Asana nyuda biaya model 76x ing tes browser nganggo GPT‑6.1 Sol
Nganggo GPT‑6 Astra ing Codex, Asana nggawe agen browser 76x luwih murah lan 5x luwih cepet ing tes, supaya bisa nawakake model luwih mumpuni marang pelanggan.
76x
Prakiraan biaya model luwih murah kanthi alur kerja GPT-6.1 Sol sing dioptimalake
5x
Eksekusi browser luwih cepet kanthi alur kerja GPT-6.1 Sol sing dioptimalake
$0,47
Rata-rata prakiraan biaya model kanthi alur kerja GPT-6.1 Sol sing dioptimalake
Kanthi GPT‑6 Astra ing Codex kanggo nindakake eksperimen, Asana ngoptimalake alur kerja agen browser ing GPT‑6.1 Sol supaya bisa mlaku kanthi biaya 76x luwih murah lan 5x luwih cepet.
Asana mbantu pelanggan ngotomatisasi pakaryan ing maneka aplikasi bisnis liwat StackAI(mbukak ing jendhela anyar), platform sing wis diakuisisi(mbukak ing jendhela anyar). Kanthi StackAI, pelanggan bisa nggawe alur kerja sing njelajah situs web, ngisi formulir, lan nglumpukake informasi tanpa nulis kode. Ing skala operasi Asana, inefisiensi cilik ing alur kerja iki bisa saya numpuk.
CTO StackAI ing Asana, Frank Hidalgo, PhD, ngupaya supaya agen browser luwih cepet lan luwih murah kanggo dioperasikake. Dheweke menehi arahan marang GPT‑6 Astra ing Codex kanggo nliti agen kasebut, nguji perbaikan, lan mbandhingake asile. Pakaryan sing miturut petungane butuh siji nganti rong sasi yen ditindakake kanthi manual, rampung mung watara seminggu.
Panaliten Asana kanthi 144 eksekusi(mbukak ing jendhela anyar) nguji GPT‑6.1 Sol lan telung model tercanggih liyane, sing ing kene diarani Model A, B, lan C. Alur kerja optimal ing GPT‑6.1 Sol sing diasilake mbutuhake rata-rata prakiraan biaya model $0,47 lan watara patang menit saben eksekusi, 76x luwih murah lan 5x luwih cepet tinimbang konfigurasi produksi awal ing Model B.
“Kaya ngene iki tim manungsa lan agen makarya ing praktik. Insinyur nemtokake arah, GPT-6 Astra nindakake eksperimen, lan asile mlebu produksi liwat Command. Iki nuduhake carane Asana mujudake tim manungsa lan agen sing makarya bebarengan.”
Supaya bisa cepet maju, Hidalgo miwiti kanthi nggunakake GPT‑6 Astra ing Codex kanggo metakake basis kode lan njlentrehake carane agen nyusun saben panjaluk marang model. GPT‑6 Astra nemokake yen agen nyimpen instruksi tetep lan definisi alat ing cache, nanging ora nyimpen riwayat teks kaca lan gambar layar sing saya akeh diklumpukake. Mula, saben panjaluk ngirim maneh riwayat kasebut kanthi rega kebak.
Agen uga mbusak gambar layar lawas lan nyuda teks ing meh saben langkah. Saben suntingan ngowahi riwayat, mula nyimpen riwayat ing cache wae ora bakal mbantu. Kelangan fakta kasebut uga bisa njalari agen kudu mbukak maneh kaca sing wis diwaca.
Hidalgo mriksa usulan perbaikan saka GPT‑6 Astra lan milih telu kanggo diuji:
Nambahi cakupan cache nganti nyakup riwayat jelajah agen
Nambahi jumlah teks sing bisa disimpen
Mbusak gambar layar kanthi kelompok, dudu ing saben langkah
GPT‑6 Astra miwiti kanthi tes ringkes kanggo nemtokake variabel sing nduweni pengaruh. Amarga kode kasebut ora dirancang kanggo eksperimen terkontrol, Astra banjur nata maneh struktur kode supaya siji frontend lan backend bisa ndhukung akeh alur kerja kanthi bebarengan, saben-saben nganggo setelan dhewe.
Astra nindakake panaliten lengkap: kapasitas riwayat 120.000 lan 480.000 karakter sarta enem aturan cache lan gambar layar, saben-saben diuji kaping telu ing saben model saka papat model kasebut (deleng tabel ing ngisor). Aturan kanthi kinerja paling apik nglilani gambar layar nglumpuk nganti 20, banjur dikurangi nganti mung kari siji sing paling anyar. Kanthi cara iki, riwayat sadurunge tetep ora owah luwih suwe ing antarane saben pambusakan. Nalika digabung karo kapasitas riwayat sing luwih gedhe, cara iki dadi alur kerja optimal. Saben konfigurasi nindakake tugas sing padha: nglumpukake enem kolom data kanggo saben buku saka 32 buku ing katalog demo umum. Tugas iki makili pakaryan sing ditindakake sawetara pelanggan Asana ing StackAI.
