GPT‑5 નો પરિચય
અમારું અત્યાર સુધીનું સૌથી બુદ્ધિશાળી, ઝડપી અને ઉપયોગી મોડલ, જેમાં બિલ્ટ-ઇન વિચારશક્તિ છે જે નિષ્ણાત-સ્તરની બુદ્ધિમત્તા સૌના હાથમાં મૂકે છે.
અમે GPT‑5 રજૂ કરી રહ્યા છીએ, જે અમારી અત્યાર સુધીની શ્રેષ્ઠ AI સિસ્ટમ છે. GPT‑5 અમારી અગાઉની બધી મોડલો કરતાં બુદ્ધિમત્તામાં નોંધપાત્ર છલાંગ છે, જેમાં કોડિંગ, ગણિત, લેખન, આરોગ્ય, દૃશ્ય ગ્રહણશક્તિ અને વધુ ક્ષેત્રોમાં state-of-the-art પ્રદર્શન છે. આ એક એકીકૃત સિસ્ટમ છે જેને ખબર છે કે ક્યારે ઝડપી જવાબ આપવો અને ક્યારે નિષ્ણાત-સ્તરના જવાબો આપવા માટે વધુ લાંબો વિચાર કરવો. GPT‑5 બધા વપરાશકર્તાઓ માટે ઉપલબ્ધ છે, જેમાં Plus સબ્સ્ક્રાઇબરોને વધુ ઉપયોગ મળે છે, અને Pro સબ્સ્ક્રાઇબરોને GPT‑5 pro નો ઍક્સેસ મળે છે, જે વધુ વ્યાપક અને ચોક્કસ જવાબો માટે વિસ્તૃત reasoning ધરાવતું સંસ્કરણ છે.
GPT‑5 એક એકીકૃત સિસ્ટમ છે જેમાં સ્માર્ટ, કાર્યક્ષમ મોડલ છે જે મોટાભાગના પ્રશ્નોના જવાબ આપે છે, કઠિન સમસ્યાઓ માટે વધુ ઊંડું reasoning મોડલ (GPT‑5 thinking) છે, અને રિયલ-ટાઇમ રૂટર છે જે સંવાદના પ્રકાર, જટિલતા, tool ની જરૂરિયાતો અને તમારા સ્પષ્ટ ઇરાદા આધારે કયું વાપરવું તે ઝડપથી નક્કી કરે છે (ઉદાહરણ તરીકે, જો તમે પ્રોમ્પ્ટમાં “think hard about this” કહો). રૂટર સતત વાસ્તવિક સંકેતો પર તાલીમ પામે છે, જેમાં વપરાશકર્તાઓ ક્યારે મોડલ બદલે છે, જવાબો માટેની પસંદગી દરો, અને માપેલી યોગ્યતા શામેલ છે, અને સમય જતાં સુધરે છે. એકવાર ઉપયોગ મર્યાદા પહોંચી જાય પછી, દરેક મોડલનું mini સંસ્કરણ બાકી ક્વેરીઝ સંભાળે છે. નજીકના ભવિષ્યમાં, અમે આ ક્ષમતાઓને એક જ મોડલમાં એકીકૃત કરવાની યોજના ધરાવીએ છીએ.
GPT‑5 માત્ર બેન્ચમાર્ક્સ પર અગાઉની મોડલો કરતાં ઉત્તમ પ્રદર્શન જ કરતું નથી અને પ્રશ્નોના જવાબો વધુ ઝડપથી આપે છે, પરંતુ સૌથી મહત્વનું એ છે કે તે વાસ્તવિક દુનિયાની ક્વેરીઝ માટે વધુ ઉપયોગી છે. અમે hallucinations ઘટાડવામાં, સૂચનાઓનું પાલન સુધારવામાં અને અંધ-સંમતિને ઓછું કરવામાં નોંધપાત્ર પ્રગતિ કરી છે, સાથે જ ChatGPT ના ત્રણ સૌથી સામાન્ય ઉપયોગોમાં GPT‑5 નું પ્રદર્શન વધુ મજબૂત બનાવ્યું છે: લેખન, કોડિંગ અને આરોગ્ય.
GPT‑5 આજદિન સુધીનું અમારું સૌથી મજબૂત કોડિંગ મોડલ છે. તેમાં ખાસ કરીને જટિલ front‑end generation અને મોટા repositories નું debuggingમાં સુધારો જોવા મળે છે. તે ઘણીવાર માત્ર એક જ પ્રોમ્પ્ટમાં સૌંદર્યબોધ સાથે સુંદર અને responsive વેબસાઇટ્સ, એપ્સ અને ગેમ્સ બનાવી શકે છે, અને વિચારને સ્વાભાવિક તથા રુચિસભર રીતે હકીકતમાં ફેરવે છે. પ્રારંભિક પરીક્ષકોએ તેની ડિઝાઇન પસંદગીઓની પણ નોંધ લીધી, જેમાં spacing, typography અને white space જેવી બાબતોની ઘણી સારી સમજ જોવા મળી. GPT‑5 ડેવલપરો માટે શું શક્ય બનાવે છે તેની સંપૂર્ણ વિગતો માટે અહીં જુઓ.
માત્ર એક જ પ્રોમ્પ્ટથી GPT‑5 એ શું બનાવ્યું છે તેના કેટલાક ઉદાહરણો અહીં છે:
પ્રોમ્પ્ટ: એક જ HTML ફાઇલમાં નીચેની આવશ્યકતાઓ સાથે સિંગલ-પેજ એપ બનાવો:
- નામ: Jumping Ball Runner
- લક્ષ્ય: શક્ય તેટલો લાંબો સમય ટકી રહેવા માટે અવરોધો પરથી કૂદવું.
- સુવિધાઓ: વધતી ઝડપ, હાઈ સ્કોર ટ્રેકિંગ, ફરી પ્રયાસ બટન, અને ક્રિયાઓ તથા ઘટનાઓ માટે મજેદાર અવાજો.
