ನಮ್ಮ ಸೀಮಿತ ಪೂರ್ವವೀಕ್ಷಣೆಯ ನಂತರ, ನಾವು ಸಾಮಾನ್ಯ ಲಭ್ಯತೆಗಾಗಿ GPT‑5.6 ಮಾಡೆಲ್ಗಳ ಕುಟುಂಬವನ್ನು ಬಿಡುಗಡೆ ಮಾಡುತ್ತಿದ್ದೇವೆ: ನಮ್ಮ ಹೊಸ ಫ್ಲ್ಯಾಗ್ಶಿಪ್ Sol, ಜೊತೆಗೆ ದೈನಂದಿನ ಕೆಲಸಕ್ಕಾಗಿ ಸಮತೋಲಿತ ಮಾಡೆಲ್ Terra ಮತ್ತು ನಮ್ಮ ಅತ್ಯಂತ ವೆಚ್ಚ-ಸಮರ್ಥ ಮಾಡೆಲ್ Luna.
GPT‑5.6 Sol ಬುದ್ಧಿಮತ್ತೆ ಮತ್ತು ದಕ್ಷತೆ ಎರಡರಲ್ಲೂ ಹೊಸ ಮಾನದಂಡವನ್ನು ಸ್ಥಾಪಿಸುತ್ತದೆ, ಕೋಡಿಂಗ್, ಜ್ಞಾನಾಧಾರಿತ ಕೆಲಸ, ಸೈಬರ್ ಭದ್ರತೆ ಮತ್ತು ವಿಜ್ಞಾನದಲ್ಲಿ ಅತ್ಯಾಧುನಿಕ ಫಲಿತಾಂಶಗಳನ್ನು ಸಾಧಿಸುವುದರ ಜೊತೆಗೆ, ಕಡಿಮೆ ಟೋಕನ್ಗಳೊಂದಿಗೆ ಮತ್ತು ಕಡಿಮೆ ಅಂದಾಜು ವೆಚ್ಚದಲ್ಲಿ ಹಿಂದಿನ ಹಾಗೂ ಸ್ಪರ್ಧಾತ್ಮಕ ಅತ್ಯಾಧುನಿಕ ಮಾಡೆಲ್ಗಳನ್ನು ಮೀರಿಸುತ್ತದೆ. ಫಲಿತಾಂಶವೆಂದರೆ ಪ್ರತಿ ಡಾಲರ್ಗೆ ಉತ್ತಮ ಕಾರ್ಯಕ್ಷಮತೆ: ಅದೇ ವೆಚ್ಚದಲ್ಲಿ ಹೆಚ್ಚು ಯಶಸ್ವಿ ಕೆಲಸ ಅಥವಾ ಕಡಿಮೆ ಒಟ್ಟು ವೆಚ್ಚದಲ್ಲಿ ಹೋಲಿಸಬಹುದಾದ ಫಲಿತಾಂಶಗಳು. ಅತ್ಯಂತ ಬೇಡಿಕೆಯ ಕೆಲಸವನ್ನು ವೇಗಗೊಳಿಸಲು ನಾವು ಹೊಸ ಮಾರ್ಗವನ್ನೂ ಪರಿಚಯಿಸುತ್ತೇವೆ: ಅಲ್ಟ್ರಾ ನಮ್ಮ ಹೈ ಸಾಮರ್ಥ್ಯದ ಸೆಟ್ಟಿಂಗ್ ಆಗಿದ್ದು, ಸಂಕೀರ್ಣ ಕಾರ್ಯಗಳನ್ನು ವೇಗವಾಗಿ ಪೂರ್ಣಗೊಳಿಸಲು ಸಮಾಂತರ ಕಾರ್ಯಪ್ರವಾಹಗಳಾದ್ಯಂತ ಹಲವಾರು ಏಜೆಂಟ್ಗಳನ್ನು ಸಮನ್ವಯಗೊಳಿಸುತ್ತದೆ. ಇನ್ನಷ್ಟು ಬಲವಾದ ಕಂಪ್ಯೂಟರ್ ಬಳಕೆ ಮತ್ತು ವಿನ್ಯಾಸ ನಿರ್ಣಯ ಸಾಮರ್ಥ್ಯವು GPT‑5.6 ಅನ್ನು Sol — ಪರಿಶೀಲನೆ, ಪರಿಷ್ಕರಣೆ ಮತ್ತು ಬಳಕೆಗೆ ಸಿದ್ಧ ಫಲಿತಾಂಶಗಳನ್ನು ಒದಗಿಸುವಲ್ಲಿ ಸಹಾಯ ಮಾಡುವ, ಇದುವರೆಗಿನ ನಮ್ಮ ಅತ್ಯಂತ ಪರಿಷ್ಕೃತ ಸಹಯೋಗಿ.
ಪ್ರತಿಯೊಂದು ಟೋಕನ್ನಿಂದಲೂ ಇನ್ನಷ್ಟು ಉಪಯುಕ್ತ ಕಾರ್ಯವನ್ನು ಪಡೆಯಲು ನಾವು GPT‑5.6 ಅನ್ನು ತರಬೇತುಗೊಳಿಸಿದ್ದೇವೆ. Agents’ Last Exam(ಹೊಸ ಕಿಟಕಿಯಲ್ಲಿ ತೆರೆಯುತ್ತದೆ) ನಲ್ಲಿ, 55 ಕ್ಷೇತ್ರಗಳಾದ್ಯಂತ ದೀರ್ಘಾವಧಿಯ ವೃತ್ತಿಪರ ಕಾರ್ಯಪ್ರವಾಹಗಳ ಮೌಲ್ಯಮಾಪನದಲ್ಲಿ, GPT‑5.6 Sol 53.6ರ ಹೊಸ ಹೈ ಅಂಕವನ್ನು ಸ್ಥಾಪಿಸಿ, Claude Fable 5 (ಅಡಾಪ್ಟಿವ್ ರೀಜನಿಂಗ್) ಅನ್ನು 13.1 ಪಾಯಿಂಟ್ಗಳಿಂದ ಮೀರಿಸಿದೆ. ಮೀಡಿಯಂ ರೀಜನಿಂಗ್ನಲ್ಲಿ ಕೂಡ, ಇದು ಅಂದಾಜು ವೆಚ್ಚದ ಸುಮಾರು ನಾಲ್ಕನೇ ಭಾಗದಲ್ಲಿ Fable 5 ಅನ್ನು 11.4 ಪಾಯಿಂಟ್ಗಳಿಂದ ಮೀರಿಸುತ್ತದೆ. ಆ ದಕ್ಷತೆ ಸಣ್ಣ ಮಾದರಿಗಳಿಗೂ ವಿಸ್ತರಿಸುತ್ತದೆ, ಇಂಟೆಲಿಜೆನ್ಸ್ ಅನ್ನು ಹೆಚ್ಚು ಸಮೃದ್ಧ ಮತ್ತು ಕೈಗೆಟುಕುವಂತೆ ಮಾಡಲು ಅವು ಅತ್ಯಗತ್ಯ: GPT‑5.6 Terra ಮತ್ತು GPT‑5.6 Luna ವೆಚ್ಚದ ಸುಮಾರು ಹದಿನಾರನೇ ಭಾಗದಲ್ಲಿ Fable 5 ಗಿಂತ ಉತ್ತಮವಾಗಿ ಕಾರ್ಯನಿರ್ವಹಿಸುತ್ತವೆ. ಆರ್ಟಿಫಿಶಿಯಲ್ ಅನಾಲಿಸಿಸ್ ಇಂಟೆಲಿಜೆನ್ಸ್ ಇಂಡೆಕ್ಸ್(ಹೊಸ ಕಿಟಕಿಯಲ್ಲಿ ತೆರೆಯುತ್ತದೆ) ನಲ್ಲಿ, ಏಜೆಂಟಿಕ್ ಕೆಲಸ, ಕೋಡಿಂಗ್, ವೈಜ್ಞಾನಿಕ ರೀಜನಿಂಗ್ ಮತ್ತು ಸಾಮಾನ್ಯ ಸಾಮರ್ಥ್ಯಗಳನ್ನು ಒಳಗೊಂಡಿರುವ ಇಂಟೆಲಿಜೆನ್ಸ್ನ ವಿಶಾಲ ಮಾಪಕದಲ್ಲಿ, ಗರಿಷ್ಠ ರೀಜನಿಂಗ್ನೊಂದಿಗೆ GPT‑5.6 Sol, Fable 5 ಕ್ಕಿಂತ ಕೇವಲ ಒಂದು ಪಾಯಿಂಟ್ ಅಂತರದಲ್ಲಿದೆ, ಜೊತೆಗೆ ಕಾರ್ಯಗಳನ್ನು 61% ಕಡಿಮೆ ಸಮಯದಲ್ಲಿ ಮತ್ತು ಅಂದಾಜು ವೆಚ್ಚದ ಸುಮಾರು ಅರ್ಧದಲ್ಲಿ ಪೂರ್ಣಗೊಳಿಸುತ್ತದೆ.
ಏಜೆಂಟ್ಗಳ ಅಂತಿಮ ಪರೀಕ್ಷೆ(ಹೊಸ ಕಿಟಕಿಯಲ್ಲಿ ತೆರೆಯುತ್ತದೆ): ವೃತ್ತಿಪರ ಕ್ಷೇತ್ರಗಳಾದ್ಯಂತ ದೀರ್ಘಾವಧಿಯ ಏಜೆಂಟ್-ಆಧಾರಿತ ಕಾರ್ಯಪ್ರವಾಹಗಳು.
