Model ML با GPT‑5.6 Sol امور مالی را کارآمدتر انجام میدهد
Model ML از GPT‑5.6 Sol برای ساخت فایلهای قابل ویرایش پاورپوینت و اکسل استفاده میکند و بهازای هر ارائه، ۲۱٪ توکن کمتر از Fable 5 مصرف میکند.
نتایج
۲۱٪
توکن کمتر بهازای هر ارائه پاورپوینت نسبت به Fable 5
نتایج
۱۶٫۶
واحد درصد برتری در آمادگی حرفهای نسبت به Opus 5
نتایج
۳۶٪
توکن کمتر بهازای هر فایل اکسل نسبت به Opus 5
نتایج
۵
دقیقه برای ساخت برگه اطلاعات سفارشی، بهجای حدود یک ساعت
پیش از آنکه تحلیل مالی آماده ارائه به مشتریان یا تصمیمگیران ارشد باشد، تیمها باید مرحله پایانی دشواری را پشت سر بگذارند: تطبیق شواهد، ساخت و قالببندی فایل، بررسی تکتک اعداد و پیوند دادن هر ادعا به منبع آن. فایل نهایی پاورپوینت یا اکسل باید قابل ویرایش و آماده بررسی دقیق باشد.
آرنی و چز انگلندر، برادران و همبنیانگذاران Model ML، پس از دو خروج موفق و هنگام آغاز سرمایهگذاری از طریق دفتر خانوادگی خصوصی خود، به حجم این کار پی بردند و مانند هر سازندهای، برای کمک به خودشان شروع به ساخت نرمافزار کردند.
عاملهای Model ML که از دل آن نرمافزار شکل گرفتهاند، به متخصصان مالی کمک میکنند گردش کار را از درخواست اولیه تا پژوهش، تحلیل و تهیه فایل نهایی پاورپوینت یا اکسل پیش ببرند. در مرکز این فرایند، یک عامل اصلی کار را برنامهریزی میکند، ابزار مناسب را برمیگزیند، شواهد را تطبیق میدهد و محاسبات را انجام میدهد؛ سپس هر مرحله را به مناسبترین مدل، که اغلب GPT‑5.6 Sol است، میسپارد. یکی از این ابزارها، مجموعه ابزار اختصاصی اسناد Model ML است که فایلهای اصلی و قابلویرایش پاورپوینت و اکسل را با منابع قابل رهگیری ایجاد میکند.
«مدلهای قبلی میتوانستند کار یک تحلیلگر را انجام دهند، اما کاربر باید مأموریت را بهروشنی به اجزای کوچکتر تقسیم و ظاهر دقیق خروجی موردنظر را مشخص میکرد. با GPT-5.6 Sol میبینیم که عامل بسیار بیشتر به خروجی نهایی نزدیک میشود.»
Model ML با خودکارسازی سرتاسری گردشهای کاری مالی به تیمهای مالی کمک میکند. عامل میتواند با استفاده از شرح کار و منابع، یک مأموریت را از پژوهش و مدلسازی تا آمادهسازی محتوای نهایی برای مشتریان یا تیمهای معامله پیش ببرد. متخصص مالی پیش از اشتراکگذاری نتیجه، فرضیات، منابع و پیام آن را بررسی میکند.
Model ML محصول خود را «مستقل از محیط کاربری» مینامد. متخصص مالی میتواند مأموریتی را در ایمیل یا برنامه Model ML آغاز کند و بدون توضیح دوباره، آن را در افزونههای Microsoft Office ادامه دهد.
این پیوستگی تا خروجی نهایی نیز ادامه دارد. برای ارائه به کمیته سرمایهگذاری، Model ML میتواند شرح کار و منابع را به یک پاورپوینت قابل ویرایش تبدیل کند. در یک مأموریت اکسل، عامل میتواند کار را با الگوی مشتری یا فایلی خالی آغاز کند، دادههای لازم را گردآوری کند، فرمولها و منطق را در چندین زبانه بسازد و سپس با اعمال قالببندی ویژه امور مالی، یک صفحهگسترده یا مدل مالی کامل تولید کند.
در Composite، معیار ارزیابی Model ML برای هوش مصنوعی در خدمات مالی، GPT‑5.6 Sol در یک گردش کار اکسل بهازای هر فایل ۳۶٪ توکن کمتر از Opus 5 مصرف کرد.
«کاربر باید بر قضاوت متمرکز باشد؛ مثلاً فرضیات را اصلاح یا پیام را دقیقتر کند، نه اینکه صرفاً تحلیل را از نو بسازد.»
عامل با پیش بردن کار تا پایان این مرحله، هم در زمان تهیه هر خروجی صرفهجویی میکند و هم به تیمها در پردازش حجم زیادی از منابع کمک میکند. در یک شرکت جهانی مدیریت دارایی، تهیه یک برگه اطلاعات سفارشی که پیشتر حدود یک ساعت از وقت تحلیلگر را میگرفت، اکنون حدود پنج دقیقه طول میکشد. در گردش کاری دیگر، عاملهای Model ML اتاقهای داده مجازی شامل بیش از ۱۰۰٬۰۰۰ ردیف و صدها فایل را در یک نوبت پردازش کردند.
