અમે નવા મોડલ્સ રિલીઝ કરી રહ્યા છીએ, GPT‑3.5 Turbo માટે કિંમતો ઘટાડી રહ્યા છીએ, અને ડેવલપર્સને API keys મેનેજ કરવા અને API વપરાશ સમજવા માટે નવી રીતો રજૂ કરી રહ્યા છીએ. નવા મોડલ્સમાં સામેલ છે:
- બે નવા embedding મોડલ્સ
- અપડેટ કરાયેલ GPT‑4 Turbo પ્રિવ્યૂ મોડલ
- અપડેટ કરાયેલ GPT‑3.5 Turbo મોડલ
- અપડેટ કરાયેલ ટેક્સ્ટ મોડરેશન મોડલ
ડિફૉલ્ટ રૂપે, OpenAI API ને મોકલાયેલ ડેટાનો ઉપયોગ OpenAI મોડલ્સને ટ્રેન કરવા અથવા સુધારવા માટે કરવામાં આવશે નહીં.
અમે બે નવા embedding મોડલ્સ રજૂ કરી રહ્યા છીએ: નાનું અને અત્યંત કાર્યક્ષમ text-embedding-3-small મોડલ, અને મોટું તથા વધુ શક્તિશાળી text-embedding-3-large મોડલ.
embedding એ અંકોની એવી શ્રેણી છે જે સ્વાભાવિક ભાષા અથવા કોડ જેવી સામગ્રીમાં રહેલા સંકલ્પનાઓનું પ્રતિનિધિત્વ કરે છે. Embeddings મશીન લર્નિંગ મોડલ્સ અને અન્ય અલ્ગોરિધમ્સ માટે સામગ્રી વચ્ચેના સંબંધોને સમજવા અને ક્લસ્ટરિંગ અથવા રિટ્રીવલ જેવી કામગીરી કરવાનું સરળ બનાવે છે. તે ChatGPT અને Assistants API બંનેમાં knowledge retrieval જેવી એપ્લિકેશન્સ તેમજ ઘણા retrieval augmented generation (RAG) ડેવલપર ટૂલ્સને શક્તિ આપે છે.
text-embedding-3-small અમારું નવું અત્યંત કાર્યક્ષમ embedding મોડલ છે અને December 2022 માં રિલીઝ થયેલા તેના પૂર્વવર્તી text-embedding-ada-002 મોડલ કરતાં નોંધપાત્ર સુધારો પ્રદાન કરે છે.
વધુ મજબૂત પ્રદર્શન. text-embedding-ada-002 ની text-embedding-3-small સાથે સરખામણી કરતાં, બહુભાષી retrieval માટે વ્યાપકપણે ઉપયોગમાં લેવાતા benchmark (MIRACL(નવી વિન્ડોમાં ખૂલે છે)) પર સરેરાશ સ્કોર 31.4% થી વધીને 44.0% થયો છે, જ્યારે અંગ્રેજી કાર્યો માટે વ્યાપકપણે ઉપયોગમાં લેવાતા benchmark (MTEB(નવી વિન્ડોમાં ખૂલે છે)) પર સરેરાશ સ્કોર 61.0% થી વધીને 62.3% થયો છે.
ઘટાડેલી કિંમત. text-embedding-3-small અમારું અગાઉનું text-embedding-ada-002 મોડલ કરતાં નોંધપાત્ર રીતે વધુ કાર્યક્ષમ છે. તેથી text-embedding-3-small માટેની કિંમત text-embedding-ada-002 ની સરખામણીમાં 5X ઘટાડી દેવામાં આવી છે, એટલે કે 1k ટોકન્સ દીઠ કિંમત $0.0001 માંથી $0.00002 થઈ છે.
અમે text-embedding-ada-002 ને deprecated કરી રહ્યા નથી, તેથી ભલે અમે નવા મોડલની ભલામણ કરીએ છીએ, ગ્રાહકો ઇચ્છે તો અગાઉની પેઢીના મોડલનો ઉપયોગ ચાલુ રાખી શકે છે.
નવું મોટું ટેક્સ્ટ embedding મોડલ: text-embedding-3-large
text-embedding-3-large અમારું નવું આગામી પેઢીનું મોટું embedding મોડલ છે અને 3072 dimensions સુધી embeddings બનાવે છે.
વધુ મજબૂત પ્રદર્શન. text-embedding-3-large અમારું નવું સૌથી સારું પ્રદર્શન કરતું મોડલ છે. text-embedding-ada-002 ની text-embedding-3-large સાથે સરખામણી કરતાં: MIRACL પર સરેરાશ સ્કોર 31.4% થી વધીને 54.9% થયો છે, જ્યારે MTEB પર સરેરાશ સ્કોર 61.0% થી વધીને 64.6% થયો છે.
