Bemutatkozik a GPT-6.2 Astra és Sol
A professzionális munka új mércéje
Próbáld ki a ChatGPT Workben(új ablakban nyílik meg)Bemutatjuk a GPT‑6.2 Astra modellt, a legnehezebb projektjeidhez készült új élvonalbeli modellünket, valamint a GPT‑6.2 Sol modellt, a mindennapi munkához tervezett hatékony, sokoldalú modellünket. Mindkét modell jobb eredményeket nyújt a komoly kihívást jelentő feladatokban, kevesebb kimeneti token felhasználásával, így többet végezhetsz el a használati korlátaidon belül. A vállalkozásoknak és fejlesztőknek ez élvonalbeli teljesítményt jelent, nagy léptékű használat mellett is észszerű költségekkel.
A GPT‑6.2 Astra új minőségi mércét állít az MI elé az összetett szakmai munkában. Diái, táblázatai és dokumentumai kevésbé hatnak MI által készítettnek, és pontosabban követik a megadott sablonokat, valamint a szakterületed bevett gyakorlatát. Letisztultabb kódot ír, és jobb megjelenésű, jobban működő felhasználói felületeket készít, különösen webhelyekhez, játékokhoz és 3D-s tervezéshez.
A többlépéses szakmai munkát vizsgáló Agents’ Last Exam teszten a GPT‑6.2 Astra új csúcsot állít fel: 5,2 ponttal előzi meg a GPT‑6 Astra modellt, annak kevesebb mint harmadakkora költségével, a Claude Fable 5.2-t pedig 5,5 ponttal múlja felül, mindössze annak 5%-os költségével.
Az Agents’ Last Exam hosszú távú szakmai munkafolyamatokon értékeli a modelleket. A ranglistán szereplő Fable 5.2-eredmények nem tartalmazzák azt a kilenc feladatot, amelynél tartalék modellt használtak.
Úgy gondoljuk, hogy a GPT-6.2 Astra a világ legjobb modellje a tudósok számára. Új csúcsot állít fel a Terminal-Bench-Science 0.1 teszten, amely azt vizsgálja, mennyire jól tudnak a modellek tudományos munkát végezni terminálban. A GPT-6.2 Astra 9 százalékponttal jobb eredményt ér el a GPT-6 Astra modellnél, kevesebb mint harmadakkora költséggel. A Vals Science Index teszten is új csúcsot állít fel: itt a modelleknek valós biológiai adatokat kell értelmezniük, és kísérletek révén kell kikövetkeztetniük egy szimulált rendszer működését.
Az API-ban a GPT‑6.2 Astra bemeneti és kimeneti tokenjeinek ára 20%-kal, a gyorsítótárazott bemenet ára pedig 60%-kal alacsonyabb a GPT‑6 Astra árainál (millió tokenenként 8 USD a bemenet, 0,40 USD a gyorsítótárazott bemenet és 40 USD a kimenet). A GPT‑6.2 Sol megtartja a GPT‑6.1 Sol API-tokenárait. Számos teljesítményteszten mindkét modell megközelíti vagy felülmúlja a többi vezető modellt, miközben feladatonkénti költségük azokénak csupán töredéke.
GPT-6.2 Sol: az első számú modellünk a mindennapi munkához
A GPT‑6.1 Solhoz képest a GPT‑6.2 Sol okosabb, hatékonyabb, és ugyanazzal a fizetős csomaggal több feladat elvégzését teszi lehetővé. Gördülékenyen végrehajtja a többlépéses ügynökalapú munkafolyamatokat, világosan és természetesen ír, és egyszerű vele együtt dolgozni. Az OpenAI számos munkatársa ezt használja alapértelmezett modellként műszaki és nem műszaki feladatokhoz egyaránt.
A Cognition FrontierCode 2.0 tesztjén a GPT‑6.2 Sol legfeljebb 0,5 ponttal marad el a GPT‑6.2 Astra eredményétől, körülbelül ötödakkora költséggel (mindkettő Max beállítással).
A FrontierCode 2.0 azt értékeli, hogy a valós kódbázisokon végzett módosítások megfelelnek-e a karbantartók beolvasztási követelményeinek.
