GPT-6.1Sol

અમે રજૂ કરી રહ્યા છીએ GPT-6.1 Sol, જે GPT-6 Solનું ઉન્નત સંસ્કરણ છે અને એજન્ટિક કોડિંગ, કમ્પ્યુટરના ઉપયોગ તથા વ્યાવસાયિક કામમાં GPT-6 Astraના ઇન્ટેલિજન્સ સાથે લગભગ મેળ ખાય છે, તે પણ Astraના પ્રમાણભૂત ઇનપુટ અને આઉટપુટ ટોકન ભાવના પાંચમા ભાગની કિંમતે. કૅશ કરેલા ઇનપુટનો ખર્ચ પ્રતિ દસ લાખ ટોકન માત્ર $0.10છે—પ્રમાણભૂત ઇનપુટ કિંમત કરતાં 95% ઓછો અને GPT-6 Solની કૅશ કરેલા ઇનપુટની કિંમત કરતાં 50% ઓછો—જે વિકાસકર્તાઓને વિનંતીઓમાં સંદર્ભનો ફરી ઉપયોગ કરતા સક્ષમ એજન્ટ બનાવવા અને ચલાવવા માટે વધુ અવકાશ આપે છે.

વિવિધ કાર્યોમાં વધુ સક્ષમ Sol

મહત્ત્વના રોજિંદા કામ માટે GPT-6.1 Sol ક્ષમતા અને ખર્ચનું નવું સંતુલન આપે છે. કોડ લખવા અને તેમાંની ભૂલો સુધારવાથી માંડીને દસ્તાવેજો સમજવા તથા અનેક તબક્કાવાળી વ્યવસાયિક કાર્યપ્રક્રિયાઓ અમલમાં મૂકવા સુધીનાં જટિલ વ્યાવસાયિક કામમાં તે GPT-6 Sol કરતાં નોંધપાત્ર સુધારા આપે છે. આમાંનાં કેટલાંક મૂલ્યાંકનોમાં તે નોંધપાત્ર રીતે ઓછા ખર્ચે GPT-6 Astraના પ્રદર્શનની નજીક પહોંચે છે.

કોડિંગ

વાસ્તવિક કોડબેઝમાં જટિલ સૉફ્ટવેર એન્જિનિયરિંગ કાર્યોનું મૂલ્યાંકન કરતા DeepSWE v1.1 પર, GPT-6.1 Sol આશરે પાંચમા ભાગના ખર્ચે GPT-6 Astraની બરાબરી કરે છે. સાથે જ, ઓછા રિઝનિંગ પ્રયત્ન અને ખર્ચે તે GPT-6 Solના શ્રેષ્ઠ ગુણ કરતાં 6.4 ટકા અંક વધુ મેળવે છે.

વ્યાવસાયિક કામ

GDP.pdf એ માપે છે કે કોષ્ટકો, આલેખો, આકૃતિઓ અને ઝીણા અક્ષરોમાં આપેલી વિગતો ધરાવતા જટિલ PDF દસ્તાવેજોનો ઉપયોગ કરીને મોડલ વ્યાવસાયિક પ્રશ્નોના જવાબ કેટલી સચોટતાથી આપે છે. તેમાં પરીક્ષણ કરાયેલાં તમામ રિઝનિંગ સેટિંગમાં GPT-6.1 Sol, વૈકલ્પિક મોડલની મદદ લેતા Opus 5.5 કરતાં કાર્યદીઠ અડધાથી ઓછા ખર્ચે વધુ ગુણ મેળવે છે. તે કાર્યદીઠ આશરે પાંચમા ભાગના ખર્ચે GPT-6 Astraના સર્વાધુનિક પ્રદર્શનની પણ નજીક પહોંચે છે.

એજન્ટ અનેક તબક્કાવાળી વ્યવસાયિક કાર્યપ્રક્રિયાઓ યોગ્ય રીતે પૂર્ણ કરે છે કે નહીં તે માપતા AutomationBench પર, મીડિયમ રિઝનિંગ પ્રયત્ન સાથે GPT-6.1 Sol આશરે ત્રીજા ભાગના ખર્ચે Opus 5.5 કરતાં 2.2 ટકા અંક વધુ મેળવે છે. આ ગુણ એ જ સેટિંગ પર GPT-6 Sol કરતાં પણ 4.8 ટકા અંક વધુ છે.

કમ્પ્યુટરનો ઉપયોગ

કમ્પ્યુટર ઍપ્લિકેશનો સાથે ક્રિયાપ્રતિક્રિયા જરૂરી હોય તેવાં કાર્યોમાં પણ GPT-6.1 Sol નોંધપાત્ર પ્રગતિ કરે છે. કમ્પ્યુટરના ઉપયોગની પડકારજનક કાર્યપ્રક્રિયાઓ પર એજન્ટનું મૂલ્યાંકન કરતા OSWorld 2.0ના ઑફલાઇન સેટ પર, મહત્તમ રિઝનિંગ પ્રયત્ન સાથે GPT-6.1 Sol અડધાથી ઓછા ખર્ચે GPT-6 Sol કરતાં સાત ટકા અંક વધુ મેળવે છે. મહત્તમ રિઝનિંગ પ્રયત્ન સાથે તે કાર્યદીઠ આશરે સાતમા ભાગના ખર્ચે Astraના ગુણથી માત્ર 2.1 ટકા અંકના અંતરે પહોંચે છે.

