، همسویی آن را ارزیابی کردیم و در هر مرحله از برقرار بودن تدابیر حفاظتی لازم اطمینان یافتیم. ما تمهیدات محصورسازی را در محیطهای پژوهشی خود تقویت کردیم و این تدابیر حفاظتی را با توانمندترین مدلهایمان آزمودیم. همچنین Control Room را ساختیم؛ سیستمی که بارهای کاری پژوهشی را ردیابی میکند و میتواند هنگام نیاز به مداخله، تولید خروجی بیشتر از سوی مدل را متوقف کند. نظارت گسترشیافته ما، استدلال و اقدامات مدلها را در بارهای کاری داخلی و استقرارهای خارجیِ پشتیبانیشده بررسی میکند. این سیستم میتواند رفتار غیرمجاز را بهطور خودکار علامتگذاری کند و در مواردی که پشتیبانی میشود، بارهای کاری یا گفتگوها را موقتاً متوقف کند.
همراستایی
هر دو مدل در بیشتر ارزیابیهای همراستایی، عملکردی مشابه GPT-6 Astra داشتند و در کارهای شبیهسازیشدهٔ محیط کار، اقدامات نادرست کمتری انجام دادند. بااینحال، در دو آزمون بیشتر احتمال داشت به موانعی که کارشان را متوقف کرده بود اشاره نکنند؛ مانند نبودن فایل یا در دسترس نبودن ابزار جستوجو. دستورالعملهایی به Codex افزودیم که این مواردِ اشارهنکردن را بهطور چشمگیری کاهش میدهند و همچنان در حال بررسی این رفتار هستیم.
قیمتگذاری و دسترسی
از امروز، GPT-6.2 Astra و Sol در ChatGPT Work و Codex برای همهٔ کاربران Plus، Pro، Enterprise و Edu در دسترساند. مشترکان Pro 500 میتوانند از Ultrafast با هر دو مدل استفاده کنند. همچنین برای نخستین بار Ultrafast را برای مشترکان Pro 200 نیز ارائه میکنیم و این کار را با GPT-6.2 Sol آغاز میکنیم. کاربران واجد شرایط Enterprise و Edu نیز پس از فعالسازی توسط مدیر فضای کاری، همین دسترسی را خواهند داشت. توسعهدهندگان نیز میتوانند از طریق API شرکت OpenAI به gpt-6.2-astra و gpt-6.2-sol دسترسی داشته باشند؛ Ultrafast از زمان عرضه برای هر دو مدل در دسترس است.
هزینه هر کار با GPT‑6.2 Astra بهطور چشمگیری کمتر از GPT‑6 Astra است؛ این کاهش حاصل بهرهوری بهتر در مصرف توکن، تخفیف ۲۰ درصدی توکنهای ورودی و خروجی و تخفیف بیشترِ ۶۰ درصدی توکنهای ورودی ذخیرهشده در حافظه نهان است. نرخهای استاندارد API بهازای هر یک میلیون توکن، ۸ دلار برای ورودی، ۰٫۴۰ دلار برای ورودی ذخیرهشده در حافظه نهان و ۴۰ دلار برای خروجی است. GPT‑6.2 Sol نرخهای GPT‑6.1 Sol را حفظ میکند: بهازای هر یک میلیون توکن، ۲ دلار برای ورودی، ۰٫۱۰ دلار برای ورودی ذخیرهشده در حافظه نهان و ۱۰ دلار برای خروجی.
برای GPT-6.2 Astra و Sol، بهمنظور بهبود استفادهٔ مجدد از حافظهٔ نهان، کمک به کاهش هزینه و تأخیر و حفظ استدلال میان نوبتها، توصیه میکنیم پیشوندهای اعلان را بدون تغییر نگه دارید و دستورالعملهای جدید را به انتهای گفتگو اضافه کنید(در یک پنجره جدید باز میشود).
نویسنده
Footnotes
- 1
نتایج Fable 5.2 در Terminal-Bench-Science 0.1 مطابق گزارش Artificial Analysis(در یک پنجره جدید باز میشود) در چارچوب آزمون mini-swe-agent است. Anthropic امتیاز Fable 5.2 را با بیشترین میزان استدلال در Claude Code برابر با ۷۴٫۶٪ گزارش کرده است.