- UI રંગીન હોવો જોઈએ, જેમાં પેરાલેક્સ સ્ક્રોલિંગ બેકગ્રાઉન્ડ હોય.
- પાત્રો કાર્ટૂન જેવા દેખાવા જોઈએ અને જોવામાં મજેદાર હોવા જોઈએ.
- રમત સૌ માટે આનંદદાયક હોવી જોઈએ.
GPT‑5 અત્યાર સુધીનો અમારો સૌથી સક્ષમ લેખન સહયોગી છે, જે તમને અસ્પષ્ટ વિચારોને આકર્ષક, ગુંજતા લેખનમાં સાહિત્યિક ઊંડાણ અને લય સાથે દોરી જવામાં અને અનુવાદિત કરવામાં મદદ કરી શકે છે. તે રચનાત્મક અસ્પષ્ટતા ધરાવતા લેખનને વધુ વિશ્વસનીય રીતે સંભાળે છે, જેમ કે અણતુકાંત iambic pentameter જાળવવું અથવા સ્વાભાવિક રીતે વહેતું free verse, જે form માટે માન અને અભિવ્યક્તિની સ્પષ્ટતાને જોડે છે. આ સુધારેલી લેખન ક્ષમતાઓનો અર્થ એ છે કે ChatGPT હવે રિપોર્ટ, ઇમેઇલ, મેમો અને વધુ જેવી દૈનિક કાર્યોમાં ડ્રાફ્ટિંગ અને સંપાદનમાં તમને વધુ સારી રીતે મદદ કરી શકે છે. GPT‑5 અને GPT‑4o ની લખાણ શૈલીઓની સરખામણી નીચેના કોષ્ટકમાં કરી શકાય છે.
આરોગ્ય સંબંધિત પ્રશ્નો માટે GPT‑5 અત્યાર સુધીનું અમારું શ્રેષ્ઠ મોડલ છે, જે વપરાશકર્તાઓને તેમના આરોગ્ય વિશે જાણકારી મેળવવા અને તેના માટે વકીલાત કરવાની શક્તિ આપે છે. મોડલ HealthBench પર અગાઉની કોઈપણ મોડલ કરતાં નોંધપાત્ર ઊંચું સ્કોર કરે છે, જે અમે આ વર્ષના અગાઉના ભાગમાં વાસ્તવિક પરિસ્થિતિઓ અને ડોક્ટર-વ્યાખ્યાયિત માપદંડો આધારિત મૂલ્યાંકન તરીકે પ્રકાશિત કર્યું હતું. અગાઉની મોડલોની તુલનામાં, તે વધુ સક્રિય વિચાર ભાગીદારની જેમ વર્તે છે, સંભવિત ચિંતાઓને પ્રાક્તિય રીતે ચિહ્નિત કરે છે અને વધુ મદદરૂપ જવાબો આપવા પ્રશ્નો પૂછે છે. મોડલ હવે વધુ ચોક્કસ અને વિશ્વસનીય જવાબો પણ આપે છે, જે વપરાશકર્તાના સંદર્ભ, જ્ઞાન સ્તર અને ભૂગોળને અનુરૂપ થાય છે, અને તેને વિવિધ પરિસ્થિતિઓમાં વધુ સુરક્ષિત તથા મદદરૂપ જવાબો આપવા સક્ષમ બનાવે છે. મહત્વપૂર્ણ રીતે, ChatGPT કોઈ તબીબી નિષ્ણાતનો વિકલ્પ નથી. તેને એવા ભાગીદાર તરીકે વિચારો કે જે તમને પરિણામો સમજવામાં, પ્રદાતાઓ સાથેના મર્યાદિત સમયમાં યોગ્ય પ્રશ્નો પૂછવામાં, અને નિર્ણયો લેતા વિકલ્પોનું મૂલ્યાંકન કરવામાં મદદ કરે.
વિભાગો અનુસાર GPT‑5 અમારી અગાઉની મોડલો કરતાં કેવી રીતે વધુ સારું છે—વધુ સમૃદ્ધ, વધુ વિગતવાર અને ઉપયોગી—તેના કેટલાક ઉદાહરણો અહીં જુઓ:
GPT-4o
GPT-5
GPT‑5 નો પ્રતિભાવ વધુ શક્તિશાળી અંત, સ્પષ્ટ imagery અને પ્રભાવશાળી રૂપકો (“black flags of a country that no longer exists,” “Kyoto’s bell rolls evening down the hill”) સાથે મોટા ભાવનાત્મક પ્રવાહને સારી રીતે પકડી લે છે, જે સંસ્કૃતિ અને સ્થળનો જીવંત અહેસાસ સ્થાપિત કરે છે. GPT‑4o નું સંસ્કરણ વધુ અનુમાનિત રચના અને rhyme scheme અનુસરે છે, જેમાં બતાવવાને બદલે કહેવામાં આવે છે (“she weeps and doesn’t tell”).
*આપેલા પ્રોમ્પ્ટ માટે બંનેમાં જે મોડલ વધુ સારું પ્રદર્શન કરતું હતું તેના આધારે અમે 4o અને OpenAI o3 વચ્ચેનો પ્રતિભાવ પસંદ કર્યો.
ગણિત, કોડિંગ, દૃશ્ય ગ્રહણશક્તિ અને આરોગ્યમાં ખાસ કરીને શૈક્ષણિક અને માનવી-મૂલ્યાંકિત બેન્ચમાર્ક્સ પરના તેના પ્રદર્શન મુજબ GPT‑5 સર્વત્ર ઘણી વધુ બુદ્ધિશાળી છે. તે ગણિતમાં (ટૂલ્સ વિના AIME 2025 પર 94.6%), વાસ્તવિક દુનિયાના કોડિંગમાં (SWE-bench Verified પર 74.9%, Aider Polyglot પર 88%), મલ્ટિમોડલ સમજણમાં (MMMU પર 84.2%), અને આરોગ્યમાં (HealthBench Hard પર 46.2%) નવા state of the art સ્થાપિત કરે છે—અને આ સુધારાઓ દૈનિક ઉપયોગમાં પણ દેખાય છે. GPT‑5 pro ની વિસ્તૃત reasoning સાથે, મોડલ GPQA પર પણ નવું SOTA સ્થાપિત કરે છે, જ્યાં ટૂલ્સ વિના 88.4% સ્કોર કરે છે.
