GPT-6.2નો પરિચય Astra અને Sol
વ્યાવસાયિક કાર્ય માટે નવો માપદંડ
ChatGPT કામમાં અજમાવી જુઓ(નવી વિન્ડોમાં ખૂલે છે)અમે તમારા સૌથી મુશ્કેલ પ્રોજેક્ટ માટે અમારું નવું અત્યાધુનિક મોડલ GPT‑6.2 Astra અને રોજિંદા કામ માટે અમારું કાર્યક્ષમ, બહુમુખી મોડલ GPT‑6.2 Sol રજૂ કરી રહ્યા છીએ. બંને મોડલ ઓછા આઉટપુટ ટોકન વાપરીને પડકારજનક કાર્યોમાં વધુ સારાં પરિણામો આપે છે, જેથી તમે તમારી વપરાશ મર્યાદામાં વધુ કામ કરી શકો. વ્યવસાયો અને ડેવલપર માટે તેનો અર્થ છે મોટા પાયે ઉપયોગમાં પણ પરવડે એવા ખર્ચે અત્યાધુનિક કામગીરી.
GPT‑6.2 Astra જટિલ વ્યાવસાયિક કામમાં AI માટે ગુણવત્તાનું નવું ધોરણ સ્થાપે છે. તેની સ્લાઇડ, સ્પ્રેડશીટ અને દસ્તાવેજો વાંચતાં AI દ્વારા બનાવેલા હોય એવું ઓછું લાગે છે, અને તે તમે આપેલા નમૂનાઓ તથા તમારા ક્ષેત્રની પ્રચલિત પદ્ધતિઓને વધુ નજીકથી અનુસરે છે. તે વધુ સુઘડ કોડ લખે છે અને દેખાવ તથા કામગીરીમાં વધુ સારા ફ્રન્ટએન્ડ બનાવે છે, ખાસ કરીને વેબસાઇટ, ગેમિંગ અને ત્રિપરિમાણીય ડિઝાઇન માટે.
બહુવિધ પગલાં ધરાવતા વ્યાવસાયિક કામની કસોટી કરતા Agents’ Last Exam પર GPT‑6.2 Astra નવો સર્વોચ્ચ સ્કોર નોંધાવે છે. તે GPT‑6 Astraના ત્રીજા ભાગ કરતાં પણ ઓછા ખર્ચે 5.2 પોઇન્ટ વધુ અને Claude Fable 5.2ના માત્ર 5% ખર્ચે 5.5 પોઇન્ટ વધુ મેળવે છે.
Agents’ Last Exam લાંબા ગાળાની વ્યાવસાયિક કાર્યપ્રવાહોની કસોટી પર મોડલનું મૂલ્યાંકન કરે છે. Fable 5.2 માટેનાં તેના ક્રમાંકન પરિણામોમાં વૈકલ્પિક મોડલનો ઉપયોગ કરાયો હોય તેવાં નવ કાર્યોનો સમાવેશ થતો નથી.
અમારું માનવું છે કે વૈજ્ઞાનિકો માટે GPT-6.2 Astra વિશ્વનું શ્રેષ્ઠ મોડલ છે. મોડલ ટર્મિનલમાં વૈજ્ઞાનિક કામ કેટલી સારી રીતે કરી શકે છે તેની કસોટી કરતા Terminal-Bench-Science 0.1 પર તે નવો સર્વોચ્ચ સ્કોર નોંધાવે છે. GPT-6.2 Astra, GPT-6 Astraના ત્રીજા ભાગ કરતાં પણ ઓછા ખર્ચે 9 ટકા પોઇન્ટ વધુ સ્કોર મેળવે છે. તે Vals Science Index પર પણ નવો સર્વોચ્ચ સ્કોર નોંધાવે છે. તેમાં મોડલને વાસ્તવિક જૈવિક ડેટાનું અર્થઘટન કરવા અને પ્રયોગો કરીને સિમ્યુલેટ કરેલી પ્રણાલી કેવી રીતે કામ કરે છે તેનું અનુમાન કરવા કહેવામાં આવે છે.
