GPT-6.1Sol

Bemutatjuk a GPT-6.1 Sol modellt, a GPT-6 Sol továbbfejlesztett változatát, amely az ügynökalapú programozásban, a számítógép-használatban és a szakmai munkában közel azonos intelligenciát nyújt, mint a GPT-6 Astra, az Astra normál bemeneti és kimeneti tokenárainak ötödéért. A gyorsítótárazott bemenet ára mindössze 0,10 USD egymillió tokenenként – 95%-kal kevesebb a normál bemeneti árnál, és 50%-kal kevesebb a GPT-6 Sol gyorsítótárazott bemeneti áránál –, így a fejlesztőknek több lehetőségük van olyan nagy tudású ügynökök létrehozására és futtatására, amelyek a kérések között újra felhasználják a kontextust.

Sokféle feladatban többre képes Sol

A GPT-6.1 Sol új egyensúlyt kínál a képességek és a költségek között a fontos mindennapi munkákhoz. Jelentős előrelépést hoz a GPT-6 Solhoz képest az összetett szakmai feladatokban, a kódírástól és a hibakereséstől kezdve a dokumentumok értelmezésén át a többlépéses üzleti munkafolyamatok végrehajtásáig. E tesztek közül többön is megközelíti a GPT-6 Astra teljesítményét, lényegesen alacsonyabb költséggel.

Programozás

A valós kódbázisokon végzett összetett szoftverfejlesztési feladatokat értékelő DeepSWE v1.1 teszten a GPT-6.1 Sol nagyjából ötödakkora költséggel éri el a GPT-6 Astra teljesítményét, miközben kisebb érvelési ráfordítással és alacsonyabb költséggel 6,4 százalékponttal múlja felül a GPT-6 Sol legjobb eredményét.

Szakmai munka

A GDP.pdf azt méri, hogy a modellek milyen pontosan válaszolnak szakmai kérdésekre összetett, táblázatokat, grafikonokat, ábrákat és apró betűs részleteket tartalmazó PDF-dokumentumok alapján. Ezen a teszten a GPT-6.1 Sol a vizsgált érvelési beállítások mellett jobb eredményt ér el, mint a tartalékmegoldásokat használó Opus 5.5, kevesebb mint feleakkora feladatonkénti költséggel. Emellett a GPT-6 Astra csúcsteljesítményét is megközelíti, nagyjából ötödakkora feladatonkénti költséggel.

Az AutomationBench azt méri, hogy az ügynökök helyesen hajtják-e végre a többlépéses üzleti munkafolyamatokat. Ezen a teszten a GPT-6.1 Sol közepes érvelési ráfordítás mellett 2,2 százalékponttal jobb eredményt ér el az Opus 5.5-nél, nagyjából harmadakkora költséggel. Ez az eredmény a GPT-6 Sol azonos beállítás melletti eredményét is felülmúlja 4,8 százalékponttal.

Számítógép-használat

A GPT-6.1 Sol jelentős előrelépést hoz a számítógépes alkalmazások kezelését igénylő feladatokban is. Az OSWorld 2.0 offline feladatsorán, amely összetett számítógépes munkafolyamatokon értékeli az ügynököket, a GPT-6.1 Sol maximális érvelési ráfordítás mellett hét százalékponttal múlja felül a GPT-6 Sol eredményét, kevesebb mint feleakkora költséggel. Maximális érvelési ráfordítás mellett mindössze 2,1 százalékponttal marad el az Astra eredményétől, nagyjából hetedakkora feladatonkénti költséggel.

Tudományos kutatás

A tudományos munkafolyamatokat, köztük az adatelemzést, a szimulációt és a tételbizonyítást értékelő Terminal-Bench Science 0.1 teszten a GPT-6.1 Sol maximális érvelési ráfordítás mellett több mint kétszeresét éri el a GPT-6 Sol pontszámának, kevesebb mint feleakkora feladatonkénti költséggel. Maximális ráfordítás mellett a GPT-6.1 Sol feladatonként átlagosan 5,47 USD-be kerül, szemben az Opus 5.5 23,21 USD-s és az Astra 23,80 USD-s költségével. Így jelentős tudományos képességeket kínál mindkét modellnél több mint 75%-kal alacsonyabb költséggel.

A tesztelt modellek közül továbbra is a GPT-6 Astra éri el a legjobb eredményt, 68,1%-ot, és a legnehezebb tudományos kutatási feladatokhoz ezt érdemes használni.

Tényszerűség

A GPT-6.1 Sol a nehéz kérdések esetén is javítja a tényszerűséget. A GPT-6 Sol-hoz képest a legnagyobb tényszerűségi javulás az alacsony érvelési erőfeszítésnél jelentkezik, ahol a tényszerű hibát tartalmazó válaszok arányát 11,4%-ról 7,7%-ra csökkenti – ez körülbelül 32%-os csökkenést jelent. A tesztelt érvelési beállításokban a hibaaránya a GPT-6 Astra hibaarányának 1,9 százalékpontján belül marad, ami a feladatköltség kevesebb mint egyötödét jelenti.

Ez a teszt a legalább egy ténybeli hibát tartalmazó válaszok arányát méri olyan, azonosító adatoktól megtisztított beszélgetéseken, amelyekben a felhasználók egy korábbi modell hibáját jelezték. Ezek a szándékosan nehéz promptok nem reprezentálják a szokásos használatot.

A GPT-6.1 Sol biztonságos bevezetése

Az emberi elvárásokhoz való igazodást vizsgáló tesztjeinken a GPT-6.1 Sol jelentősen javult a GPT-6 Solhoz képest, és közelebb került a GPT-6 Astrához.

A GPT-6.1 Sol nyíltabban jelzi a korlátait, és megbízhatóbban tartja tiszteletben a felhasználói szándékot és a biztonsági korlátokat. A nehéz teszteken a GPT-6 Solnál ritkábban hibázik a nem működő keresőeszközök jelzésében, a kifejezett korlátozások betartásában és az ügynökalapú feladatok során a nem engedélyezett eredmények elkerülésében. Nem figyeltünk meg kísérletet az automatizált biztonsági ellenőrző rendszer megkerülésére, ahogyan a GPT-6 Astra és a GPT-6 Sol esetében sem. A teljes részletek a GPT-6.1 Sol rendszerkártya-kiegészítésében⁠(új ablakban nyílik meg) találhatók.

Az alábbi tesztek szándékosan nehéz helyzeteket vizsgálnak, és nem a szokásos használat során előforduló hibák arányát mérik.

Árak és elérhetőség

A GPT-6.1 Sol mától minden Plus-, Pro-, Business-, Enterprise- és Edu-felhasználó számára elérhető a ChatGPT Work és a Codex felületén. A GPT-6.1 Sol a Chat módban még nem érhető el. A fejlesztők az OpenAI API-n keresztül is elérhetik gpt-6.1-sol néven. Normál API-árai: egymillió bemeneti tokenenként 2 USD, egymillió gyorsítótárazott bemeneti tokenenként 0,10 USD, egymillió kimeneti tokenenként pedig 10 USD. A következő napokban a GPT-6.1 Sol Ultragyors⁠ változatát is kínálni fogjuk, amely a Codexben a normál sebességéhez képest akár 8-szor gyorsabb tokengenerálást nyújt.