Introducing Operator
A research preview of an agent that can use its own browser to perform tasks for you. Available to Pro users in the U.S.
17 જુલાઈ, 2025 અપડેટ: Operator હવે ChatGPT માં ChatGPT agent તરીકે સંપૂર્ણ રીતે સંકલિત છે. આ અપડેટેડ ક્ષમતાઓ મેળવવા માટે, composer ના dropdown માંથી સરળતાથી “agent mode” પસંદ કરો અને તમારો પ્રશ્ન સીધો ChatGPT માં દાખલ કરો. પરિણામે, standalone Operator સાઇટ (operator.chatgpt.com) આવનારા અઠવાડિયામાં બંધ થશે.
આજે અમે Operator(નવી વિન્ડોમાં ખૂલે છે) રિલીઝ કરી રહ્યા છીએ, એક એવો એજન્ટ જે તમારા માટે કાર્યો કરવા વેબ પર જઈ શકે છે. પોતાના બ્રાઉઝરનો ઉપયોગ કરીને, તે વેબપેજને જોઈ શકે છે અને ટાઇપ કરીને, ક્લિક કરીને અને સ્ક્રોલ કરીને તેની સાથે ક્રિયા કરી શકે છે. હાલમાં તે રિસર્ચ પ્રિવ્યુ છે, એટલે કે તેમાં મર્યાદાઓ છે અને વપરાશકર્તા પ્રતિસાદના આધારે તે વિકસશે. Operator અમારા પ્રથમ એજન્ટોમાંનો એક છે, જે એવા AI છે જે તમારા માટે સ્વતંત્ર રીતે કામ કરી શકે છે—તમે તેને કાર્ય આપો અને તે તેને અમલમાં મૂકે.
Operator ને વિવિધ પ્રકારના પુનરાવર્તિત બ્રાઉઝર કાર્યો, જેમ કે ફોર્મ ભરવા, ગ્રોસરી ઓર્ડર કરવા અને મીમ્સ બનાવવા માટે પણ કહી શકાય છે. મનુષ્યો દૈનિક ધોરણે જે ઇન્ટરફેસ અને સાધનો સાથે ક્રિયા કરે છે એ જનો ઉપયોગ કરવાની ક્ષમતા AI ની ઉપયોગિતાને વિસ્તારે છે, લોકોનો રોજિંદા કાર્યોમાં સમય બચાવે છે અને વ્યવસાયો માટે જોડાણની નવી તકો ખોલે છે.
સુરક્ષિત અને તબક્કાવાર રોલઆઉટ સુનિશ્ચિત કરવા માટે, અમે નાનાપાયે શરૂઆત કરી રહ્યા છીએ. આજથી, Operator યુ.એસ.માં Pro(નવી વિન્ડોમાં ખૂલે છે) વપરાશકર્તાઓ માટે operator.chatgpt.com(નવી વિન્ડોમાં ખૂલે છે) પર ઉપલબ્ધ છે. આ રિસર્ચ પ્રિવ્યુ અમને અમારા વપરાશકર્તાઓ અને વ્યાપક ઇકોસિસ્ટમ પાસેથી શીખવા દે છે, જેથી અમે આગળ વધતાં તેને વધુ સઘન અને સુધારી શકીએ. અમારી યોજના તેને Plus, Team અને Enterprise વપરાશકર્તાઓ સુધી વિસ્તૃત કરવાની અને ભવિષ્યમાં આ ક્ષમતાઓને ChatGPT માં સંકલિત કરવાની છે.
Operator ને Computer-Using Agent (CUA) નામના નવા મોડલ દ્વારા શક્તિ મળે છે. GPT‑4o ની વિઝન ક્ષમતાઓને રીઇન્ફોર્સમેન્ટ લર્નિંગ દ્વારા અદ્યતન রিজনিং સાથે જોડીને, CUA ને ગ્રાફિકલ યુઝર ઇન્ટરફેસ (GUIs) સાથે ક્રિયા કરવા માટે ટ્રેન કરવામાં આવ્યો છે—સ્ક્રીન પર લોકો જે બટનો, મેનુઓ અને ટેક્સ્ટ ફિલ્ડ્સ જુએ છે તે.