*ટૂલ્સ સાથેના AIME પરિણામોની ટૂલ ઍક્સેસ વગરના મોડલોની કામગીરી સાથે સીધી તુલના ન કરવી જોઈએ. તે GPT‑5 ઉપલબ્ધ tools નો કેટલો અસરકારક ઉપયોગ કરે છે તેનું ઉદાહરણ છે.
બધા SWE-bench મૂલ્યાંકન રન n=477 verified tasks ના સ્થિર subset નો ઉપયોગ કરે છે, જેને અમારી આંતરિક infrastructure પર માન્ય કરવામાં આવ્યા છે.
GPT‑5 સૂચનાઓનું પાલન અને એજન્ટિક tool ઉપયોગ ચકાસતા બેન્ચમાર્ક્સમાં નોંધપાત્ર પ્રગતિ બતાવે છે, એવી ક્ષમતાઓ જે તેને multi-step વિનંતીઓને વિશ્વસનીય રીતે અમલમાં મૂકવા, વિવિધ tools વચ્ચે સંકલન કરવા અને સંદર્ભમાં ફેરફારોને અનુરૂપ થવા દે છે. પ્રયોગમાં, તેનો અર્થ એ થાય છે કે તે જટિલ અને બદલાતી કાર્યોને સંભાળવામાં વધુ સારું છે. GPT‑5 તમારી સૂચનાઓનું વધુ વફાદારીથી પાલન કરી શકે છે અને તેની પાસે ઉપલબ્ધ tools નો ઉપયોગ કરીને કામનું વધુ મોટું ભાગ end-to-end પૂર્ણ કરી શકે છે.
મોડલ વિવિધ મલ્ટિમોડલ બેન્ચમાર્ક્સમાં ઉત્તમ છે, જેમાં visual, video-based, spatial અને scientific reasoning શામેલ છે. વધુ મજબૂત મલ્ટિમોડલ પ્રદર્શનનો અર્થ એ છે કે ChatGPT images અને અન્ય non-text inputs પર વધુ ચોક્કસ રીતે reasoning કરી શકે છે—ચાહે તે ચાર્ટનું અર્થઘટન કરવું હોય, પ્રેઝન્ટેશનના ફોટાનો સાર આપવો હોય, અથવા ડાયાગ્રામ વિશેના પ્રશ્નોના જવાબ આપવા હોય.
GPT‑5 જટિલ, આર્થિક રીતે મૂલ્યવાન જ્ઞાન આધારિત કામોમાં પ્રદર્શન માપતા આંતરિક બેન્ચમાર્ક પર પણ અમારું શ્રેષ્ઠ પ્રદર્શન કરતું મોડલ છે. reasoning નો ઉપયોગ કરતી વખતે, GPT‑5 લગભગ અડધી કિસ્સાઓમાં નિષ્ણાતો જેટલું અથવા તેનાથી વધુ સારું છે, અને કાયદા, લોજિસ્ટિક્સ, વેચાણ અને એન્જિનિયરિંગ સહિત 40 થી વધુ વ્યવસાયો આવરી લેતા કાર્યોમાં o3 અને ChatGPT Agent કરતાં સારું પ્રદર્શન કરે છે.
ઉપરના મૂલ્યાંકનો માટેની પદ્ધતિ: GPT‑4o માટેના પરિણામો August 2025 મુજબ ChatGPT માંના મોડલના સૌથી તાજેતરના સંસ્કરણને પ્રતિબિંબિત કરે છે. બધા મોડલોનું મૂલ્યાંકન ઊંચી ‘reasoning effort’ settings પર કરવામાં આવે છે. ChatGPT માં reasoning effort બદલાઈ શકે છે, જેમાં high તે ઊંચી મર્યાદા દર્શાવે છે જે વપરાશકર્તા મોડલ વાપરતી વખતે અનુભવી શકે.
GPT‑5 ઓછા વિચાર સમયમાં વધુ મૂલ્ય મેળવે છે. અમારા મૂલ્યાંકનોમાં, GPT‑5 (with thinking) visual reasoning, agentic coding અને graduate-level scientific problem solving સહિતની ક્ષમતાઓમાં OpenAI o3 કરતાં 50-80% ઓછા output tokens સાથે વધુ સારું પ્રદર્શન કરે છે.
GPT‑5 ને Microsoft Azure AI supercomputers પર તાલીમ આપવામાં આવી હતી.
GPT‑5 માં અમારી અગાઉની મોડલોની તુલનામાં hallucinate થવાની શક્યતા નોંધપાત્ર રીતે ઓછી છે. ChatGPT production traffic નું પ્રતિનિધિત્વ કરતા anonymized prompts પર web search સક્ષમ રાખીને, GPT‑5 ના જવાબોમાં GPT‑4o કરતાં તથ્યાત્મક ભૂલ હોવાની શક્યતા લગભગ 45% ઓછી છે, અને thinking સાથે GPT‑5 ના જવાબોમાં OpenAI o3 કરતાં તથ્યાત્મક ભૂલ હોવાની શક્યતા લગભગ 80% ઓછી છે.