APIમાં GPT‑6.2 Astraના ઇનપુટ અને આઉટપુટ ટોકનના ભાવ GPT‑6 Astra કરતાં 20% ઓછા છે, જ્યારે કૅશ કરેલા ઇનપુટ પર 60%નું ડિસ્કાઉન્ટ છે (દર દસ લાખ ટોકન દીઠ ઇનપુટ માટે $8, કૅશ કરેલા ઇનપુટ માટે $0.40 અને આઉટપુટ માટે $40). GPT‑6.2 Solમાં API ટોકનના ભાવ GPT‑6.1 Sol જેટલા જ રાખવામાં આવ્યા છે. અનેક બેન્ચમાર્ક પર બંને મોડલ અન્ય અગ્રણી મોડલના પ્રતિ-કાર્ય ખર્ચના બહુ નાના ભાગમાં તેમની નજીકની અથવા તેમના કરતાં વધુ સારી કામગીરી કરે છે.
GPT-6.2 Sol: રોજિંદા કામ માટે અમારી પ્રથમ પસંદગીનું મોડલ
GPT‑6.1 Sol ની સરખામણીએ GPT‑6.2 Sol વધુ બુદ્ધિશાળી અને કાર્યક્ષમ છે, અને એ જ સશુલ્ક પ્લાન પર તમને વધુ કાર્યો પૂર્ણ કરવા દે છે. તે અનેક પગલાં ધરાવતી એજન્ટિક કાર્યપ્રક્રિયાઓ ઝડપથી પાર પાડે છે, સ્પષ્ટ અને સ્વાભાવિક લખાણ લખે છે, અને તેની સાથે સહયોગ કરવો સહજ છે. OpenAI ના ઘણા કર્મચારીઓ તકનીકી અને બિનતકનીકી બંને પ્રકારનાં કાર્યો માટે તેનો મૂળભૂત મોડલ તરીકે ઉપયોગ કરે છે.
Cognitionના FrontierCode 2.0માં GPT‑6.2 Sol, GPT‑6.2 Astraના લગભગ પાંચમા ભાગના ખર્ચે તેના સ્કોરથી માત્ર 0.5 પોઇન્ટની અંદર રહે છે (બંને Max પર).
FrontierCode 2.0 મૂલ્યાંકન કરે છે કે વાસ્તવિક કોડબેઝમાં કરેલા ફેરફારો તેને જાળવનારાઓનાં કોડ મર્જ કરવા માટેનાં ધોરણો પૂરા કરે છે કે નહીં.
તેની ઝડપ અને બુદ્ધિક્ષમતા તેને કામકાજ સિવાયનાં એવાં મહત્ત્વપૂર્ણ કાર્યો માટે પણ આદર્શ બનાવે છે, જેના માટે લોકો AIની મદદ લે છે. રોજિંદા પડકારજનક કાર્યોમાં કામગીરી માપતા અમારા તાજેતરમાં રજૂ કરાયેલા LifeVal મૂલ્યાંકનમાં GPT‑6.2 Sol, GPT‑6 Astraના લગભગ સાતમા ભાગના ખર્ચે તેના કરતાં વધુ સ્કોર મેળવે છે.
LifeVal ચકાસે છે કે મોડલ વ્યક્તિની જરૂરિયાતોને અનુરૂપ રોજિંદાં કાર્યો કેટલી સારી રીતે સંભાળે છે, જેમ કે સ્થળાંતર પછી બાલમંદિરોની ટૂંકી યાદી બનાવવી, પરિવારના બજેટ અને આવાગમનની જરૂરિયાતને અનુકૂળ ઘર શોધવું, અથવા તાજેતરમાં નિદાન થયેલી બીમારીને અનુરૂપ જીવન ગોઠવી રહેલા માતા કે પિતા માટે ભોજનનું આયોજન કરવું.
