મુખ્ય વિષય-સામગ્રી પર જાવો
OpenAI

10 ઑગસ્ટ, 2026

સ્ટાર્ટઅપ

Model ML GPT‑5.6 Sol વડે નાણાકીય કામ કાર્યક્ષમ બનાવે છે

Model ML સંપાદનયોગ્ય PowerPoint અને Excel ફાઇલો બનાવતા કાર્યપ્રવાહોમાં GPT‑5.6 Sol વાપરે છે, જે દરેક પ્રસ્તુતિ દીઠ Fable 5 કરતાં 21% ઓછા ટોકન વાપરે છે.

કંપનીનું કદ: સ્ટાર્ટઅપ
પ્રદેશ: વૈશ્વિક
ઉદ્યોગ: ફાઇનાન્સ, ટેકનોલોજી
પ્રોડક્ટ્સ: API

પરિણામો

21%

Fable 5 કરતાં દરેક PowerPoint પ્રસ્તુતિ દીઠ ઓછા ટોકન

પરિણામો

16.6

વ્યાવસાયિક તૈયારીમાં Opus 5 કરતાં ટકાવારી અંકની સરસાઈ

પરિણામો

36%

Opus 5 કરતાં દરેક Excel કાર્યપુસ્તિકા દીઠ ઓછા ટોકન

પરિણામો

5

વિશેષ જરૂરિયાત મુજબનું સારાંશ પત્રક બનાવવામાં લાગતી મિનિટો, જે પહેલાં લગભગ એક કલાક હતી

લોડિંગ…

નાણાકીય વિશ્લેષણને ગ્રાહકો કે વરિષ્ઠ નિર્ણયકર્તાઓ સમક્ષ રજૂ કરી શકાય તે પહેલાં, ટીમોએ તેને એક કઠિન અંતિમ તબક્કામાંથી પસાર કરવું પડે છે: પુરાવાનો મેળ બેસાડવો, ફાઇલ બનાવવી અને તેનું સ્વરૂપણ કરવું, દરેક આંકડો ચકાસવો અને દરેક દાવાને તેના સ્રોત સાથે જોડવો. તૈયાર PowerPoint પ્રસ્તુતિ અથવા Excel કાર્યપુસ્તિકા સંપાદનયોગ્ય અને ચકાસણી માટે તૈયાર હોવી જોઈએ.

Model MLના સહ-સ્થાપકો અને ભાઈઓ આર્ની અને ચાઝ ઇંગ્લેન્ડરે બે સફળ રોકાણોમાંથી બહાર નીકળ્યા પછી ખાનગી પારિવારિક કાર્યાલય મારફતે રોકાણ કરવાનું શરૂ કર્યું. ત્યારે તેમને સમજાયું કે આમાં કેટલું કામ લાગે છે અને નિર્માતાઓની જેમ તેમણે પોતાની મદદ માટે સોફ્ટવેર બનાવવાનું શરૂ કર્યું.

એ સોફ્ટવેરમાંથી વિકસેલા Model MLના એજન્ટો નાણાકીય વ્યાવસાયિકોને પ્રારંભિક વિનંતીથી લઈને સંશોધન, વિશ્લેષણ અને તૈયાર પ્રસ્તુતિ અથવા કાર્યપુસ્તિકા સુધીની સમગ્ર કાર્યપ્રક્રિયા પૂર્ણ કરવામાં મદદ કરે છે. તેના કેન્દ્રમાં મુખ્ય એજન્ટ કામનું આયોજન કરે છે, યોગ્ય સાધનો પસંદ કરે છે, પુરાવાનો મેળ બેસાડે છે અને ગણતરીઓ કરે છે. તે દરેક પગલું તેના માટે સૌથી યોગ્ય મોડલને સોંપે છે, જે ઘણી વાર GPT‑5.6 Sol હોય છે. આ સાધનોમાં Model MLના પોતાના દસ્તાવેજી સાધનો પણ છે, જે શોધી શકાય તેવા સ્રોતો સાથે મૂળ સ્વરૂપની PowerPoint અને Excel ફાઇલો બનાવે છે.