Model ML، مدل GPT‑5.6 Sol را در کنار دیگر مدلهای پیشرو و در مجموعهای از گردشهای کاری مالی ارزیابی کرد. ارزیابیهای Composite یک مأموریت را از شرح اولیه مالی، پژوهش و محاسبات تا تهیه ارائه یا صفحهگسترده قابل ویرایش دنبال میکنند؛ سپس اعداد، منابع، فرمولها و ساختار و نیز کیفیت بصری ارائهها را میسنجند.
ارزیابی Composite در پاورپوینت، گردشهای کاری واقعی و صدها ارائه تولیدشده را با معیار امتیازدهی دقیق پوشش میدهد.
GPT‑5.6 Sol گردش کار پاورپوینت را در ۱۰۰٪ موارد آزمایشی کامل کرد، درحالیکه این رقم برای Opus 5 برابر با ۷۶٪ بود. همچنین در ۴۳٫۳٪ موارد از حدنصاب آمادگی حرفهای Model ML، یعنی معیار آمادگی خروجی برای بررسی محتوایی، گذشت؛ در مقابل، Opus 5 به ۲۶٫۷٪ رسید. این مدل از نظر کیفیت ارائه، پایبندی به شرح کار، سلسلهمراتب و انسجام نیز از Opus 5 پیش افتاد.
در مجموع، نتایج Composite که در بالا آمدهاند، شواهد لازم را در اختیار Model ML گذاشتند تا استفاده از GPT‑5.6 Sol را در محیط عملیاتی گسترش دهد؛ از جمله در برخی گردشهای کاری که پیشتر Opus 4.8 انجام میداد. در گردشهای کاری پاورپوینت، GPT‑5.6 Sol ضمن ارائه کیفیتی رقابتی، نسبت به Opus 5 و Fable 5 درصد بیشتری از ارائهها را کامل و آماده بررسی کرد و حدود ۲۱٪ توکن کمتر از Fable 5 مصرف کرد.
انگلندر میگوید: «آمادگی برای کار واقعی یعنی کاربر بتواند مستقیماً سراغ بررسی واقعی برود.» «منشأ اعداد قابل رهگیری است، فایل اکسل دوباره محاسبه میشود و اسلاید قابل ویرایش است.»
پاورپوینت آزمونی دشوار برای Model ML بود تا مشخص شود GPT‑5.6 Sol برای کار واقعی آماده است یا نه. ممکن است ارائهای ظاهری حرفهای داشته باشد، اما اگر اعدادش نادرست یا غیرقابل رهگیری باشند، نمودارهایش به تصاویر ثابت تبدیل شده باشند یا اسلایدهایش پیش از اشتراکگذاری نیاز به بازسازی داشته باشند، در مرحله بررسی مردود میشود.
Model ML مدل را در چارچوب عامل خود اجرا کرد و آن را به ابزارهای ساخت و ویرایش اسناد مجهز ساخت تا عامل بتواند اسلایدهایی با نمودارها و جدولهای قابل ویرایش ایجاد کند. عامل هنگام کار، شرح اولیه را در بافت خود نگه میدارد و پیش از تحویل فایل، تکتک اسلایدها را از نظر بصری بررسی میکند.
نمونه زیر نشان میدهد خروجی پاورپوینت Model ML از GPT‑5.5 تا GPT‑5.6 Sol چگونه بهبود یافته است؛ از جمله با سلسلهمراتبی روشنتر و طراحی منسجمتر اسلایدها.
پیش از آن: GPT‑5.5
پس از آن: GPT‑5.6 Sol
امروزه چارچوب عامل Model ML مجموعهابزارهایی در اختیار عامل میگذارد که میتواند برای دسترسی به یکپارچهسازیهای داده، ابزارها و مهارتهای ویرایش اسناد و محیطهای اجرای کد بارگذاری کند. این کار تمرکز عامل را حفظ میکند و دقیقاً ابزارهای لازم برای کار با اسناد کاربر را در اختیارش میگذارد.
Model ML طی جلسات حضوری با OpenAI به این پیکربندی رسید. تیمها نحوه برنامهریزی ارائهها، انتخاب ابزارها و حفظ بافت توسط عامل را بررسی کردند؛ سپس با استفاده از یافتهها، دستورالعملهای عامل را بهبود دادند و زمان بارگذاری هر مجموعهابزار را تعیین کردند.
مشتریان Model ML بهسمت خروجیهای مبتنی بر مرورگر میروند که ارتباط خود را با مدلها و منابع زیربنایی حفظ میکنند.
پلتفرم Model ML میتواند خروجیهای امن و تعاملی تولید کند که پیوسته بهروز شوند یا روی مقطع زمانی مشخصی ثابت بمانند. بررسیکننده میتواند خلاصه یک سرمایهگذاری را باز کند، با کلیک به مدل مالی پشت یکی از ارقام برسد و در همان صفحه با عامل کار کند.
انگلندر میگوید: «پاورپوینت، اکسل و ورد برای دنیایی طراحی شده بودند که تولید محصولات دانشی در آن دستی بود.» «هوش مصنوعی این فرض را تغییر داده است. خود نرمافزار هم در آستانه تغییر است.»