ઉદ્યોગનાં ધોરણોને અનુરૂપ વ્યાવસાયિક પરિણામો
અમે GPT‑6.2 Astraને વધુ સ્પષ્ટ અને વધુ સારી રીતે ડિઝાઇન કરેલી સ્લાઇડ, સ્પ્રેડશીટ અને દસ્તાવેજો બનાવવા માટે તાલીમ આપી છે, જે કાયદા, વેચાણ, નાણાં અને હિસાબી કામ જેવા ક્ષેત્રોના વ્યાવસાયિકો અનુસરતા પ્રચલિત નિયમોનું વધુ ચુસ્તપણે પાલન કરે છે. તેનું લખાણ વધુ સીધું અને ચોક્કસ છે, જેમાં સામાન્ય તારણો અને બિનજરૂરી લખાણ ઓછાં છે.
Harvey LAB‑AA v1.1 કાનૂની કાર્યો દ્વારા કસોટી કરે છે કે મોડલ મૂળ દસ્તાવેજોમાંથી સંબંધિત હકીકતો શોધી શકે છે, તેનો વિગતવાર કાર્યવિવરણ મુજબ ઉપયોગ કરી શકે છે અને દરેક જરૂરિયાત પૂરી કરતી સચોટ અંતિમ સામગ્રી તૈયાર કરી શકે છે કે નહીં. GPT‑6.2 Astra શ્રેષ્ઠ કામગીરીનો નવો માપદંડ સ્થાપિત કરે છે: Claude Fable 5.2ના લગભગ છઠ્ઠા ભાગના ખર્ચે તેનો સફળતાનો દર બમણાથી પણ વધુ છે. વકીલો માટેનું અમારું GPT-6.2 Astraનું વિશિષ્ટ કન્ફિગરેશન, કાયદા માટે OpenAI, આ બેન્ચમાર્ક પર હજી વધુ સ્કોર મેળવે છે.
Harvey LAB‑AA કરારની જોગવાઈઓની સમીક્ષા જેવાં કાનૂની કામની કસોટી કરે છે. તેના મુખ્ય સ્કોરમાં ત્યારે જ ગુણ મળે છે જ્યારે તૈયાર કરેલી સામગ્રી ગુણાંકનના દરેક માપદંડને પૂરો કરે અને તેમાં કોઈ મહત્ત્વપૂર્ણ ઉપજાવી કાઢેલી માહિતી ન હોય.
અમારો આંતરિક GDPval v2 બેન્ચમાર્ક એ GDPvalનું આગલું સંસ્કરણ છે. તે સલાહકાર સેવા, નાણાં અને ડિઝાઇન જેવા ક્ષેત્રોના વાસ્તવિક પ્રોજેક્ટની જટિલ, લાંબા ગાળાની કાર્યપ્રવાહોમાં કામગીરી માપે છે. અમે પરીક્ષણ કરેલાં મોડલમાં GPT‑6.2 Astra મોખરે છે. તે 22% ઓછા આઉટપુટ ટોકન વાપરીને GPT‑6 Astra કરતાં 6.2 ટકા પોઇન્ટ વધુ સ્કોર મેળવે છે. GPT‑6.2 Solનો સ્કોર GPT‑6.1 Sol કરતાં 5.3 પોઇન્ટ સુધરે છે.
GDPval v2માં નાણાં, ડેટા વિજ્ઞાન, જૈવપ્રૌદ્યોગિકી અને માર્કેટિંગ જેવા ક્ષેત્રોના વાસ્તવિક પ્રોજેક્ટમાંથી લીધેલાં લાંબા ગાળાનાં જ્ઞાન આધારિત કાર્યો સામેલ છે.
વર્કબુક અને નોંધપત્રો
મૂલ્યાંકનની વર્કબુક બનાવવાની કે રોકાણનું નોંધપત્ર લખવાની શરૂઆત મૂળ ફાઇલોમાંથી સંબંધિત આંકડા શોધવાથી અને તેઓ એકબીજા સાથે કેવી રીતે જોડાય છે તે સમજવાથી થાય છે. Artificial Analysisનું AA‑AnalystAgent વાસ્તવિક સ્પ્રેડશીટ અને અહેવાલો પર આ કામની કસોટી કરે છે. એક કાર્યમાં મોડલ California Medicaidના ખર્ચના અહેવાલોનો ઉપયોગ કરીને આ કાર્યક્રમ હેઠળ તબીબી પરિવહન પાછળ કેટલો ખર્ચ થયો તેની ગણતરી કરે છે. GPT‑6.2 Astra તમામ પાંચ સ્વતંત્ર પ્રયાસોમાં 62.5% પ્રશ્નોના સાચા જવાબ આપીને નવો સર્વોચ્ચ સ્કોર નોંધાવે છે.