અમે ખાસ કરીને જટિલ, ખુલ્લા અંતવાળા પ્રશ્નો પર reasoning કરતી વખતે અમારા મોડલોને વધુ વિશ્વસનીય બનાવવામાં રોકાણ કર્યું છે. તે મુજબ, ખુલ્લા અંતવાળી factuality ને stress-test કરવા માટે અમે નવા મૂલ્યાંકનો ઉમેર્યા છે. અમે બે જાહેર factuality benchmarks માંથી ખુલ્લા અંતવાળા fact-seeking prompts પર thinking કરતી વખતે GPT‑5 નો hallucination દર માપ્યો: LongFact(નવી વિન્ડોમાં ખૂલે છે) (concepts અને objects) અને FActScore(નવી વિન્ડોમાં ખૂલે છે). આ તમામ બેન્ચમાર્ક્સમાં “GPT‑5 thinking” hallucinations માં તીવ્ર ઘટાડો દર્શાવે છે—o3 કરતાં આશરે છ ગણાં ઓછા—જે સતત ચોક્કસ long-form content ઉત્પન્ન કરવામાં સ્પષ્ટ મોટી પ્રગતિ દર્શાવે છે. આ benchmarks પરના અમારા મૂલ્યાંકનો માટેની implementation અને grading વિગતો system card માં મળી શકે છે.
સુધારેલી factuality સાથે, GPT‑5 (with thinking) વપરાશકર્તાને તેની ક્રિયાઓ અને ક્ષમતાઓ વિશે વધુ ઈમાનદારીથી જાણ કરે છે—ખાસ કરીને એવા કાર્યો માટે જે અશક્ય હોય, અધૂરા રીતે નિર્દેશિત હોય, અથવા મહત્વના tools વિના હોય. તાલીમ દરમિયાન ઊંચો reward મેળવવા માટે, reasoning મોડલો ક્યારેક કાર્ય સફળતાપૂર્વક પૂર્ણ થયાનું ખોટું કહેવું શીખી શકે છે અથવા અનિશ્ચિત જવાબ વિશે અતિશય આત્મવિશ્વાસી બની શકે છે. ઉદાહરણ તરીકે, આ તપાસવા માટે અમે multimodal benchmark CharXiv ના prompts માંથી બધી images દૂર કરી દીધી, અને જોવા મળ્યું કે OpenAI o3 હજુ પણ 86.7% વખત અસ્તિત્વમાં ન હોય તેવી images વિશે આત્મવિશ્વાસપૂર્વક જવાબ આપતું હતું, જ્યારે GPT‑5 માટે આ પ્રમાણ માત્ર 9% હતું.
reasoning કરતી વખતે, GPT‑5 વધુ ચોક્કસ રીતે ઓળખે છે કે ક્યારે કાર્યો પૂર્ણ થઈ શકતા નથી અને તેની મર્યાદાઓ સ્પષ્ટ રીતે વ્યક્ત કરે છે. અમે અશક્ય coding tasks અને ગૂમ multimodal assets ધરાવતા પરિપ્રેક્ષ્યોમાં deception rates નું મૂલ્યાંકન કર્યું અને જાણવા મળ્યું કે GPT‑5 (with thinking) સર્વત્ર o3 કરતાં ઓછું ભ્રામક છે. વાસ્તવિક production ChatGPT traffic નું પ્રતિનિધિત્વ કરતા મોટા સંવાદ સમૂહમાં, deception rates ને અમે o3 માટે 4.8% થી ઘટાડીને GPT‑5 reasoning responses માટે 2.1% કર્યા છે. વપરાશકર્તાઓ માટે આ અર્થપૂર્ણ સુધારો છે, છતાં હજુ વધુ કામ બાકી છે, અને અમે અમારા મોડલોની factuality અને honesty સુધારવા માટે સંશોધન ચાલુ રાખી રહ્યા છીએ. વધુ વિગતો system card માં મળી શકે છે.
નિવારણ પહેલાં
નિવારણ પછી
GPT‑5 સલામતીમાં અત્યાધુનિક સીમાને આગળ ધપાવે છે. પહેલાં, ChatGPT મુખ્યત્વે refusal-based safety training પર નિર્ભર હતું: વપરાશકર્તાના પ્રોમ્પ્ટના આધારે, મોડલે અથવા પાલન કરવું અથવા ઇનકાર કરવો. જ્યારે આ પ્રકારની તાલીમ સ્પષ્ટ રીતે દુર્ભાવનાપૂર્ણ prompts માટે સારી રીતે કાર્ય કરે છે, ત્યારે વપરાશકર્તાનો ઇરાદો અસ્પષ્ટ હોય અથવા માહિતીનો ઉપયોગ હાનિરહિત અથવા દુર્ભાવનાપૂર્ણ બંને રીતે થઈ શકે તેવી પરિસ્થિતિઓમાં તેને સંભાળવામાં મુશ્કેલી પડી શકે છે. virology જેવા દ્વિ-ઉપયોગી ક્ષેત્રોમાં refusal training ખાસ કરીને અનમનસી છે, જ્યાં હાનિરહિત વિનંતીનું ઊંચા સ્તરે સુરક્ષિત રીતે નિર્વહણ થઈ શકે, પરંતુ વિગતવાર પૂરું કરાય તો ખરાબ કૃત્યકર્તાને સક્ષમ બનાવી શકે.
GPT‑5 માટે, અમે safety-training નું એક નવું સ્વરૂપ રજૂ કર્યું — safe completions — જે મોડલને સલામતીની મર્યાદાઓમાં રહીને શક્ય હોય ત્યાં સૌથી મદદરૂપ જવાબ આપવા શીખવે છે. ક્યારેક તેનો અર્થ વપરાશકર્તાના પ્રશ્નનો ભાગરૂપે જવાબ આપવો અથવા માત્ર ઊંચા સ્તરે જવાબ આપવો હોઈ શકે. જો મોડલને ઇનકાર કરવાની જરૂર પડે, તો GPT‑5 ને પારદર્શક રીતે જણાવવા માટે તાલીમ આપવામાં આવી છે કે તે શા માટે ઇનકાર કરે છે, તેમજ સુરક્ષિત વિકલ્પો પણ આપે છે. નિયંત્રિત પ્રયોગો અને અમારા production models બંનેમાં, અમને જણાયું કે આ અભિગમ વધુ સૂક્ષ્મ છે, જે દ્વિ-ઉપયોગી પ્રશ્નોમાં વધુ સારી નેવિગેશન, અસ્પષ્ટ ઇરાદા સામે વધુ મજબૂતી, અને ઓછા અનાવશ્યક overrefusals શક્ય બનાવે છે. safety-training માટેના અમારા નવા અભિગમ વિશે વધુ વાંચો, તેમજ પદ્ધતિ, metrics અને results ની સંપૂર્ણ વિગતો અમારા safe completion paper માં જુઓ.