“અગાઉનાં મોડલો વિશ્લેષકનું કામ કરી શકતાં હતાં, પરંતુ વપરાશકર્તાએ કાર્યને સ્પષ્ટ રીતે અલગ પગલાંમાં વહેંચવું પડતું હતું અને ખાસ કરીને ઇચ્છિત પરિણામ કેવું હોવું જોઈએ તે સમજાવવું પડતું હતું. GPT-5.6 Sol સાથે અમને જોવા મળે છે કે એજન્ટ અંતિમ પરિણામની ઘણી વધુ નજીક પહોંચે છે.”
—ચાઝ ઇંગ્લેન્ડર, Model MLના સહ-સ્થાપક અને મુખ્ય કાર્યકારી અધિકારી

નાણાકીય કામનો અંતિમ તબક્કો સરળ બનાવવો

Model ML નાણાકીય કાર્યપ્રવાહોને શરૂઆતથી અંત સુધી સ્વચાલિત કરીને નાણાકીય ટીમોને મદદ કરે છે. સંક્ષિપ્ત સૂચના અને સ્રોત સામગ્રીના આધારે એજન્ટ સંશોધન અને મોડેલિંગથી લઈને ગ્રાહકો અથવા સોદાની ટીમો માટે તૈયાર સામગ્રી સુધીનું કાર્ય પૂર્ણ કરી શકે છે. કામ વહેંચતા પહેલાં નાણાકીય વ્યાવસાયિક ધારણાઓ, સ્રોતો અને સંદેશની ચકાસણી કરે છે.

Model ML આ ઉત્પાદનને “માધ્યમથી સ્વતંત્ર” કહે છે. નાણાકીય વ્યાવસાયિક ઇમેઇલ અથવા Model ML એપ્લિકેશનમાં કાર્ય શરૂ કરી શકે છે અને તેને ફરી સમજાવ્યા વિના Microsoft Officeના પ્લગ-ઇનમાં આગળ વધારી શકે છે.

આ સાતત્ય તૈયાર કામમાં પણ જળવાઈ રહે છે. રોકાણ સમિતિ માટેની પ્રસ્તુતિ બનાવવા Model ML સંક્ષિપ્ત સૂચના અને સ્રોત સામગ્રીને સંપાદનયોગ્ય PowerPointમાં ફેરવી શકે છે. Excel કાર્ય માટે એજન્ટ ગ્રાહકના નમૂના અથવા ખાલી કાર્યપુસ્તિકાથી શરૂઆત કરી શકે છે, જરૂરી માહિતી એકત્ર કરી શકે છે, અનેક ટૅબમાં સૂત્રો અને તર્ક બનાવી શકે છે અને પછી નાણાકીય ક્ષેત્રને અનુરૂપ સ્વરૂપણ કરીને સંપૂર્ણ સ્પ્રેડશીટ અથવા નાણાકીય મોડલ તૈયાર કરી શકે છે.

નાણાકીય સેવાઓમાં AI માટે કંપનીના મૂલ્યાંકન માપદંડ Model ML Compositeમાં, Excel કાર્યપ્રવાહ દરમિયાન GPT‑5.6 Solએ દરેક કાર્યપુસ્તિકા દીઠ Opus 5 કરતાં 36% ઓછા ટોકન વાપર્યા.