Gyorsasága és intelligenciája azokhoz a fontos feladatokhoz is ideálissá teszi, amelyekhez az emberek a munkán kívül kérnek segítséget az MI-től. A nemrég közzétett LifeVal értékelésünkön, amely kihívást jelentő mindennapi feladatokon méri a teljesítményt, a GPT‑6.2 Sol felülmúlja a GPT‑6 Astra eredményét, körülbelül hetedakkora költséggel.
A LifeVal azt teszteli, mennyire boldogulnak a modellek a személyre szabott mindennapi feladatokkal: például a szóba jöhető óvodák kiválasztásával költözés után, a család költségvetéséhez és ingázási igényeihez illő otthon keresésével, vagy az étrend megtervezésével egy friss diagnózishoz alkalmazkodó szülő számára.
Az iparági elvárásoknak megfelelő szakmai anyagok
A GPT‑6.2 Astra modellt úgy tanítottuk be, hogy világosabb, jobban megtervezett diákat, táblázatokat és dokumentumokat készítsen, amelyek szorosabban követik a szakemberek által alkalmazott szokásokat például a jog, az értékesítés, a pénzügy és a számvitel területén. A szövegek lényegre törőbbek és konkrétabbak, kevesebb általános megállapítással és töltelékszöveggel.
A Harvey LAB‑AA v1.1 jogi feladatokkal vizsgálja, hogy a modellek képesek-e megtalálni a releváns tényeket a forrásdokumentumokban, felhasználni azokat egy részletes feladatleírás alapján, és minden követelménynek megfelelő, pontos anyagot készíteni. A GPT‑6.2 Astra új mércét állít fel: a Claude Fable 5.2 sikerességi arányának több mint kétszeresét éri el, körülbelül hatodakkora költséggel. Az OpenAI jogi szervezetek számára, a GPT-6.2 Astra jogászoknak szánt konfigurációja még jobb eredményt ér el ezen a teljesítményteszten.
A Harvey LAB‑AA olyan jogi munkákat vizsgál, mint a szerződéses rendelkezések felülvizsgálata. Fő pontszámába csak azok az elkészült anyagok számítanak bele, amelyek minden értékelési kritériumnak megfelelnek, és nem tartalmaznak érdemi hallucinációkat.
Belső GDPval v2 teljesítménytesztünk a GDPval következő változata, amely valós projektekből származó, összetett, hosszú távú munkafolyamatokat mér olyan területeken, mint a tanácsadás, a pénzügy és a tervezés. A GPT‑6.2 Astra az élen végez a tesztelt modellek között: 6,2 százalékponttal jobb eredményt ér el a GPT‑6 Astra modellnél, miközben 22%-kal kevesebb kimeneti tokent használ. A GPT‑6.2 Sol 5,3 ponttal javít a GPT‑6.1 Sol eredményén.
A GDPval v2 valós projektekből származó, hosszú távú, tudásalapú feladatokból áll olyan területekről, mint a pénzügy, az adattudomány, a biotechnológia és a marketing.
Munkafüzetek és feljegyzések
Egy értékelési munkafüzet vagy befektetési feljegyzés elkészítése azzal kezdődik, hogy megkeressük a releváns számadatokat a forrásfájlokban, és feltárjuk a köztük lévő összefüggéseket. Az Artificial Analysis AA‑AnalystAgent tesztje ezt a munkát vizsgálja valós táblázatokon és jelentéseken. Az egyik feladatban a modellek a kaliforniai Medicaid kiadási jelentései alapján számítják ki, mennyit költött a program betegszállításra. A GPT‑6.2 Astra új csúcsot állít fel: a kérdések 62,5%-ára mind az öt független próbálkozás során helyesen válaszol.
Diavetítések
A GPT‑6.2 Astra az eddigi legjobb modellünk a diatervezésben és a diasablonok követésében, akár eredeti fájlt, akár csupán képernyőképet kap. Pontosan vissza tudja adni az elrendezést, a színeket és a tipográfiát egészen a betűméretig, és a sablon szövegezési stílusát is át tudja ültetni az új diákra. A korai tesztelők szerint a prezentációk kevesebb szerkesztéssel, könnyebben felhasználhatók közvetlenül, köszönhetően a fő következtetést megfogalmazó címeknek és az olvasók számára szükséges részletekre összpontosító tömör szövegnek.