GPT‑5.6 ಇದುವರೆಗೆ ನಮ್ಮ ಅತ್ಯಂತ ದೃಢವಾದ ಸುರಕ್ಷತಾ ಕ್ರಮಗಳೊಂದಿಗೆ ಬಿಡುಗಡೆಯಾಗುತ್ತದೆ, ನ್ಯಾಯಸಮ್ಮತ ಕೆಲಸವನ್ನು ವ್ಯಾಪಕವಾಗಿ ನಿರ್ಬಂಧಿಸದೆ, ದೃಢನಿಶ್ಚಯದ ಮತ್ತು ಪರಿಸ್ಥಿತಿಗೆ ಹೊಂದಿಕೊಳ್ಳುವ ದುರುಪಯೋಗದ ವಿರುದ್ಧ ಸ್ಥಿತಿಸ್ಥಾಪಕವಾಗಿರುವಂತೆ ವಿನ್ಯಾಸಗೊಳಿಸಲಾಗಿದೆ. ಸಾಮಾನ್ಯ ಲಭ್ಯತೆಗೆ ಮೊದಲು, ಮಾನವ ರೆಡ್ ಟೀಮಿಂಗ್ ಅನ್ನು ದೊಡ್ಡ ಪ್ರಮಾಣದ ಸ್ವಯಂಚಾಲಿತ ಪರೀಕ್ಷೆಯೊಂದಿಗೆ ಸಂಯೋಜಿಸಿ, ನಾವು ಮಾಡೆಲ್ಗಳು ಮತ್ತು ಸುರಕ್ಷತಾ ಕ್ರಮಗಳನ್ನು ಇದುವರೆಗಿನ ನಮ್ಮ ಅತ್ಯಂತ ವ್ಯಾಪಕ ಮೌಲ್ಯಮಾಪನ ಅವಧಿಗೆ ಒಳಪಡಿಸಿದ್ದೇವೆ. ಮುನ್ನೋಟದ ಅವಧಿಯಲ್ಲಿ, ವ್ಯಾಪಕ ಬಿಡುಗಡೆಯ ಮೊದಲು ರಕ್ಷಣಾ ವ್ಯವಸ್ಥೆಗಳನ್ನು ಒತ್ತಡ-ಪರೀಕ್ಷೆಗೆ ಒಳಪಡಿಸಲು ಮತ್ತು ಸುರಕ್ಷತಾ ಕ್ರಮಗಳನ್ನು ಬಲಪಡಿಸಲು, ನಾವು ಪರಿಣತ ಸಂಸ್ಥೆಗಳೊಂದಿಗೆ ಹಾಗೂ ವಿಶ್ವಾಸಾರ್ಹ ಪಾಲುದಾರರೊಂದಿಗೆ ನಿಕಟವಾಗಿ ಕೆಲಸ ಮಾಡಿದೆವು. ಫಲಿತಾಂಶದ ವ್ಯವಸ್ಥೆಯು ಮಾಡೆಲ್ನಲ್ಲಿ ತರಬೇತಿ ಮೂಲಕ ಅಳವಡಿಸಲಾದ ರಕ್ಷಣಾ ಕ್ರಮಗಳನ್ನು ನೈಜ-ಸಮಯದ ಪರಿಶೀಲನೆಗಳು, ಮೇಲ್ವಿಚಾರಣೆ ಮತ್ತು ನಂಬಿಕೆ ಹಾಗೂ ಅಪಾಯದ ಮಟ್ಟಕ್ಕೆ ಅನುಗುಣವಾಗಿ ಹೊಂದಿಸಲಾದ ಪ್ರವೇಶದೊಂದಿಗೆ ಪದರಗಳಾಗಿ ಸಂಯೋಜಿಸುತ್ತದೆ.
GPT‑5.6 Sol ನಮ್ಮ ಇದುವರೆಗಿನ ಅತ್ಯುತ್ತಮ ಕೋಡಿಂಗ್ ಮಾಡೆಲ್ ಆಗಿದೆ. Artificial Analysis Coding Agent Index, ನಲ್ಲಿ, ಗರಿಷ್ಠ ರೀಜನಿಂಗ್ ಹೊಂದಿರುವ GPT‑5.6 Sol 80 ಅಂಕಗಳೊಂದಿಗೆ ಹೊಸ ಅತ್ಯಾಧುನಿಕ ಮಾನದಂಡವನ್ನು ಸ್ಥಾಪಿಸುತ್ತದೆ, ಇದು Fable 5 ಗಿಂತ 2.8 ಅಂಕ ಹೆಚ್ಚು, ಹಾಗೆಯೇ ಅರ್ಧಕ್ಕಿಂತ ಕಡಿಮೆ ಔಟ್ಪುಟ್ ಟೋಕನ್ಗಳನ್ನು ಬಳಸುತ್ತದೆ, ಅರ್ಧಕ್ಕಿಂತ ಕಡಿಮೆ ಸಮಯ ತೆಗೆದುಕೊಳ್ಳುತ್ತದೆ ಮತ್ತು ಸುಮಾರು ಮೂರನೇ ಒಂದು ಭಾಗ ಕಡಿಮೆ ವೆಚ್ಚವಾಗುತ್ತದೆ. ಆ ಮೇಲುಗೈ ಕುಟುಂಬದಾದ್ಯಂತ ವಿಸ್ತರಿಸುತ್ತದೆ: Terra, Fable 5 ಕ್ಕಿಂತ ಸ್ವಲ್ಪ ಉತ್ತಮವಾಗಿ ಕಾರ್ಯನಿರ್ವಹಿಸುತ್ತದೆ, ಆದರೆ Luna, Opus 4.8 ಕ್ಕಿಂತ ಉತ್ತಮವಾಗಿ ಕಾರ್ಯನಿರ್ವಹಿಸುತ್ತದೆ; ಪ್ರತಿಯೊಂದೂ ಇದನ್ನು ಸುಮಾರು ಒಂದು-ಮೂರನೇ ಭಾಗದ ಸಮಯದಲ್ಲಿ, ಸುಮಾರು ಅರ್ಧದಷ್ಟು ಔಟ್ಪುಟ್ ಟೋಕನ್ಗಳೊಂದಿಗೆ ಮತ್ತು ಅಂದಾಜು ವೆಚ್ಚದ ಸುಮಾರು ಒಂದು-ನಾಲ್ಕನೇ ಭಾಗದಲ್ಲಿ ಮಾಡುತ್ತದೆ. ಇದು ಸಂಕೀರ್ಣ ಕಮಾಂಡ್-ಲೈನ್ ವರ್ಕ್ಫ್ಲೋಗಳು ಮತ್ತು ನೈಜ ಕೋಡ್ಬೇಸ್ಗಳಲ್ಲಿ ದೀರ್ಘಾವಧಿಯ ಎಂಜಿನಿಯರಿಂಗ್ ಅನ್ನು ಪರೀಕ್ಷಿಸುವ Terminal‑Bench 2.1 ಮತ್ತು DeepSWE ನಲ್ಲಿ ಹೊಸ ಅತ್ಯಾಧುನಿಕ ಮಟ್ಟದ ಫಲಿತಾಂಶಗಳನ್ನು ಸಹ ಸ್ಥಾಪಿಸುತ್ತದೆ.
Artificial Analysis ಕೋಡಿಂಗ್ ಏಜೆಂಟ್ ಸೂಚ್ಯಂಕ: ಅನುಷ್ಠಾನ, ಟರ್ಮಿನಲ್ ಬಳಕೆ ಮತ್ತು ನೈಜ ಕೋಡ್ಬೇಸ್ಗಳಾದ್ಯಂತ ಕೋಡಿಂಗ್ ಏಜೆಂಟ್ಗಳ ಕಾರ್ಯಕ್ಷಮತೆಯ ಸ್ವತಂತ್ರ ಸೂಚ್ಯಂಕ.
GPT‑5.6 ಪರಿಕರಗಳನ್ನು ಸಮನ್ವಯಗೊಳಿಸುವ, ಮಧ್ಯಂತರ ಫಲಿತಾಂಶಗಳನ್ನು ಪ್ರಕ್ರಿಯೆಗೊಳಿಸುವ, ಪ್ರಗತಿಯನ್ನು ಮೇಲ್ವಿಚಾರಣೆ ಮಾಡುವ ಮತ್ತು ಕೆಲಸ ಮುಂದುವರಿದಂತೆ ಮುಂದಿನ ಕ್ರಮವನ್ನು ಆಯ್ಕೆಮಾಡುವ ಹಗುರವಾದ ಪ್ರೋಗ್ರಾಂಗಳನ್ನು ಬರೆಯಬಹುದು ಮತ್ತು ರನ್ ಮಾಡಬಹುದು. ಇದು ಟೂಲ್ಗಳ ಹೆಚ್ಚಿನ ಬಳಕೆ ಅಗತ್ಯವಿರುವ ಕಾರ್ಯಗಳನ್ನು ಕಡಿಮೆ ಟೋಕನ್ಗಳು, ಕಡಿಮೆ ಮಾಡೆಲ್ ರೌಂಡ್ ಟ್ರಿಪ್ಗಳು ಮತ್ತು ಕಡಿಮೆ ಮಾರ್ಗದರ್ಶನದೊಂದಿಗೆ ಮುನ್ನಡೆಯಲು ಸಾಧ್ಯವಾಗುತ್ತದೆ. ಡೆವಲಪರ್ಗಳು ಪ್ರತಿಯೊಂದು ಹಂತಕ್ಕೂ ಸ್ಕ್ರಿಪ್ಟ್ ಬರೆಯಬೇಕೆಂದು ಅಥವಾ ಪ್ರತಿಯೊಂದು ಟೂಲ್ ಪ್ರತಿಕ್ರಿಯೆಯನ್ನು ಮಾಡೆಲ್ ಮೂಲಕ ಮತ್ತೆ ಹಾದುಹೋಗಿಸಬೇಕೆಂದು ಅಗತ್ಯಪಡಿಸುವ ಬದಲು, Responses API ಯಲ್ಲಿನ ಪ್ರೋಗ್ರಾಮಾಟಿಕ್ ಟೂಲ್ ಕಾಲಿಂಗ್(ಹೊಸ ಕಿಟಕಿಯಲ್ಲಿ ತೆರೆಯುತ್ತದೆ) ದೊಡ್ಡ ಪ್ರಮಾಣದ ಮಧ್ಯಂತರ ಡೇಟಾವನ್ನು ಫಿಲ್ಟರ್ ಮಾಡಬಹುದು, ಮುಖ್ಯವಾದುದನ್ನು ಮಾತ್ರ ಉಳಿಸಿಕೊಳ್ಳಬಹುದು ಮತ್ತು ಪ್ರಕ್ರಿಯೆಯ ನಡುವೆ ತನ್ನ ವರ್ಕ್ಫ್ಲೋವನ್ನು ಹೊಂದಿಸಿಕೊಳ್ಳಬಹುದು.
ಹೆಚ್ಚಿನ ಸಮಯ ಮತ್ತು ಗಣನಾ ಸಂಪನ್ಮೂಲಗಳ ಹೂಡಿಕೆಗೆ ಹೆಚ್ಚಿನ ಫಲ ನೀಡುವ ಸಮಸ್ಯೆಗಳಿಗಾಗಿ, GPT‑5.6 ಈ ಪರಿಣಾಮಕಾರಿ ಡಿಫಾಲ್ಟ್ ಅನ್ನು ಮೀರಿಸಬಹುದು. max GPT‑5.6 ಗೆ ತಾರ್ಕಿಕವಾಗಿ ಯೋಚಿಸಲು ಮತ್ತು ಪರ್ಯಾಯಗಳನ್ನು ಅನ್ವೇಷಿಸಲು, ಪರಿಶೀಲನೆಗಳನ್ನು ನಡೆಸಲು ಹಾಗೂ ತನ್ನ ವಿಧಾನವನ್ನು ಪರಿಷ್ಕರಿಸಲು xhigh ಗಿಂತಲೂ ಹೆಚ್ಚು ಸಮಯವನ್ನು ನೀಡುತ್ತದೆ. ultra ಡೀಫಾಲ್ಟ್ ಆಗಿ ನಾಲ್ಕು ಏಜೆಂಟ್ಗಳನ್ನು ಸಮಾಂತರವಾಗಿ ಸಂಯೋಜಿಸುವ ಮೂಲಕ ಇನ್ನೂ ಒಂದು ಹೆಜ್ಜೆ ಮುಂದೆ ಹೋಗುತ್ತದೆ, ಹೈ ಟೋಕನ್ ಬಳಕೆಯನ್ನು ಸ್ವೀಕರಿಸಿ, ಹೆಚ್ಚು ಪರಿಣಾಮಕಾರಿಯಾದ ಫಲಿತಾಂಶಗಳನ್ನು ಮತ್ತು ಕಡಿಮೆ ಸಮಯದಲ್ಲಿ ಫಲಿತಾಂಶ ಪಡೆಯುವಿಕೆಯನ್ನು ಒದಗಿಸುತ್ತದೆ. ಕೆಳಗಿನ ಚಾರ್ಟ್ಗಳು BrowseComp, SEC-Bench Pro ಮತ್ತು Terminal-Bench 2.1 ಬೆಂಚ್ಮಾರ್ಕ್ಗಳಲ್ಲಿ ultra ನ ಡೀಫಾಲ್ಟ್ ನಾಲ್ಕು-ಏಜೆಂಟ್ ಸೆಟಪ್ ಅನ್ನು ಒಂದು-ಏಜೆಂಟ್ ಬೇಸ್ಲೈನ್ನೊಂದಿಗೆ ಹೋಲಿಸುತ್ತವೆ; BrowseComp ಮತ್ತು SEC-Bench Pro ನಲ್ಲಿ 16-ಏಜೆಂಟ್ ಕಾನ್ಫಿಗರೇಶನ್ಗಳನ್ನು ಸಹ ತೋರಿಸಲಾಗಿದೆ. ಮೂರು ಮೌಲ್ಯಮಾಪನಗಳಲ್ಲಿಯೂ, ಸಮಾಂತರ ಏಜೆಂಟ್ಗಳನ್ನು ಸೇರಿಸುವುದರಿಂದ ಸ್ಕೋರ್-ವಿಳಂಬ ಅತ್ಯಾಧುನಿಕ ಮೇಲಕ್ಕೆ ಮತ್ತು ಎಡಕ್ಕೆ ಸರಿದು, ಕಡಿಮೆ ಸಮಯದಲ್ಲಿ ಹೆಚ್ಚು ಬಲವಾದ ಫಲಿತಾಂಶಗಳನ್ನು ತಲುಪುತ್ತದೆ. API ಯಲ್ಲಿ, ಡೆವಲಪರ್ಗಳು Responses API ಯಲ್ಲಿನ ಮಲ್ಟಿ-ಏಜೆಂಟ್ ಬೀಟಾವನ್ನು ಬಳಸಿ ultra ಅನುಭವಗಳನ್ನು ನಿರ್ಮಿಸಬಹುದು.
