Ներկայացնում ենք GPT-6.2 Astra-ն և Sol-ը
Մասնագիտական աշխատանքի նոր չափանիշ
Փորձեք ChatGPT Work-ը(բացվում է նոր պատուհանում)Ներկայացնում ենք GPT‑6.2 Astra-ն՝ մեր նոր առաջադեմ մոդելը ձեր ամենաբարդ նախագծերի համար, և GPT‑6.2 Sol-ը՝ մեր արդյունավետ ու բազմակողմանի մոդելն առօրյա աշխատանքի համար։ Երկու մոդելներն էլ բարդ առաջադրանքներում ավելի լավ արդյունքներ են ապահովում՝ օգտագործելով ավելի քիչ ելքային թոքեններ, ուստի ձեր օգտագործման սահմանաչափերի շրջանակում կարող եք ավելի շատ աշխատանք կատարել։ Բիզնեսների և մշակողների համար սա նշանակում է առաջադեմ հնարավորություններ՝ լայնածավալ կիրառման համար տնտեսապես արդարացված ծախսերով։
GPT‑6.2 Astra-ն որակի նոր նշաձող է սահմանում բարդ մասնագիտական աշխատանքում ԱԲ-ի կիրառման համար։ Նրա սլայդները, էլեկտրոնային աղյուսակներն ու փաստաթղթերը ավելի քիչ են հիշեցնում ԱԲ-ի ստեղծած նյութեր և ավելի սերտորեն են հետևում ձեր տրամադրած ձևանմուշներին ու ձեր ոլորտում ընդունված կանոններին։ Այն գրում է ավելի մաքուր կոդ և ստեղծում ավելի լավ տեսք ու աշխատանք ունեցող օգտատիրական միջերեսներ՝ հատկապես կայքերի, խաղերի և 3D դիզայնի համար։
Բազմափուլ մասնագիտական աշխատանքը ստուգող Agents’ Last Exam-ում GPT‑6.2 Astra-ն նոր ռեկորդ է սահմանում՝ GPT‑6 Astra-ին գերազանցելով 5.2 միավորով՝ դրա ծախսի մեկ երրորդից էլ պակաս ծախսով, իսկ Claude Fable 5.2-ին՝ 5.5 միավորով՝ դրա ծախսի ընդամենը 5%-ով։
Agents’ Last Exam-ը մոդելները գնահատում է երկարատև մասնագիտական աշխատանքային գործընթացներում։ Վարկանիշային աղյուսակում Fable 5.2-ի արդյունքներում ներառված չեն ինը առաջադրանքներ, որոնց համար օգտագործվել է պահուստային մոդել։
Մենք կարծում ենք, որ GPT-6.2 Astra-ն գիտնականների համար աշխարհի լավագույն մոդելն է։ Այն նոր ռեկորդ է սահմանում Terminal-Bench-Science 0.1-ում, որը ստուգում է, թե մոդելները որքան լավ են կարողանում գիտական աշխատանք կատարել տերմինալում։ GPT-6.2 Astra-ի արդյունքը GPT-6 Astra-ի արդյունքից բարձր է 9 տոկոսային կետով՝ դրա ծախսի մեկ երրորդից էլ պակաս ծախսով։ Այն նաև նոր ռեկորդ է սահմանում Vals Science Index-ում, որտեղ մոդելներից պահանջվում է մեկնաբանել իրական կենսաբանական տվյալներ և փորձեր կատարել՝ պարզելու համար, թե ինչպես է աշխատում սիմուլացված համակարգը։
API-ում GPT‑6.2 Astra-ի մուտքային և ելքային թոքենների գները 20%-ով ցածր են GPT‑6 Astra-ի գներից, իսկ քեշավորված մուտքի գինը զեղչված է 60%-ով (յուրաքանչյուր միլիոն թոքենի համար՝ $8 մուտքի, $0.40 քեշավորված մուտքի և $40 ելքի համար)։ GPT‑6.2 Sol-ը պահպանում է GPT‑6.1 Sol-ի API թոքենների գները։ Մի շարք հենանիշային թեստերում երկու մոդելներն էլ մոտենում կամ գերազանցում են այլ առաջատար մոդելների արդյունքները՝ յուրաքանչյուր առաջադրանքի համար ծախսելով դրանց ծախսի փոքր մասը։