સ્લાઇડ પ્રસ્તુતિઓ
સ્લાઇડની ડિઝાઇન કરવા અને સ્લાઇડના નમૂનાઓને અનુસરવા માટે GPT‑6.2 Astra અમારું અત્યાર સુધીનું શ્રેષ્ઠ મોડલ છે, પછી ભલે તેને મૂળ ફાઇલ આપવામાં આવે કે માત્ર સ્ક્રીનશૉટ. તે ગોઠવણી, રંગો અને અક્ષરશૈલીને અક્ષરના ચોક્કસ કદ સુધી મેળ ખાતાં બનાવી શકે છે અને નમૂનાની લેખનશૈલી નવી સ્લાઇડમાં જાળવી શકે છે. પ્રારંભિક પરીક્ષકોને પ્રસ્તુતિઓ ઓછા ફેરફાર સાથે સીધી વાપરવી વધુ સરળ લાગી, કારણ કે શીર્ષકો મુખ્ય તારણ જણાવે છે અને સંક્ષિપ્ત મુખ્ય લખાણ વાચકોને જરૂરી વિગતો પર ધ્યાન આપે છે.
કમ્પ્યુટરનો ઉપયોગ અને પરસ્પરક્રિયાત્મક વેબ ડિઝાઇન
GPT‑6.2 Astra કમ્પ્યુટરનો વધુ સચોટ ઉપયોગ કરી શકે છે, જેથી તે CAD અને અનુકરણનાં સાધનોમાં દરેક ભાગ અને જોડાણ સુધીની વિગતો પર કામ કરી શકે છે. ઇજનેરો આ વધારાની વિગતોનો ઉપયોગ કરીને ભાગો કેવી રીતે બંધબેસે છે તે ચકાસી શકે છે, ડિઝાઇન ગતિ કરે ત્યારે ભાર ક્યાં ખસે છે તે જોઈ શકે છે અને પ્રારૂપ બનાવતાં પહેલાં સુધારાઓનું પરીક્ષણ કરી શકે છે.
ડ્રાઇવિંગનું સિમ્યુલેશન
અમે GPT‑6.2 Astra ને પર્વતીય માર્ગ પર કારની ચેસિસની ગતિશીલતા દૃશ્યરૂપે બતાવવા કહ્યું. Astra એ ત્રિપરિમાણીય મોડલ બનાવ્યું અને ટાયર તથા સસ્પેન્શન વચ્ચેની જટિલ ગતિશીલતાનું અનુકરણ કરવા Python માં ગણતરી ઉકેલતો પ્રોગ્રામ લખ્યો, પછી Blender માં પરિણામોનું એનિમેશન બનાવ્યું. આથી ઇજનેરો નવી ડિઝાઇનનું ઝડપથી પરીક્ષણ કરી શકે છે અને સમય જતાં અનુકરણની ચોકસાઈ વધારી શકે છે.
યાંત્રિક ડિઝાઇન અને એસેમ્બલી
GPT‑6.2 Astra યાંત્રિક પ્રણાલીના દરેક ભાગનું મોડલ બનાવી શકે છે. આથી એન્જિનિયરો બતાવી શકે છે કે તેના ભાગો કેવી રીતે જોડાય છે અને ડિઝાઇનમાં ફેરફાર કરવાથી તેની કામગીરી પર કેવી અસર પડે છે તે ચકાસી શકે છે.
CADથી કાગળના દીવા સુધી
અમારી ટીમે શિકાગોના મરીના સિટી ટાવર્સની ગોળાકાર ખાંચાવાળી બાલ્કનીઓના આકાર પરથી દીવો બનાવવા GPT‑6.2 Astraનો ઉપયોગ કર્યો. આ વિડિયો સંદર્ભ માટેના ફોટાથી શરૂ કરીને CADમાં કરેલા સુધારાઓ અને અંતે હાથેથી જોડીને તૈયાર કરેલા વાસ્તવિક દીવા સુધીની ડિઝાઇન પ્રક્રિયા દર્શાવે છે. GPT-6.2 Astraએ બનાવેલી આ સાઇટનો ઉપયોગ કરીને તમે પોતાનો કાગળનો દીવો બનાવી શકો છો.