પ્રોમ્પ્ટ ઇરાદાના પ્રકારોમાં સલામતી અને મદદરૂપતા (સુરક્ષિત જવાબો આપવામાં આવ્યા હોય ત્યારે). GPT‑5 (with thinking) બધા પ્રોમ્પ્ટ ઇરાદા પ્રકારોમાં વધુ ઊંચી સલામતી અને વધુ મોટી મદદરૂપતા બંને દર્શાવે છે.
કુલ મળીને, GPT‑5 ઓછું અતિશય સહમતિવાળું છે, ઓછા અનાવશ્યક emojis નો ઉપયોગ કરે છે, અને GPT‑4o ની તુલનામાં follow‑ups માં વધુ સૂક્ષ્મ અને વિચારશીલ છે. તે “AI સાથે વાત” કરતા ઓછું અને મદદરૂપ મિત્ર સાથે ગપ્સપ કરતા વધુ લાગવું જોઈએ, જેમાં PhD‑સ્તરની બુદ્ધિમત્તા હોય.
આ વર્ષની શરૂઆતમાં, અમે GPT‑4o માટે અપડેટ જાહેર કર્યું હતું, જેને અજાણતા મોડલને અતિશય અંધ-સંમતિભર્યું, અથવા અતિશય ખુશામતખોર અને સહમતિવાળું બનાવી દીધું. અમે ઝડપથી તે ફેરફાર પાછો ખેંચ્યો અને ત્યારથી આ વર્તનને સમજવા અને ઘટાડવા માટે કામ કર્યું છે:
- અંધ-સંમતિના સ્તરો માપવા નવા મૂલ્યાંકનો વિકસાવવા.
- અમારી તાલીમ સુધારવી જેથી મોડલ ઓછું અંધ-સંમતિભર્યું બને—ઉદાહરણ તરીકે, સામાન્ય રીતે અતિ-સહમતિ તરફ દોરી જતાં ઉદાહરણો ઉમેરવા અને પછી તેને એવું ન કરવાનું શીખવવું.
ખાસ કરીને અંધ-સંમતિભર્યા જવાબો મેળવવા માટે રચાયેલા prompts નો ઉપયોગ કરીને કરાયેલા લક્ષિત મૂલ્યાંકનોમાં, GPT‑5 એ અંધ-સંમતિભર્યા પ્રતિભાવો અર્થપૂર્ણ રીતે ઘટાડ્યા (14.5% થી 6% કરતાં ઓછા). ક્યારેક અંધ-સંમતિ ઘટાડવાથી વપરાશકર્તા સંતોષમાં ઘટાડો આવી શકે છે, પરંતુ અમે કરેલા સુધારાઓએ અંધ-સંમતિને અડધાથી વધુ ઘટાડી અને સાથે અન્ય માપી શકાય એવા લાભો પણ આપ્યા, તેથી વપરાશકર્તાઓ હજુ પણ ઉચ્ચ ગુણવત્તાવાળી, રચનાત્મક વાતચીત કરે છે—અમારા લોકોને ChatGPT સારી રીતે ઉપયોગ કરવામાં મદદ કરવા ના લક્ષ્ય સાથે સુસંગત રીતે.
GPT‑5 સૂચનાઓનું પાલન કરવામાં નોંધપાત્ર રીતે વધુ સારું છે, અને અમે custom instructions અનુસરવાની તેની ક્ષમતામાં સંબંધિત સુધારો જોઈ રહ્યા છીએ.
અમે steerability માં થયેલા સુધારાઓને કારણે બધા ChatGPT વપરાશકર્તાઓ માટે ચાર નવી preset personalities નું research preview પણ લોન્ચ કરી રહ્યા છીએ. આ personalities, જે શરૂઆતમાં text chat માટે ઉપલબ્ધ છે અને બાદમાં Voice માં આવશે, તમને custom prompts લખ્યા વગર ChatGPT કેવી રીતે પરસ્પર ક્રિયા કરે તે નક્કી કરવાની સુવિધા આપે છે—ચાહે સંક્ષિપ્ત અને વ્યાવસાયિક, વિચારશીલ અને સહાયક, અથવા થોડું વ્યંગાત્મક. ચાર પ્રારંભિક વિકલ્પો, Cynic, Robot, Listener, અને Nerd, opt-in છે, settings માં ક્યારેય સમાયોજિત કરી શકાય છે, અને તમારી સંચાર શૈલી સાથે મેળ ખાતા રીતે રચાયેલા છે.
આ બધી નવી personalities અંધ-સંમતિ ઘટાડવા માટેના અમારા આંતરિક evals માં અમારા ધોરણને પૂર્ણ કરે છે અથવા તેનાથી વધુ છે.
પ્રારંભિક પ્રતિસાદ આધારે શીખવા અને પુનરાવર્તન કરવાની અમે આતુરતાથી રાહ જોઈ રહ્યા છીએ.
અમે “GPT‑5 thinking” મોડલને Biological અને Chemical ક્ષેત્રમાં High capability તરીકે ગણવાનું નક્કી કર્યું છે, અને સંબંધિત જોખમોને પૂરતા પ્રમાણમાં ઓછા કરવા માટે મજબૂત safeguards અમલમાં મૂક્યા છે. અમે અમારા Preparedness Framework હેઠળની safety evaluations સાથે મોડલનું કડક પરીક્ષણ કર્યું, જેમાં CAISI અને UK AISI જેવા ભાગીદારો સાથે 5,000 કલાકનું red-teaming પૂર્ણ કર્યું.