“વપરાશકર્તાએ માત્ર વિશ્લેષણ ફરી બનાવવાને બદલે ધારણાઓ સુધારવા અથવા સંદેશને વધુ સચોટ બનાવવા જેવા નિર્ણયાત્મક કામ પર ધ્યાન આપવું જોઈએ.”
—ચાઝ ઇંગ્લેન્ડર, Model MLના સહ-સ્થાપક અને મુખ્ય કાર્યકારી અધિકારી

કામને આ અંતિમ તબક્કા સુધી પહોંચાડવાથી એજન્ટ દરેક પરિણામ તૈયાર કરવામાં લાગતો સમય બચાવી શકે છે અને ટીમોને મોટા પ્રમાણમાં સ્રોત સામગ્રી પર પ્રક્રિયા કરવામાં મદદ કરી શકે છે. એક વૈશ્વિક સંપત્તિ સંચાલક સંસ્થામાં, વિશ્લેષકને વિશેષ જરૂરિયાત મુજબનું સારાંશ પત્રક બનાવવામાં પહેલાં લગભગ એક કલાક લાગતો હતો, જ્યારે હવે લગભગ પાંચ મિનિટ લાગે છે. અન્ય એક કાર્યપ્રવાહમાં Model MLના એજન્ટોએ 100,000થી વધુ પંક્તિઓ અને સેંકડો ફાઇલો ધરાવતા આભાસી ડેટા કક્ષો પર એક જ પ્રયાસમાં પ્રક્રિયા કરી.

GPT‑5.6 Sol ઓછા ટોકન સાથે સમીક્ષા માટે વધુ તૈયાર નાણાકીય પરિણામો આપે છે

Model MLએ વિવિધ નાણાકીય કાર્યપ્રવાહોમાં અન્ય અગ્રણી મોડલોની સાથે GPT‑5.6 Solનું મૂલ્યાંકન કર્યું. તેના Composite મૂલ્યાંકનો પ્રારંભિક નાણાકીય સૂચનાથી લઈને સંશોધન અને ગણતરીઓ તથા સંપાદનયોગ્ય પ્રસ્તુતિ અથવા સ્પ્રેડશીટ સુધી સમગ્ર કાર્યને અનુસરે છે. ત્યારબાદ તે આંકડા, સ્રોતો, સૂત્રો અને માળખાની સાથે પ્રસ્તુતિની દૃશ્ય ગુણવત્તા પણ ચકાસે છે.

PowerPoint માટે Model MLનું Composite મૂલ્યાંકન વાસ્તવિક કાર્યપ્રવાહોનો સમાવેશ કરે છે અને વિગતવાર ગુણાંકન માપદંડ સાથે સેંકડો તૈયાર કરેલી પ્રસ્તુતિઓને આવરે છે.

GPT‑5.6 Solએ 100% પરીક્ષણોમાં PowerPoint કાર્યપ્રવાહ પૂર્ણ કર્યો, જ્યારે Opus 5એ 76%માં કર્યો. પરિણામ વિગતવાર સમીક્ષા માટે તૈયાર છે કે નહીં તે માપતા Model MLના વ્યાવસાયિક તૈયારીના માપદંડને GPT‑5.6 Solએ 43.3% પરીક્ષણોમાં પાર કર્યો, જ્યારે Opus 5એ 26.7%માં કર્યો. પ્રસ્તુતિની ગુણવત્તા, સૂચનાનું પાલન, શ્રેણીક્રમ અને સુસંગતતામાં પણ તે Opus 5થી આગળ રહ્યું.

Native PowerPoint creation model benchmark, Model ML’s Composite eval
MetricGPT 5.6 SolΔ Sol–O5Opus 5Fable 5Opus 4.8GPT 5.6 TerraGPT-5.5
Deck quality — Overall score, readiness-gated59.9%+3.256.7%59.3%58.7%52.5%44.4%
Deliverability — Professional-readiness rate (gate)43.3%+16.626.7%32.0%17.3%17.3%16.0%
Deck produced — Items yielding a .pptx100.0%+24.076.0%82.0%80.0%80.0%74.0%
Brief adherence — Instruction following78.8%+0.977.9%78.5%78.4%74.1%79.6%
Visual quality — Aggregate visual judge — components below77.9%−1.479.3%78.9%75.1%74.4%68.5%
Layout — Layout & composition75.9%−2.978.8%78.7%76.2%76.1%67.8%
Hierarchy — Visual hierarchy87.2%+0.586.7%85.5%85.5%85.6%83.7%
Data viz — Chart legibility78.8%−4.383.1%79.7%73.3%74.6%68.4%
Consistency — Design coherence97.8%+4.593.3%95.8%97.5%75.0%90.0%
Efficiency — Tokens per deck (lower = better)1.10M+144K953K1.40M1.16M720K1.01M

