OpenAI

Esittelyssä GPT-6.2 Astra ja Sol

Uusi standardi ammattimaiselle työlle

Kokeile ChatGPT Workissa(avautuu uudessa ikkunassa)

Esittelyssä GPT‑6.2 Astra, uusi edistynyt mallimme vaativimpiin projekteihisi, sekä GPT‑6.2 Sol, tehokas ja monipuolinen mallimme päivittäiseen työhön. Molemmat mallit tuottavat parempia tuloksia vaativissa tehtävissä pienemmällä määrällä tulostokeneita, joten saat enemmän aikaan käyttörajojesi puitteissa. Yrityksille ja kehittäjille tämä tarkoittaa edistynyttä suorituskykyä kustannuksilla, jotka pysyvät järkevinä myös laajassa käytössä.

GPT‑6.2 Astra asettaa tekoälyn laadulle uuden riman monimutkaisessa asiantuntijatyössä. Sen diat, laskentataulukot ja asiakirjat eivät vaikuta yhtä selvästi tekoälyn tuottamilta, ja ne noudattavat tarkemmin antamiasi malleja ja alasi käytäntöjä. Se kirjoittaa siistimpää koodia ja rakentaa paremman näköisiä ja toimivampia käyttöliittymiä erityisesti verkkosivustoihin, peleihin ja 3D-suunnitteluun.

Monivaiheista ammatillista työtä testaavassa Agents’ Last Exam -arvioinnissa GPT‑6.2 Astra tekee uuden ennätyksen: sen tulos on 5,2 pistettä korkeampi kuin GPT‑6 Astran alle kolmasosalla kustannuksista ja 5,5 pistettä korkeampi kuin Claude Fable 5.2:n vain 5 prosentilla kustannuksista.

Agents’ Last Exam arvioi malleja pitkäkestoisissa ammatillisissa työnkuluissa. Fable 5.2:n tulostaulukon tuloksista on jätetty pois yhdeksän tehtävää, joissa käytettiin varamallia.

Uskomme, että GPT-6.2 Astra on maailman paras malli tutkijoille. Se tekee uuden ennätyksen Terminal-Bench-Science 0.1 -testissä, joka mittaa mallien kykyä tehdä tieteellistä työtä päätteessä. GPT-6.2 Astran tulos on 9 prosenttiyksikköä korkeampi kuin GPT-6 Astran alle kolmasosalla kustannuksista. Se tekee uuden ennätyksen myös Vals Science Index -testissä, jossa mallien on tulkittava todellista biologista dataa ja tehtävä kokeita päätelläkseen, miten simuloitu järjestelmä toimii.

API:ssa GPT‑6.2 Astran syöte- ja tulostokenien hinnat ovat 20 % alemmat kuin GPT‑6 Astran, ja välimuistiin tallennetun syötteen hinta on 60 % alempi (syöte 8 dollaria, välimuistiin tallennettu syöte 0,40 dollaria ja tuloste 40 dollaria miljoonalta tokenilta). GPT‑6.2 Solin API-tokenien hinnat pysyvät samoina kuin GPT‑6.1 Solin. Useissa vertailutesteissä molemmat mallit yltävät lähelle muita johtavia malleja tai ylittävät ne, vaikka tehtäväkohtaiset kustannukset ovat vain murto-osa niiden kustannuksista.

GPT-6.2 Sol: luottomallimme arjen työhön

GPT‑6.1 Soliin verrattuna GPT‑6.2 Sol on älykkäämpi ja tehokkaampi, ja sen avulla voit suorittaa enemmän tehtäviä samalla maksullisella tilauksella. Se suoriutuu tehokkaasti monivaiheisista agenttipohjaisista työnkuluista, kirjoittaa selkeästi ja luontevasti, ja yhteistyö sen kanssa on intuitiivista. Monet OpenAI:n työntekijät käyttävät sitä oletusmallinaan sekä teknisiin että muihin tehtäviin.

