Mas episyenteng finance work ng Model ML gamit ang GPT‑5.6 Sol

Bago maiharap nang may kumpiyansa ang pagsusuring pinansyal sa mga kliyente o senior na tagapagpasya, kailangang tapusin ng mga team ang isang mahirap na huling yugto: pagtutugma ng ebidensya, pagbuo at pag-format ng file, pagsusuri sa bawat numero, at pag-uugnay ng bawat pahayag sa pinagmulan nito. Kailangang mae-edit at handa sa masusing pagsusuri ang natapos na PowerPoint deck o Excel workbook.

Nakita ng magkapatid at cofounder ng Model ML na sina Arnie at Chaz Englander kung gaano karaming trabaho ang kailangan dito nang, matapos ang dalawang matagumpay na exit, nagsimula silang mamuhunan sa pamamagitan ng isang pribadong family office at, gaya ng mga builder, gumawa ng software para tulungan ang sarili nila.

Mula sa software na iyon nabuo ang mga agent ng Model ML, na tumutulong sa mga propesyonal sa pananalapi na dalhin ang workflow mula sa unang kahilingan, pananaliksik, at pagsusuri hanggang sa natapos na deck o workbook. Sa sentro nito, isang pangunahing agent ang nagpaplano ng trabaho, pumipili ng mga tamang tool, nagtutugma ng ebidensya, at nagpapatakbo ng mga kalkulasyon. Itinatalaga nito ang bawat hakbang sa pinakaangkop na modelo—na madalas ay GPT‑5.6 Sol. Kabilang sa mga tool na iyon ang sariling mga tool ng Model ML para sa dokumento, na lumilikha ng mga native na PowerPoint at Excel file na may natutukoy na mga pinagmulan.

Tinutulungan ng Model ML ang mga finance team sa pamamagitan ng ganap na pag-automate ng mga workflow sa pananalapi. Mula sa isang brief at mga sangguniang materyal, kayang dalhin ng agent ang isang takdang-gawain mula sa pananaliksik at modeling hanggang sa mga natapos na materyal para sa mga kliyente o deal team. Sinusuri ng propesyonal sa pananalapi ang mga palagay, pinagmulan, at mensahe bago ibahagi ang trabaho.

Tinatawag ng Model ML ang produkto na “surface-agnostic.” Maaaring magsimula ang isang propesyonal sa pananalapi ng takdang-gawain sa email o sa Model ML app, at ipagpatuloy ito sa mga Microsoft Office plug-in nito nang hindi na kailangang magpaliwanag muli.

Nagpapatuloy ang tuloy-tuloy na karanasang iyon hanggang sa natapos na output. Para sa deck ng komite sa pamumuhunan, kayang gawing nae-edit na PowerPoint ng Model ML ang isang brief at mga sangguniang materyal. Para sa isang gawain sa Excel, maaaring magsimula ang agent sa template ng kliyente o blangkong workbook, tipunin ang kinakailangang data, bumuo ng mga formula at logic sa maraming tab, at saka maglapat ng formatting na partikular sa pananalapi upang makagawa ng kumpletong spreadsheet o modelong pinansyal.

Sa Composite ng Model ML, ang benchmark ng kumpanya para sa pagsusuri ng AI sa mga serbisyong pinansyal, gumamit ang GPT‑5.6 Sol ng 36% na mas kaunting token bawat workbook kaysa Opus 5 sa isang Excel workflow.

Sa pagdadala ng trabaho hanggang sa huling yugtong iyon, makakatipid din ang agent ng oras sa bawat deliverable at matutulungan ang mga team na magproseso ng napakaraming sangguniang materyal. Sa isang pandaigdigang asset manager, ang pasadyang tearsheet na dating inaabot nang halos isang oras bago mabuo ng isang analyst ay natatapos na ngayon sa halos limang minuto. Sa isa pang workflow, naproseso ng mga agent ng Model ML sa iisang pasada ang mga virtual data room na may mahigit 100,000 row at daan-daang file.

Sinuri ng Model ML ang GPT‑5.6 Sol kasama ng iba pang nangungunang modelo sa iba’t ibang workflow sa pananalapi. Sinusundan ng mga Composite evaluation nito ang isang takdang-gawain mula sa paunang finance brief, pananaliksik, at mga kalkulasyon hanggang sa isang nae-edit na deck o spreadsheet. Pagkatapos, sinusuri nito ang mga numero, pinagmulan, formula, at estruktura, pati ang biswal na kalidad ng mga presentasyon.