મૂળ સ્વરૂપની PowerPoint ફાઇલ બનાવવા માટેનો Model MLનો માપદંડ GPT‑5.6 Solની સરખામણી Opus 5 અને અન્ય અગ્રણી મોડલો સાથે કરે છે.

Native Excel creation model benchmark, Model ML’s Composite eval
MetricGPT 5.6 SolΔ Sol–O5Opus 5Fable 5Opus 4.8GPT 5.6 TerraGPT-5.5
Key outputs correct — Headline accuracy vs golden model83.3%+0.582.8%80.6%74.4%82.2%83.3%
Fully correct models — Items with every key output right50.0%−10.060.0%60.0%40.0%53.3%60.0%
Outputs located — Expected outputs found in workbook100.0%±0100.0%100.0%92.2%98.9%100.0%
Workbook contract — Structure / no-errors / no-placeholder gates100.0%±0100.0%100.0%100.0%100.0%100.0%
Efficiency — Tokens per workbook (lower = better)2.44M−1.40M3.83M2.59M2.91M1.64M1.16M
Wall clock — Minutes per workbook (lower = better)7.0 min−0.5 min7.5 min8.4 min11.5 min4.2 min3.9 min

મૂળ સ્વરૂપની Excel ફાઇલ બનાવવા માટેનો Model MLનો માપદંડ GPT‑5.6 Solની સરખામણી Opus 5 અને અન્ય અગ્રણી મોડલો સાથે કરે છે.

ઉપર દર્શાવેલાં સંયુક્ત Composite પરિણામોએ Model MLને ઉત્પાદનમાં GPT‑5.6 Solનો ઉપયોગ વધારવા માટે પુરાવા આપ્યા, જેમાં અગાઉ Opus 4.8 સંભાળતું હતું એવા કેટલાક કાર્યપ્રવાહો પણ સામેલ છે. PowerPoint કાર્યપ્રવાહોમાં GPT‑5.6 Solએ સ્પર્ધાત્મક પ્રસ્તુતિ ગુણવત્તાની સાથે Opus 5 અને Fable 5 કરતાં પૂર્ણ થયેલી અને સમીક્ષા માટે તૈયાર પ્રસ્તુતિઓનો ઊંચો દર આપ્યો, તેમજ Fable 5 કરતાં લગભગ 21% ઓછા ટોકન વાપર્યા.

ઇંગ્લેન્ડર કહે છે, “વાસ્તવિક કામ માટે તૈયાર હોવાનો અર્થ એ છે કે વપરાશકર્તા સીધી જ વાસ્તવિક સમીક્ષા શરૂ કરી શકે.” “આંકડાઓના સ્રોત શોધી શકાય છે, કાર્યપુસ્તિકા ફરી ગણતરી કરે છે અને સ્લાઇડ સંપાદનયોગ્ય હોય છે.”

સમીક્ષામાં ખરી ઊતરે એવી રોકાણ પ્રસ્તુતિઓ બનાવવી

GPT‑5.6 Sol વાસ્તવિક કામ માટે તૈયાર છે કે નહીં તે ચકાસવા PowerPointએ Model ML સમક્ષ કઠિન કસોટી રજૂ કરી. પ્રસ્તુતિ સુઘડ દેખાતી હોવા છતાં તેના આંકડા ખોટા હોય કે તેમનો સ્રોત શોધી ન શકાય, તેના આલેખ સંપાદન ન થઈ શકે તેવા હોય અથવા શેર કરતા પહેલાં તેની સ્લાઇડ ફરી બનાવવી પડે તો તે સમીક્ષામાં નિષ્ફળ જઈ શકે છે.