Cognitionin FrontierCode 2.0 -testissä GPT‑6.2 Sol jää vain 0,5 pisteen päähän GPT‑6.2 Astrasta noin viidesosalla kustannuksista (molemmissa Max-asetus).

FrontierCode 2.0 arvioi, täyttävätkö todellisiin koodikantoihin tehdyt muutokset ylläpitäjien yhdistämiskriteerit.

Nopeutensa ja älykkyytensä ansiosta se sopii erinomaisesti myös tärkeisiin tehtäviin, joissa ihmiset turvautuvat tekoälyyn työn ulkopuolella. Hiljattain julkaisemassamme LifeVal⁠-arvioinnissa, joka mittaa suoriutumista haastavista arjen tehtävistä, GPT‑6.2 Sol saa GPT‑6 Astraa paremmat pisteet noin seitsemäsosalla kustannuksista.

LifeVal testaa, miten hyvin mallit hoitavat yksilöllisiin tarpeisiin sovitettuja arjen tehtäviä. Näitä ovat esimerkiksi sopivien päiväkotien valitseminen muuton jälkeen, perheen budjettiin ja työmatkaan sopivan kodin löytäminen tai aterioiden suunnittelu uuteen diagnoosiin sopeutuvalle vanhemmalle.

Ammattilaistason tuotoksia alan vaatimusten mukaisesti

Koulutimme GPT‑6.2 Astran luomaan selkeämpiä ja paremmin suunniteltuja dioja, laskentataulukoita ja asiakirjoja, jotka noudattavat tarkemmin ammattilaisten käytäntöjä esimerkiksi oikeustieteen, myynnin, rahoituksen ja kirjanpidon aloilla. Teksti on suorempaa ja täsmällisempää, ja siinä on vähemmän yleisluontoisia päätelmiä ja täytettä.

Harvey LAB‑AA v1.1 testaa oikeudellisilla tehtävillä, pystyvätkö mallit löytämään olennaiset tiedot eri lähdeasiakirjoista, soveltamaan niitä yksityiskohtaiseen toimeksiantoon ja tuottamaan täsmällisen, kaikki vaatimukset täyttävän lopputuloksen. GPT‑6.2 Astra asettaa uuden huipputason: sen läpäisyaste on yli kaksinkertainen Claude Fable 5.2:een verrattuna noin kuudesosalla kustannuksista. OpenAI lakialalla⁠, juristeille mukautettu GPT-6.2 Astran kokoonpanomme, saa tässä vertailutestissä vieläkin paremmat pisteet.

Harvey LAB‑AA testaa oikeudellista työtä, kuten sopimusehtojen tarkastamista. Sen päätuloksessa pisteitä saa vain, jos tuotos täyttää jokaisen arviointikriteerin eikä sisällä olennaisia hallusinaatioita.

Sisäinen GDPval v2 -vertailutestimme on GDPval⁠-testin seuraava versio. Se mittaa monimutkaisia, pitkäkestoisia työnkulkuja todellisista projekteista esimerkiksi konsultoinnin, rahoituksen ja suunnittelun aloilta. GPT‑6.2 Astra on testaamiemme mallien kärjessä: sen tulos on 6,2 prosenttiyksikköä parempi kuin GPT‑6 Astran, vaikka se käyttää 22 % vähemmän tulostokeneita. GPT‑6.2 Sol parantaa GPT‑6.1 Solin tulosta 5,3 pisteellä.

GDPval v2 koostuu pitkäkestoisista tietotyötehtävistä, jotka on koottu todellisista projekteista esimerkiksi rahoituksen, datatieteen, bioteknologian ja markkinoinnin aloilta.