GPT-6.2 Sol. մեր հիմնական ընտրությունը ամենօրյա աշխատանքի համար
GPT‑6.1 Sol-ի համեմատ GPT‑6.2 Sol-ն ավելի խելացի ու արդյունավետ է և թույլ է տալիս նույն վճարովի պլանով ավելի շատ առաջադրանքներ կատարել։ Այն արագ կատարում է բազմափուլ ագենտային աշխատանքային գործընթացները, գրում է հստակ ու բնական, և նրա հետ համագործակցելը պարզ է ու հասկանալի։ OpenAI-ի բազմաթիվ աշխատակիցներ այն օգտագործում են որպես իրենց հիմնական մոդել՝ թե՛ տեխնիկական, թե՛ ոչ տեխնիկական առաջադրանքների համար։
Cognition-ի FrontierCode 2.0-ում GPT‑6.2 Sol-ի արդյունքը GPT‑6.2 Astra-ի արդյունքից տարբերվում է ընդամենը 0.5 միավորով՝ մոտ մեկ հինգերորդ ծախսով (երկուսն էլ՝ Max կարգավորմամբ)։
FrontierCode 2.0-ը գնահատում է՝ արդյոք իրական կոդային բազաներում կատարված փոփոխությունները համապատասխանում են սպասարկողների՝ կոդի միավորման չափանիշներին։
Դրա արագությունն ու բանականությունը նաև այն իդեալական են դարձնում այն կարևոր առաջադրանքների համար, որոնցով մարդիկ ԱԲ-ին են դիմում աշխատանքից դուրս։ Վերջերս հրապարակված մեր LifeVal գնահատման մեջ, որը չափում է բարդ առօրյա առաջադրանքների կատարման որակը, GPT‑6.2 Sol-ը գերազանցում է GPT‑6 Astra-ի արդյունքը՝ մոտ մեկ յոթերորդ ծախսով։
LifeVal-ը ստուգում է, թե որքան լավ են մոդելները կատարում անհատի կարիքներին հարմարեցված առօրյա առաջադրանքները, օրինակ՝ տեղափոխվելուց հետո մանկապարտեզների կարճ ցանկ կազմելը, ընտանիքի բյուջեին և աշխատանքի երթևեկին հարմար տուն գտնելը կամ նոր ախտորոշմանն ընտելացող ծնողի համար սննդացանկ պլանավորելը։
Մասնագիտական արդյունքներ՝ ոլորտի չափանիշներին համապատասխան
Մենք GPT‑6.2 Astra-ն ուսուցանել ենք ստեղծել ավելի հստակ և ավելի լավ ձևավորված սլայդներ, աղյուսակներ ու փաստաթղթեր, որոնք ավելի սերտորեն են հետևում իրավունքի, վաճառքի, ֆինանսների և հաշվապահության նման ոլորտներում մասնագետների ընդունած կանոններին։ Տեքստն ավելի ուղիղ և կոնկրետ է՝ ավելի քիչ ընդհանուր եզրահանգումներով ու ավելորդ ձևակերպումներով։
Harvey LAB‑AA v1.1-ը իրավաբանական առաջադրանքների միջոցով ստուգում է՝ արդյոք մոդելները կարողանում են սկզբնաղբյուր փաստաթղթերում գտնել համապատասխան փաստերը, դրանք կիրառել մանրամասն հանձնարարությունը կատարելիս և ստանալ բոլոր պահանջներին համապատասխանող ճշգրիտ արդյունք։ GPT‑6.2 Astra-ն նոր լավագույն արդյունք է սահմանում՝ հաջողությամբ կատարված առաջադրանքների ցուցանիշով ավելի քան կրկնակի գերազանցելով Claude Fable 5.2-ին՝ մոտ մեկ վեցերորդ ծախսով։ OpenAI իրավաբանական ոլորտի համար՝ իրավաբանների համար նախատեսված GPT-6.2 Astra-ի մեր կազմաձևումը, այս հենանիշային թեստում էլ ավելի բարձր արդյունք է գրանցում։