GPT‑5.6 ವಿನ್ಯಾಸ ತೀರ್ಮಾನದಲ್ಲಿ ಹಂತಮಟ್ಟದ ಬದಲಾವಣೆಯನ್ನು ಒದಗಿಸುತ್ತದೆ. ಕೇವಲ ಹೈ ಮಟ್ಟದ ನಿರ್ದೇಶನದೊಂದಿಗೆ, GPT‑5.6 ಸೊಗಸಾದ, ಬಳಕೆದಾರರಿಗೆ ಅನುಕೂಲಕರ ಮತ್ತು ಕಾರ್ಯಾತ್ಮಕ ಇಂಟರ್ಫೇಸ್ಗಳನ್ನು ರಚಿಸುತ್ತದೆ. ಇದರ ಹೆಚ್ಚು ಬಲವಾದ ಕಂಪ್ಯೂಟರ್ ಬಳಕೆಯ ಸಾಮರ್ಥ್ಯಗಳು, ಅಡಿಪಾಯದ ಕೋಡ್ ಅಥವಾ ವಿಷಯವನ್ನು ಕೇವಲ ರಚಿಸುವುದಷ್ಟೇ ಅಲ್ಲದೆ, ರೆಂಡರ್ ಮಾಡಿದ ಫಲಿತಾಂಶವನ್ನು ಪರಿಶೀಲಿಸಿ ಸುಧಾರಿಸಲು ಇದಕ್ಕೆ ಅವಕಾಶ ಮಾಡಿಕೊಡುತ್ತವೆ—ಆದ್ದರಿಂದ ಕೆಲಸವನ್ನು ಹಿಂತಿರುಗಿಸುವ ಮೊದಲು ದೃಶ್ಯ ಹಾಗೂ ಕಾರ್ಯಾತ್ಮಕ ಸಮಸ್ಯೆಗಳನ್ನು ಪತ್ತೆಹಚ್ಚಿ ಅಂತಿಮ ಮೆರುಗನ್ನು ನೀಡಬಹುದು.
ಪ್ರಾಂಪ್ಟ್: ನೀವು ನನ್ನಿಗಾಗಿ ಮೂವರು ನೌಕಾಯಾನ ಆಟವನ್ನು ಅನುಷ್ಠಾನಗೊಳಿಸಬಹುದೇ? ಬಿಟ್ಮ್ಯಾಪ್ಗಳು/ಟೆಕ್ಸ್ಚರ್ಗಳು/ಸ್ಪ್ರೈಟ್ಗಳು ಬೇಕಾಗುವ ಯಾವುದೇ ವಿಷಯಕ್ಕೆ (ಅಥವಾ ನೀವು ನಿರ್ಮಿಸುವ ಯಾವುದೇ ಮೂರು ಡಿ ಮಾಡೆಲ್ಗಳಿಗೆ ಮಾಕ್ಅಪ್ ಉಲ್ಲೇಖ ಇದ್ದರೆ ಸಹಾಯಕವಾಗುವುದಾದರೆ) imagegen ಅನ್ನು ಬಳಸಲು ಹಿಂಜರಿಯಬೇಡಿ.
GPT‑5.6 ರ ಫ್ರಂಟ್ಎಂಡ್ ಸಾಮರ್ಥ್ಯಗಳು ChatGPT ವರ್ಕ್ನಲ್ಲಿ ಸ್ವಾಭಾವಿಕ ಭಾಷಾ ವಿನಂತಿಗಳನ್ನು ಸ್ಪಷ್ಟ, ಸಂವಾದಾತ್ಮಕ ವಿವರಣೆಗಳಾಗಿ ಮತ್ತು ದೃಶ್ಯೀಕರಣಗಳಾಗಿ ಪರಿವರ್ತಿಸುತ್ತವೆ.
ಪ್ರಾಂಪ್ಟ್: ಅದು ಹೇಗೆ ಕಾರ್ಯನಿರ್ವಹಿಸುತ್ತದೆ ಎಂಬುದನ್ನು ವಿವರಿಸಲು ಒಂದು ಸಂವಾದಾತ್ಮಕ ಸ್ಪೈರೋಗ್ರಾಫ್ ರಚಿಸಿ.
GPT‑5.6 ವೃತ್ತಿಪರ ಕಾರ್ಯಗಳಿಗಾಗಿ ಉತ್ತಮ ಫಲಿತಾಂಶಗಳನ್ನು ನೀಡುತ್ತದೆ. ಇದು ನಿಮ್ಮ ಡಾಕ್ಯುಮೆಂಟ್ಗಳು ಮತ್ತು Slack, Notion, Microsoft 365, ಹಾಗೂ Google Drive ಮುಂತಾದ ದೈನಂದಿನ ಕಾರ್ಯಪ್ರವಾಹಗಳಿಂದ ಅಸ್ತವ್ಯಸ್ತ ಸಂದರ್ಭವನ್ನು ತೆಗೆದುಕೊಂಡು, ಅದನ್ನು ತಜ್ಞ-ಮಟ್ಟದ, ಹಂಚಿಕೊಳ್ಳಬಹುದಾದ ಆರ್ಟಿಫ್ಯಾಕ್ಟ್ಗಳಾಗಿ ಪರಿವರ್ತಿಸುತ್ತದೆ.
ಜ್ಞಾನಾಧಾರಿತ ಕೆಲಸಗಳಲ್ಲಿ GPT‑5.6ನ ಸಾಮರ್ಥ್ಯವು ದೀರ್ಘಾವಧಿಯ ವೃತ್ತಿಪರ ವಿಶ್ಲೇಷಣೆ, ಬ್ರೌಸಿಂಗ್, ಉಪಕರಣ ಬಳಕೆ ಮತ್ತು ಕಂಪ್ಯೂಟರ್ ಬಳಕೆಯನ್ನು ವ್ಯಾಪಿಸುವ ಮೌಲ್ಯಮಾಪನಗಳಲ್ಲಿ ಗೋಚರಿಸುತ್ತದೆ. GPT‑5.6 Sol BrowseComp ನಲ್ಲಿ 92.2% ಮತ್ತು OSWorld 2.0 ನಲ್ಲಿ 62.6% ರೊಂದಿಗೆ ಹೊಸ ಅತ್ಯಾಧುನಿಕ ಫಲಿತಾಂಶಗಳನ್ನು ಸ್ಥಾಪಿಸುತ್ತದೆ; OSWorld ನಲ್ಲಿ, 85% ಕಡಿಮೆ ಔಟ್ಪುಟ್ ಟೋಕನ್ಗಳನ್ನು ಬಳಸುತ್ತಲೇ ಇದು Opus 4.8 ಅನ್ನು ಮೀರಿಸುತ್ತದೆ. ಇಲ್ಲಿ, ಪ್ರತಿ ಡಾಲರ್ಗೆ ಸಿಗುವ ಕಾರ್ಯಕ್ಷಮತೆಯ ಲಾಭಗಳು GPT‑5.6 ಕುಟುಂಬದಾದ್ಯಂತ ವಿಸ್ತರಿಸುತ್ತವೆ. Luna GPT‑5.5 ಗೆ ಬಹುತೇಕ ಸಮನಾಗಿದೆ ಅಂದಾಜು ವೆಚ್ಚದ ಅರ್ಧಕ್ಕಿಂತ ಕಡಿಮೆ ವೆಚ್ಚದಲ್ಲಿ ಗರಿಷ್ಠ ಕಾರ್ಯಕ್ಷಮತೆ, ಆದರೆ Terra ಅದಕ್ಕಿಂತಲೂ ಕಡಿಮೆ ವೆಚ್ಚದಲ್ಲಿ ಅದನ್ನು ಮೀರಿಸುತ್ತದೆ.
BrowseComp: GPT‑5.6 Sol ಏಜೆಂಟಿಕ್ ಬ್ರೌಸಿಂಗ್ ಕಾರ್ಯಗಳನ್ನು ಒಳಗೊಂಡಿರುವ BrowseComp ನಲ್ಲಿ ಹೊಸ ಅತ್ಯಾಧುನಿಕ ಮಟ್ಟವನ್ನು ಸಾಧಿಸಿದೆ.
GPT‑5.6 Sol ಪ್ರಸ್ತುತಿಗಳು, ಡಾಕ್ಯುಮೆಂಟ್ಗಳು ಮತ್ತು ಸ್ಪ್ರೆಡ್ಶೀಟ್ಗಳಲ್ಲಿ ಗುಣಮಟ್ಟವನ್ನು ಸುಧಾರಿಸುತ್ತದೆ, ಹೆಚ್ಚು ಪರಿಷ್ಕೃತ ಮತ್ತು ನಿಖರವಾದ ಔಟ್ಪುಟ್ಗಳನ್ನು ಉತ್ಪಾದಿಸುತ್ತದೆ. ಇದು ಆರಂಭದಿಂದಲೇ ಸಂಪೂರ್ಣವಾಗಿ ಸಂಪಾದಿಸಬಹುದಾದ ಪ್ರಸ್ತುತಿಗಳನ್ನು ರಚಿಸಬಹುದು. ಪ್ರಾಂಪ್ಟ್ ಮತ್ತು ಮೂಲ ವಸ್ತುಗಳನ್ನು ಬಲವಾದ ವಿನ್ಯಾಸ, ಶ್ರೇಣೀಕರಣ ಮತ್ತು ವಿನ್ಯಾಸದೊಂದಿಗೆ ಸುಸಂಬದ್ಧ ದೃಶ್ಯ ನಿರೂಪಣೆಯಾಗಿ ಪರಿವರ್ತಿಸುತ್ತದೆ.