Model | Katrangan | Rega |
|---|---|---|
Model A | Model sing luwih cilik lan murah saka laboratorium tercanggih liyane, dirilis ing mangsa gugur 2025 | Separone rega GPT‑6.1 Sol |
Model B | Model sing wiwitane digunakake ing produksi, saka laboratorium sing padha karo Model A, dirilis ing mangsa panas 2026 | Regane padha karo GPT‑6.1 Sol |
Model C | Versi anyar saka Model B, dirilis ing mangsa gugur 2026 | Regane padha karo GPT‑6.1 Sol |
GPT‑6.1 Sol | Model saka OpenAI |
GPT‑6 Astra nglakokake alur kerja lan mriksa panjaluk, cathetan panggunaan, lan output. Banjur, sesi model sing kapisah mriksa pakaryan kasebut. Panjaluk, jejak data, lan asil saben sesi dicathet ing Command(mbukak ing jendhela anyar), platform pangiriman piranti lunak Asana, supaya tim bisa mriksa kabeh panaliten sawise rampung. Saka Command, temuan kasebut diowahi dadi tiket, banjur pull request, lan owah-owahan kasebut ditrapake ing produksi.
“Yen takgarap kanthi manual, iki bakal butuh siji nganti rong sasi. Kanthi GPT-6 Astra ing Codex, mung butuh watara seminggu: aku nyetel /goal sadurunge turu lan mriksa asile esuke.”
Kanggo Model B, optimalisasi iki nyuda prakiraan biaya model saka paling ora $36,21 (sawetara eksekusi awal tekan wates langkah sadurunge rampung) dadi $1,24 saben eksekusi, utawa 29x luwih murah. Alur kerja optimal ing GPT‑6.1 Sol isih 2,6x luwih murah, yaiku $0,47. Saben eksekusi ing alur kerja optimal bisa ngrampungake tugas lan menehi wangsulan sing bener.
Rata-rata saka 3 eksekusi. ≥: patokan awal kalebu eksekusi sing tekan wates, mula rata-ratane minangka wates ngisor.
Rong angka kelipatan ing sisih tengen nuduhake perbandingan karo Model B sing dioptimalake. Model B dieksekusi ing tahap 1, dene Model C lan Sol 6.1 ing tahap 2 saka panaliten sing padha (garis titik-titik).
Khusus ing GPT‑6.1 Sol, kanthi kapasitas riwayat sing luwih gedhe, aturan cache lan gambar layar anyar nyuda biaya nganti 4x luwih murah, saka $1,97 dadi $0,47 saben eksekusi. Saben panggilan watara 3x luwih murah, amarga 89% input asale saka cache kanthi rega mung 5% saka rega tanpa cache. Eksekusi uga dadi luwih cepet: paling ora 22,5 menit ing konfigurasi awal Model B, dadi watara patang menit kanthi alur kerja optimal ing GPT‑6.1 Sol.
Rata-rata saka 3 eksekusi, kanthi garis simpangan baku (SD). ≥: rata-rata kalebu eksekusi sing tekan wates utawa durung rampung, mula nilai asline paling ora semono.
Batang grafik nggunakake tema biru. Delengen pengaruh cache kanthi mbandhingake karo batang kapasitas luwih gedhe, 480 ewu.
Tandha eksekusi lan garis SD minangka prakiraan rekonstruksi saka gambar sumber; nilai eksekusi lan simpangan baku sing ndhasari ora kasedhiya.
Rata-rata saka 3 eksekusi, kanthi garis simpangan baku (SD). ≥: rata-rata kalebu eksekusi sing tekan wates utawa durung rampung, mula nilai asline paling ora semono.
Batang grafik nggunakake tema biru. Delengen pengaruh cache kanthi mbandhingake karo batang kapasitas luwih gedhe, 480 ewu.
Tandha eksekusi lan garis SD minangka prakiraan rekonstruksi saka gambar sumber; nilai eksekusi lan simpangan baku sing ndhasari ora kasedhiya.
Panaliten iki uga nuduhake yen pangelolaan riwayat mengaruhi bisa orane agen ngasilake wangsulan. Kanthi menehi luwih akeh papan kanggo GPT‑6.1 Sol nyimpen riwayat jelajah, jumlah eksekusi sing ngasilake wangsulan mundhak saka telu ing antarane 18 kanthi kapasitas riwayat cilik, dadi kabeh 18 kanthi kapasitas luwih gedhe. Kabeh wangsulane bener. Kanggo Hidalgo, nilai bisnise yaiku menehi pelanggan akses menyang model sing luwih cepet lan luwih mumpuni, nalika njaga biaya operasional tetep terjangkau kanggo jangka panjang.
“Biyen, biaya mbatesi model endi sing bisa ditawakake marang pelanggan kanggo beban kerja iki. Kanthi nggawe agen luwih efisien, kita bisa menehi pelanggan model sing luwih apik lan luwih cepet, sinambi nyuda biaya operasional.”
Asana wis ngrilis owah-owahan navigasi browser ing StackAI lan lagi ngembangake alat supaya eksperimen sing padha luwih gampang dibaleni. Sabanjure, tim ngrancang nggabungake pangujian iki ing evaluasi platform, supaya pelanggan lan tim internal bisa mbandhingake biaya, wektu eksekusi, lan mutu wangsulan nalika ngatur agen.
“Saiki sing dadi kendala dudu maneh kacepetan ngrilis produk, nanging kawigaten manungsa. Kita wis nyedhaki jaman nalika saben insinyur dadi manajer produk sing mimpin saklompok agen.”
Saiki Asana nggunakake GPT‑6 Astra ing Codex kanggo nguji fitur produk sadurunge dirilis: Astra njelajah platform, nyoba maneka input, lan nglaporake bug marang petugas QA manungsa. Hidalgo nganggep iki minangka dhasar siklus pangembangan piranti lunak anyar, kanthi akeh sesi agen ing cloud sing nguji fitur kanthi bebarengan.
Panaliten lengkap bisa diwaca ing blog Asana(mbukak ing jendhela anyar) lan StackAI(mbukak ing jendhela anyar).