Harvey LAB‑AA-ն ստուգում է իրավաբանական աշխատանքը, օրինակ՝ պայմանագրային դրույթների ուսումնասիրությունը։ Դրա հիմնական գնահատականում արդյունքը հաշվառվում է միայն այն դեպքում, երբ այն համապատասխանում է գնահատման բոլոր չափանիշներին և չի պարունակում էական հալյուցինացիաներ։
Մեր ներքին GDPval v2 հենանիշային թեստը GDPval-ի հաջորդ տարբերակն է, որը գնահատում է բարդ, երկարատև աշխատանքային գործընթացները՝ խորհրդատվության, ֆինանսների և դիզայնի նման ոլորտների իրական նախագծերից։ GPT‑6.2 Astra-ն առաջատարն է մեր փորձարկած մոդելների շարքում՝ GPT‑6 Astra-ի արդյունքը գերազանցելով 6.2 տոկոսային կետով և օգտագործելով 22%-ով պակաս ելքային թոքեններ։ GPT‑6.2 Sol-ը GPT‑6.1 Sol-ի արդյունքը բարելավում է 5.3 միավորով։
GDPval v2-ը բաղկացած է մտավոր աշխատանքի երկարատև առաջադրանքներից՝ վերցված ֆինանսների, տվյալագիտության, կենսատեխնոլոգիայի և մարքեթինգի նման ոլորտների իրական նախագծերից։
Աշխատանքային գրքեր և հուշագրեր
Արժեքի գնահատման աշխատանքային գրքի կամ ներդրումային հուշագրի պատրաստումը սկսվում է սկզբնաղբյուր ֆայլերում համապատասխան թվային տվյալները գտնելուց և դրանց փոխկապակցվածությունը պարզելուց։ Artificial Analysis-ի AA‑AnalystAgent-ը այդ աշխատանքը ստուգում է իրական աղյուսակների և հաշվետվությունների վրա։ Առաջադրանքներից մեկում մոդելներն օգտագործում են Կալիֆոռնիայի Medicaid ծրագրի ծախսերի հաշվետվությունները՝ հաշվարկելու, թե ծրագիրը որքան է ծախսել բժշկական փոխադրումների վրա։ GPT‑6.2 Astra-ն նոր ռեկորդ է սահմանում՝ հարցերի 62.5%-ին ճիշտ պատասխանելով բոլոր հինգ անկախ փորձերում։
Սլայդաշարեր
GPT‑6.2 Astra-ն սլայդներ ձևավորելու և սլայդների ձևանմուշներին հետևելու առումով մինչ օրս մեր լավագույն մոդելն է՝ անկախ նրանից՝ նրան տրամադրվում է սկզբնական ֆայլ, թե նույնիսկ էկրանակադր։ Այն կարող է վերարտադրել դասավորությունը, գույներն ու տառատեսակային ձևավորումը՝ ընդհուպ մինչև տառաչափը, և նոր սլայդներում պահպանել ձևանմուշի շարադրանքի ոճը։ Առաջին փորձարկողների կարծիքով՝ սլայդաշարերն ավելի հեշտ էր անմիջապես օգտագործել՝ ավելի քիչ խմբագրումներով, քանի որ վերնագրերը ներկայացնում էին հիմնական եզրահանգումը, իսկ հակիրճ հիմնական տեքստը կենտրոնանում էր ընթերցողներին անհրաժեշտ մանրամասների վրա։
Համակարգչի օգտագործում և ինտերակտիվ վեբ դիզայն
