GPT-6.1Sol

Predstavljamo GPT-6.1 Sol, nadogradnju modela GPT-6 Sol koja se po inteligenciji u kodiranju uz pomoć AI agenta, upotrebi računala i profesionalnom radu gotovo izjednačava s modelom GPT-6 Astra, i to uz petinu standardne cijene ulaznih i izlaznih tokena modela Astra. Predmemorirani ulaz košta samo 0,10 USD po milijunu tokena– 95 % manje od standardne cijene ulaza i 50 % manje od cijene predmemoriranog ulaza modela GPT-6 Sol – pa razvojni inženjeri imaju više prostora za izradu i pokretanje sposobnih agenata koji ponovno upotrebljavaju kontekst u različitim zahtjevima.

Sposobniji Sol za razne zadatke

GPT-6.1 Sol nudi novu ravnotežu sposobnosti i troškova za važan svakodnevni rad. Donosi znatna poboljšanja u odnosu na GPT-6 Sol u složenim profesionalnim zadacima, od pisanja kôda i otklanjanja pogrešaka do razumijevanja dokumenata i izvođenja poslovnih procesa u više koraka. U nekoliko tih evaluacija približava se performansama modela GPT-6 Astra uz znatno niži trošak.

Kodiranje

Na testu DeepSWE v1.1, koji procjenjuje složene zadatke softverskog inženjerstva u stvarnim bazama koda, GPT-6.1 Sol izjednačuje se s modelom GPT-6 Astra uz otprilike petinu troška, a istodobno nadmašuje najbolji rezultat modela GPT-6 Sol za 6,4 postotna boda uz manji napor pri rasuđivanju i niži trošak.

Profesionalni rad

Na testu GDP.pdf, koji mjeri koliko točno modeli odgovaraju na stručna pitanja koristeći složene PDF dokumente s tablicama, grafikonima, dijagramima i sitno tiskanim pojedinostima, GPT-6.1 Sol postiže bolji rezultat od modela Opus 5.5 s pričuvnim modelima uz manje od polovice troška po zadatku na svim testiranim postavkama rasuđivanja. Također se približava vodećim performansama modela GPT-6 Astra uz otprilike petinu troška po zadatku.

Na testu AutomationBench, koji mjeri izvršavaju li agenti ispravno poslovne procese u više koraka, GPT-6.1 Sol postiže rezultat 2,2 postotna boda bolji od modela Opus 5.5 uz srednju razinu napora pri rasuđivanju i otprilike trećinu troška. Taj je rezultat ujedno 4,8 postotnih bodova bolji od rezultata modela GPT-6 Sol na istoj postavci.

Upotreba računala

GPT-6.1 Sol također znatno napreduje u zadacima koji zahtijevaju interakciju s računalnim aplikacijama. Na izvanmrežnom skupu testa OSWorld 2.0, koji procjenjuje agente u zahtjevnim radnim procesima koji uključuju upotrebu računala, GPT-6.1 Sol nadmašuje GPT-6 Sol za sedam postotnih bodova uz maksimalni napor pri rasuđivanju i manje od polovice troška. Uz maksimalni napor pri rasuđivanju zaostaje samo 2,1 postotni bod za rezultatom modela Astra, uz otprilike sedminu troška po zadatku.

Znanstvena istraživanja

Na testu Terminal-Bench Science 0.1, koji procjenjuje znanstvene radne procese, uključujući analizu podataka, simulacije i dokazivanje teorema, GPT-6.1 Sol postiže više nego dvostruko bolji rezultat od modela GPT-6 Sol uz maksimalni napor pri rasuđivanju i manje od polovice troška po zadatku. Uz maksimalni napor GPT-6.1 Sol u prosjeku košta 5,47 USD po zadatku, u usporedbi s 23,21 USD za Opus 5.5 i 23,80 USD za model Astra. Time pruža snažne sposobnosti za znanstveni rad uz više od 75 % niži trošak od oba modela.

GPT-6 Astra i dalje postiže najbolji rezultat među testiranim modelima, 68,1 %, te ga treba upotrebljavati za najteže znanstvenoistraživačke zadatke.

Činjenična točnost

GPT-6.1 Sol također poboljšava činjeničnu točnost na zahtjevnim upitima. Njegovo najveće poboljšanje činjeničnosti u odnosu na GPT-6 Sol postiže se pri niskoj razini napora pri rasuđivanju, pri kojoj smanjuje udio odgovora s činjeničnom pogreškom s 11,4 % na 7,7 %, što je smanjenje od približno 32 %. U svim testiranim postavkama napora pri rasuđivanju njegova stopa pogrešaka ostaje unutar 1,9 postotnih bodova od stope modela GPT-6 Astra, uz manje od petine troška po zadatku.

Ova evaluacija mjeri udio odgovora koji sadrže barem jednu činjeničnu pogrešku u razgovorima iz kojih su uklonjeni identifikacijski podaci, a u kojima su korisnici označili pogrešku prethodnog modela. Ti namjerno zahtjevni upiti nisu reprezentativni za uobičajenu upotrebu.

Sigurno uvođenje modela GPT-6.1 Sol

GPT-6.1 Sol pokazuje znatna poboljšanja u odnosu na GPT-6 Sol u našim evaluacijama usklađenosti, čime se približava modelu GPT-6 Astra.

GPT-6.1 Sol otvorenije navodi svoja ograničenja i pouzdanije poštuje korisnikovu namjeru i sigurnosna ograničenja. U zahtjevnim evaluacijama pokazuje niže stope propusta od modela GPT-6 Sol u obavještavanju o neispravnim alatima za pretraživanje, poštovanju izričitih ograničenja i izbjegavanju neovlaštenih ishoda tijekom agentskih zadataka. Nismo uočili pokušaje zaobilaženja automatiziranog sustava za sigurnosnu provjeru, kao ni kod modela GPT-6 Astra i GPT-6 Sol. Sve pojedinosti dostupne su u dodatku dokumentu o sustavu GPT-6.1 Sol⁠(otvara se u novom prozoru).

Evaluacije u nastavku namjerno ispituju zahtjevne situacije i ne mjere stope propusta u uobičajenoj upotrebi.

Cijene i dostupnost

GPT-6.1 Sol od danas je dostupan svim korisnicima planova Plus, Pro, Business, Enterprise i Edu u ChatGPT Worku i Codexu. GPT-6.1 Sol još nije dostupan u Chatu. Razvojni inženjeri mogu mu pristupiti i putem OpenAI API-ja pod nazivom gpt-6.1-sol. Standardne cijene za upotrebu putem API-ja iznose 2 USD po milijunu ulaznih tokena, 0,10 USD po milijunu predmemoriranih ulaznih tokena i 10 USD po milijunu izlaznih tokena. U nadolazećim danima ponudit ćemo i GPT-6.1 Sol Ultrafast⁠, koji omogućuje generiranje tokena do 8 puta brže od njegove standardne brzine u Codexu.