Työkirjat ja muistiot

Arvonmääritystyökirjan laatiminen tai sijoitusmuistion kirjoittaminen alkaa olennaisten lukujen etsimisestä lähdetiedostoista ja niiden keskinäisten yhteyksien selvittämisestä. Artificial Analysisin AA‑AnalystAgent testaa tätä työtä todellisilla laskentataulukoilla ja raporteilla. Yhdessä tehtävässä mallit laskevat Kalifornian Medicaid-ohjelman menoraporttien perusteella, kuinka paljon ohjelma käytti rahaa sairaankuljetuksiin. GPT‑6.2 Astra tekee uuden ennätyksen vastaamalla 62,5 prosenttiin kysymyksistä oikein kaikilla viidellä riippumattomalla yrityksellä.

Diaesitykset

GPT‑6.2 Astra on tähän mennessä paras mallimme diojen suunnitteluun ja diamallien noudattamiseen, olipa lähtökohtana alkuperäinen tiedosto tai pelkkä kuvakaappaus. Se osaa toistaa asettelun, värit ja typografian tarkkaa fonttikokoa myöten sekä siirtää mallin kirjoitustyylin uusiin dioihin. Varhaisten testaajien mukaan esityksiä oli helpompi käyttää sellaisenaan ja ne vaativat vähemmän muokkauksia, sillä otsikot kertoivat pääviestin ja tiivis leipäteksti keskittyi lukijan tarvitsemiin yksityiskohtiin.

1 / 4
“

Arvioimme GPT-6.2 Astran kykyä muuttaa tiivis tietoaineisto helppolukuisiksi katsauksiksi ja infografiikoiksi sekä teknisille että muille yleisöille. Esimerkkeinä olivat kaupankäyntikatsaukset ja agenttipohjaisten työnkulkujen kaaviot.

GPT-6.2 Astran asiakirjat olivat merkittävä parannus GPT-6 Astraan verrattuna. Teksti ja kaaviot helpottivat huomattavasti katsauksen pääkohtien hahmottamista, ja kaaviot selkeyttivät monimutkaisia järjestelmiä näyttämällä, miten niiden osat toimivat yhdessä.

”
Marquis Wong, johtava tekoälyinsinööri, IMC

Tietokoneen käyttö ja vuorovaikutteinen verkkosuunnittelu

GPT‑6.2 Astran entistä tarkempi tietokoneen käyttö mahdollistaa työskentelyn CAD- ja simulointityökaluissa yksittäisiä osia ja liitoksia myöten. Tämän lisätarkkuuden avulla insinöörit voivat tarkistaa osien yhteensopivuuden, nähdä kuormituksen siirtymisen rakenteen liikkuessa ja testata muutoksia ennen prototyypin rakentamista.

Ajosimulaatio

Pyysimme GPT‑6.2 Astraa havainnollistamaan auton alustadynamiikkaa vuoristotiellä. Astra loi 3D-mallin ja kirjoitti Python-ratkaisijan simuloimaan renkaiden ja jousituksen välistä monimutkaista dynamiikkaa sekä animoi tulokset Blenderissä. Näin insinöörit voivat testata uusia suunnitelmia nopeasti ja parantaa simuloinnin tarkkuutta ajan mittaan.

Mekaaninen suunnittelu ja kokoonpano

GPT‑6.2 Astra voi mallintaa mekaanisen järjestelmän osa osalta, jolloin insinöörit voivat havainnollistaa sen kokoonpanoa ja testata, miten suunnittelumuutokset vaikuttavat sen toimintaan.

CAD-mallista paperivalaisimeksi

Tiimimme suunnitteli GPT‑6.2 Astran avulla valaisimen, jonka muoto pohjautuu Chicagon Marina City -tornien kaareviin parvekkeisiin. Video seuraa suunnittelun etenemistä viitekuvista CAD-mallin muokkauksiin ja käsin koottuun fyysiseen valaisimeen. GPT-6.2 Astran luoman sivuston avulla voit tehdä oman paperivalaisimesi.

GPT‑6.2 Astra tuo verkkosuunnitteluun vahvempaa visuaalista päättelyä: se valitsee kullekin sivustolle omanlaisensa ilmeen luovat asettelut ja kuvat sekä rakentaa elementit sivuston varsinaisen tavoitteen ympärille.