Համակարգիչն ավելի ճշգրիտ օգտագործելու շնորհիվ GPT‑6.2 Astra-ն CAD և սիմուլյացիայի գործիքներում կարող է աշխատել առանձին դետալների ու միացումների մակարդակով։ Ինժեներները կարող են այդ լրացուցիչ մանրամասնությունն օգտագործել բաղադրիչների համատեղելիությունը ստուգելու, կառուցվածքի շարժման ընթացքում բեռների տեղաշարժերը տեսնելու և փոփոխությունները նախքան նախատիպ կառուցելը փորձարկելու համար։
Վարման սիմուլյացիա
GPT‑6.2 Astra-ին խնդրեցինք պատկերավոր ներկայացնել լեռնային ճանապարհով ընթացող մեքենայի շասսիի դինամիկան։ Astra-ն ստեղծեց 3D մոդել և Python-ով գրեց լուծիչ՝ անվադողերի ու կախոցի միջև բարդ դինամիկան մոդելավորելու համար, ապա արդյունքները անիմացրեց Blender-ում։ Սա ինժեներներին հնարավորություն է տալիս արագ փորձարկել նոր նախագծերը և ժամանակի ընթացքում բարձրացնել սիմուլյացիայի ճշգրտությունը։
Մեխանիկական նախագծում և հավաքում
GPT‑6.2 Astra-ն կարող է մեխանիկական համակարգը մոդելավորել մաս առ մաս՝ ինժեներներին հնարավորություն տալով ցույց տալ, թե ինչպես է այն հավաքվում, և փորձարկել, թե կառուցվածքային փոփոխություններն ինչպես են ազդում դրա վարքագծի վրա։
CAD-ից մինչև թղթե լամպ
Մեր թիմն օգտագործել է GPT‑6.2 Astra-ն՝ Չիկագոյի Marina City աշտարակների ալիքաձև եզրերով պատշգամբները լամպի վերածելու համար։ Տեսանյութը ներկայացնում է նախագծման ընթացքը՝ հղումային լուսանկարներից և CAD-ում կատարված վերանայումներից մինչև ձեռքով հավաքված իրական լամպը։ GPT-6.2 Astra-ի ստեղծած կայքը կարող եք օգտագործել ձեր սեփական թղթե լամպը պատրաստելու համար։
GPT‑6.2 Astra-ն վեբ դիզայնում կիրառում է տեսողական դատողության ավելի զարգացած կարողություններ՝ ընտրելով յուրաքանչյուր կայքին առանձնահատուկ տեսք հաղորդող դասավորություն ու պատկերներ և տարրերը կառուցելով կայքի իրական նպատակին համապատասխան։
Տեսողական դատողության և համակարգչի օգտագործման այս բարելավումները տարածվում են նաև 3D դիզայնի վրա։ GPT‑6.2 Astra-ն և Sol-ը կարող են գրավոր հանձնարարությունը վերածել բրաուզերում աշխատող ինտերակտիվ միջավայրի՝ փինբոլի սեղանից, որի վրա կարող եք խաղալ, մինչև Կոլիզեումի վերստեղծված տարբերակ, որը կարող եք ուսումնասիրել տարբեր անկյուններից։ Artificial Analysis-ի AA‑3D-ում մարդ գնահատողները փորձարկում են նույն հարցման հիման վրա ստեղծված երկու ինտերակտիվ միջավայր՝ առանց իմանալու, թե որ մոդելն է դրանք ստեղծել, և քվեարկում են իրենց նախընտրածի օգտին։ GPT‑6.2 Astra-ն զբաղեցնում է առաջին տեղը՝ 1,318 Elo միավորով, որին հաջորդում են Claude Fable 5.2-ը՝ 1,271, և GPT‑6.2 Sol-ը՝ 1,259 միավորով։
Արդյունավետ աշխատանքային գործընթացներ՝ ավելի մաքուր կոդի ոճով
GPT‑6.2 Astra-ն ավելի ճիշտ է որոշում, թե ինչպես կատարել առաջադրանքը՝ գործիքներն ու ջանքերը համապատասխանեցնելով աշխատանքային գործընթացին և հասկանալով՝ երբ օգտագործել փլագիններ, իսկ երբ՝ անմիջապես համակարգիչը։