Operator બ્રાઉઝર સાથે “જુઈ” શકે છે (સ્ક્રીનશોટ્સ દ્વારા) અને “ક્રિયા” કરી શકે છે (માઉસ અને કીબોર્ડ જે બધી ક્રિયાઓ કરવાની મંજૂરી આપે છે તેનો ઉપયોગ કરીને), જેથી કસ્ટમ API ઇન્ટિગ્રેશનોની જરૂરિયાત વિના તે વેબ પર પગલું લઈ શકે.
જો તેને પડકારો આવે અથવા તે ભૂલો કરે, તો Operator પોતે સુધારો કરવા માટે તેની রিজনিং ક્ષમતાનો ઉપયોગ કરી શકે છે. જ્યારે તે અટકી જાય અને મદદની જરૂર હોય, ત્યારે તે સરળતાથી નિયંત્રણ પાછું વપરાશકર્તાને સોંપે છે, જેથી સરળ અને સહયોગી અનુભવ સુનિશ્ચિત થાય.
જ્યારે CUA હજી પ્રારંભિક તબક્કામાં છે અને તેની મર્યાદાઓ છે, ત્યારે તે WebArena અને WebVoyager માં નવી state-of-the-art બેન્ચમાર્ક સિદ્ધિઓ સ્થાપિત કરે છે, જે બ્રાઉઝર ઉપયોગના બે મુખ્ય બેન્ચમાર્ક છે. મૂલ્યાંકન અને Operator પાછળના સંશોધન વિશે વધુ વાંચો અમારી રિસર્ચ બ્લોગ પોસ્ટમાં.
શરૂઆત કરવા માટે, તમે જે કાર્ય કરાવવું ઇચ્છો છો તેનું સરળ વર્ણન કરો અને બાકીનું Operator સંભાળી શકે છે. વપરાશકર્તાઓ કોઈપણ સમયે રિમોટ બ્રાઉઝરનું નિયંત્રણ પોતે લઈ શકે છે, અને Operator ને લૉગિન, ચુકવણી વિગતો અથવા CAPTCHA ઉકેલવાના કાર્યો માટે વપરાશકર્તાને પહેલેથી નિયંત્રણ લેવા કહેવા માટે ટ્રેન કરવામાં આવ્યો છે.
વપરાશકર્તાઓ Operator માં કસ્ટમ સૂચનાઓ ઉમેરીને પોતાના વર્કફ્લોને વ્યક્તિગત બનાવી શકે છે, બધાં સાઇટ્સ માટે અથવા ચોક્કસ સાઇટ્સ માટે, જેમ કે Booking.com પર એરલાઇન્સ માટે પસંદગીઓ સેટ કરવી. Operator વપરાશકર્તાઓને હોમપેજ પર ઝડપી ઍક્સેસ માટે પ્રોમ્પ્ટ્સ સેવ કરવાની મંજૂરી આપે છે, જે Instacart પર ફરીથી ગ્રોસરી મંગાવવા જેવા પુનરાવર્તિત કાર્યો માટે આદર્શ છે. બ્રાઉઝરમાં અનેક ટૅબ્સનો ઉપયોગ કરવા જેવી રીતે, વપરાશકર્તાઓ નવા સંવાદો બનાવીને Operator દ્વારા એક સાથે અનેક કાર્યો ચલાવી શકે છે, જેમ કે Hipcamp પર કેમ્પસાઇટ બુક કરતી વખતે Etsy પર વ્યક્તિગત એનામેલ મગ ઓર્ડર કરવો.