Visuaalisen päättelyn ja tietokoneen käytön parannukset näkyvät myös 3D-suunnittelussa. GPT‑6.2 Astra ja Sol voivat muuttaa kirjallisen toimeksiannon interaktiiviseksi selainkokemukseksi, olipa kyseessä pelattava flipperi tai Colosseumin jäljennös, jota voi tutkia eri kulmista. Artificial Analysisin AA‑3D-testissä ihmisarvioijat kokeilevat kahta samalla kehotteella luotua kokemusta tietämättä, mitkä mallit ovat ne tehneet, ja äänestävät suosikkiaan. GPT‑6.2 Astra sijoittuu ensimmäiseksi 1 318 Elo-pisteellä. Sitä seuraavat Claude Fable 5.2, jolla on 1 271 pistettä, ja GPT‑6.2 Sol, jolla on 1 259 pistettä.

“

GPT-6.2 Astra on valtava harppaus eteenpäin luovassa työssä. Se tekee Higgsfield Miraclen mahdolliseksi tarjoamalla reaaliaikaisen videonmuokkauksen pikselitason tarkkuudella ja antamalla tekijöille täydellisen luovan hallinnan. Sisäisissä 3D-generoinnin arvioinneissamme se saavutti tavoitellun tuloksen kerralla 73 %:ssa tapauksista, kun GPT-6 Astra tarvitsi vähintään kolme kierrosta. Tämä säästää luovan tiimimme aikaa merkittävästi ja mahdollistaa tehokkaammat, täysin agenttipohjaiset työnkulut.

”
Alex Mashrabov, toimitusjohtaja ja toinen perustaja, Higgsfield AI

Tehokkaat työnkulut ja siistimpi koodityyli

GPT‑6.2 Astra osaa arvioida paremmin, miten tehtävä kannattaa suorittaa: se sovittaa työkalunsa ja työmääränsä työnkulkuun ja tietää, milloin kannattaa käyttää lisäosia ja milloin tietokonetta suoraan.

Koodauksessa GPT-6.2 Astra toteuttaa ja testaa monimutkaisia muutoksia olemassa oleviin koodikantoihin entistä paremmin. Varhaiset testaajat kertoivat siistimmästä koodityylistä ja paremmin kohdennetuista testeistä sekä vähäisemmästä korjauskierrosten tarpeesta.

Kyberturvallisuusvalmiudet

GPT‑6.2 Astra ja GPT-6.2 Sol merkitsevät jälleen huomattavaa harppausta kybervalmiuksissa. Ne löytävät ja hyödyntävät haavoittuvuuksia tehokkaammin, kirjoittavat turvallisempaa koodia ja tuottavat parempia korjauksia. Useissa arvioinneissa myös tokenien käytön tehokkuus paranee huomattavasti. Kuten GPT‑6 Astra⁠, myös 6.2 Astra ja Sol ylittävät valmiuskehyksemme⁠ kriittisen tason kynnyksen kyberturvallisuudessa.

GPT‑6.2 Astran ja Solin parantuneiden kyvykkyyksien vuoksi julkaisemme ne aiempaa tiukemmin suojatoimin, jotka koskevat korkeamman riskin kyberturvallisuusapua. Nämä suojaukset vähentävät väärinkäytön riskiä mutta rajoittavat myös joitakin asianmukaisia haavoittuvuustutkimuksen ja tietoturvatestauksen työnkulkuja. OpenAI Daybreakin⁠ kautta kyberpuolustajat voivat tällä hetkellä käyttää Daybreak Bluessa GPT‑6 Solia, joka kieltäytyy harvemmin kyberturvallisuuspyynnöistä, sekä GPT-6 Astran alfaversiotamme. Daybreak Redissä he voivat käyttää GPT‑6 Cyberiä⁠ edistyneeseen, luvalliseen tietoturvatestaukseen. Pyrimme tuomaan GPT‑6.2-mallit Daybreakiin.