મૂલ્યાંકન બેન્ચમાર્ક | ada v2 | text-embedding-3-small | text-embedding-3-large |
MIRACL સરેરાશ | 31.4 | 44.0 | 54.9 |
MTEB સરેરાશ | 61.0 | 62.3 | 64.6 |
text-embedding-3-large ની કિંમત $0.00013 / 1k ટોકન્સ રહેશે.
તમે અમારા Embeddings guide(નવી વિન્ડોમાં ખૂલે છે) માં નવા embedding મોડલ્સનો ઉપયોગ કરવા વિશે વધુ જાણી શકો છો.
મોટા embeddings નો ઉપયોગ કરવો, ઉદાહરણ તરીકે retrieval માટે તેમને vector store માં સંગ્રહિત કરવો, સામાન્ય રીતે નાના embeddings ના ઉપયોગ કરતાં વધુ ખર્ચાળ હોય છે અને વધુ compute, memory અને storage વાપરે છે.
અમારા બંને નવા embedding મોડલ્સને એવી ટેકનિકA સાથે ટ્રેન કરવામાં આવ્યા હતા જે ડેવલપર્સને embeddings નો ઉપયોગ કરતી વખતે performance અને cost વચ્ચે સંતુલન સાધવાની મંજૂરી આપે છે. ખાસ કરીને, ડેવલપર્સ dimensions API parameter આપીને embeddings ને ટૂંકા બનાવી શકે છે (અર્થાત ક્રમના અંતમાંથી કેટલાક અંકો દૂર કરી શકે છે) અને તેમ છતાં embedding તેની સંકલ્પના-પ્રતિનિધિત્વ કરવાની ગુણધર્મો ગુમાવતું નથી. ઉદાહરણ તરીકે, MTEB benchmark પર, text-embedding-3-large embedding ને 256ના કદ સુધી ટૂંકું કરી શકાય છે અને છતાં તે 1536ના કદ ધરાવતા અનટૂંકાયેલા text-embedding-ada-002 embedding કરતાં વધુ સારું પ્રદર્શન કરે છે.
આ બહુ લવચીક વપરાશને સક્ષમ બનાવે છે. ઉદાહરણ તરીકે, જ્યારે એવો vector data store ઉપયોગમાં લેવાય છે જે માત્ર 1024 dimensions સુધીના embeddings ને સપોર્ટ કરે છે, ત્યારે ડેવલપર્સ હવે પણ અમારું શ્રેષ્ઠ embedding મોડલ text-embedding-3-large ઉપયોગ કરી શકે છે અને dimensions API parameter માટે 1024 મૂલ્ય નિર્ધારિત કરી શકે છે, જે embedding ને 3072 dimensionsમાંથી ટૂંકું કરશે, અને નાની vector sizeના બદલે થોડું accuracy trade-off કરશે.
આવતા અઠવાડિયે અમે નવું GPT‑3.5 Turbo મોડલ, gpt-3.5-turbo-0125, રજૂ કરી રહ્યા છીએ, અને ગયા વર્ષમાં ત્રીજી વાર અમે અમારા ગ્રાહકોને સ્કેલ કરવામાં મદદ કરવા માટે GPT‑3.5 Turbo ની કિંમતો ઘટાડશું. નવા મોડલ માટે input કિંમતો 50% ઘટાડી $0.0005 /1K ટોકન્સ કરવામાં આવી છે અને output કિંમતો 25% ઘટાડી $0.0015 /1K ટોકન્સ કરવામાં આવી છે. આ મોડલમાં વિનંતી કરાયેલા ફોર્મેટમાં પ્રતિસાદ આપતી વખતે વધુ ચોકસાઈ જેવા વિવિધ સુધારાઓ પણ હશે અને non-English ભાષાની function calls માટે ટેક્સ્ટ એન્કોડિંગ સમસ્યા સર્જતી એક બગ(નવી વિન્ડોમાં ખૂલે છે) માટેનો સુધારો પણ હશે.
unpinned gpt-3.5-turbo મોડલ એલિયાસનો ઉપયોગ કરતા ગ્રાહકોને આ મોડલ લોન્ચ થયા પછી બે અઠવાડિયામાં gpt-3.5-turbo-0613 થી gpt-3.5-turbo-0125 પર આપમેળે અપગ્રેડ કરવામાં આવશે.
તેના પ્રકાશન પછીથી GPT‑4 API ગ્રાહકોની 70%થી વધુ વિનંતિઓ GPT‑4 Turbo પર સ્થળાંતરિત થઈ ગઈ છે, કારણ કે ડેવલપર્સ તેની અપડેટ કરાયેલ નોલેજ કટઓફ, મોટી 128k કોન્ટેક્સ્ટ વિન્ડોઝ અને ઓછી કિંમતોનો લાભ લઈ રહ્યા છે.