Számítógép-használat és interaktív webtervezés
A GPT‑6.2 Astra pontosabb számítógép-használatának köszönhetően a CAD- és szimulációs eszközökben az egyes alkatrészek és kapcsolódások szintjén is képes dolgozni. Ezt a részletességet kihasználva a mérnökök ellenőrizhetik az alkatrészek illeszkedését, láthatják, hogyan helyeződnek át a terhelések a szerkezet mozgása közben, és még a prototípus megépítése előtt tesztelhetik a módosításokat.
Vezetési szimuláció
Arra kértük a GPT‑6.2 Astrát, hogy szemléltesse egy hegyi úton haladó autó alvázának dinamikáját. Az Astra elkészítette a 3D-s modellt, Pythonban írt egy megoldóalgoritmust a gumiabroncsok és a felfüggesztés közötti összetett dinamikai kölcsönhatások szimulálására, majd Blenderben animálta az eredményeket. Ez lehetővé teszi a mérnököknek az új tervek gyors tesztelését és a szimuláció pontosságának folyamatos javítását.
Gépészeti tervezés és összeszerelés
A GPT‑6.2 Astra alkatrészenként képes modellezni egy mechanikai rendszert, így a mérnökök bemutathatják annak összeállítását, és tesztelhetik, hogyan hatnak a tervmódosítások a működésére.
A CAD-től a papírlámpáig
Csapatunk a GPT‑6.2 Astra segítségével a chicagói Marina City tornyainak karéjos erkélyeit formálta lámpává. A videó a referenciafotóktól a CAD-terv módosításain át a kézzel összeállított, kézzelfogható lámpáig követi a tervezési folyamatot. A GPT-6.2 Astra által létrehozott weboldal segítségével saját papírlámpát készíthetsz.
A GPT‑6.2 Astra fejlettebb vizuális érvelést alkalmaz a webtervezésben: olyan elrendezéseket és képi elemeket választ, amelyek egyedi megjelenést adnak minden weboldalnak, az elemeket pedig az oldal tényleges céljához igazítja.
A vizuális érvelésben és a számítógép-használatban elért fejlődés a 3D-tervezésben is megmutatkozik. A GPT‑6.2 Astra és Sol írásos feladatleírásból interaktív böngészős élményt hozhat létre: egy játszható flipperasztaltól a Colosseum különböző szögekből felfedezhető másáig. Az Artificial Analysis AA‑3D tesztjén emberi értékelők két, azonos utasításból készült interaktív élményt próbálnak ki anélkül, hogy tudnák, melyik modell készítette őket, majd a számukra jobbra szavaznak. A GPT‑6.2 Astra 1318 Élő-ponttal az első helyen áll, mögötte a Claude Fable 5.2 következik 1271, majd a GPT‑6.2 Sol 1259 ponttal.
Hatékony munkafolyamatok, letisztultabb kódstílus
A GPT‑6.2 Astra jobban megítéli, hogyan érdemes végrehajtani egy feladatot: a munkafolyamathoz igazítja eszközeit és ráfordítását, és felismeri, mikor célszerű bővítményeket használnia a számítógép közvetlen kezelése helyett.
A programozásban a GPT-6.2 Astra jobban hajt végre és tesztel összetett módosításokat meglévő kódbázisokban. A korai tesztelők letisztultabb kódstílusról, célzottabb tesztekről és kevesebb javítási körről számoltak be.
Kiberbiztonsági képességek
A GPT‑6.2 Astra és a GPT-6.2 Sol újabb jelentős előrelépést hoz a kiberbiztonsági képességekben. Hatékonyabban tárják fel és használják ki a sérülékenységeket, biztonságosabb kódot írnak, és jobb javításokat készítenek, miközben több értékelésen jelentősen javult a tokenhasználatuk hatékonysága. A GPT‑6 Astrához hasonlóan a 6.2 Astra és Sol is eléri a Felkészültségi keretrendszerünk szerinti kritikus küszöbértéket a kiberbiztonság terén.