Model MLએ પોતાની એજન્ટ કાર્યપ્રણાલીમાં મોડલ ચલાવ્યું અને તેની સાથે દસ્તાવેજ બનાવવા તથા સંપાદિત કરવાનાં સાધનો જોડ્યાં, જેથી એજન્ટ સંપાદનયોગ્ય આલેખો અને કોષ્ટકોવાળી સ્લાઇડ બનાવી શકે. કામ કરતી વખતે તે મૂળ સૂચનાને સંદર્ભમાં જાળવે છે અને ફાઇલ પરત આપતા પહેલાં દરેક સ્લાઇડની દૃશ્ય સમીક્ષા કરે છે.

નીચેનું ઉદાહરણ દર્શાવે છે કે GPT‑5.5થી GPT‑5.6 Sol સુધી Model MLના PowerPoint પરિણામમાં કેવી રીતે સુધારો થયો, જેમાં વધુ સ્પષ્ટ શ્રેણીક્રમ અને વધુ સુસંગત સ્લાઇડ રચનાનો સમાવેશ થાય છે.

આજે Model MLની કાર્યપ્રણાલી એજન્ટને એવા સાધનસમૂહો આપે છે, જેને લોડ કરીને તે ડેટા સંકલનો, દસ્તાવેજ સંપાદનનાં સાધનો અને કુશળતાઓ તથા કોડ ચલાવવાનાં વાતાવરણ મેળવી શકે છે. આનાથી એજન્ટ એકાગ્ર રહે છે અને વપરાશકર્તાના દસ્તાવેજો સાથે કામ કરવા માટે જરૂરી હોય એ જ સાધનો તેને મળે છે.

Model MLએ OpenAI સાથે સ્થળ પર યોજાયેલાં સત્રો દ્વારા આ વ્યવસ્થા વિકસાવી. ટીમોએ એજન્ટ પ્રસ્તુતિઓનું આયોજન કેવી રીતે કરતો હતો, સાધનો કેવી રીતે પસંદ કરતો હતો અને સંદર્ભ કેવી રીતે જાળવતો હતો તે તપાસ્યું. પછી આ તારણોથી એજન્ટની સૂચનાઓ સુધારી અને દરેક સાધનસમૂહ ક્યારે લોડ થવો જોઈએ તે નક્કી કર્યું.

બદલાતા નાણાકીય કામને અનુરૂપ નિર્માણ

Model MLના ગ્રાહકો એવા બ્રાઉઝર-આધારિત પરિણામો તરફ આગળ વધી રહ્યા છે, જે તેમની પાછળ રહેલા મોડલો અને સ્રોત સામગ્રી સાથે જોડાયેલાં રહે છે.

Model MLનું મંચ સુરક્ષિત અને પારસ્પરિક પરિણામો બનાવી શકે છે, જે સતત અદ્યતન થઈ શકે અથવા ચોક્કસ સમયની સ્થિતિમાં સ્થિર કરી શકાય. સમીક્ષક રોકાણ સારાંશ ખોલી શકે, કોઈ આંકડા પાછળના નાણાકીય મોડલ સુધી પહોંચવા તેના પર ક્લિક કરી શકે અને એ જ પૃષ્ઠ પરથી એજન્ટ સાથે કામ કરી શકે.

ઇંગ્લેન્ડર કહે છે, “PowerPoint, Excel અને Word એવી દુનિયા માટે બનાવાયાં હતાં, જ્યાં જ્ઞાન આધારિત કામ જાતે કરવું પડતું હતું.” “AIએ એ ધારણા બદલી નાખી છે. હવે સોફ્ટવેર પોતે જ બદલાવાની તૈયારીમાં છે.”