Operator(નવી વિન્ડોમાં ખૂલે છે) AI ને નિષ્ક્રિય સાધનમાંથી ડિજિટલ ઇકોસિસ્ટમમાં સક્રિય સહભાગીમાં પરિવર્તિત કરે છે. તે વપરાશકર્તાઓ માટે કાર્યોને સરળ બનાવશે અને નવીન ગ્રાહક અનુભવો ઇચ્છતી તથા વધુ કન્વર્ઝન દર ઇચ્છતી કંપનીઓ સુધી એજન્ટના લાભો પહોંચાડશે. અમે DoorDash, Instacart, OpenTable, Priceline, StubHub, Thumbtack, Uber અને અન્ય જેવી કંપનીઓ સાથે સહયોગ કરી રહ્યા છીએ જેથી Operator સ્થાપિત ધોરણોને માન આપતાં વાસ્તવિક જરૂરિયાતોને સંબોધે. આ સહયોગો ઉપરાંત, અમને ખાસ કરીને જાહેર ક્ષેત્રના એપ્લિકેશનોમાં કેટલાક વર્કફ્લોની ઍક્સેસિબિલિટી અને કાર્યક્ષમતામાં સુધારો કરવાની ઘણી સંભાવના દેખાય છે. આ ઉપયોગ કિસ્સાઓને વધુ તપાસવા માટે, અમે City of Stockton(નવી વિન્ડોમાં ખૂલે છે) જેવી સંસ્થાઓ સાથે કામ કરી રહ્યા છીએ જેથી શહેરની સેવાઓ અને કાર્યક્રમોમાં નોંધણી કરાવવી વધુ સરળ બને.
“જેમ જેમ અમે તેની રિસર્ચ પ્રિવ્યુ દરમિયાન Operator વિશે વધુ શીખીશું, તેમ અમે એ ઓળખવા વધુ સજ્જ બનીશું કે AI અમારા રહેવાસીઓ માટે નાગરિક જોડાણને વધુ સરળ કેવી રીતે બનાવી શકે.”
શરૂઆતમાં મર્યાદિત પ્રેક્ષકો માટે Operator રિલીઝ કરીને, અમારો હેતુ ઝડપથી શીખવાનો અને વાસ્તવિક દુનિયાના પ્રતિસાદના આધારે તેની ક્ષમતાઓને વધુ સઘન બનાવવાનો છે, જેથી અમે નવીનતા સાથે વિશ્વાસ અને સુરક્ષાનું સંતુલન જાળવી શકીએ. આ સહયોગી અભિગમ Operator વપરાશકર્તાઓ, સર્જકો, વ્યવસાયો અને જાહેર ક્ષેત્રની સંસ્થાઓને સમાન રીતે અર્થપૂર્ણ મૂલ્ય આપે છે તેની ખાતરી કરવામાં મદદ કરે છે.
“OpenAI નો Operator એ એક ટેક્નોલોજિકલ બ્રેકથ્રૂ છે જે ગ્રોસરી ઓર્ડર કરવા જેવી પ્રક્રિયાઓને અત્યંત સરળ બનાવે છે.”
Operator નો સુરક્ષિત ઉપયોગ સુનિશ્ચિત કરવો અમારી સર્વોચ્ચ પ્રાથમિકતા છે, અને દુરૂપયોગ રોકવા તથા વપરાશકર્તાઓ સંપૂર્ણ નિયંત્રણમાં રહે તે માટે ત્રણ સ્તરની સુરક્ષાઓ છે.
સૌ પ્રથમ, Operator ને એ રીતે ટ્રેન કરવામાં આવ્યો છે કે તેનો ઉપયોગ કરતી વ્યક્તિ હંમેશા નિયંત્રણમાં રહે અને મહત્વપૂર્ણ તબક્કાઓએ ઇનપુટ માંગે.
- ટેકઓવર મોડ: લૉગિન ક્રેડેન્શિયલ્સ અથવા ચુકવણી માહિતી જેવી સંવેદનશીલ માહિતી બ્રાઉઝરમાં દાખલ કરતી વખતે Operator વપરાશકર્તાને નિયંત્રણ લેવા કહે છે. ટેકઓવર મોડમાં Operator વપરાશકર્તા દ્વારા દાખલ કરાયેલી માહિતી એકત્રિત કરતું નથી કે તેનો સ્ક્રીનશોટ લેતું નથી.