વૈજ્ઞાનિક સંશોધન

ડેટા વિશ્લેષણ, અનુકરણ અને પ્રમેય સાબિત કરવા સહિતની વૈજ્ઞાનિક કાર્યપ્રક્રિયાઓનું મૂલ્યાંકન કરતા Terminal-Bench Science 0.1 પર, મહત્તમ રિઝનિંગ પ્રયત્ન સાથે GPT-6.1 Sol કાર્યદીઠ રિઝનિંગ ઓછા ખર્ચે GPT-6 Sol કરતાં બમણાથી વધુ ગુણ મેળવે છે. મહત્તમ પ્રયત્ન પર GPT-6.1 Solનો સરેરાશ ખર્ચ કાર્યદીઠ $5.47 છે, જ્યારે Opus 5.5નો $23.21 અને Astraનો $23.80 છે. આમ તે આ બંને મોડલ કરતાં 75%થી વધુ ઓછા ખર્ચે નોંધપાત્ર વૈજ્ઞાનિક ક્ષમતા આપે છે.

પરીક્ષણ કરાયેલાં મોડલમાં GPT-6 Astra હજુ પણ 68.1% સાથે સૌથી વધુ ગુણ મેળવે છે અને સૌથી કઠિન વૈજ્ઞાનિક સંશોધન કાર્યો માટે તેનો ઉપયોગ કરવો જોઈએ.

તથ્યસચોટતા

GPT-6.1 Sol કઠિન પ્રોમ્પ્ટ પર તથ્ય સચોટતામાં પણ સુધારો કરે છે. GPT-6 Solની સરખામણીમાં તથ્ય સચોટતામાં તેનો સૌથી મોટો સુધારો ઓછા રિઝનિંગ પ્રયત્ન પર જોવા મળે છે, જ્યાં તે તથ્યાત્મક ભૂલ ધરાવતા જવાબોનો હિસ્સો 11.4%થી ઘટાડીને 7.7% કરે છે—જે આશરે 32%નો ઘટાડો છે. પરીક્ષણ કરાયેલા તમામ રિઝનિંગ સેટિંગમાં, કાર્યદીઠ એક-પંચમાંશ ભાગથી ઓછા ખર્ચે તેનો ભૂલનો દર GPT-6 Astraના દરથી 1.9 ટકા અંકની અંદર રહે છે.

આ મૂલ્યાંકનમાં ઓળખસૂચક વિગતો દૂર કરેલી એવી વાતચીતો લેવાય છે, જેમાં વપરાશકર્તાઓએ અગાઉના મોડલની ભૂલ દર્શાવી હતી. તેમાં ઓછામાં ઓછી એક તથ્યસંબંધિત ભૂલ ધરાવતા જવાબોનું પ્રમાણ માપવામાં આવે છે. ઇરાદાપૂર્વક કઠિન રાખવામાં આવેલા આ પ્રોમ્પ્ટ સામાન્ય વપરાશનું પ્રતિનિધિત્વ કરતા નથી.

GPT-6.1 Solને સુરક્ષિત રીતે ઉપલબ્ધ કરાવવું

અમારા આશય અને મર્યાદાઓના પાલન અંગેના મૂલ્યાંકનોમાં GPT-6.1 Sol, GPT-6 Sol કરતાં નોંધપાત્ર સુધારા દર્શાવે છે અને GPT-6 Astraની વધુ નજીક પહોંચે છે.

GPT-6.1 Sol પોતાની મર્યાદાઓ વિશે વધુ પારદર્શક છે અને વપરાશકર્તાના આશય તથા સુરક્ષા મર્યાદાઓનું પાલન કરવામાં વધુ વિશ્વસનીય છે. પડકારજનક મૂલ્યાંકનોમાં, કામ ન કરતા હોય તેવા શોધ ટૂલ વિશે પારદર્શક રહેવા, સ્પષ્ટ પ્રતિબંધોનું પાલન કરવા અને એજન્ટિક કાર્યો દરમિયાન અનધિકૃત પરિણામો ટાળવા બાબતે તેનો નિષ્ફળતા દર GPT-6 Sol કરતાં ઓછો છે. GPT-6 Astra અને GPT-6 Solની જેમ, તેમાં પણ અમને સ્વચાલિત સુરક્ષા સમીક્ષકને ટાળીને આગળ વધવાના કોઈ પ્રયાસો જોવા મળ્યા નહીં. સંપૂર્ણ વિગતો GPT-6.1 Sol સિસ્ટમ કાર્ડ પરિશિષ્ટ⁠(નવી વિન્ડોમાં ખૂલે છે)માં મળી શકે છે.

નીચેનાં મૂલ્યાંકનો ઇરાદાપૂર્વક પડકારજનક પરિસ્થિતિઓનું પરીક્ષણ કરે છે અને સામાન્ય વપરાશમાં નિષ્ફળતાના દરને માપતાં નથી.

કિંમત અને ઉપલબ્ધતા

આજથી GPT-6.1 Sol તમામ Plus, Pro, Business, Enterprise અને Edu વપરાશકર્તાઓ માટે ChatGPT કામ અને Codexમાં ઉપલબ્ધ છે. GPT-6.1 Sol હજુ ચૅટમાં ઉપલબ્ધ નથી. વિકાસકર્તાઓ OpenAI API દ્વારા પણ તેનો gpt-6.1-sol તરીકે ઉપયોગ કરી શકે છે. તેના પ્રમાણભૂત API ભાવ દસ લાખ ઇનપુટ ટોકનદીઠ $2, દસ લાખ કૅશ કરેલા ઇનપુટ ટોકનદીઠ $0.10 અને દસ લાખ આઉટપુટ ટોકનદીઠ $10 છે. આગામી દિવસોમાં, અમે Codexમાં તેની પ્રમાણભૂત ઝડપની સરખામણીએ ટોકન જનરેશનમાં 8x સુધી વધુ ઝડપી GPT-6.1 Sol Ultrafast⁠ પણ ઑફર કરીશું.