11 ડિસેમ્બર, 2025

GPT‑5.2 સાથે વિજ્ઞાન અને ગણિતમાં પ્રગતિ

GPT‑5.2 ગણિત અને વિજ્ઞાનના કામ માટે અત્યાર સુધીનું અમારું સૌથી મજબૂત મોડલ છે.

લોડિંગ…

મજબૂત AI માટેની અમારી એક આશા એ છે કે તે સૌના હિત માટે વૈજ્ઞાનિક સંશોધનને વેગ આપશે, સંશોધકોને વધુ વિચારો શોધવામાં, તેમને વધુ ઝડપથી ચકાસવામાં અને શોધોને અસરકારક પરિણામોમાં ફેરવવામાં મદદ કરશે.

ગયા વર્ષે, અમે ગણિત, ભૌતિકશાસ્ત્ર, જીવવિજ્ઞાન અને કમ્પ્યુટર વિજ્ઞાનના વૈજ્ઞાનિકો સાથે નજીકથી કામ કર્યું છે જેથી સમજાય કે AI ક્યાં મદદ કરી શકે છે અને ક્યાં તે હજુ અધૂરું પડે છે. ગયા મહિને, અમે એક પેપર પ્રકાશિત કર્યું⁠ જેમાં ગણિત, ભૌતિકશાસ્ત્ર, જીવવિજ્ઞાન, કમ્પ્યુટર વિજ્ઞાન, ખગોળવિજ્ઞાન અને મટીરિયલ્સ સાયન્સમાં શરૂઆતના કેસ સ્ટડી એકત્રિત કરાયા છે, જ્યાં GPT‑5 એ સંશોધકોને મદદ કરી હતી, અને બતાવ્યું હતું કે GPT‑5 વાસ્તવિક વૈજ્ઞાનિક કાર્યમાં પહેલેથી જ કેવી રીતે યોગદાન આપવાનું શરૂ કરી ચૂક્યું છે. GPT‑5.2 સાથે, અમે હવે તે લાભો વધુ સતત અને વધુ વિશ્વસનીય બનતા જોઈ રહ્યા છીએ.

જ્યાં ચોકસાઈ મહત્વપૂર્ણ છે ત્યાં વધુ મજબૂત પ્રદર્શન

GPT‑5.2 Pro અને GPT‑5.2 Thinking વૈજ્ઞાનિક અને ગણિતીય કામ માટે અત્યાર સુધીના અમારા સૌથી મજબૂત મોડલ છે.

મજબૂત ગણિતીય રિઝનિંગ વૈજ્ઞાનિક અને તકનીકી કાર્યમાં વિશ્વસનીયતાનો આધાર છે. તે મોડલને બહુ-પગલાની તર્કશ્રેણી અનુસરવામાં, પરિમાણોમાં સુસંગતતા જાળવવામાં અને વાસ્તવિક વિશ્લેષણોમાં વધતા જતા સૂક્ષ્મ ભૂલોને ટાળવામાં સક્ષમ બનાવે છે—સિમ્યુલેશન અને આંકડાશાસ્ત્રથી લઈને ફોરકાસ્ટિંગ અને મોડેલિંગ સુધી. FrontierMath જેવા બેન્ચમાર્કમાં થયેલા સુધારા સંકુચિત કુશળતા નહીં, પરંતુ વધુ મજબૂત સામાન્ય રિઝનિંગ અને અમૂર્તીકરણ દર્શાવે છે, એવી ક્ષમતાઓ જે કોડિંગ, ડેટા વિશ્લેષણ અને પ્રયોગાત્મક ડિઝાઇન જેવા વૈજ્ઞાનિક વર્કફ્લોમાં સીધી કામ લાગે છે.