- વપરાશકર્તા પુષ્ટિઓ: કોઈપણ મહત્વપૂર્ણ ક્રિયા પૂર્ણ કરતાં પહેલાં, જેમ કે ઓર્ડર સબમિટ કરવો અથવા ઇમેલ મોકલવો, Operator એ મંજૂરી માંગવી જોઈએ.
- કાર્ય મર્યાદાઓ: Operator ને કેટલાક સંવેદનશીલ કાર્યો, જેમ કે બેંકિંગ ટ્રાન્ઝેક્શન અથવા નોકરીની અરજી પર નિર્ણય લેવાના જેવા ઊંચા દાવના નિર્ણયોવાળા કાર્યો, નકારી કાઢવા માટે ટ્રેન કરવામાં આવ્યો છે.
- વૉચ મોડ: ઇમેલ અથવા નાણાકીય સેવાઓ જેવી ખાસ સંવેદનશીલ સાઇટ્સ પર, Operator તેની ક્રિયાઓ પર નજીકથી દેખરેખ રાખવી જરૂરી બનાવે છે, જેથી વપરાશકર્તાઓ કોઈપણ સંભવિત ભૂલોને સીધા પકડી શકે.
આગળ, અમે Operator માં ડેટા ગોપનીયતા સંચાલિત કરવી સરળ બનાવી છે.
- ટ્રેનિંગ ઑપ્ટ આઉટ: ChatGPT સેટિંગ્સમાં ‘Improve the model for everyone’ બંધ કરવાથી Operator માંનો ડેટા પણ અમારા મોડલોને ટ્રેન કરવા માટે વપરાશે નહીં.
- પારદર્શક ડેટા મેનેજમેન્ટ: વપરાશકર્તાઓ Operator સેટિંગ્સના Privacy વિભાગ હેઠળ એક ક્લિકથી તમામ બ્રાઉઝિંગ ડેટા કાઢી શકે છે અને તમામ સાઇટ્સમાંથી લૉગ આઉટ થઈ શકે છે. Operator માંની ભૂતકાળની વાતચીત પણ એક ક્લિકથી કાઢી શકાય છે.
છેલ્લે, અમે એવી વિરોધી વેબસાઇટ્સ સામે સંરક્ષણ બનાવ્યા છે જે છુપાયેલા પ્રોમ્પ્ટ્સ, દૂષિત કોડ અથવા ફિશિંગ પ્રયાસો દ્વારા Operator ને ભ્રમિત કરવાનો પ્રયાસ કરી શકે:
- સાવચેત નેવિગેશન: Operator ને પ્રોમ્પ્ટ ઇન્જેક્શન શોધવા અને અવગણવા માટે ડિઝાઇન કરવામાં આવ્યો છે.
- મોનિટરિંગ: સમર્પિત “મોનિટર મોડલ” શંકાસ્પદ વર્તન પર નજર રાખે છે અને કંઈક ગડબડ લાગે તો કાર્ય રોકી શકે છે.
- ડિટેક્શન પાઇપલાઇન: સ્વચાલિત અને માનવીય સમીક્ષા પ્રક્રિયાઓ સતત નવા જોખમોને ઓળખે છે અને સુરક્ષાઓને ઝડપથી અપડેટ કરે છે.
અમે જાણીએ છીએ કે ખરાબ ઇરાદાવાળા લોકો આ ટેક્નોલોજીનો દુરુપયોગ કરવાનો પ્રયાસ કરી શકે છે. તેથી જ અમે Operator ને હાનિકારક વિનંતીઓને નકારવા અને અનુમતિ ન ધરાવતા કન્ટેન્ટને બ્લોક કરવા માટે ડિઝાઇન કર્યો છે. વારંવારના ઉલ્લંઘનો માટે અમારી મોડરેશન સિસ્ટમ્સ ચેતવણીઓ આપી શકે છે અથવા ઍક્સેસ પણ રદ કરી શકે છે, અને અમે દુરુપયોગ શોધવા અને તેનો સામનો કરવા માટે વધારાની સમીક્ષા પ્રક્રિયાઓ પણ સંકલિત કરી છે. અમે અમારી માર્ગદર્શિકા અને Usage Policies અનુસાર Operator સાથે કેવી રીતે સંવાદ કરવો તે અંગે પણ માર્ગદર્શન આપી રહ્યા છીએ.