ChatGPT Agent માટેના અમારા અભિગમની જેમ, જ્યારે અમારી પાસે સ્પષ્ટ પુરાવો નથી કે આ મોડલ નવશીખિયાને ગંભીર જૈવિક નુકસાન પહોંચાડવામાં અર્થપૂર્ણ મદદ કરી શકે—અમારી વ્યાખ્યાયિત મર્યાદા(નવી વિન્ડોમાં ખૂલે છે) મુજબ High capability માટે—તેમ છતાં અમે સાવચેતીભર્યો અભિગમ અપનાવી રહ્યા છીએ અને આવી ક્ષમતાઓ ઉપલબ્ધ થાય ત્યારે તૈયારી વધારવા માટે જરૂરી safeguards હમણાં જ સક્રિય કરી રહ્યા છીએ. પરિણામે, “GPT‑5 thinking” પાસે biology માટે બહુસ્તરીય રક્ષણ પ્રણાલી સાથે મજબૂત safety stack છે: વ્યાપક threat modeling, અમારા નવા safe completions paradigm દ્વારા મોડલને હાનિકારક સામગ્રી આઉટપુટ ન કરવા તાલીમ, હંમેશાં સક્રિય classifiers અને reasoning monitors, અને સ્પષ્ટ enforcement pipelines.
GPT‑5 માટેના અમારા મજબૂત safety અભિગમ વિશે વધુ વાંચો અમારા system card માં.
સૌથી પડકારજનક અને જટિલ કાર્યો માટે, અમે GPT‑5 pro પણ રજૂ કરી રહ્યા છીએ, જે OpenAI o3‑pro ને બદલે છે. આ GPT‑5 નો એવો variant છે જે વધુ લાંબો સમય વિચારે છે, scaled પણ કાર્યક્ષમ parallel test-time compute નો ઉપયોગ કરીને સૌથી ઉચ્ચ ગુણવત્તાવાળા અને સૌથી વ્યાપક જવાબો આપે છે. GPT‑5 pro GPT‑5 પરિવારના અનેક પડકારજનક બુદ્ધિમત્તા બેન્ચમાર્ક્સમાં સર્વોચ્ચ પ્રદર્શન હાંસલ કરે છે, જેમાં GPQA પરનું state-of-the-art પ્રદર્શન પણ છે, જેમાં અત્યંત કઠિન વિજ્ઞાન પ્રશ્નો શામેલ છે.
1000 થી વધુ આર્થિક રીતે મૂલ્યવાન, વાસ્તવિક દુનિયાના reasoning prompts પરના મૂલ્યાંકનોમાં, બાહ્ય નિષ્ણાતોએ 67.8% વખત GPT‑5 pro ને "GPT‑5 thinking" કરતાં વધુ પસંદ કર્યું. GPT‑5 pro એ 22% ઓછા મોટા ભૂલો કરી અને આરોગ્ય, વિજ્ઞાન, ગણિત અને કોડિંગમાં ઉત્તમતા દર્શાવી. નિષ્ણાતોએ તેના જવાબોને સંબંધિત, ઉપયોગી અને વ્યાપક ગણાવ્યા.
GPT‑5 હવે ChatGPT માં નવું default છે, જે signed-in વપરાશકર્તાઓ માટે GPT‑4o, OpenAI o3, OpenAI o4-mini, GPT‑4.1 અને GPT‑4.5 ને બદલે છે. ફક્ત ChatGPT ખોલો અને તમારો પ્રશ્ન ટાઇપ કરો; GPT‑5 બાકીનું બધું સંભાળી લે છે, અને જ્યારે જવાબને તેનું લાભ મળે ત્યારે આપમેળે reasoning લાગુ કરે છે. ચૂકવણી કરનાર વપરાશકર્તાઓ model picker માંથી હજુ પણ “GPT‑5 Thinking” પસંદ કરી શકે છે, અથવા જવાબ જનરેટ કરતી વખતે reasoning વપરાય તેની ખાતરી કરવા માટે પ્રોમ્પ્ટમાં ‘think hard about this’ જેવી કંઈક લખી શકે છે.
GPT‑5 આજથી બધા Plus, Pro, Team અને Free વપરાશકર્તાઓ માટે રોલ આઉટ થવાનું શરૂ થઈ રહ્યું છે, જ્યારે Enterprise અને Edu માટેનો ઍક્સેસ આવતા અઠવાડિયે આવશે. Pro, Plus અને Team વપરાશકર્તાઓ ChatGPT સાથે sign in કરીને Codex CLI(નવી વિન્ડોમાં ખૂલે છે) માં પણ GPT‑5 સાથે કોડિંગ શરૂ કરી શકે છે.
GPT‑4o ની જેમ, GPT‑5 માટે મફત અને ચૂકવેલ ઍક્સેસ વચ્ચેનો ફરક ઉપયોગની માત્રા છે. Pro સબ્સ્ક્રાઇબરોને GPT‑5 માટે અમર્યાદિત ઍક્સેસ મળે છે, અને GPT‑5 Pro નો પણ ઍક્સેસ મળે છે. Plus વપરાશકર્તાઓ દૈનિક પ્રશ્નો માટે તેને પોતાના default મોડલ તરીકે આરામથી વાપરી શકે છે, જેમાં મફત વપરાશકર્તાઓ કરતાં નોંધપાત્ર ઊંચો ઉપયોગ મળે છે. Team, Enterprise અને Edu ગ્રાહકો પણ દૈનિક કામ માટે GPT‑5 ને પોતાના default મોડલ તરીકે આરામથી વાપરી શકે છે, જેમાં ઉદાર મર્યાદાઓ છે જે આખી સંસ્થાઓ માટે GPT‑5 પર નિર્ભર રહેવું સરળ બનાવે છે. ChatGPT ના free-tier વપરાશકર્તાઓ માટે, સંપૂર્ણ reasoning ક્ષમતાઓને સંપૂર્ણ રીતે રોલ આઉટ થવામાં થોડા દિવસ લાગી શકે છે. એકવાર મફત વપરાશકર્તાઓ GPT‑5 ની પોતાની ઉપયોગ મર્યાદા સુધી પહોંચે, પછી તેઓ GPT‑5 mini તરફ પરિવર્તિત થશે, જે નાનું, ઝડપી અને અત્યંત સક્ષમ મોડલ છે.