Fejlettebb képességeik miatt a GPT‑6.2 Astra és Sol modelleket a magasabb kockázatú kiberbiztonsági segítségnyújtásra vonatkozó szigorúbb védelmi intézkedésekkel vezetjük be. Ezek a védelmi intézkedések csökkentik a visszaélés kockázatát, de bizonyos jogszerű sérülékenységkutatási és biztonsági tesztelési munkafolyamatokat is korlátoznak. Az OpenAI Daybreak keretében a kibervédelmi szakemberek a GPT-6 Astra alfaverziója mellett jelenleg a GPT‑6 Sol modellhez is hozzáférhetnek a Daybreak Blue szolgáltatásban, ahol a modell kevesebb kiberbiztonsági kérést utasít el; a Daybreak Red szolgáltatásban pedig a GPT‑6 Cyber érhető el számukra fejlett, engedélyezett biztonsági teszteléshez. Azon fogunk dolgozni, hogy a GPT‑6.2 modelleket is elérhetővé tegyük a Daybreakben.
Az alábbiakban a legfontosabb teljesítménymérési eredményeket emeljük ki, amelyeket kikapcsolt kiberbiztonsági védelmekkel és osztályozókkal működő belső tesztkonfigurációkkal kaptunk. A teljes eredménysor és módszertan a kapcsolódó rendszerkártyán(új ablakban nyílik meg) olvasható.
Előny biztosítása a kibervédőknek
A fejlesztők egyre inkább programozóügynökökre támaszkodnak az éles használatra szánt szoftverek megírásakor, miközben a nagyobb képességű ügynökök a sérülékenységek feltárását és kihasználását is könnyebbé teszik. A PHP2Shell(új ablakban nyílik meg) megmutatta, hogyan segítheti az MI a kutatókat a kritikus hibák feltárásában. A GPT‑6.2 Astra és Sol fejlesztésében központi szerepet kaptak a védelmi képességek: új tanítási jelzéseket vezettünk be, hogy segítsük a fejlesztőket e hibák megelőzésében és javításában – eleve biztonságos kód írásával és a kívánt működést megőrző javítások készítésével.
Biztonság és az emberi szándékokhoz való igazodás
A GPT-6.2 Astra és Sol modelleket az eddigi legerősebb védelmi intézkedéseinkkel vezetjük be. Szigorítottuk a korlátozásokat, és megerősítettük a modellek megfigyelésére és a szükség esetén történő beavatkozásra használt rendszereinket.
A GPT-6 Astra modellhez hasonlóan a GPT-6.2 Astra és Sol is eléri a Felkészültségi keretrendszerünk szerinti Kritikus küszöbértéket a kiberbiztonság területén, valamint a Magas küszöbértéket a biológiai és kémiai képességek terén. Védelmi intézkedéseket vezettünk be a kapcsolódó kockázatok mérséklésére, és szigorítottuk a korlátozásokat egyes, potenciálisan kettős felhasználású biológiai és kiberbiztonsági kéréseknél.
Védelmi intézkedéseinkről és tesztjeinkről további részletek a GPT-6.2 rendszerkártyáján(új ablakban nyílik meg) találhatók.
MI-kutatási képességek és biztosítékok
A GPT-6.2 Astra az első külső felhasználók számára kiadott modellünk, amely eléri a Magas küszöbértéket az MI-önfejlesztés területén; ez azt méri, mennyire képes egy modell felgyorsítani az MI-kutatást. A „Magas” besorolás azt az értékelésünket tükrözi, hogy a modell hatása a 2024-es kiinduló állapothoz képest azzal egyenértékű, mintha az OpenAI minden kutatója egy további, rendkívül felkészült kutatómérnököt kapna segítőként. Azért követjük nyomon ezt a képességet, mert a jövőbeli MI-rendszerek fejlesztését segítő modellek új biztonsági kockázatokat is teremthetnek: például olyan mértékben gyorsíthatják a fejlődést, amellyel a védelmi intézkedések vagy az emberi felügyelet már nem tudnak lépést tartani.