Para sa PowerPoint, isinasama ng Composite evaluation ng Model ML ang mga tunay na workflow at sumasaklaw sa daan-daang nabuong deck, gamit ang detalyadong pamantayan sa pagmamarka.

Nakumpleto ng GPT‑5.6 Sol ang PowerPoint workflow sa 100% ng mga test case, kumpara sa 76% ng Opus 5. Nalampasan din nito ang pamantayan ng Model ML para sa kahandaang propesyonal—na sumusukat kung handa na ang output para sa masusing pagsusuri—sa 43.3% ng mga kaso, kumpara sa 26.7%. Nanguna rin ito sa Opus 5 sa kalidad ng deck, pagsunod sa brief, hierarchy, at consistency.

Sa kabuuan, ang mga resulta ng Composite na ipinakita sa itaas ang nagbigay sa Model ML ng ebidensya upang palawakin ang paggamit ng GPT‑5.6 Sol sa production, kabilang ang ilang workflow na dati ay pinangangasiwaan ng Opus 4.8. Para sa mga PowerPoint workflow, pinagsama ng GPT‑5.6 Sol ang mahusay na kalidad ng deck at mas mataas na rate ng mga nakumpleto at review-ready na deck kaysa Opus 5 at Fable 5, habang gumagamit ng humigit-kumulang 21% na mas kaunting token kaysa Fable 5.

“Ang pagiging handa para sa tunay na trabaho ay nangangahulugang makakapagpatuloy agad ang user sa aktuwal na pagsusuri,” sabi ni Englander. “Matutukoy ang pinagmulan ng mga numero, muling nagkakalkula ang workbook, at nae-edit ang slide.”

Naging mahirap na pagsubok ang PowerPoint para matukoy ng Model ML kung handa na ang GPT‑5.6 Sol para sa tunay na trabaho. Maaaring mukhang pulido ang isang deck pero bumagsak pa rin sa pagsusuri kung mali o hindi matukoy ang pinagmulan ng mga numero nito, naka-flatten ang mga chart, o kailangang buuing muli ang mga slide bago maibahagi.

Pinatakbo ng Model ML ang modelo sa loob ng harness ng agent nito, kasama ng mga tool sa paggawa at pag-edit ng dokumento na nagbibigay-daan sa agent na lumikha ng mga slide na may nae-edit na graph at talahanayan. Habang gumagawa, pinananatili nito sa konteksto ang orihinal na brief, at pagkatapos ay biswal na sinusuri ang bawat slide bago ibalik ang file.

Ipinapakita ng halimbawa sa ibaba kung paano bumuti ang PowerPoint output ng Model ML mula GPT‑5.5 patungong GPT‑5.6 Sol, kabilang ang mas malinaw na hierarchy at mas consistent na disenyo ng slide.

Sa kasalukuyan, binibigyan ng harness ng Model ML ang agent ng mga toolkit na maaari nitong i-load upang ma-access ang mga integration ng data, tool at kasanayan sa pag-edit ng dokumento, at kapaligiran para sa pagpapatakbo ng code. Dahil dito, nananatiling nakatuon ang agent at mayroon itong eksaktong mga tool na kailangan upang magamit ang mga dokumento ng user.

Nabuo ng Model ML ang setup na ito sa pamamagitan ng mga on-site session kasama ang OpenAI. Sinubaybayan ng mga team kung paano nagpaplano ang agent ng mga presentasyon, pumipili ng mga tool, at nagpapanatili ng konteksto. Pagkatapos, ginamit nila ang mga natuklasan upang pinuhin ang mga tagubilin ng agent at magpasya kung kailan dapat i-load ang bawat toolkit.

Lumilipat ang mga customer ng Model ML sa mga browser-based na output na nananatiling konektado sa mga modelo at sangguniang materyal sa likod ng mga ito.

Kayang bumuo ng platform ng Model ML ng mga secure at interactive na output na maaaring patuloy na mag-update o i-lock sa isang partikular na sandali. Maaaring magbukas ang reviewer ng buod ng pamumuhunan, i-click ang modelong pinansyal na pinagmulan ng isang numero, at makipagtulungan sa agent mula sa parehong page.

“Idinisenyo ang PowerPoint, Excel, at Word para sa panahong manu-manong ginagawa ang knowledge work,” sabi ni Englander. “Binago ng AI ang palagay na iyon. Malapit nang magbago ang software mismo.”