Կոդավորման մեջ GPT-6.2 Astra-ն ավելի լավ է իրականացնում և փորձարկում բարդ փոփոխություններն առկա կոդային բազաներում։ Առաջին փորձարկողները նշել են կոդի ավելի մաքուր ոճը և ավելի նպատակային թեստերը՝ վերանայման ավելի քիչ փուլերով։
Կիբերանվտանգության հնարավորություններ
GPT‑6.2 Astra-ն և GPT-6.2 Sol-ը կիբերոլորտի հնարավորությունների ևս մեկ նշանակալի թռիչք են։ Դրանք ավելի արդյունավետ են գտնում և շահագործում խոցելիությունները, գրում են ավելի անվտանգ կոդ և ստեղծում ավելի լավ ուղղումներ՝ մի շարք գնահատումներում զգալիորեն բարձրացնելով թոքենների օգտագործման արդյունավետությունը։ Ինչպես GPT‑6 Astra-ն, 6.2 Astra-ն և Sol-ը հասնում են մեր Պատրաստվածության շրջանակով սահմանված կիբերանվտանգության «Կրիտիկական» շեմին։
Ավելի մեծ հնարավորությունները հաշվի առնելով՝ մենք GPT‑6.2 Astra-ն և Sol-ը թողարկում ենք ավելի խիստ պաշտպանական միջոցներով՝ կիբեռանվտանգության ավելի բարձր ռիսկով օգնության համար։ Այս միջոցները նվազեցնում են չարաշահման ռիսկը, բայց նաև սահմանափակում են խոցելիությունների օրինական հետազոտության և անվտանգության փորձարկման որոշ աշխատանքային գործընթացներ։ OpenAI Daybreak-ի միջոցով պաշտպանության մասնագետները ներկայում կարող են Daybreak Blue-ում օգտվել GPT‑6 Sol-ից՝ կիբեռանվտանգության հարցումներին պատասխանելու ավելի քիչ մերժումներով, ի լրումն GPT-6 Astra-ի մեր ալֆա տարբերակի, իսկ Daybreak Red-ում՝ GPT‑6 Cyber-ից՝ անվտանգության առաջադեմ, թույլատրված փորձարկումների համար։ Մենք կաշխատենք GPT‑6.2 մոդելները Daybreak-ում հասանելի դարձնելու ուղղությամբ։
Ստորև ներկայացնում ենք հիմնական հենանիշային արդյունքները՝ ստացված ներքին փորձարկման կազմաձևումներով, որոնցում կիբերանվտանգության պաշտպանական միջոցներն ու դասակարգիչներն անջատված են։ Ամբողջական արդյունքներն ու մեթոդաբանությունը ներկայացված են համակարգի ուղեկցող քարտում(բացվում է նոր պատուհանում)։
Առավելություն կիբերպաշտպանության մասնագետների համար
Մշակողներն ավելի ու ավելի են ապավինում կոդավորման ագենտներին՝ գործնական շահագործման համար ծրագրային ապահովում գրելու նպատակով, մինչդեռ ավելի ունակ ագենտները միաժամանակ հեշտացնում են խոցելիությունների հայտնաբերումն ու շահագործումը։ PHP2Shell(բացվում է նոր պատուհանում)-ը ցույց տվեց, թե ինչպես կարող է ԱԲ-ն օգնել հետազոտողներին բացահայտել կրիտիկական թերություններ։ GPT‑6.2 Astra-ի և Sol-ի դեպքում պաշտպանական հնարավորությունները դարձրինք առաջնային ուղղություն՝ ներմուծելով ուսուցման նոր ազդանշաններ, որոնք օգնում են մշակողներին կանխել և շտկել այդ թերությունները՝ ի սկզբանե գրելով անվտանգ կոդ և ստեղծելով նախատեսված վարքագիծը պահպանող ուղղումներ։