E kockázatok kezelése érdekében további felügyeleti és ellenőrzési mechanizmusokat építettünk be modelljeink betanításába és bevezetésébe. Mielőtt bővítettük volna a GPT-6.2 Astra belső hozzáférését, értékeltük az emberi szándékokhoz való igazodását, és minden szakaszban ellenőriztük a szükséges védelmi intézkedések meglétét. Megerősítettük kutatási környezeteink elszigetelését, és a legnagyobb képességű modelljeinkkel teszteltük ezeket a védelmi intézkedéseket. Létrehoztuk a Control Room rendszert is, amely nyomon követi a kutatási feladatok futását, és szükség esetén le tudja állítani a modell további kimeneteinek előállítását. Kibővített monitorozásunk a belső feladatok és a támogatott külső telepítések során is vizsgálja a modellek érvelését és műveleteit. Automatikusan jelezheti a jogosulatlan viselkedést, és ahol ez támogatott, szüneteltetheti a feladatok futását vagy a beszélgetéseket.
Igazítás
Az emberi szándékokhoz való igazodást vizsgáló értékelések többségén mindkét modell a GPT-6 Astrához hasonlóan teljesített, a szimulált munkahelyi feladatokban pedig kevesebb helytelen műveletet hajtott végre. Két tesztben azonban gyakrabban mulasztották el megemlíteni a munkájukat akadályozó körülményeket, például egy hiányzó fájlt vagy egy nem elérhető keresőeszközt. A Codexben olyan utasításokat adtunk hozzá, amelyek jelentősen csökkentik ezeket a mulasztásokat, és tovább vizsgáljuk ezt a viselkedést.
Árazás és elérhetőség
Mától a GPT-6.2 Astra és Sol minden Plus-, Pro-, Enterprise- és Edu-felhasználó számára elérhető a ChatGPT Work és a Codex szolgáltatásban. A Pro 500 előfizetői mindkét modellhez használhatják az Ultrafast funkciót. Most először a Pro 200 előfizetőinek is elérhetővé tesszük az Ultrafast funkciót, elsőként a GPT-6.2 Solhoz. A jogosult Enterprise- és Edu-felhasználók ugyanezt a hozzáférést kapják, amint a munkaterületük adminisztrátora engedélyezi. A fejlesztők az OpenAI API-n keresztül is hozzáférhetnek a gpt-6.2-astra és gpt-6.2-sol modellekhez, és az Ultrafast már az induláskor mindkettőhöz elérhető.
A GPT‑6.2 Astra feladatonkénti költsége jelentősen alacsonyabb a GPT‑6 Astra modellénél, köszönhetően a hatékonyabb tokenfelhasználásnak, a bemeneti és kimeneti tokenek 20%-os, valamint a gyorsítótárazott bemeneti tokenek még nagyobb, 60%-os árkedvezményének. Az API normál díjai millió tokenenként: 8 USD a bemenet, 0,40 USD a gyorsítótárazott bemenet és 40 USD a kimenet. A GPT‑6.2 Sol megtartja a GPT‑6.1 Sol díjait: millió tokenenként 2 USD a bemenet, 0,10 USD a gyorsítótárazott bemenet és 10 USD a kimenet.
A GPT-6.2 Astra és Sol esetében a gyorsítótár jobb újrafelhasználása, a költségek és a késleltetés csökkentése, valamint az érvelés fordulók közötti megőrzése érdekében azt javasoljuk, hogy hagyd változatlanul az utasítások előtagjait, az új utasításokat pedig fűzd a beszélgetés végéhez(új ablakban nyílik meg).
Szerző
Footnotes
- 1
A Fable 5.2 Terminal-Bench-Science 0.1 teszten elért eredményei az Artificial Analysis(új ablakban nyílik meg) által, a mini-swe-agent végrehajtási környezetben mért értékek. Az Anthropic közlése szerint a Fable 5.2 a Claude Code-ban, maximális érvelési beállítással 74,6%-os eredményt ért el.