જ્યારે Operator આ સુરક્ષાઓ સાથે ડિઝાઇન કરવામાં આવ્યો છે, ત્યારે કોઈપણ સિસ્ટમ નિખૂટ નથી અને આ હજી પણ રિસર્ચ પ્રિવ્યુ છે; અમે વાસ્તવિક દુનિયાના પ્રતિસાદ અને કડક પરીક્ષણ દ્વારા સતત સુધારાને પ્રતિબદ્ધ છીએ. અમારી પદ્ધતિ વિશે વધુ જાણવા, Operator રિસર્ચ બ્લોગના સેફ્ટી વિભાગની મુલાકાત લો.
Operator હાલમાં પ્રારંભિક રિસર્ચ પ્રિવ્યુમાં છે, અને જ્યારે તે પહેલાથી જ વિવિધ પ્રકારના કાર્યો સંભાળવામાં સક્ષમ છે, ત્યારે પણ તે હજી શીખી રહ્યો છે, વિકસી રહ્યો છે અને ભૂલો કરી શકે છે. ઉદાહરણ તરીકે, હાલમાં તેને સ્લાઇડશો બનાવવું અથવા કૅલેન્ડર સંચાલિત કરવું જેવી જટિલ ઇન્ટરફેસ સાથે પડકારો આવે છે. પ્રારંભિક વપરાશકર્તા પ્રતિસાદ તેની ચોકસાઈ, વિશ્વસનીયતા અને સુરક્ષાને વધારવામાં મહત્વપૂર્ણ ભૂમિકા ભજવશે, અને અમને સૌ માટે Operator ને વધુ સારું બનાવવામાં મદદ કરશે.
API માં CUA: અમે Operator ને શક્તિ આપતા મોડલ CUA ને જલ્દી API માં ઉપલબ્ધ કરવાનું આયોજન કરીએ છીએ જેથી ડેવલપર્સ તેનો ઉપયોગ કરીને પોતાના કમ્પ્યુટર-યૂઝિંગ એજન્ટ બનાવી શકે.
વધારેલી ક્ષમતાઓ: અમે લાંબા અને વધુ જટિલ વર્કફ્લો સંભાળવાની Operator ની ક્ષમતામાં સતત સુધારો કરતા રહીશું.
વધુ વ્યાપક ઍક્સેસ: અમે Operator(નવી વિન્ડોમાં ખૂલે છે) ને Plus, Team અને Enterprise વપરાશકર્તાઓ સુધી વિસ્તૃત કરવાની અને ભવિષ્યમાં તેની ક્ષમતાઓને સીધી ChatGPT માં સંકલિત કરવાની યોજના રાખીએ છીએ, જ્યારે અમે મોટા પાયે તેની સુરક્ષા અને ઉપયોગિતામાં વિશ્વાસ મેળવીશું, જેથી નિર્વિઘ્ન વાસ્તવિક-સમય અને અસંકાલિક કાર્ય અમલ શક્ય બને.