આ ક્ષમતાઓ સામાન્ય બુદ્ધિમત્તા તરફની પ્રગતિ સાથે પણ નજીકથી જોડાયેલી છે. એક એવી સિસ્ટમ જે વિશ્વસનીય રીતે અમૂર્તીકરણ દ્વારા રિઝનિંગ કરી શકે, લાંબી વિચારશ્રેણીઓમાં સુસંગતતા જાળવી શકે અને વિવિધ ક્ષેત્રોમાં સામાન્યકરણ કરી શકે, તે AGI માટે આધારરૂપ એવા લક્ષણો દર્શાવે છે—કાર્ય-વિશિષ્ટ યુક્તિઓ નહીં, પરંતુ વ્યાપક અને પરિવહનક્ષમ રિઝનિંગ કુશળતાઓ, જે વિજ્ઞાન, એન્જિનિયરિંગ અને વાસ્તવિક નિર્ણયપ્રક્રિયામાં મહત્વ ધરાવે છે.

અમારો વિશ્વાસ છે કે GPT‑5.2 Pro અને GPT‑5.2 Thinking વૈજ્ઞાનિકોને સહાય અને વેગ આપવા માટે વિશ્વના શ્રેષ્ઠ મોડલ છે. GPQA Diamond પર, જે ગ્રેજ્યુએટ-સ્તરની Google-proof Q&A બેન્ચમાર્ક છે, GPT‑5.2 Pro 93.2% હાંસલ કરે છે, અને તેના પાછળ GPT‑5.2 Thinking 92.4% સાથે નજીકથી આવે છે.

GPQA Diamond⁠(નવી વિન્ડોમાં ખૂલે છે) માં, મોડલ ભૌતિકશાસ્ત્ર, રસાયણશાસ્ત્ર અને જીવવિજ્ઞાન વિશેના બહુવિકલ્પી પ્રશ્નોના જવાબ આપે છે. કોઈ ટૂલ સક્રિય કરવામાં આવ્યા ન હતા અને રિઝનિંગ પ્રયત્ન મહત્તમ પર સેટ કરવામાં આવ્યો હતો.

FrontierMath (Tier 1–3) પર, જે નિષ્ણાત-સ્તરના ગણિતનું મૂલ્યાંકન છે, GPT‑5.2 Thinking એ 40.3% પ્રશ્નો ઉકેલીને નવી state of the art સ્થાપી.

FrontierMath⁠(નવી વિન્ડોમાં ખૂલે છે) માં, મોડલ નિષ્ણાત-સ્તરની ગણિત સમસ્યાઓ ઉકેલે છે. Python ટૂલ સક્રિય કરવામાં આવ્યું હતું અને રિઝનિંગ પ્રયત્ન મહત્તમ પર સેટ કરવામાં આવ્યો હતો.

કેસ સ્ટડી

GPT‑5.2 is not only strong at graduate-level science problems. We now regularly see our frontier models contributing solutions to previously unsolved—and increasingly subtle—questions in mathematics and the sciences.

In this case study, we describe how GPT‑5.2 Pro helped resolve an open research problem in statistical learning theory, documented in a new paper, On Learning-Curve Monotonicity for Maximum Likelihood Estimators⁠(નવી વિન્ડોમાં ખૂલે છે).

The question (“If you collect more data, do your results reliably get better?”) shows up any time you fit a model from data. You can draw a learning curve that tracks average error as you add more examples. In the best case, the curve is monotone. More data means less error, every step of the way. That is the behavior people hope for, and often assume.

But over the last few years, researchers have learned that this intuition can fail. A line of work kicked off by an open problem posed at the Conference on Learning Theory (COLT) in 2019 by Viering, Mey, and Loog showed that the answer is often no. Even very simple, well-behaved toy setups can have non-monotonic learning curves, where adding data increases expected error. That surprise triggered a wave of follow-up papers. They expanded the list of settings where these reversals happen and proposed increasingly elaborate methods designed to restore monotone behavior.

Still, one of the most basic cases remained unresolved. What happens in the cleanest textbook situation, where the statistical model is actually correct and the data follow the familiar bell curve pattern, with a known mean but unknown standard deviation? Researchers already knew that small changes to this setup could break monotonic behavior. But the answer remained unknown in this core case.