આજે, અમે અપડેટ કરાયેલ GPT‑4 Turbo પ્રિવ્યૂ મોડલ, gpt-4-0125-preview, રિલીઝ કરી રહ્યા છીએ. આ મોડલ અગાઉના પ્રિવ્યૂ મોડલ કરતાં કોડ જનરેશન જેવી કામગીરી વધુ સંપૂર્ણ રીતે પૂર્ણ કરે છે અને એવી “આળસ” જેવી પરિસ્થિતિઓ ઘટાડવા માટે બનાવાયેલ છે જ્યાં મોડલ કોઈ કાર્ય પૂર્ણ કરતું નથી. નવા મોડલમાં non-English UTF-8 જનરેશન્સને અસર કરતી બગ માટેનો સુધારો પણ સમાવેશ થાય છે.
જે લોકો નવા GPT‑4 Turbo પ્રિવ્યૂ વર્ઝન્સમાં આપમેળે અપગ્રેડ થવા માંગે છે, તેમના માટે અમે નવું gpt-4-turbo-preview મોડલ નામ એલિયાસ પણ રજૂ કરી રહ્યા છીએ, જે હંમેશા અમારા તાજા GPT‑4 Turbo પ્રિવ્યૂ મોડલ તરફ સૂચન કરશે.
આવનારા મહિનાઓમાં અમે vision સાથે GPT‑4 Turbo ને સામાન્ય ઉપલબ્ધતામાં લોન્ચ કરવાની યોજના ધરાવીએ છીએ.
મફત Moderation API ડેવલપર્સને સંભવિત રીતે હાનિકારક ટેક્સ્ટ ઓળખવાની મંજૂરી આપે છે. અમારી ચાલુ સુરક્ષા કામગીરીના ભાગરૂપે, અમે text-moderation-007 રિલીઝ કરી રહ્યા છીએ, જે આજ સુધીનું અમારું સૌથી મજબૂત moderation મોડલ છે. text-moderation-latest અને text-moderation-stable એલિયાસિસને હવે તેની તરફ સૂચન કરવા માટે અપડેટ કરવામાં આવ્યા છે. તમે અમારા safety best practices guide(નવી વિન્ડોમાં ખૂલે છે) દ્વારા સુરક્ષિત AI સિસ્ટમ્સ બનાવવાની વધુ માહિતી મેળવી શકો છો.
અમે બે પ્લેટફોર્મ સુધારાઓ લોન્ચ કરી રહ્યા છીએ જેથી ડેવલપર્સને તેમના વપરાશ વિશે વધુ દૃશ્યતા અને API keys પર વધુ નિયંત્રણ મળે.
પ્રથમ, ડેવલપર્સ હવે API keys page(નવી વિન્ડોમાં ખૂલે છે) પરથી API keys ને permissions સોંપી શકે છે. ઉદાહરણ તરીકે, કોઈ key ને આંતરિક ટ્રેકિંગ ડૅશબોર્ડ ચલાવવા માટે read-only access સોંપી શકાય, અથવા માત્ર ચોક્કસ એન્ડપોઇન્ટ્સ ઍક્સેસ કરવા માટે મર્યાદિત કરી શકાય.
બીજું, usage dashboard અને usage export function હવે turning on tracking(નવી વિન્ડોમાં ખૂલે છે) પછી API key સ્તર પર metrics દર્શાવે છે. તેથી, દરેક માટે અલગ API keys રાખીને, feature, team, product અથવા project સ્તરે વપરાશ જોવો સરળ બને છે.
આવનારા મહિનાઓમાં, અમે ખાસ કરીને મોટી સંસ્થાઓમાં ડેવલપર્સ માટે તેમના API વપરાશ જોવા અને API keys મેનેજ કરવાની ક્ષમતા વધુ સુધારવાની યોજના ધરાવીએ છીએ.
OpenAI ના APIs વિશેના તાજા અપડેટ્સ માટે, X પર @OpenAIDevs(નવી વિન્ડોમાં ખૂલે છે) પર અમને અનુસરો.
લેખક
આભારવિધિ
Juntang Zhuang, Paul Baltescu, Joy Jiao, Arvind Neelakantan, Andrew Braunstein, Jeff Harris, Logan Kilpatrick, Leher Pathak, Enoch Cheung, Ted Sanders, Yutian Liu, Anushree Agrawal, Andrew Peng, Ian Kivlichan, Mehmet Yatbaz, Madelaine Boyd, Anna-Luisa Brakman, Florencia Leoni Aleman, Henry Head, Molly Lin, Meghan Shah, Chelsea Carlson, Sam Toizer, Ryan Greene, Alison Harmon, Denny Jin, Karolis Kosas, Marie Inuzuka, Peter Bakkum, Barret Zoph, Luke Metz, Jiayi Weng, Randall Lin, Yash Patil, Mianna Chen, Andrew Kondrich, Brydon Eastman, Liam Fedus, John Schulman, Vlad Fomenko, Andrej Karpathy, Aidan Clark, Owen Campbell-Moore