લેખક
ફૂટનોટ્સ
*અમારી અગાઉની બ્લોગ પોસ્ટમાં દર્શાવાયેલા આંકડાઓમાં થોડો ફરક છે, કારણ કે તે HLE ના જૂના સંસ્કરણ પર ચલાવવામાં આવ્યા હતા.
**અમે જોયું કે MultiChallenge માં ડિફોલ્ટ ગ્રેડર (GPT-4o) વારંવાર મોડલના પ્રતિસાદને ખોટી રીતે સ્કોર કરે છે. અમને જણાયું કે o3-mini જેવા reasoning મોડલ સાથે ગ્રેડર બદલી દેવાથી અમે તપાસેલા નમૂનાઓમાં ગ્રેડિંગની ચોકસાઈ નોંધપાત્ર રીતે સુધરે છે.
***MMMUPro માટે અમે standard અને vision ના સ્કોરનો સરેરાશ લીધો.
યોગદાનકર્તાઓ
Aaditya Singh, Adam Fry, Adam Perelman, Adam Tart, Adi Ganesh, Ahmed El-Kishky, Aidan McLaughlin, Aiden Low, AJ Ostrow, Akhila Ananthram, Akshay Nathan, Alan Luo, Alec Helyar, Aleksander Madry, Aleksandr Efremov, Aleksandra Spyra, Alex Baker-Whitcomb, Alex Beutel, Alex Karpenko, Alex Makelov, Alex Neitz, Alex Wei, Alexandra Barr, Alexandre Kirchmeyer, Alexey Ivanov, Alexi Christakis, Alistair Gillespie, Allison Tam, Ally Bennett, Alvin Wan, Alyssa Huang, Amy McDonald Sandjideh, Amy Yang, Ananya Kumar, Andre Saraiva, Andrea Vallone, Andrei Gheorghe, Andres Garcia Garcia, Andrew Braunstein, Andrew Liu, Andrew Schmidt, Andrey Mereskin, Andrey Mishchenko, Andy Applebaum, Andy Rogerson, Ann Rajan, Annie Wei, Anoop Kotha, Anubha Srivastava, Anushree Agrawal, Arun Vijayvergiya, Ashley Tyra, Ashvin Nair, Avi Nayak, Ben Eggers, Bessie Ji, Beth Hoover, Bill Chen, Blair Chen, Boaz Barak, Borys Minaiev, Botao Hao, Bowen Baker, Brad Lightcap, Brandon McKinzie, Brandon Wang, Brendan Quinn, Brian Fioca, Brian Hsu, Brian Yang, Brian Yu, Brian Zhang, Brittany Brenner, Callie Riggins Zetino, Cameron Raymond, Camillo Lugaresi, Carolina Paz, Cary Hudson, Cedric Whitney, Chak Li, Charles Chen, Charlotte Cole, Chelsea Voss, Chen Ding, Chen Shen, Chengdu Huang, Chris Colby, Chris Hallacy, Chris Koch, Chris Lu, Christina Kaplan, Christina Kim, CJ Minott-Henriques, Cliff Frey, Cody Yu, Coley Czarnecki, Colin Reid, Colin Wei, Cory Decareaux, Cristina Scheau, Cyril Zhang, Cyrus Forbes, Da Tang, Dakota Goldberg, Dan Roberts, Dana Palmie, Daniel Kappler, Daniel Levine, Daniel Wright, Dave Leo, David Lin, David Robinson, Declan Grabb, Derek Chen, Derek Lim, Derek Salama, Dibya Bhattacharjee, Dimitris Tsipras, Dinghua Li, Dingli Yu, DJ Strouse, Drew Williams, Dylan Hunn, Ed Bayes, Edwin Arbus, Ekin Akyurek, Elaine Ya Le, Elana Widmann, Eli Yani, Elizabeth Proehl, Enis Sert, Enoch Cheung, Eri Schwartz, Eric Han, Eric Jiang, Eric Mitchell, Eric Sigler, Eric Wallace, Erik Ritter, Erin Kavanaugh, Evan Mays, Evgenii Nikishin, Fangyuan Li, Felipe Petroski Such, Filipe de Avila Belbute Peres, Filippo Raso, Florent Bekerman, Foivos Tsimpourlas, Fotis Chantzis, Francis Song, Francis Zhang, Gaby Raila, Garrett McGrath, Gary Briggs, Gary Yang, Giambattista Parascandolo, Gildas Chabot, Grace Kim, Grace Zhao, Gregory Valiant, Guillaume Leclerc, Hadi Salman, Hanson Wang, Hao Sheng, Haoming Jiang, Haoyu Wang, Haozhun Jin, Harshit Sikchi, Heather Schmidt, Henry Aspegren, Honglin Chen, Huida Qiu, Hunter Lightman, Ian Covert, Ian Kivlichan, Ian Silber, Ian Sohl, Ibrahim Hammoud, Ignasi Clavera, Ikai Lan, Ilge Akkaya, Ilya Kostrikov, Irina Kofman, Isak Etinger, Ishaan Singal, Jackie Hehir, Jacob Huh, Jacqueline Pan, Jake Wilczynski, Jakub Pachocki, James Lee, James Quinn, Jamie Kiros, Janvi Kalra, Jasmyn Samaroo, Jason Wang, Jason Wolfe, Jay Chen, Jay Wang, Jean Harb, Jeffrey Han, Jeffrey Wang, Jennifer Zhao, Jeremy Chen, Jerene Yang, Jerry Tworek, Jesse Chand, Jessica Landon, Jessica Liang, Ji Lin, Jiancheng Liu, Jianfeng Wang, Jie Tang, Jihan Yin, Joanne Jang, Joel Morris, Joey Flynn, Johannes Ferstad, Johannes Heidecke, John Fishbein, John Hallman, Jonah