ಟೆಂಪ್ಲೇಟ್ಗಳು ಮತ್ತು ಉಲ್ಲೇಖ ಡೆಕ್ಗಳನ್ನು ಅನುಸರಿಸುವಾಗ ಸುಧಾರಣೆ ವಿಶೇಷವಾಗಿ ಸ್ಪಷ್ಟವಾಗಿ ಕಂಡುಬರುತ್ತದೆ. GPT‑5.6 ಡೆಕ್ನ ವಿನ್ಯಾಸ ವ್ಯವಸ್ಥೆಯನ್ನು—ಲೇಔಟ್ಗಳು, ಟೈಪೋಗ್ರಫಿ, ಅಂತರ, ಬಣ್ಣಗಳು ಮತ್ತು ಸ್ಲೈಡ್ ಮಾಸ್ಟರ್ನಲ್ಲಿ ಅಳವಡಿಸಿರುವ ನಿಯಮಗಳನ್ನು ಒಳಗೊಂಡಂತೆ ಮರುಕಳಿಸುವ ವಿಷಯ ಮಾದರಿಗಳನ್ನು—ಗ್ರಹಿಸಿ, ಆ ಸಂಪ್ರದಾಯಗಳನ್ನು ಹೊಸ ವಿಷಯಕ್ಕೆ ನಿರಂತರವಾಗಿ ಅನ್ವಯಿಸಬಹುದು. ಈ ಉದಾಹರಣೆಯಲ್ಲಿ, ಉಲ್ಲೇಖ ಫೈಲ್ ಆಧರಿಸಿ ಸಂಖ್ಯೆಗಳನ್ನು ಅಪ್ಡೇಟ್ ಮಾಡಲು ಕೇಳಿದಾಗ, GPT‑5.5 ಔಟ್ಪುಟ್ನಲ್ಲಿ ಮಾಸ್ಟರ್ ಸ್ಲೈಡ್ನ ಪ್ರಮುಖ ಘಟಕಗಳು ಕಾಣೆಯಾಗಿವೆ, ಆದರೆ GPT‑5.6 ಉಲ್ಲೇಖ ರಚನೆಯನ್ನು ಹೆಚ್ಚು ನಿಷ್ಠೆಯಿಂದ ಅನುಸರಿಸುತ್ತದೆ.
ಉಲ್ಲೇಖ ಫೈಲ್

GPT‑5.5 ಔಟ್ಪುಟ್

GPT‑5.5 ನಲ್ಲಿ ಮಾಸ್ಟರ್ ಸ್ಲೈಡ್ನ ಪ್ರಮುಖ ಘಟಕಗಳು ಕಾಣೆಯಾಗಿವೆ
GPT‑5.6 ಔಟ್ಪುಟ್

GPT‑5.6 ದೃಶ್ಯಾತ್ಮಕವಾಗಿ ಹೆಚ್ಚು ಮೆರುಗಾದ ಡಾಕ್ಯುಮೆಂಟ್ಗಳು ಮತ್ತು ಸ್ಪ್ರೆಡ್ಶೀಟ್ಗಳನ್ನು ಸಹ ರಚಿಸುತ್ತದೆ. ಇದು ಸಂಕೀರ್ಣ ಉಲ್ಲೇಖ ಸ್ವರೂಪಗಳನ್ನು ಹೆಚ್ಚು ನಿಷ್ಠೆಯಿಂದ ಅನುಸರಿಸುತ್ತದೆ, ಇದು ಪುನರಾವರ್ತಿಸಬಹುದಾದ ಜ್ಞಾನ-ಕಾರ್ಯ ಚಟುವಟಿಕೆಗಳಿಗೆ ಮುಖ್ಯವಾಗಿದೆ. ಇದು ಸಮೀಕರಣಗಳು ಮತ್ತು ಹಣಕಾಸು ಮಾಡೆಲ್ಗಳನ್ನು ಹೆಚ್ಚು ನಿಖರವಾಗಿ ನಿರ್ವಹಿಸುತ್ತದೆ ಮತ್ತು ಟೈಪೋಗ್ರಫಿ, ಅಂತರ, ಹಯರಾರ್ಕಿ ಮತ್ತು ಪುಟ ಅಥವಾ ವರ್ಕ್ಶೀಟ್ ವಿನ್ಯಾಸವನ್ನು ಉತ್ತಮವಾಗಿ ಬಳಸಿಕೊಳ್ಳುತ್ತದೆ.
GPT‑5.6 ಅನ್ನು ಪರೀಕ್ಷಿಸುತ್ತಿದ್ದ ಆರಂಭಿಕ ಗ್ರಾಹಕರು ವಿವಿಧ ಕ್ಷೇತ್ರಗಳಲ್ಲಿ ಜ್ಞಾನ ಕಾರ್ಯಗಳ ಫಲಿತಾಂಶಗಳಲ್ಲಿ ಸುಧಾರಣೆಗಳನ್ನು ಕಂಡರು.
GPT‑5.6 ಇದುವರೆಗೆ ನಮ್ಮ ಅತ್ಯಂತ ಬಲಿಷ್ಠ ಸೈಬರ್ ಭದ್ರತಾ ಮಾಡೆಲ್ ಆಗಿದ್ದು, ಗಮನಾರ್ಹವಾಗಿ ಕಡಿಮೆ ಟೋಕನ್ಗಳೊಂದಿಗೆ ಅತ್ಯಾಧುನಿಕ ಕಾರ್ಯಕ್ಷಮತೆಯನ್ನು ಸಾಧಿಸುತ್ತದೆ. ದುರ್ಬಲತೆಯಿರುವ ಕೋಡ್ ಅನ್ನು ತಲುಪುವುದರಿಂದ ಹಿಡಿದು ಅನಿಯಂತ್ರಿತ ಕೋಡ್ ಕಾರ್ಯಗತಗೊಳಿಸುವಿಕೆಯವರೆಗೆ ಪ್ರಗತಿಯನ್ನು ಅಳೆಯುವ ExploitBench2, ನಲ್ಲಿ, ಇದು GPT‑5.5 ನ ಹೋಲಿಸಬಹುದಾದ ಔಟ್ಪುಟ್-ಟೋಕನ್ ಬಜೆಟ್ನಲ್ಲಿ 47.9%. ExploitGym3, ನಲ್ಲಿ, ಇದು ಏಜೆಂಟ್ಗಳಿಗೆ ವಾಸ್ತವ ಜಗತ್ತಿನ ದೌರ್ಬಲ್ಯಗಳನ್ನು ಕಾರ್ಯನಿರ್ವಹಿಸುವ ಎಕ್ಸ್ಪ್ಲಾಯಿಟ್ಗಳಾಗಿ ಪರಿವರ್ತಿಸಲು ಕೇಳುತ್ತದೆ, ಇದು GPT‑5.5ನ ಗರಿಷ್ಠ ಉತ್ತೀರ್ಣತಾ ಪ್ರಮಾಣ, ಎರಡು ಗಂಟೆಗಳ ಮಿತಿಯಡಿ 15.1% ರಿಂದ 24.9% ವರೆಗೆ; ಆರು ಗಂಟೆಗಳ ಮಿತಿಯಲ್ಲಿ, ಇದು 33.7% ತಲುಪುತ್ತದೆ. ಸಂಕೀರ್ಣ ಸಾಫ್ಟ್ವೇರ್ನಲ್ಲಿ ಪ್ರೂಫ್-ಆಫ್-ಕಾನ್ಸೆಪ್ಟ್ ರಚನೆಯನ್ನು ಪರೀಕ್ಷಿಸುವ SEC-Bench Pro, ನಲ್ಲಿ, ಇದು GPT‑5.5 ರ ಅಂಕಕ್ಕೆ ಹೋಲಿಸಿದರೆ 71.2% ಅಂಕ ಗಳಿಸುತ್ತದೆ. ಸುಧಾರಿತ ಲೇಟೆನ್ಸಿಯಲ್ಲಿ 45.8%.
GPT‑5.6 ಸುರಕ್ಷಿತ ಕೋಡ್ ಪರಿಶೀಲನೆ, ಪ್ಯಾಚಿಂಗ್, ಬೆದರಿಕೆ ಮಾದರೀಕರಣ ಮತ್ತು ಬ್ಲೂ ಟೀಮಿಂಗ್ ಮುಂತಾದ ಪ್ರಮುಖ ರಕ್ಷಣಾತ್ಮಕ ಕಾರ್ಯಗಳನ್ನು ಬೆಂಬಲಿಸುತ್ತದೆ. OpenAI Daybreakನ Trusted Access for Cyber ಕಾರ್ಯಕ್ರಮದಲ್ಲಿನ ಅರ್ಹ ವ್ಯಕ್ತಿಗಳು ಮತ್ತು ಸಂಸ್ಥೆಗಳು ಅಧಿಕೃತ ಪರಿಸರಗಳಲ್ಲಿ ಪರಿಶೀಲಿತ ಕೆಲಸಕ್ಕಾಗಿ ಹೆಚ್ಚು ನಿಖರವಾದ ಸುರಕ್ಷತಾ ಕ್ರಮಗಳ ಮೂಲಕ ಅದರ ಹೆಚ್ಚಿನ ರಕ್ಷಣಾತ್ಮಕ ಸಾಮರ್ಥ್ಯವನ್ನು ಪ್ರವೇಶಿಸಬಹುದು, ಇದರಲ್ಲಿ ದುರ್ಬಲತೆ ತ್ರಿಯಾಜ್ ಮತ್ತು ಮೌಲ್ಯೀಕರಣ, ಮಾಲ್ವೇರ್ ವಿಶ್ಲೇಷಣೆ, ಪತ್ತೆ ಎಂಜಿನಿಯರಿಂಗ್ ಮತ್ತು ಪ್ಯಾಚ್ ಮೌಲ್ಯೀಕರಣ ಸೇರಿವೆ.