Alla esittelemme keskeisiä vertailutuloksia, jotka on saatu sisäisillä testikokoonpanoilla, joissa kyberturvallisuuden suojatoimet ja luokittimet on poistettu käytöstä. Kaikki tulokset ja menetelmät löytyvät julkaisun järjestelmäkortista⁠(avautuu uudessa ikkunassa).

Etumatkaa kyberpuolustajille

Kehittäjät tukeutuvat yhä enemmän koodausagentteihin tuotanto-ohjelmistojen kirjoittamisessa, vaikka entistä kyvykkäämmät agentit samalla madaltavat kynnystä haavoittuvuuksien löytämiseen ja hyödyntämiseen. PHP2Shell⁠(avautuu uudessa ikkunassa) osoitti, miten tekoäly voi auttaa tutkijoita paljastamaan kriittisiä puutteita. GPT‑6.2 Astran ja Solin kehityksessä nostimme puolustusvalmiudet keskiöön ja otimme käyttöön uusia koulutussignaaleja, jotka auttavat kehittäjiä ehkäisemään ja korjaamaan näitä puutteita: kirjoittamaan turvallista koodia alusta alkaen ja tuottamaan korjauksia, jotka säilyttävät tarkoitetun toiminnan.

Turvallisuus ja tavoitteidenmukaisuus

Otamme GPT-6.2 Astran ja Solin käyttöön tähän mennessä vahvimmilla suojatoimillamme. Olemme tiukentaneet rajoituksia ja vahvistaneet järjestelmiä, joilla valvomme malleja⁠ ja puutumme niiden toimintaan tarvittaessa⁠.

GPT-6 Astran tavoin sekä GPT-6.2 Astra että Sol ylittävät kyberturvallisuuden kriittisen tason kynnysarvon lisäksi biologisten ja kemiallisten kyvykkyyksien korkean tason kynnysarvon Valmiuskehyksessämme⁠. Olemme ottaneet käyttöön suojauksia näihin liittyvien riskien vähentämiseksi ja tiukentaneet rajoituksia tietyissä biologisissa ja kyberturvallisuuteen liittyvissä pyynnöissä, joihin voi liittyä kaksikäyttöä.

Lisätietoja suojatoimistamme ja testauksesta on GPT-6.2:n järjestelmäkortissa⁠(avautuu uudessa ikkunassa).

Tekoälytutkimuksen kyvykkyydet ja suojatoimet

GPT-6.2 Astra on ensimmäinen ulkoiseen käyttöön julkaisemamme malli, joka ylittää korkean tason kynnysarvon tekoälyn itsensä kehittämisessä. Tämä osa-alue mittaa mallin kykyä nopeuttaa tekoälytutkimusta. Korkea-luokitus tarkoittaa arviomme mukaan sitä, että mallin vaikutus vastaa tilannetta, jossa jokainen OpenAI:n tutkija saisi vuoden 2024 lähtötasoon nähden avukseen yhden erittäin kyvykkään tutkimusinsinöörin lisää. Seuraamme tätä kyvykkyyttä, koska tulevien tekoälyjärjestelmien kehittämisessä auttavat mallit voivat myös synnyttää uusia turvallisuusriskejä, kuten kiihdyttää kehitystä nopeammaksi kuin suojatoimet tai ihmisten valvonta pystyvät mukautumaan.