Our new paper demonstrates that in this clean setting, intuition prevails: learning is predictably improved by more data, rather than behaving in surprising or unstable ways. What makes this paper unusual is how the proof was obtained. The authors did not work out a strategy and then ask the model to fill in steps. They did not provide intermediate arguments or a proof outline. Instead, they asked GPT‑5.2 Pro to solve the open problem directly, and then carefully verified the proof, including review and validation by external subject-matter experts.

The authors then asked simple follow-up questions to see how far the idea could go. GPT‑5.2 Pro extended the result beyond the original problem to higher dimensional settings and other common statistical models. Throughout, the human role stayed focused on verification and clear writing, rather than supplying mathematical scaffolding.

આગળ જોઈએ તો

આ પરિણામ ઉપયોગી દિશા સૂચવે છે કે AI સિસ્ટમો વૈજ્ઞાનિક સંશોધનને કેવી રીતે ટેકો આપી શકે, ખાસ કરીને ગણિત અને સાદ્ધાંતિક કમ્પ્યુટર વિજ્ઞાન જેવા સ્વયંસિદ્ધ સાદ્ધાંતિક આધાર ધરાવતા ક્ષેત્રોમાં. આવી પરિસ્થિતિઓમાં, અત્યાધુનિક મોડલ પુરાવાઓ શોધવામાં, અનુમાન ચકાસવામાં અને એવા સંબંધો ઓળખવામાં મદદ કરી શકે છે, જેને બહાર લાવવામાં અન્યથા માનવીય પ્રયત્નનો મોટો ખર્ચ થાત.

સાથે સાથે, આ સિસ્ટમો સ્વતંત્ર સંશોધકો નથી. નિષ્ણાત નિર્ણય, ચકાસણી અને ક્ષેત્રજ્ઞાન અનિવાર્ય જ રહે છે. અત્યંત સક્ષમ મોડલ પણ ભૂલો કરી શકે છે અથવા અસ્ફૂટ માન્યતાઓ પર આધાર રાખી શકે છે. પરંતુ તે વિગતવાર, રચનાત્મક દલીલો પણ આપી શકે છે, જે સાવચેત માનવીય અભ્યાસ અને પરિમાર્જન લાયક હોય છે. તેથી AI સાથે વિશ્વસનીય પ્રગતિ કરવી એવા વર્કફ્લો પર આધાર રાખે છે, જેમાં માન્યતા, પારદર્શિતા અને સહકારને મજબૂત રીતે પ્રક્રિયામાં જાળવવામાં આવે.

કેસ સ્ટડી તરીકે જોીએ તો, આ પરિણામ સંશોધન પ્રથાના એક ઉદ્ભવતા મોડને દર્શાવે છે. GPT‑5.2 જેવા મોડલ ગણિતીય રિઝનિંગને ટેકો આપવા અને પ્રારંભિક તબક્કાની શોધખોળને વેગ આપવા માટે સાધન તરીકે કામ આપી શકે છે, જ્યારે ચોકસાઈ, અર્થઘટન અને સંદર્ભની જવાબદારી માનવીય સંશોધકો પાસે જ રહે છે. સાવચેતીપૂર્વક ઉપયોગ થાય તો, આવી સિસ્ટમો વૈજ્ઞાનિક તપાસમાં માનવીય નિર્ણયની કેન્દ્રીય ભૂમિકા બદલી નાખ્યા વિના સાદ્ધાંતિક કાર્યના મહત્વના પાસાઓને વધુ સુવ્યવસ્થિત બનાવવામાં મદદરૂપ થઈ શકે છે.

લેખક

OpenAI

વાંચતા રહો

બધું જુઓ

Introducing the OpenAI Partner Network

પ્રોડક્ટ14 જૂન, 2026

OpenAI Onaનું અધિગ્રહણ કરશે

કંપની11 જૂન, 2026

તમારા Oracle ક્લાઉડ કમિટમેન્ટ દ્વારા OpenAI મોડલ અને Codex ઍક્સેસ કરો

કંપની10 જૂન, 2026