ವ್ಯಕ್ತಿಗಳು ತಮ್ಮ ಗುರುತನ್ನು ಪರಿಶೀಲಿಸಿ ವಿಶ್ವಾಸಾರ್ಹ ಪ್ರವೇಶವನ್ನು ವಿನಂತಿಸಬಹುದು(ಹೊಸ ಕಿಟಕಿಯಲ್ಲಿ ತೆರೆಯುತ್ತದೆ) ಮತ್ತು ಸಂಸ್ಥೆಗಳು ತಮ್ಮ ತಂಡಗಳಿಗಾಗಿ ಅರ್ಜಿ ಸಲ್ಲಿಸಬಹುದು. ವೈಯಕ್ತಿಕ ಸದಸ್ಯರು ನಮ್ಮ ಅತ್ಯಂತ ಸೈಬರ್ ಸಾಮರ್ಥ್ಯ ಹೊಂದಿರುವ ಅತ್ಯಾಧುನಿಕ ಮಾಡೆಲ್ಗಳಿಗೆ ಪ್ರವೇಶವನ್ನು ಉಳಿಸಿಕೊಳ್ಳಲು 01.09 ರೊಳಗೆ ಹಾರ್ಡ್ವೇರ್-ಬೆಂಬಲಿತ ಪಾಸ್ಕೀಗಳೊಂದಿಗೆ ಸುಧಾರಿತ ಖಾತೆ ಭದ್ರತೆ(ಹೊಸ ಕಿಟಕಿಯಲ್ಲಿ ತೆರೆಯುತ್ತದೆ) ಅನ್ನು ಸಕ್ರಿಯಗೊಳಿಸಬೇಕು; ಹಾಗೆ ಮಾಡದವರು ಡೀಫಾಲ್ಟ್ ಪ್ರವೇಶಕ್ಕೆ ಮರಳುತ್ತಾರೆ. ಈಗಾಗಲೇ ಹಾರ್ಡ್ವೇರ್-ಬೆಂಬಲಿತ ಪಾಸ್ಕೀಗಳನ್ನು ಹೊಂದಿರದ ಬಳಕೆದಾರರಿಗೆ ನಮ್ಮ ಪಾಲುದಾರರಾದ Yubico ಅವರಿಂದ ಪ್ರಾಧಾನ್ಯ ಬೆಲೆ(ಹೊಸ ಕಿಟಕಿಯಲ್ಲಿ ತೆರೆಯುತ್ತದೆ) ಲಭ್ಯವಾಗಬಹುದು. ನಾವು ಹೈ-ರಿಸ್ಕ್ ಸಂಸ್ಥೆಗಳು ಮತ್ತು ಹೈ-ರಿಸ್ಕ್ ನ್ಯಾಯವ್ಯಾಪ್ತಿಗಳಲ್ಲಿ ಪ್ರವೇಶವನ್ನು ನಿರ್ಬಂಧಿಸಲು ಹೆಚ್ಚುವರಿ ಕ್ರಮಗಳನ್ನು ಸಹ ಕೈಗೊಳ್ಳುತ್ತಿದ್ದೇವೆ.
ExploitBench: ಕ್ರಮೇಣ ಹೆಚ್ಚು ಸಾಮರ್ಥ್ಯವುಳ್ಳ V8 ಎಕ್ಸ್ಪ್ಲಾಯ್ಟ್ಗಳನ್ನು ನಿರ್ಮಿಸುವುದು; GPT‑5.6 GPT‑5.5 ಕ್ಕಿಂತ ಗಣನೀಯ ಸುಧಾರಣೆಯನ್ನು ತೋರಿಸುತ್ತದೆ. ಲೇಟೆನ್ಸಿ ಅಂದಾಜು ಈ ಬೆಂಚ್ಮಾರ್ಕ್ಗೆ ವಿಶ್ವಾಸಾರ್ಹವಾಗಿಲ್ಲದ ಕಾರಣ ಲೇಟೆನ್ಸಿ ಚಾರ್ಟ್ ತೋರಿಸಲಾಗಿಲ್ಲ.
GPT‑5.6 Sol ವೈಜ್ಞಾನಿಕ ಸಂಶೋಧನೆಯಾದ್ಯಂತವೂ ವ್ಯಾಪಕ ಸುಧಾರಣೆಗಳನ್ನು ತೋರಿಸುತ್ತದೆ. ಜೀವ ವಿಜ್ಞಾನ ಮೌಲ್ಯಮಾಪನಗಳಲ್ಲಿ, GPT‑5.6 ನೈಜ-ಜಗತ್ತಿನ ಜೀವಶಾಸ್ತ್ರ, ಜೀವ ವಿಜ್ಞಾನ ಸಂಶೋಧನಾ ಕಾರ್ಯಪ್ರವಾಹಗಳು ಮತ್ತು ರಸಾಯನಶಾಸ್ತ್ರದಲ್ಲಿ GPT‑5.5 ಗಿಂತ Pareto ಸುಧಾರಣೆಗಳನ್ನು ಪ್ರದರ್ಶಿಸುತ್ತದೆ.
GeneBench Pro: ದೀರ್ಘಾವಧಿಯ ಜೀನೋಮಿಕ್ಸ್ ಮತ್ತು ಪರಿಮಾಣಾತ್ಮಕ-ಜೀವಶಾಸ್ತ್ರ ವಿಶ್ಲೇಷಣೆಗಳು; GPT‑5.6 ಕಡಿಮೆ ಟೋಕನ್ಗಳನ್ನು ಬಳಸಿ ಮತ್ತು ಕಡಿಮೆ ಸಮಯದಲ್ಲಿ ಉತ್ತಮ ಫಲಿತಾಂಶಗಳನ್ನು ಸಾಧಿಸುತ್ತದೆ. Claude Fable 5 ಅನ್ನು ಸೇರಿಸಲಾಗಿಲ್ಲ, ಏಕೆಂದರೆ ಅದು ಸುಧಾರಿತ ಜೀವಶಾಸ್ತ್ರದ ಪ್ರಶ್ನೆಗಳಿಗೆ ಉತ್ತರಿಸುವುದಿಲ್ಲ(ಹೊಸ ಕಿಟಕಿಯಲ್ಲಿ ತೆರೆಯುತ್ತದೆ) ಮತ್ತು ಈ ಮೌಲ್ಯಮಾಪನದಲ್ಲಿನ ಹೆಚ್ಚಿನ ಪ್ರಶ್ನೆಗಳನ್ನು ನಿರಾಕರಿಸುತ್ತದೆ.
AI ಸಂಶೋಧನೆಯನ್ನು ವೇಗಗೊಳಿಸಲು GPT‑5.6 ಇದುವರೆಗಿನ ನಮ್ಮ ಅತ್ಯಂತ ಶಕ್ತಿಶಾಲಿ ಮಾಡೆಲ್. OpenAI ಒಳಗೆ, ಸಂಶೋಧಕರು ಇದನ್ನು ಅಭಿವೃದ್ಧಿ ಚಕ್ರದಾದ್ಯಂತ ಬಳಸುತ್ತಾರೆ: ವೈಫಲ್ಯಗಳನ್ನು ಪತ್ತೆಹಚ್ಚುವುದು, ತರಬೇತಿ ವ್ಯವಸ್ಥೆಗಳನ್ನು ಸುಧಾರಿಸುವುದು, ಪ್ರಯೋಗಗಳನ್ನು ನಡೆಸುವುದು ಮತ್ತು ಫಲಿತಾಂಶಗಳನ್ನು ವ್ಯಾಖ್ಯಾನಿಸುವುದು. GPT‑5.6 ರ ಆಂತರಿಕ ಪರೀಕ್ಷಾ ಅವಧಿಯಲ್ಲಿ ನಾವು ಈಗಾಗಲೇ ಆ ವೇಗವರ್ಧನೆ ಮತ್ತು ಹೆಚ್ಚು ಬಲವಾದ ಅಳವಡಿಕೆಯನ್ನು ಕಂಡಿದ್ದೇವೆ, ಏಕೆಂದರೆ ಪ್ರತಿ ಸಕ್ರಿಯ ಸಂಶೋಧಕರಿಗೆ ಸರಾಸರಿ ದೈನಂದಿನ ಔಟ್ಪುಟ್ ಟೋಕನ್ಗಳ ಸಂಖ್ಯೆ GPT‑5.5 ಗಾಗಿ ಗಮನಿಸಲಾದ ಹೈ ಮಟ್ಟಕ್ಕಿಂತ ಎರಡು ಪಟ್ಟು ಹೆಚ್ಚು ಇತ್ತು.
ಕೆಲಸ ಮಾಡುವ ಈ ವಿಧಾನವು ಶೀಘ್ರವಾಗಿ ಪ್ರಮಾಣಿತ ಪದ್ಧತಿಯಾಗುತ್ತಿದೆ. ಕಳೆದ ಆರು ತಿಂಗಳಲ್ಲಿ, ಆಂತರಿಕ ಕೋಡಿಂಗ್ ಇನ್ಫರೆನ್ಸ್ಗೆ ಮೀಸಲಾದ ಸಂಶೋಧನಾ ಕಂಪ್ಯೂಟ್ನ ಪಾಲು 100 ಪಟ್ಟು ಹೆಚ್ಚಾಯಿತು, ಆ ಸಮಯದಲ್ಲಿ ಆಂತರಿಕ ಏಜೆಂಟಿಕ್ ಟೋಕನ್ ಬಳಕೆ ಸರಿಸುಮಾರು 22 ಪಟ್ಟು ಹೆಚ್ಚಾಯಿತು. ಈ ಅಳವಡಿಕೆ ಅಂಶಗಳು ಸ್ವತಃ ಸಂಶೋಧನೆಯ ಪ್ರಗತಿಯನ್ನು ಅಳೆಯುವುದಿಲ್ಲ, ಆದರೆ ಸಂಶೋಧನೆ ಮತ್ತು ಮಾರಾಟ, ಮಾರ್ಕೆಟಿಂಗ್, ಬಳಕೆದಾರ ಕಾರ್ಯಾಚರಣೆ, ಹಣಕಾಸು ಮತ್ತು ಇತರ ತಂಡಗಳಲ್ಲಿ AI ನೆರವು ಎಷ್ಟು ವೇಗವಾಗಿ ಹೆಚ್ಚುತ್ತಿದೆ ಎಂಬುದನ್ನು ತೋರಿಸುತ್ತವೆ.
ಈ ಸಾಮರ್ಥ್ಯವನ್ನು ನೇರವಾಗಿ ಅಳೆಯಲು, ಸಂಶೋಧನಾ ವ್ಯವಸ್ಥೆಗಳನ್ನು ಡಿಬಗ್ ಮಾಡುವುದು, ಕೆರ್ನೆಲ್ಗಳು ಮತ್ತು ತರಬೇತಿ ವಿಧಾನಗಳನ್ನು ಸುಧಾರಿಸುವುದು, ಯಂತ್ರ-ಅಧ್ಯಯನ ಪ್ರಯೋಗಗಳನ್ನು ನಡೆಸುವುದು ಮತ್ತು ಮತ್ತೊಂದು ಮಾಡೆಲ್ ಅನ್ನು ಸುಧಾರಿಸುವುದನ್ನು ಒಳಗೊಂಡ ನೈಜ AI ಸಂಶೋಧನಾ ಕಾರ್ಯಗಳ ಆಧಾರದ ಮೇಲೆ ನಾವು ಆಂತರಿಕ ಮೌಲ್ಯಮಾಪನಗಳ ಸಮೂಹವನ್ನು ಅಭಿವೃದ್ಧಿಪಡಿಸಿದ್ದೇವೆ.
ಸಮಗ್ರ RSI ಸಾಮರ್ಥ್ಯ: ಪುನರಾವರ್ತಿತ ಸ್ವಯಂ-ಸುಧಾರಣೆಯತ್ತ ಪ್ರಗತಿಯನ್ನು ಅಳೆಯುವ ಮೌಲ್ಯಮಾಪನಗಳ ಸಮೂಹದಲ್ಲಿ, GPT‑5.6 Sol, GPT‑5.5 ಗಿಂತ 16.2 ಪಾಯಿಂಟ್ಗಳಷ್ಟು ಸುಧಾರಣೆಯಾಗಿದೆ ಎಂದು ನಾವು ಗಮನಿಸುತ್ತೇವೆ, ಇದು ಎಲ್ಲಾ ಕ್ಷೇತ್ರಗಳಲ್ಲೂ ಆಂತರಿಕ ಸಂಶೋಧನೆಯನ್ನು ವೇಗಗೊಳಿಸುತ್ತದೆ.