Անվտանգություն և համապատասխանեցում
GPT-6.2 Astra-ն և Sol-ը ներդնում ենք մինչ օրս մեր ամենաուժեղ պաշտպանական միջոցներով։ Մենք խստացրել ենք սահմանափակումները և ուժեղացրել այն համակարգերը, որոնցով վերահսկում ենք մոդելները և միջամտում անհրաժեշտության դեպքում։
GPT-6 Astra-ի նման՝ GPT-6.2 Astra-ն և Sol-ը, բացի կիբեռանվտանգության «Կրիտիկական» շեմին հասնելուց, հասնում են նաև մեր Պատրաստվածության շրջանակով սահմանված կենսաբանական և քիմիական կարողությունների «Բարձր» շեմին։ Մենք ներդրել ենք պաշտպանական միջոցներ՝ հարակից ռիսկերը մեղմելու համար, ինչպես նաև խստացրել ենք սահմանափակումները կենսաբանության և կիբեռանվտանգության ոլորտների հնարավոր երկակի նշանակության մի շարք հարցումների նկատմամբ։
Մեր պաշտպանական միջոցների և փորձարկումների մասին ավելի մանրամասն տեղեկություններ կան GPT-6.2-ի համակարգի քարտում(բացվում է նոր պատուհանում)։
ԱԲ հետազոտության հնարավորություններ և պաշտպանական միջոցներ
GPT-6.2 Astra-ն արտաքին օգտագործման համար թողարկված մեր առաջին մոդելն է, որը հասնում է «ԱԲ ինքնակատարելագործում» կատեգորիայի «Բարձր» շեմին։ Այս կատեգորիան չափում է մոդելի՝ ԱԲ հետազոտություններն արագացնելու կարողությունը։ «Բարձր» գնահատականն արտացոլում է մեր այն գնահատումը, որ մոդելի ազդեցությունը համարժեք է OpenAI-ի յուրաքանչյուր հետազոտողի՝ որպես օգնական լրացուցիչ բարձր կարողություններով հետազոտող-ինժեներ տրամադրելուն՝ նրանց 2024 թվականի ելակետային պայմանների համեմատ։ Մենք հետևում ենք այս կարողությանը, քանի որ ապագա ԱԲ համակարգերի մշակմանը նպաստող մոդելները կարող են նաև անվտանգության նոր ռիսկեր առաջացնել, օրինակ՝ առաջընթացն արագացնել այնպիսի տեմպով, որին պաշտպանական միջոցները կամ մարդկային վերահսկողությունը չեն հասցնի հարմարվել։
Այս ռիսկերը կառավարելու համար մենք մեր մոդելների ուսուցման և գործարկման գործընթացներում ներդրել ենք ավելի մեծ վերահսկողություն և կառավարման ավելի շատ միջոցներ։ Նախքան GPT-6.2 Astra-ի ներքին հասանելիությունն ընդլայնելը՝ մենք գնահատել ենք դրա համապատասխանությունը նախատեսված նպատակներին և ստուգել, որ յուրաքանչյուր փուլում առկա են պահանջվող պաշտպանական միջոցները։ Մենք ուժեղացրել ենք մեկուսացման միջոցները մեր հետազոտական միջավայրերում և այդ պաշտպանությունը փորձարկել մեր ամենակարող մոդելներով։ Մենք նաև ստեղծել ենք Control Room համակարգը, որը հետևում է հետազոտական աշխատանքների կատարմանը և անհրաժեշտ միջամտության դեպքում կարող է դադարեցնել մոդելի հետագա ելքի գեներացումը։ Մեր ընդլայնված մոնիթորինգն ուսումնասիրում է մոդելների դատողությունն ու գործողությունները ներքին աշխատանքների և աջակցվող արտաքին գործարկումների ընթացքում։ Այն կարող է ավտոմատ կերպով ազդարարել չթույլատրված վարքագծի մասին և, որտեղ այդ հնարավորությունն աջակցվում է, կասեցնել աշխատանքների կատարումը կամ զրույցները։