GPT‑6.2 Astra વેબ ડિઝાઇનમાં વધુ મજબૂત દૃશ્ય রিজনিংનો ઉપયોગ કરે છે. તે દરેક સાઇટને આગવો દેખાવ આપતી ગોઠવણી અને છબીઓ પસંદ કરે છે અને સાઇટના મૂળ હેતુને ધ્યાનમાં રાખીને તેના ઘટકો બનાવે છે.
દૃશ્ય রিজনিং અને કમ્પ્યુટરના ઉપયોગમાં થયેલા આ સુધારાનો લાભ ત્રિપરિમાણીય ડિઝાઇનમાં પણ મળે છે. GPT‑6.2 Astra અને Sol લેખિત કાર્યવિવરણને બ્રાઉઝરમાં પરસ્પર ક્રિયાત્મક અનુભવમાં ફેરવી શકે છે: રમી શકાય એવા પિનબોલ ટેબલથી લઈને જુદા જુદા ખૂણેથી નિહાળી શકાય એવી કોલોસિયમની પુનઃરચના સુધી. Artificial Analysisના AA‑3Dમાં માનવ નિર્ણાયકો એક જ પ્રોમ્પ્ટ પરથી બનાવેલા બે અનુભવો અજમાવે છે. કયો અનુભવ કયા મોડલે બનાવ્યો છે તે તેમને જણાવવામાં આવતું નથી, અને તેઓ પોતાને ગમતા અનુભવને મત આપે છે. GPT‑6.2 Astra 1,318 Elo સાથે પ્રથમ ક્રમે છે, ત્યાર પછી 1,271 સાથે Claude Fable 5.2 અને 1,259 સાથે GPT‑6.2 Sol આવે છે.
વધુ સુઘડ કોડશૈલી સાથે કાર્યક્ષમ કાર્યપ્રક્રિયાઓ
GPT‑6.2 Astra કાર્ય કેવી રીતે કરવું તે અંગે વધુ સારો નિર્ણય લે છે. તેમાં કાર્યપ્રક્રિયાને અનુરૂપ સાધનો અને પ્રયત્ન પસંદ કરવા તથા ક્યારે પ્લગઇન વાપરવાં અને ક્યારે કમ્પ્યુટરનો ઉપયોગ કરવો તે સમજવાનો સમાવેશ થાય છે.
કોડિંગમાં GPT-6.2 Astra હાલના કોડબેઝમાં જટિલ ફેરફારો લાગુ કરવા અને તેમનું પરીક્ષણ કરવામાં વધુ સારું છે. પ્રારંભિક પરીક્ષકોએ વધુ સુઘડ કોડશૈલી, વધુ કેન્દ્રિત પરીક્ષણો અને સુધારાનાં ઓછાં ચક્રો નોંધ્યાં.
સાયબર સુરક્ષાની ક્ષમતાઓ
GPT‑6.2 Astra અને GPT-6.2 Sol સાયબર ક્ષમતાઓમાં વધુ એક નોંધપાત્ર પ્રગતિ દર્શાવે છે. તેઓ સુરક્ષા નબળાઈઓ વધુ અસરકારક રીતે શોધે છે અને તેમનો લાભ ઉઠાવે છે, વધુ સુરક્ષિત કોડ લખે છે અને વધુ સારા પૅચ બનાવે છે. અનેક મૂલ્યાંકનોમાં ટોકનની કાર્યક્ષમતામાં પણ નોંધપાત્ર સુધારો થયો છે. GPT‑6 Astra ની જેમ, 6.2 Astra અને Sol અમારા પ્રિપેરડનેસ ફ્રેમવર્ક હેઠળ સાયબર સુરક્ષા માટે અતિગંભીર સ્તરની સીમા સુધી પહોંચે છે.