ಮಾಡೆಲ್ ಸಾಮರ್ಥ್ಯಗಳು ಹೆಚ್ಚಾದಂತೆ, ಹೈ ಅಪಾಯದ ಬಳಕೆಗಳಿಗೆ ಹೆಚ್ಚು ಕಟ್ಟುನಿಟ್ಟಿನ ಪರಿಶೀಲನೆಯನ್ನು ಅನ್ವಯಿಸುತ್ತಾ, ಸುಧಾರಿತ ಇಂಟೆಲಿಜೆನ್ಸ್ ವ್ಯಾಪಕವಾಗಿ ಉಪಯುಕ್ತವಾಗಿಯೇ ಉಳಿಯಲು ನಾವು ನಮ್ಮ ಸುರಕ್ಷತಾ ಸ್ಟ್ಯಾಕ್ ಅನ್ನು ಬಲಪಡಿಸುತ್ತೇವೆ. GPT‑5.6 ಗಾಗಿ, ನಾವು ಇಲ್ಲಿಯವರೆಗೆ ನಮ್ಮ ಅತ್ಯಂತ ದೃಢವಾದ ಸುರಕ್ಷತಾ ವ್ಯವಸ್ಥೆಯನ್ನು ನಿರ್ಮಿಸಿದ್ದೇವೆ. ಅದು ಪ್ರತಿ ಮಾಡೆಲ್ನ ಸಾಮರ್ಥ್ಯಗಳಿಗೆ ಅನುಗುಣವಾಗಿ ಹೊಂದಿಸಲ್ಪಟ್ಟಿದ್ದು, ಹಿಂದೆಂದಿಗಿಂತಲೂ ಹೆಚ್ಚಿನ ಗಣನಾ ಶಕ್ತಿಯಿಂದ ಚಾಲಿತವಾಗಿದೆ.
GPT‑5.6 ಮಾಡೆಲ್ಗಳು ಜೀವಶಾಸ್ತ್ರ ಮತ್ತು ಸೈಬರ್ ಭದ್ರತೆ ಎರಡರಲ್ಲಿಯೂ ನಮ್ಮ ಹಿಂದಿನ ಮಾಡೆಲ್ಗಳಿಗಿಂತ ಹೆಚ್ಚು ಸಾಮರ್ಥ್ಯವುಳ್ಳವು, ಆದರೆ ಯಾವುದೇ ವರ್ಗದಲ್ಲಿಯೂ ಕ್ರಿಟಿಕಲ್ ಮಿತಿಯನ್ನು ದಾಟುವುದಿಲ್ಲ. ಸೈಬರ್ಭದ್ರತೆಯಲ್ಲಿ, ನಮ್ಮ ಪರೀಕ್ಷೆಗಳು GPT‑5.6 ಬಲಪಡಿಸಲಾದ ಗುರಿಗಳ ವಿರುದ್ಧ ಸ್ವಾಯತ್ತವಾಗಿ, ಆರಂಭದಿಂದ ಅಂತ್ಯದವರೆಗೆ ದಾಳಿಗಳನ್ನು ವಿಶ್ವಾಸಾರ್ಹವಾಗಿ ನಡೆಸುವುದಕ್ಕಿಂತ ದುರ್ಬಲತೆಗಳನ್ನು ಕಂಡುಹಿಡಿದು ಸರಿಪಡಿಸುವಲ್ಲಿ ಹೆಚ್ಚು ಉತ್ತಮವಾಗಿದೆ ಎಂದು ಸೂಚಿಸುತ್ತವೆ—ದುರ್ಬಲತೆಗಳನ್ನು ದುರುಪಯೋಗಪಡಿಸಿಕೊಳ್ಳುವ ಮೊದಲು ವ್ಯವಸ್ಥೆಗಳನ್ನು ಬಲಪಡಿಸಲು ರಕ್ಷಕರಿಗೆ ಅವಕಾಶ ನೀಡುತ್ತದೆ. ಜೀವಶಾಸ್ತ್ರದಲ್ಲಿ, ನಮ್ಮ ಪರೀಕ್ಷೆಗಳು GPT‑5.6 ನ್ಯಾಯಸಮ್ಮತ ಸಂಶೋಧನೆಗೆ ಬೆಂಬಲ ನೀಡಬಲ್ಲದು ಎಂದು ಸೂಚಿಸುತ್ತವೆ, ಆದರೆ ಅತ್ಯಂತ ಅಪಾಯಕಾರಿ ಹೊಸ ಬೆದರಿಕೆಯನ್ನು ಸೃಷ್ಟಿಸಲು, ಇಂಜಿನಿಯರ್ ಮಾಡಲು ಅಥವಾ ಸಂಶ್ಲೇಷಿಸಲು ಅಗತ್ಯವಿರುವ ಪೂರ್ಣ ಅಂತ್ಯದಿಂದ-ಅಂತ್ಯದ ಸಾಮರ್ಥ್ಯವನ್ನು ಅದು ಒದಗಿಸುವುದಿಲ್ಲ.
ಇವೆರಡೂ ಕ್ಷೇತ್ರಗಳು ಸ್ವಭಾವತಃ ದ್ವಿ-ಬಳಕೆಯವು. ಸೈಬರ್ ಭದ್ರತೆಯಲ್ಲಿ, ದಾಳಿಕೋರನು ದೌರ್ಬಲ್ಯವನ್ನು ದುರುಪಯೋಗಪಡಿಸಿಕೊಳ್ಳಲು ಸಹಾಯ ಮಾಡುವ ಅದೇ ಸಾಮರ್ಥ್ಯಗಳು, ರಕ್ಷಕನಿಗೆ ಅದನ್ನು ಕಂಡುಹಿಡಿಯಲು, ಮರುಸೃಷ್ಟಿಸಲು ಮತ್ತು ವಿಶ್ವಾಸಾರ್ಹ ಪರಿಹಾರವನ್ನು ನಿರ್ಮಿಸಲು ಸಹಾಯ ಮಾಡಬಹುದು. ಆದ್ದರಿಂದ, ಅತಿಯಾಗಿ ನಿರ್ಬಂಧಿಸುವಿಕೆಯು ತನ್ನದೇ ಆದ ಭದ್ರತಾ ಅಪಾಯವನ್ನು ಸೃಷ್ಟಿಸುತ್ತದೆ. ದುರುದ್ದೇಶಪೂರಿತ ವ್ಯಕ್ತಿಗಳು ಹೆಚ್ಚು ಸಾಮರ್ಥ್ಯಯುತವಾಗುತ್ತಿರುವ ಓಪನ್-ಸೋರ್ಸ್ ಮಾಡೆಲ್ಗಳು ಸೇರಿದಂತೆ ಇತರ ಮಾಡೆಲ್ಗಳನ್ನು ಮತ್ತು ಸ್ಥಾಪಿತ ಸಾಧನಗಳನ್ನು ಬಳಸುವುದನ್ನು ಮುಂದುವರಿಸುತ್ತಿರುವಾಗ, ಇದು ರಕ್ಷಕರು ವ್ಯವಸ್ಥೆಗಳನ್ನು ಪರೀಕ್ಷಿಸುವುದು ಮತ್ತು ಪ್ಯಾಚ್ಗಳನ್ನು ನಿಯೋಜಿಸುವುದನ್ನು ತಡೆಯಬಹುದು. ಪರಿಣಾಮಕಾರಿ ಸುರಕ್ಷತಾ ಕ್ರಮಗಳು ವಿನಂತಿಯ ಸಂದರ್ಭ ಮತ್ತು ಸಂಭವನೀಯ ಪರಿಣಾಮಗಳನ್ನು ಪರಿಗಣಿಸುತ್ತವೆ; ಸಾಕ್ಷ್ಯಗಳು ಹಾನಿಯ ಗಂಭೀರ ಅಪಾಯವನ್ನು ಸೂಚಿಸುವಲ್ಲಿ ಹೆಚ್ಚು ಕಟ್ಟುನಿಟ್ಟಿನ ನಿಯಂತ್ರಣಗಳನ್ನು ಅನ್ವಯಿಸುತ್ತಾ, ನ್ಯಾಯಸಮ್ಮತ ರಕ್ಷಣಾತ್ಮಕ ಕಾರ್ಯವನ್ನು ಉಳಿಸಿಕೊಳ್ಳುತ್ತವೆ.
ಹೆಚ್ಚಿನ ನಿಖರತೆ ಮತ್ತು ರಿಡಂಡೆನ್ಸಿಗಾಗಿ GPT‑5.6 ರ ಸುರಕ್ಷತಾ ಕ್ರಮಗಳನ್ನು ಹಲವು ಪದರಗಳಾಗಿ ರೂಪಿಸಲಾಗಿದ್ದು, ಹೊಸ ದಾಳಿಗಳು ಹೊರಹೊಮ್ಮಿದಂತೆ ಶೀಘ್ರವಾಗಿ ಹೊಂದಿಕೊಳ್ಳುವಂತೆ ವಿನ್ಯಾಸಗೊಳಿಸಲಾಗಿದೆ. ಮಾಡೆಲ್ಗೆ ತರಬೇತಿ ಮೂಲಕ ಅಳವಡಿಸಲಾದ ರಕ್ಷಣಾ ಕ್ರಮಗಳು ನೈಜ-ಸಮಯದ ಪರಿಶೀಲನೆಗಳು, ನಿರಂತರ ಮೇಲ್ವಿಚಾರಣೆ ಮತ್ತು ಖಾತೆ-ಮಟ್ಟದ ಜಾರಿಯ ಜೊತೆಗೆ ಕಾರ್ಯನಿರ್ವಹಿಸುತ್ತವೆ, ಇದರಿಂದ ನಿರ್ದಿಷ್ಟ ಪದರವು ಉದ್ದೇಶಿಸಿದಂತೆ ಕಾರ್ಯನಿರ್ವಹಿಸದಿದ್ದರೂ ಸಿಸ್ಟಮ್ ಸುರಕ್ಷಿತವಾಗಿರಲು ಸಹಾಯವಾಗುತ್ತದೆ. ಅನೇಕ ಸಿಸ್ಟಂಗಳಲ್ಲಿ, ಏನನ್ನು ನಿರ್ಬಂಧಿಸಬೇಕು ಎಂಬುದನ್ನು ಕ್ಲಾಸಿಫೈಯರ್ ಫ್ಲ್ಯಾಗ್ಗಳೇ ನಿರ್ಧರಿಸುತ್ತವೆ; ಹಾನಿಯನ್ನು ತಡೆಯಲು ಬದಲಾಯಿಸಲು ಕಷ್ಟವಾಗುವ ಕಡಿಮೆ ಇಂಟೆಲಿಜೆನ್ಸ್ ಮಾಡೆಲ್ಗಳ ಮೇಲೆ ಅವು ಅವಲಂಬಿಸುತ್ತವೆ. ನಮ್ಮ ವಿಧಾನವು ಹಾನಿಯ ಸಾಧ್ಯತೆ ಇದೆಯೇ ಎಂದು ನಿರ್ಧರಿಸಲು ಸಂಭಾಷಣೆಯನ್ನು ಪರಿಶೀಲಿಸುವ ರೀಜನಿಂಗ್ ಮಾನಿಟರ್ ಅನ್ನು ಸೇರಿಸುತ್ತದೆ. ಈ ವಿನ್ಯಾಸವು ಗಂಭೀರ ದುರುಪಯೋಗವನ್ನು ತಡೆಯುವ ಜೊತೆಗೆ ರಕ್ಷಣಾತ್ಮಕ ಕಾರ್ಯವನ್ನು ಸಕ್ರಿಯಗೊಳಿಸುವ ಉದ್ದೇಶ ಹೊಂದಿದೆ, ಅತ್ಯಂತ ಸಂವೇದನಾಶೀಲ ಸಾಮರ್ಥ್ಯಗಳನ್ನು Trusted Access ಮೂಲಕ ಪರಿಶೀಲಿತ ಬಳಕೆದಾರರಿಗೆ ಮಾತ್ರ ಮೀಸಲಿಡಲಾಗುತ್ತದೆ. ಕೆಲವು ರಕ್ಷಣಾ ಕ್ರಮಗಳು ಟೆಸ್ಟ್-ಟೈಮ್ ರೀಜನಿಂಗ್ ಅನ್ನು ಬಳಸುವುದರಿಂದ, ವರ್ಗೀಕರಣ ಮಾದರಿಗಳನ್ನು ಮೊದಲಿನಿಂದ ಮರುತರಬೇತಿ ನೀಡದೆ ಅಂತರಗಳನ್ನು ಮುಚ್ಚಲು ನಾವು ಅವನ್ನು ವೇಗವಾಗಿ ನವೀಕರಿಸಬಹುದು.