Համապատասխանեցում
Երկու մոդելներն էլ համապատասխանեցման գնահատումների մեծ մասում գրանցել են GPT-6 Astra-ին նման արդյունքներ և մոդելավորված աշխատանքային առաջադրանքներում կատարել են ավելի քիչ անպատշաճ գործողություններ։ Սակայն երկու թեստում նրանք ավելի հաճախ չեն հիշատակել իրենց աշխատանքը խոչընդոտող հանգամանքները, օրինակ՝ բացակայող ֆայլը կամ անհասանելի որոնման գործիքը։ Մենք Codex-ում ավելացրել ենք հրահանգներ, որոնք էապես նվազեցնում են այս բացթողումները, և շարունակում ենք ուսումնասիրել այդ վարքագիծը։
Գներ և հասանելիություն
Այսօրվանից GPT-6.2 Astra-ն և Sol-ը հասանելի են Plus, Pro, Enterprise և Edu պլանների բոլոր օգտատերերին ChatGPT Work-ում և Codex-ում։ Pro 500-ի բաժանորդները կարող են Ultrafast-ն օգտագործել երկու մոդելներից ցանկացածի հետ։ Առաջին անգամ Ultrafast-ը հասանելի ենք դարձնում նաև Pro 200-ի բաժանորդներին՝ սկսելով GPT-6.2 Sol-ից։ Համապատասխան իրավասություն ունեցող Enterprise և Edu օգտատերերը նույն հասանելիությունը կստանան, երբ նրանց աշխատատարածքի ադմինիստրատորը միացնի այն։ Մշակողները կարող են նաև օգտվել gpt-6.2-astra-ից և gpt-6.2-sol-ից OpenAI API-ի միջոցով. Ultrafast-ը երկու մոդելների համար էլ հասանելի է թողարկման պահից։
GPT‑6.2 Astra-ի՝ յուրաքանչյուր առաջադրանքի կատարման ծախսը զգալիորեն ցածր է GPT‑6 Astra-ինից՝ թոքենների ավելի արդյունավետ օգտագործման, մուտքային և ելքային թոքենների 20% զեղչի և քեշավորված մուտքային թոքենների ավելի մեծ՝ 60% զեղչի շնորհիվ։ API-ի ստանդարտ սակագները յուրաքանչյուր միլիոն թոքենի համար կազմում են $8՝ մուտքի, $0.40՝ քեշավորված մուտքի և $40՝ ելքի համար։ GPT‑6.2 Sol-ը պահպանում է GPT‑6.1 Sol-ի սակագները՝ յուրաքանչյուր միլիոն թոքենի համար $2՝ մուտքի, $0.10՝ քեշավորված մուտքի և $10՝ ելքի համար։
GPT-6.2 Astra-ի և Sol-ի դեպքում քեշի վերօգտագործումը բարելավելու, ծախսերն ու ուշացումը նվազեցնելու և զրույցի քայլերի միջև դատողությունը պահպանելու համար խորհուրդ ենք տալիս անփոփոխ պահել հարցումների նախածանցները և նոր հրահանգներն ավելացնել(բացվում է նոր պատուհանում) զրույցի վերջում։
Հեղինակ
Footnotes
- 1
Fable 5.2-ի՝ Terminal-Bench-Science 0.1-ի արդյունքները ներկայացված են ըստ Artificial Analysis(բացվում է նոր պատուհանում)-ի հրապարակած տվյալների՝ mini-swe-agent հարնեսում։ Anthropic-ը հայտնել է, որ Claude Code-ում առավելագույն դատողության մակարդակով Fable 5.2-ը գրանցել է 74.6% արդյունք։