તેમની વધેલી ક્ષમતાઓને ધ્યાનમાં રાખીને અમે GPT‑6.2 Astra અને Solને વધુ જોખમી સાયબર સુરક્ષા સહાય માટે વધુ કડક સુરક્ષા ઉપાયો સાથે રજૂ કરી રહ્યા છીએ. આ સુરક્ષા ઉપાયો દુરુપયોગનું જોખમ ઘટાડે છે, પરંતુ સુરક્ષા ખામીઓ અંગેના કેટલાક કાયદેસરના સંશોધન અને સુરક્ષા પરીક્ષણની કાર્યપ્રવાહોને પણ મર્યાદિત કરે છે. OpenAI Daybreak દ્વારા સાયબર રક્ષકો હાલમાં GPT-6 Astra માટેના અમારા આલ્ફા ઉપરાંત Daybreak Blue પર સાયબર સહાય આપવાનો ઓછો ઇનકાર કરતા GPT‑6 Solનો ઉપયોગ કરી શકે છે. અદ્યતન, અધિકૃત સુરક્ષા પરીક્ષણ માટે તેઓ Daybreak Red પર GPT‑6 Cyberનો પણ ઉપયોગ કરી શકે છે. અમે GPT‑6.2 મોડલને Daybreak પર ઉપલબ્ધ કરાવવા કામ કરીશું.
નીચે અમે સાયબર સુરક્ષાના ઉપાયો અને વર્ગીકરણ પ્રણાલીઓ બંધ રાખેલી આંતરિક પરીક્ષણ ગોઠવણીઓથી મેળવેલાં મુખ્ય બેન્ચમાર્ક પરિણામો દર્શાવીએ છીએ. સંપૂર્ણ પરિણામો અને પદ્ધતિ માટે સાથે આપેલું સિસ્ટમ કાર્ડ(નવી વિન્ડોમાં ખૂલે છે) જુઓ.
સાયબર રક્ષકોને વધુ સક્ષમ બનાવવા
વધુ સક્ષમ એજન્ટ સુરક્ષા નબળાઈઓ શોધવા અને તેમનો લાભ ઉઠાવવાનું સરળ બનાવી રહ્યા છે, ત્યારે પણ વિકાસકર્તાઓ વાસ્તવિક ઉપયોગ માટેનું સૉફ્ટવેર લખવા કોડિંગ એજન્ટ પર વધુને વધુ આધાર રાખે છે. PHP2Shell(નવી વિન્ડોમાં ખૂલે છે) એ બતાવ્યું કે AI સંશોધકોને અતિગંભીર ખામીઓ શોધવામાં કેવી રીતે મદદ કરી શકે છે. GPT‑6.2 Astra અને Sol માં અમે રક્ષણાત્મક ક્ષમતાઓ પર મુખ્ય ધ્યાન આપ્યું છે. વિકાસકર્તાઓને આવી ખામીઓ અટકાવવા અને સુધારવામાં મદદ કરવા અમે નવા તાલીમ સંકેતો ઉમેર્યા છે—શરૂઆતથી જ સુરક્ષિત કોડ લખીને અને ઇચ્છિત વર્તન જાળવતા પૅચ બનાવીને.
સલામતી અને હેતુઓ સાથે સુસંગતતા
અમે અત્યાર સુધીના અમારા સૌથી મજબૂત સુરક્ષા ઉપાયો સાથે GPT-6.2 Astra અને Sol ઉપલબ્ધ કરાવી રહ્યા છીએ. અમે પ્રતિબંધો વધુ કડક કર્યા છે અને મોડલ પર દેખરેખ રાખવા તથા જરૂર પડે ત્યારે હસ્તક્ષેપ કરવા ઉપયોગમાં લેતી પ્રણાલીઓને વધુ મજબૂત બનાવી છે.