ಹೊಂದಿಕೊಳ್ಳುವ ದಾಳಿಗಳ ವಿರುದ್ಧ ವ್ಯವಸ್ಥೆಯನ್ನು ಬಲಪಡಿಸುವುದನ್ನು ಮುಂದುವರಿಸುತ್ತಿರುವಾಗ, ನಾವು ಇನ್ನಷ್ಟು ಎಚ್ಚರಿಕೆಯ ವಿಧಾನವನ್ನು ಅನುಸರಿಸುತ್ತಿದ್ದೇವೆ. ಹಿಂದಿನ ಮಾಡೆಲ್ಗಳೊಂದಿಗೆ ಹೋಲಿಸಿದರೆ, ನಮ್ಮ GPT‑5.6 Sol ಸೈಬರ್ ರಕ್ಷಣಾ ಕ್ರಮಗಳು ಸಂಭಾವ್ಯವಾಗಿ ಹಾನಿಕಾರಕ ಚಟುವಟಿಕೆಯನ್ನು ಸುಮಾರು ಹತ್ತು ಪಟ್ಟು ಹೆಚ್ಚು ತಡೆಗಟ್ಟುತ್ತವೆ. ಈ ಕ್ರಮಗಳು ನಿರಪಾಯಕಾರಿ ಬಳಕೆಗೆ ಅಡಚಣೆಯನ್ನು ಉಂಟುಮಾಡಬಹುದು. ಆದ್ದರಿಂದ, ಕಡಿಮೆ ಸಾಮರ್ಥ್ಯದ ಮಾಡೆಲ್ಗಳಲ್ಲಿ ಪ್ರಾಂಪ್ಟ್ಗಳನ್ನು ಸುಲಭವಾಗಿ ಮರುಪ್ರಯತ್ನಿಸಲು ChatGPT ಮತ್ತು Codex ನಲ್ಲಿ ನಾವು ಒಂದು ಆಯ್ಕೆಯನ್ನು ಒದಗಿಸುತ್ತೇವೆ. ಮತ್ತು ಹೈ ದೃಢತಾ ಮಾನದಂಡವನ್ನು ಕಾಯ್ದುಕೊಳ್ಳುತ್ತಲೇ, ನಿರಪಾಯಕಾರಿ ಬಳಕೆಯ ಮೇಲೆ ನಮ್ಮ ಸುರಕ್ಷತಾ ಕ್ರಮಗಳ ಪರಿಣಾಮವನ್ನು ಕಡಿಮೆ ಮಾಡುವುದನ್ನು ಮುಂದುವರಿಸುತ್ತೇವೆ. ಇದು ನಮ್ಮ ಪುನರಾವರ್ತಿತ ನಿಯೋಜನಾ ವಿಧಾನವನ್ನು ಪ್ರತಿಬಿಂಬಿಸುತ್ತದೆ: ಎಚ್ಚರಿಕೆಯಿಂದ ಆರಂಭಿಸಿ, ನೈಜ ಬಳಕೆಯಿಂದ ನಾವು ಕಲಿಯುವದರ ಆಧಾರದ ಮೇಲೆ ಸುಧಾರಿಸುವುದು.
ಸಾಮಾನ್ಯ ಲಭ್ಯತೆಯ ಮೊದಲು, ನಾವು ಇಲ್ಲಿಯವರೆಗೆ ನಡೆಸಿದ ಅತ್ಯಂತ ತೀವ್ರವಾದ ಸುರಕ್ಷತಾ ಮೌಲ್ಯಮಾಪನಗಳನ್ನು ನಡೆಸಿದ್ದೇವೆ, ಇದರಲ್ಲಿ ವ್ಯಾಪಕ ರೆಡ್ ಟೀಮಿಂಗ್, ಬಾಹ್ಯ ತಜ್ಞರೊಂದಿಗೆ ದೃಢವಾದ ಸಾಮರ್ಥ್ಯ ಮತ್ತು ಸುರಕ್ಷತಾ ಕ್ರಮಗಳ ಪರೀಕ್ಷೆ, ಮತ್ತು ಸುಮಾರು 700,000 A100e GPU ಗಂಟೆಗಳ ಬ್ಲ್ಯಾಕ್-ಬಾಕ್ಸ್ ಸ್ವಯಂಚಾಲಿತ ರೆಡ್ ಟೀಮಿಂಗ್ ಸೇರಿವೆ. ಇದು ನಮಗೆ ಸಂಭವನೀಯ ದುರ್ಬಲ ಅಂಶಗಳನ್ನು ವ್ಯವಸ್ಥಿತವಾಗಿ ಪರಿಶೀಲಿಸಲು, ಜೈಲ್ಬ್ರೇಕ್ಗಳನ್ನು ಪತ್ತೆಹಚ್ಚಲು, ಮತ್ತು ಬಿಡುಗಡೆಗೂ ಮೊದಲು ವ್ಯವಸ್ಥೆಯನ್ನು ಬಲಪಡಿಸಲು ಸಹಾಯ ಮಾಡಿತು.
ಪರಿಪೂರ್ಣ ಭದ್ರತೆ ಎಂಬುದೇ ಇಲ್ಲ ಮತ್ತು ಹೆಚ್ಚೆಚ್ಚು ಸಾಮರ್ಥ್ಯ ಹೊಂದಿರುವ ಮಾಡೆಲ್ಗಳನ್ನು ಸುರಕ್ಷಿತಗೊಳಿಸುವ ನಮ್ಮ ಕೆಲಸ ಮುಂದುವರಿಯುತ್ತಿದೆ. ಹೊಸ ದೌರ್ಬಲ್ಯಗಳು ಪತ್ತೆಯಾಗುತ್ತವೆ. ಅಸ್ತಿತ್ವದಲ್ಲಿರುವ ಸುರಕ್ಷತಾ ಕ್ರಮಗಳನ್ನು ತಪ್ಪಿಸಿಕೊಳ್ಳುವ ಹೊಸ ಜೈಲ್ಬ್ರೇಕ್ಗಳೂ ಪತ್ತೆಯಾಗುತ್ತವೆ. ಮಾಡೆಲ್ನ ಪ್ರತಿಯೊಂದು ಹೊಸ ಪೀಳಿಗೆಯೂ ದಾಳಿ ಮತ್ತು ದುರುಪಯೋಗಕ್ಕಾಗಿ ಹೊಸ ಮಾರ್ಗಗಳನ್ನು ಕೂಡ ಸೃಷ್ಟಿಸುತ್ತದೆ. ಆ ವಾಸ್ತವಿಕತೆಗೆ ತಕ್ಕಂತೆ ನಾವು ಪದರಿತವಾದ ರಕ್ಷಣಾತ್ಮಕ ಕ್ರಮಗಳು, ನಿರಂತರ ಮೇಲ್ವಿಚಾರಣೆ, ತ್ವರಿತ ಪರಿಹಾರ ಮತ್ತು ರಕ್ಷಣಾತ್ಮಕ ಸಮುದಾಯದಾದ್ಯಂತದ ಸಹಯೋಗದ ಮೂಲಕ ನಿರ್ಮಿಸುತ್ತೇವೆ. GPT‑5.6 ಗಾಗಿ, ನಮ್ಮ ಅಸ್ತಿತ್ವದಲ್ಲಿರುವ ಭದ್ರತಾ(ಹೊಸ ಕಿಟಕಿಯಲ್ಲಿ ತೆರೆಯುತ್ತದೆ) ಮತ್ತು ಜೀವಶಾಸ್ತ್ರ ಬಗ್ ಬೌಂಟಿ ಕಾರ್ಯಕ್ರಮಗಳನ್ನು ಹೊಸ ವೇಗದ ಪರಿಹಾರ ಪ್ರಕ್ರಿಯೆ ಮತ್ತು ಇದುವರೆಗೆ ನಮ್ಮ ಅತ್ಯಂತ ಬಲವಾದ ಮೇಲ್ವಿಚಾರಣಾ ಪ್ರಯತ್ನದೊಂದಿಗೆ ಸಂಯೋಜಿಸಿದ್ದೇವೆ. ಸಂಶೋಧಕರು, ಮೇಲ್ವಿಚಾರಣೆ ಮತ್ತು ನೈಜ ಜಗತ್ತಿನ ದುರುಪಯೋಗದಿಂದ ಕಂಡುಬಂದ ಅಂಶಗಳು ನಿರಂತರವಾಗಿ ಹೊಸ ಮೌಲ್ಯಮಾಪನಗಳು ಮತ್ತು ಬಲಿಷ್ಠ ಸುರಕ್ಷತಾ ಕ್ರಮಗಳಿಗೆ ಪ್ರಭಾವ ಬೀರುತ್ತವೆ.
ನವೀಕರಿಸಿದ GPT‑5.6 ಸಿಸ್ಟಮ್ ಕಾರ್ಡ್ನಲ್ಲಿ(ಹೊಸ ಕಿಟಕಿಯಲ್ಲಿ ತೆರೆಯುತ್ತದೆ) ನಮ್ಮ ಸುರಕ್ಷತಾ ಕ್ರಮಗಳ ಕುರಿತು ಇನ್ನಷ್ಟು ಓದಿ.