લેખકો
મૂળભૂત સંશોધન યોગદાનકર્તાઓ
Casey Chu, David Medina, Hyeonwoo Noh, Noah Jorgensen, Reiichiro Nakano, Sarah Yoo
મુખ્ય
Andrew Howell, Aaron Schlesinger, Baishen Xu, Ben Newhouse, Bobby Stocker, Devashish Tyagi, Dibyo Majumdar, Eugenio Panero, Fereshte Khani, Geoffrey Iyer, Jiahui Yu, Nick Fiacco, Patrick Goethe, Sam Jau, Shunyu Yao, Stephan Casas, Yash Kumar, Yilong Qin
XFN યોગદાનકર્તાઓ
Abby Fanlo Susk, Aleah Houze, Alex Beutel, Alexander Prokofiev, Andrea Vallone, Andrea Chan, Christina Lim, Derek Chen, Duke Kim, Grace Zhao, Heather Whitney, Houda Nait El Barj, Jake Brill, Jeremy Fine, Joe Fireman, Kelly Stirman, Lauren Yang, Lindsay McCallum, Leo Liu, Mike Starr, Minnia Feng, Mostafa Rohaninejad, Oleg Boiko, Owen Campbell-Moore, Paul Ashbourne, Stephen Imm, Taylor Gordon, Tina Sriskandarajah, Winston Howes
લીડ્સ
Aaron Schlesinger (Infrastructure), Casey Chu (Safety and Model Readiness), David Medina (Research Infrastructure), Hyeonwoo Noh (Overall Research), Reiichiro Nakano (Overall Research), Yash Kumar
યોગદાનકર્તાઓ
Adam Brandon, Adam Koppel, Adele Li, Ahmed El-Kishky, Akila Welihinda, Alex Karpenko, Alex Nawar, Alex Tachard Passos, Amelia Liu, Andrei Gheorghe, Andrew Duberstein, Andrey Mishchenko, Angela Baek, Ankush Agarwal, Anting Shen, Antoni Baum, Ari Seff, Ashley Tyra, Behrooz Ghorbani, Bo Xu, Brandon McKinzie, Bryan Brandow, Carolina Paz, Cary Hudson, Chak Li, Chelsea Voss, Chen Shen, Chris Koch, Christian Gibson, Christina Kim, Christine McLeavey, Claudia Fischer, Cory Decareaux, Daniel Jacobowitz, Daniel Wolf, David Kjelkerud, David Li, Ehsan Asdar, Elaine Kim, Emilee Goo, Eric Antonow, Eric Hunter, Eric Wallace, Felipe Torres, Fotis Chantzis, Freddie Sulit, Giambattista Parascandolo, Hadi Salman, Haiming Bao, Haoyu Wang, Henry Aspegren, Hyung Won Chung, Ian O’Connell, Ian Sohl, Isabella Fulford, Jake McNeil, James Donovan, Jamie Kiros, Jason Ai, Jason Fedor, Jason Wei, Jay Dixit, Jeffrey Han, Jeffrey Sabin-Matsumoto, Jennifer Griffith-Delgado, Jeramy Han, Jeremiah Currier, Ji Lin, Jiajia Han, Jiaming Zhang, Jiayi Weng, Jieqi Yu, Joanne Jang, Joyce Ruffell, Kai Chen, Kai Xiao, Kevin Button, Kevin King, Kevin Liu, Kristian Georgiev, Kyle Miller, Lama Ahmad, Laurance Fauconnet, Leonard Bogdonoff, Long Ouyang, Louis Feuvrier, Madelaine Boyd, Mamie Rheingold, Matt Jones, Michael Sharman, Miles Wang, Mingxuan Wang, Nick Cooper, Niko Felix, Nikunj Handa, Noel Bundick, Pedro Aguilar, Peter Faiman, Peter Hoeschele, Pranav Deshpande, Raul Puri, Raz Gaon, Reid Gustin, Robin Brown, Rob Honsby, Saachi Jain, Sandhini Agarwal, Scott Ethersmith, Scott Lessans, Shauna O’Brien, Spencer Papay, Steve Coffey, Tal Stramer, Tao Wang, Teddy Lee, Tejal Patwardhan, Thomas Degry, Tomo Hiratsuka, Troy Peterson, Wenda Zhou, William Butler, Wyatt Thompson, Yao Zhou, Yaodong Yu, Yi Cheng, Yinghai Lu, Younghoon Kim, Yu-Ann Wang Madan, Yushi Wang, Zhiqing Sun
નેતૃત્વ
Anna Makanju, Greg Brockman, Hannah Wong, Jerry Tworek, Liam Fedus, Mark Chen, Peter Welinder, Sam Altman, Wojciech Zaremba