GPT-6 Astraની જેમ, GPT-6.2 Astra અને Sol બંને સાયબર સુરક્ષા માટેના અતિગંભીર સ્તરના ઉંબર સુધી પહોંચવા ઉપરાંત અમારા પ્રિપેરડનેસ ફ્રેમવર્ક હેઠળ જૈવિક અને રાસાયણિક ક્ષમતાઓ માટેના ઉચ્ચ સ્તરના ઉંબર સુધી પણ પહોંચે છે. અમે તેની સાથે સંકળાયેલાં જોખમો ઘટાડવા માટે સુરક્ષા ઉપાયો અમલમાં મૂક્યા છે અને સાથે જ સારા કે નુકસાનકારક બંને હેતુઓ માટે વાપરી શકાય એવી કેટલીક જૈવિક અને સાયબર સુરક્ષા વિનંતીઓ પરનાં નિયંત્રણો વધાર્યાં છે.
અમારા સુરક્ષા ઉપાયો અને પરીક્ષણ વિશે વધુ વિગતો GPT-6.2 સિસ્ટમ કાર્ડ(નવી વિન્ડોમાં ખૂલે છે) માં ઉપલબ્ધ છે.
AI સંશોધન ક્ષમતાઓ અને સુરક્ષા ઉપાયો
GPT-6.2 Astra એ બાહ્ય ઉપયોગ માટે રજૂ કરાયેલું અમારું પ્રથમ મોડલ છે, જે AI સ્વ-સુધારણા માટેના ઉચ્ચ સ્તરના ઉંબર સુધી પહોંચે છે. આ શ્રેણી AI સંશોધનને વેગ આપવાની મોડલની ક્ષમતા માપે છે. ‘ઉચ્ચ’ શ્રેણી અમારું એ મૂલ્યાંકન દર્શાવે છે કે 2024ની આધારસ્થિતિની સરખામણીમાં આ મોડલની અસર દરેક OpenAI સંશોધકને સહાયક તરીકે એક વધારાનો, અત્યંત સક્ષમ સંશોધન એન્જિનિયર આપવા બરાબર છે. અમે આ ક્ષમતા પર નજર રાખીએ છીએ, કારણ કે ભવિષ્યની AI પ્રણાલીઓ વિકસાવવામાં મદદ કરી શકતાં મોડલ સુરક્ષા માટે નવાં જોખમો પણ ઊભાં કરી શકે છે. ઉદાહરણ તરીકે, તેઓ પ્રગતિને એટલી ઝડપ આપી શકે કે સુરક્ષા ઉપાયો કે માનવીય દેખરેખ તેની સાથે તાલમેલ ન રાખી શકે.
આ જોખમોનો સામનો કરવા અમે અમારા મોડલની તાલીમ અને અમલીકરણની પ્રક્રિયાઓમાં વધુ દેખરેખ અને નિયંત્રણો ઉમેર્યાં છે. GPT-6.2 Astraનો આંતરિક ઉપયોગ વિસ્તારતાં પહેલાં અમે માનવીય હેતુઓ સાથેની તેની સુસંગતતાનું મૂલ્યાંકન કર્યું અને દરેક તબક્કે જરૂરી સુરક્ષા ઉપાયો અમલમાં હતા તેની ચકાસણી કરી. અમે અમારા સંશોધન વાતાવરણમાં મોડલને નિયત સીમામાં રાખવાના ઉપાયો મજબૂત બનાવ્યા અને અમારા સૌથી સક્ષમ મોડલ વડે આ સુરક્ષા ઉપાયોનું પરીક્ષણ કર્યું. અમે Control Room પણ બનાવ્યું છે. આ પ્રણાલી સંશોધનનાં ચાલી રહેલાં કાર્યો પર નજર રાખે છે અને હસ્તક્ષેપ જરૂરી હોય ત્યારે મોડલને વધુ આઉટપુટ આપતું અટકાવી શકે છે. અમારી વિસ્તૃત દેખરેખ આંતરિક કાર્યો અને સમર્થિત બાહ્ય અમલીકરણોમાં મોડલની রিজনিং અને ક્રિયાઓ તપાસે છે. તે અનધિકૃત વર્તનને આપમેળે ચિહ્નિત કરી શકે છે અને જ્યાં સુવિધા ઉપલબ્ધ હોય ત્યાં કાર્યો કે વાતચીતને થોભાવી શકે છે.