Näihin riskeihin vastaamiseksi olemme lisänneet valvontaa ja hallintatoimia malliemme koulutus- ja käyttöönottoprosesseihin. Ennen GPT-6.2 Astran sisäisen käytön laajentamista arvioimme sen tavoitteidenmukaisuutta ja varmistimme jokaisessa vaiheessa, että tarvittavat suojatoimet olivat käytössä. Vahvistimme tutkimusympäristöjemme eristystä⁠ ja testasimme näitä suojauksia kyvykkäimmillä malleillamme. Rakensimme myös Control Room⁠ -järjestelmän, joka seuraa tutkimuksen työkuormia ja voi pysäyttää mallin tuotoksen jatkamisen, kun tilanteeseen on puututtava. Laajennettu valvontamme⁠ tarkastelee mallien päättelyä ja toimintaa sisäisissä työkuormissa sekä tuetuissa ulkoisissa käyttöympäristöissä. Se voi automaattisesti ilmoittaa luvattomasta toiminnasta ja keskeyttää työkuormia tai keskusteluja siellä, missä tätä tuetaan.

Tavoitteidenmukaisuus

Molemmat mallit suoriutuivat useimmissa tavoitteidenmukaisuuden arvioinneissa samankaltaisesti kuin GPT-6 Astra ja tekivät vähemmän epäasianmukaisia toimia simuloiduissa työtehtävissä. Kahdessa testissä ne kuitenkin jättivät todennäköisemmin mainitsematta työnsä estäviä ongelmia, kuten puuttuvan tiedoston tai hakutyökalun, joka ei ollut käytettävissä. Lisäsimme Codexiin ohjeita, jotka vähentävät näitä puutteita huomattavasti, ja jatkamme tämän käyttäytymisen tutkimista.

Hinnoittelu ja saatavuus

Tästä päivästä alkaen GPT-6.2 Astra ja Sol ovat kaikkien Plus-, Pro-, Enterprise- ja Edu-käyttäjien saatavilla ChatGPT Workissa ja Codexissa. Pro 500 -tilaajat voivat käyttää Ultrafastia kummankin mallin kanssa. Tuomme Ultrafastin ensimmäistä kertaa myös Pro 200 -tilaajille, aluksi GPT-6.2 Soliin. Ehdot täyttävät Enterprise- ja Edu-käyttäjät saavat saman käyttöoikeuden, kun heidän työtilansa ylläpitäjä ottaa sen käyttöön. Kehittäjät voivat käyttää malleja gpt-6.2-astra ja gpt-6.2-sol myös OpenAI API:n kautta, ja Ultrafast on saatavilla molemmille malleille heti julkaisusta lähtien.

GPT‑6.2 Astran tehtäväkohtaiset kustannukset ovat huomattavasti pienemmät kuin GPT‑6 Astran. Tämä perustuu tehokkaampaan tokenien käyttöön, syöte- ja tulostokenien 20 % alempiin hintoihin sekä välimuistiin tallennettujen syötetokenien vielä suurempaan, 60 prosentin hinnanalennukseen. API:n vakiohinnat miljoonalta tokenilta ovat 8 dollaria syötteelle, 0,40 dollaria välimuistiin tallennetulle syötteelle ja 40 dollaria tulosteelle. GPT‑6.2 Solin hinnat pysyvät samoina kuin GPT‑6.1 Solin: syöte maksaa 2 dollaria, välimuistiin tallennettu syöte 0,10 dollaria ja tuloste 10 dollaria miljoonalta tokenilta.

GPT-6.2 Astraa ja Solia käytettäessä suosittelemme pitämään kehotteiden alkuosat muuttumattomina ja lisäämään uudet ohjeet keskustelun loppuun⁠(avautuu uudessa ikkunassa), jotta välimuistia voidaan hyödyntää tehokkaammin, kustannukset ja viive pienenevät ja päättely säilyy vuorojen välillä.

Tekijät

OpenAI

Footnotes

  1. 1

    Fable 5.2:n Terminal-Bench-Science 0.1 -tulokset ovat Artificial Analysisin⁠(avautuu uudessa ikkunassa) raportoimia mini-swe-agent-arviointikehyksessä saatuja tuloksia. Anthropic raportoi Fable 5.2:n saaneen 74,6 prosentin tuloksen suurimmalla päättelytasolla Claude Codessa.