Grant, Jonathan Chien, Jonathan Gordon, Jongsoo Park, Jordan Liss, Jos Kraaijeveld, Joseph Guay, Joseph Mo, Josh Lawson, Josh McGrath, Joshua Vendrow, Joy Jiao, Julian Lee, Julie Steele, Julie Wang, Junhua Mao, Kai Chen, Kai Hayashi, Kai Xiao, Kamyar Salahi, Kan Wu, Karan Sekhri, Karan Sharma, Karan Singhal, Karen Li, Kenny Nguyen, Keren Gu-Lemberg, Kevin King, Kevin Liu, Kevin Stone, Kevin Yu, Kristen Ying, Kristian Georgiev, Kristie Lim, Kushal Tirumala, Kyle Miller, Lama Ahmad, Larry Lv, Laura Clare, Laurance Fauconnet, Lauren Itow, Lauren Yang, Laurentia Romaniuk, Leah Anise, Lee Byron, Leher Pathak, Leon Maksin, Leyan Lo, Leyton Ho, Li Jing, Liang Wu, Liang Xiong, Lien Mamitsuka, Lin Yang, Lindsay McCallum, Lindsey Held, Liz Bourgeois, Logan Engstrom, Lorenz Kuhn, Louis Feuvrier, Lu Zhang, Lucas Switzer, Lukas Kondraciuk, Lukasz Kaiser, Manas Joglekar, Mandeep Singh, Mandip Shah, Manuka Stratta, Marcus Williams, Mark Chen, Mark Sun, Marselus Cayton, Martin Li, Marvin Zhang, Marwan Aljubeh, Matt Nichols, Matthew Haines, Max Schwarzer, Mayank Gupta, Meghan Shah, Melody Huang, Meng Dong, Mengqing Wang, Mia Glaese, Micah Carroll, Michael Lampe, Michael Malek, Michael Sharman, Michael Zhang, Michele Wang, Michelle Pokrass, Mihai Florian, Mikhail Pavlov, Miles Wang, Ming Chen, Mingxuan Wang, Minnia Feng, Mo Bavarian, Molly Lin, Moose Abdool, Mostafa Rohaninejad, Nacho Soto, Natalie Staudacher, Natan LaFontaine, Nathan Marwell, Nelson Liu, Nick Preston, Nick Turley, Nicklas Ansman, Nicole Blades, Nikil Pancha, Nikita Mikhaylin, Niko Felix, Nikunj Handa, Nishant Rai, Nitish Keskar, Noam Brown, Ofir Nachum, Oleg Boiko, Oleg Murk, Olivia Watkins, Oona Gleeson, Pamela Mishkin, Patryk Lesiewicz, Paul Baltescu, Pavel Belov, Peter Zhokhov, Philip Pronin, Phillip Guo, Phoebe Thacker, Qi Liu, Qiming Yuan, Qinghua Liu, Rachel Dias, Rachel Puckett, Rahul Arora, Ravi Teja Mullapudi, Raz Gaon, Reah Miyara, Rennie Song, Rishabh Aggarwal, RJ Marsan, Robel Yemiru, Robert Xiong, Rohan Kshirsagar, Rohan Nuttall, Roman Tsiupa, Ronen Eldan, Rose Wang, Roshan James, Roy Ziv, Rui Shu, Ruslan Nigmatullin, Saachi Jain, Saam Talaie, Sam Altman, Sam Arnesen, Sam Toizer, Sam Toyer, Samuel Miserendino, Sandhini Agarwal, Sarah Yoo, Savannah Heon, Scott Ethersmith, Sean Grove, Sean Taylor, Sebastien Bubeck, Sever Banesiu, Shaokyi Amdo, Shengjia Zhao, Sherwin Wu, Shibani Santurkar, Shiyu Zhao, Shraman Ray Chaudhuri, Shreyas Krishnaswamy, Shuaiqi (Tony) Xia, Shuyang Cheng, Shyamal Anadkat, Simón Posada Fishman, Simon Tobin, Siyuan Fu, Somay Jain, Song Mei, Sonya Egoian, Spencer Kim, Spug Golden, SQ Mah, Steph Lin, Stephen Imm, Steve Sharpe, Steve Yadlowsky, Sulman Choudhry, Sungwon Eum, Suvansh Sanjeev, Tabarak Khan, Tal Stramer, Tao Wang, Tao Xin, Tarun Gogineni, Taya Christianson, Ted Sanders, Tejal Patwardhan, Thomas Degry, Thomas Shadwell, Tianfu Fu, Tianshi Gao, Timur Garipov, Tina Sriskandarajah, Toki Sherbakov, Tomer Kaftan, Tomo Hiratsuka, Tongzhou Wang, Tony Song, Tony Zhao, Troy Peterson, Val Kharitonov, Victoria Chernova, Vineet Kosaraju, Vishal Kuo, Vitchyr Pong, Vivek Verma, Vlad Petrov, Wanning Jiang, Weixing Zhang, Wenda Zhou, Wenlei Xie, Wenting Zhan, Wes McCabe, Will DePue, Will Ellsworth, Wulfie Bain, Wyatt Thompson, Xiangning Chen, Xiangyu Qi, Xin Xiang, Xinwei Shi, Yann Dubois, Yaodong Yu, Yara Khakbaz, Yifan Wu, Yilei Qian, Yin Tat Lee, Yinbo Chen, Yizhen Zhang, Yizhong Xiong, Yonglong Tian, Young Cha, Yu Bai, Yu Yang, Yuan Yuan, Yuanzhi Li, Yufeng Zhang, Yuguang Yang, Yujia Jin, Yun Jiang, Yunyun Wang, Yushi Wang, Yutian Liu, Zach Stubenvoll, Zehao Dou, Zheng Wu, Zhigang Wang