માનવીય હેતુઓ સાથે સુસંગતતા
હેતુઓ સાથેની સુસંગતતાનાં મોટાભાગનાં મૂલ્યાંકનોમાં બંને મોડલે GPT-6 Astra જેવું પ્રદર્શન કર્યું અને કાર્યસ્થળનાં અનુકરણ કરેલાં કાર્યોમાં ઓછી અયોગ્ય ક્રિયાઓ કરી. જોકે બે પરીક્ષણોમાં તેઓ કામ અટકાવતી અડચણોનો ઉલ્લેખ ન કરે તેવી શક્યતા વધુ હતી, જેમ કે ગુમ થયેલી ફાઇલ અથવા અનુપલબ્ધ શોધ સાધન. અમે Codex માં એવી સૂચનાઓ ઉમેરી છે જે આવી ચૂકો નોંધપાત્ર રીતે ઘટાડે છે, અને અમે આ વર્તનની તપાસ ચાલુ રાખી રહ્યા છીએ.
કિંમત અને ઉપલબ્ધતા
આજથી GPT-6.2 Astra અને Sol બધા Plus, Pro, Enterprise અને Edu વપરાશકર્તાઓ માટે ChatGPT કામ અને Codex માં ઉપલબ્ધ છે. Pro 500 ના સબ્સ્ક્રાઇબર કોઈ પણ મોડલ સાથે Ultrafast વાપરી શકે છે. પ્રથમ વખત અમે Pro 200 ના સબ્સ્ક્રાઇબર માટે પણ Ultrafast લાવી રહ્યા છીએ, જેની શરૂઆત GPT-6.2 Sol થી થાય છે. પાત્ર Enterprise અને Edu વપરાશકર્તાઓના વર્કસ્પેસ સંચાલક તેને સક્ષમ કરે પછી તેમને પણ આ જ સુવિધા મળે છે. વિકાસકર્તાઓ OpenAI API દ્વારા gpt-6.2-astra અને gpt-6.2-sol નો પણ ઉપયોગ કરી શકે છે. રજૂઆતના સમયથી જ બંને મોડલ માટે Ultrafast ઉપલબ્ધ છે.
ટોકનના વધુ કાર્યક્ષમ ઉપયોગ, ઇનપુટ અને આઉટપુટ ટોકન પર 20% ડિસ્કાઉન્ટ તથા કૅશ કરેલા ઇનપુટ ટોકન પર વધુ મોટા 60% ડિસ્કાઉન્ટને કારણે GPT‑6.2 Astraનો પ્રતિ-કાર્ય ખર્ચ GPT‑6 Astra કરતાં નોંધપાત્ર રીતે ઓછો છે. APIના પ્રમાણભૂત દર દસ લાખ ટોકન દીઠ ઇનપુટ માટે $8, કૅશ કરેલા ઇનપુટ માટે $0.40 અને આઉટપુટ માટે $40 છે. GPT‑6.2 Solમાં GPT‑6.1 Solના દર જાળવવામાં આવ્યા છે: દસ લાખ ટોકન દીઠ ઇનપુટ માટે $2, કૅશ કરેલા ઇનપુટ માટે $0.10 અને આઉટપુટ માટે $10.
GPT-6.2 Astra અને Sol માટે કૅશનો પુનઃઉપયોગ સુધારવા, ખર્ચ અને વિલંબ ઘટાડવામાં મદદ કરવા તથા વાતચીતનાં ચક્રો દરમિયાન রিজনিং જાળવવા અમે પ્રોમ્પ્ટના શરૂઆતના ભાગોને યથાવત્ રાખીને વાતચીતના અંતે નવી સૂચનાઓ ઉમેરવાની(નવી વિન્ડોમાં ખૂલે છે) ભલામણ કરીએ છીએ.
લેખક
Footnotes
- 1
Fable 5.2 માટેનાં Terminal-Bench-Science 0.1નાં પરિણામો mini-swe-agent કાર્યપ્રણાલીમાં Artificial Analysis(નવી વિન્ડોમાં ખૂલે છે)એ નોંધાવ્યા મુજબનાં છે. Anthropicએ Claude Codeમાં મહત્તમ রিজনিং પર Fable 5.2નો સ્કોર 74.6% હોવાનું જણાવ્યું.