GPT‑5.6 ಮೂರು ಮಾಡೆಲ್ ಶ್ರೇಣಿಗಳನ್ನು ಒಳಗೊಂಡಿದೆ: Sol, ನಮ್ಮ ಪ್ರಮುಖ ಮಾಡೆಲ್; Terra, GPT‑5.5 ಜೊತೆಗೆ ಸ್ಪರ್ಧಾತ್ಮಕ ಕಾರ್ಯಕ್ಷಮತೆಯ ಕಡಿಮೆ ವೆಚ್ಚದ ಮಾಡೆಲ್; ಮತ್ತು Luna, ನಮ್ಮ ಅತ್ಯಂತ ವೇಗದ ಮತ್ತು ಅತ್ಯಂತ ಕೈಗೆಟುಕುವ ಮಾಡೆಲ್. ಸಂಖ್ಯೆಯು ಪೀಳಿಗೆಯನ್ನು ಗುರುತಿಸುತ್ತದೆ ಮತ್ತು Sol, Terra ಮತ್ತು Luna ತಮ್ಮದೇ ಆದ ಗತಿಯಲ್ಲಿ ಮುಂದುವರಿಯಬಹುದಾದ ದೀರ್ಘಕಾಲಿಕ ಸಾಮರ್ಥ್ಯ ಶ್ರೇಣಿಗಳಾಗಿವೆ.
GPT‑5.6 ಇಂದಿನಿಂದ ChatGPT, Codex ಮತ್ತು OpenAI API ನಲ್ಲಿ ಲಭ್ಯವಿದೆ. ಹಂತ ಹಂತದ ಬಿಡುಗಡೆ ಈಗ ಜಾಗತಿಕವಾಗಿ ಪ್ರಾರಂಭವಾಗುತ್ತಿದೆ ಮತ್ತು ಮುಂದಿನ 24 ಗಂಟೆಗಳ ಅವಧಿಯಲ್ಲಿ ಸಂಪೂರ್ಣ ಲಭ್ಯತೆಯತ್ತ ಕ್ರಮೇಣ ಮುಂದುವರಿಯುತ್ತದೆ.
- ಚಾಟ್: Plus, Pro, Business ಮತ್ತು Enterprise ಬಳಕೆದಾರರು ಮೀಡಿಯಂ ಮತ್ತು ಹೈ ಪ್ರಯತ್ನ ಸೆಟ್ಟಿಂಗ್ಗಳ ಮೂಲಕ GPT‑5.6 Sol ಅನ್ನು ಪ್ರವೇಶಿಸುತ್ತಾರೆ. Pro ಮತ್ತು Enterprise ಬಳಕೆದಾರರು ಸಂಕೀರ್ಣ ಕಾರ್ಯಗಳಲ್ಲಿ ಹೈ ಗುಣಮಟ್ಟದ ಫಲಿತಾಂಶಗಳಿಗಾಗಿ GPT‑5.6 Sol Pro ಅನ್ನು ಸಹ ಆಯ್ಕೆ ಮಾಡಬಹುದು.
- ChatGPT Work ಮತ್ತು Codex: Free ಮತ್ತು Go ಬಳಕೆದಾರರು GPT‑5.6 Terra ಗೆ ಪ್ರವೇಶ ಪಡೆಯುತ್ತಾರೆ. Plus, Pro, Business ಮತ್ತು Enterprise ಬಳಕೆದಾರರು GPT‑5.6 Sol, Terra ಮತ್ತು Luna ಪ್ರತಿಯೊಂದಕ್ಕೂ ಪ್ರಯತ್ನದ ಮಟ್ಟವನ್ನು ಹೊಂದಿಸಲು ಆಯ್ಕೆ ಮಾಡಬಹುದು. ChatGPT Work ಮತ್ತು Codex ನಲ್ಲಿ GPT‑5.6 ಗೆ ಪ್ರವೇಶ ಹೊಂದಿರುವ ಎಲ್ಲಾ ಬಳಕೆದಾರರಿಗೆ
maxಲಭ್ಯವಿದೆ ಮತ್ತು ಅದನ್ನು ಸೆಟ್ಟಿಂಗ್ಗಳಲ್ಲಿ ಆನ್ ಮಾಡಬಹುದು. ChatGPT Work ನಲ್ಲಿ,ultraPro ಮತ್ತು Enterprise ಬಳಕೆದಾರರಿಗೆ ಲಭ್ಯವಿದೆ. Codex ನಲ್ಲಿ, ಇದು Plus ಮತ್ತು ಅದಕ್ಕಿಂತ ಮೇಲಿನ ಪ್ಲಾನ್ಗಳಿಗೆ ಲಭ್ಯವಿದೆ. - API: ಡೆವಲಪರ್ಗಳು Sol, Terra ಮತ್ತು Luna ಅನ್ನು OpenAI API ಮೂಲಕ ಪ್ರವೇಶಿಸಬಹುದು. Responses API ಯಲ್ಲಿ, ಪ್ರೋಗ್ರಾಮ್ಯಾಟಿಕ್ ಸಾಧನ ಕರೆ ಮಾಡುವಿಕೆಯು GPT‑5.6 ಗೆ ಸಾಧನಗಳನ್ನು ಸಂಯೋಜಿಸುವ ಮತ್ತು ಮಧ್ಯಂತರ ಫಲಿತಾಂಶಗಳನ್ನು ಪ್ರಕ್ರಿಯೆಗೊಳಿಸುವ ಪ್ರೋಗ್ರಾಂಗಳನ್ನು ಮೆಮೊರಿಯಲ್ಲೇ ಬರೆಯಲು ಮತ್ತು ಚಲಾಯಿಸಲು ಅವಕಾಶ ನೀಡುತ್ತದೆ, ಇದರಿಂದ ಇದು ಜೀರೋ ಡೇಟಾ ರಿಟೆನ್ಷನ್ (ZDR) ಗೆ ಹೊಂದಾಣಿಕೆಯಾಗುತ್ತದೆ. ಆರಂಭದಲ್ಲಿ ಬೀಟಾದಲ್ಲಿ ಲಭ್ಯವಿರುವ ಮಲ್ಟಿಏಜೆಂಟ್, GPT‑5.6 ಗೆ ಏಕಕಾಲದಲ್ಲಿ ಉಪಏಜೆಂಟ್ಗಳನ್ನು ಚಾಲನೆ ಮಾಡಿ, ಅವುಗಳ ಕೆಲಸವನ್ನು ಒಂದೇ ವಿನಂತಿಯಲ್ಲಿ ಸಂಯೋಜಿಸಲು ಅವಕಾಶ ನೀಡುತ್ತದೆ.
GPT‑5.6 ಗೆ ಮೂರು ಮಾಡೆಲ್ ಗಾತ್ರಗಳಲ್ಲಿ ಪ್ರತಿ 1M ಟೋಕನ್ಗಳಿಗೆ ಬೆಲೆ ನಿಗದಿಯಾಗಿದೆ: Sol ಗೆ ಇನ್ಪುಟ್ಗೆ $5 / ಔಟ್ಪುಟ್ಗೆ $30; Terra ಗೆ ಇನ್ಪುಟ್ಗೆ $2.50 / ಔಟ್ಪುಟ್ಗೆ $15; ಮತ್ತು Luna ಗೆ ಇನ್ಪುಟ್ಗೆ $1 / ಔಟ್ಪುಟ್ಗೆ $6. GPT‑5.6 ಮತ್ತಷ್ಟು ಪೂರ್ವಾನುಮಾನಿಸಬಹುದಾದ ಪ್ರಾಂಪ್ಟ್ ಕ್ಯಾಶಿಂಗ್ ಅನ್ನು ಸಹ ಪರಿಚಯಿಸುತ್ತದೆ, ಇದರಲ್ಲಿ ಸ್ಪಷ್ಟ ಕ್ಯಾಶ್ ಬ್ರೇಕ್ಪಾಯಿಂಟ್ಗಳಿಗೆ(ಹೊಸ ಕಿಟಕಿಯಲ್ಲಿ ತೆರೆಯುತ್ತದೆ) ಬೆಂಬಲ ಮತ್ತು 30 ನಿಮಿಷಗಳ ಕನಿಷ್ಠ ಕ್ಯಾಶ್ ಜೀವಿತಾವಧಿ ಸೇರಿವೆ. GPT‑5.6 ಮತ್ತು ನಂತರದ ಮಾಡೆಲ್ಗಳಿಗೆ, ಕ್ಯಾಶ್ ರೈಟ್ಗಳಿಗೆ ಮಾಡೆಲ್ನ ಕ್ಯಾಶ್ ಮಾಡದ ಇನ್ಪುಟ್ ದರದ 1.25× ದರದಲ್ಲಿ ಬಿಲ್ ಮಾಡಲಾಗುತ್ತದೆ, ಆದರೆ ಕ್ಯಾಶ್ ರೀಡ್ಗಳಿಗೆ 90% ಕ್ಯಾಶ್ ಮಾಡಿದ ಇನ್ಪುಟ್ ರಿಯಾಯಿತಿ ಮುಂದುವರಿಯುತ್ತದೆ.
ಪ್ರೊಫೆಷನಲ್
| ಮೌಲ್ಯಮಾಪನ | GPT‑5.6 Sol | GPT‑5.6 Terra | GPT‑5.6 Luna | GPT‑5.5 | Claude Fable 5 | Claude Opus 4.8 | Gemini 3.1 Pro Preview | Gemini 3.5 Flash |
| ಏಜೆಂಟ್ಗಳ ಕೊನೆಯ ಪರೀಕ್ಷೆ | 52.7% | 50.4% | 50.3% | 46.9% | 40.5% | 45.2% | 32.1% | — |
| GDPval-AA v2 | 1,747.8 Elo | 1,593 Elo | 1,591.8 Elo | 1,493.7 Elo | 1,759.6 Elo | 1,600.1 Elo | 962.3 Elo | 1,348.8 Elo |
| ನಿರ್ವಹಣಾ ಸಲಹಾ ಕಾರ್ಯಗಳು (ಆಂತರಿಕ) | 43.2% | 37.2% | 35.4% | 31.3% | 35.5% | 31.6% | 13.2% | — |
| ಬಿಗ್ ಫೈನಾನ್ಸ್ ಬೆಂಚ್ | 53% | 51% | 36% | 49% | — | 44% | — | — |
| ಕೃತಕ ವಿಶ್ಲೇಷಣಾ ಇಂಟೆಲಿಜೆನ್ಸ್ ಸೂಚ್ಯಂಕ v4.1 | 58.9 ಇಂಡೆಕ್ಸ್ ಸ್ಕೋರ್ | 55 ಇಂಡೆಕ್ಸ್ ಸ್ಕೋರ್ | 51.2 ಇಂಡೆಕ್ಸ್ ಸ್ಕೋರ್ | 54.8 ಇಂಡೆಕ್ಸ್ ಸ್ಕೋರ್ | 59.9 ಇಂಡೆಕ್ಸ್ ಸ್ಕೋರ್ | 55.7 ಇಂಡೆಕ್ಸ್ ಸ್ಕೋರ್ | 46.5 ಇಂಡೆಕ್ಸ್ ಸ್ಕೋರ್ | 50.2 ಇಂಡೆಕ್ಸ್ ಸ್ಕೋರ್ |
ಕೋಡಿಂಗ್
| ಮೌಲ್ಯಮಾಪನ | GPT‑5.6 Sol | GPT‑5.6 Sol Ultra | GPT‑5.6 Terra | GPT‑5.6 Luna | GPT‑5.5 | Claude Mythos 5 | Claude Mythos Preview | Claude Fable 5 | Claude Opus 4.8 | Gemini 3.1 Pro Preview |
| Artificial Analysis Coding Agent Index v1.1 | 80 ಸೂಚ್ಯಂಕ ಸ್ಕೋರ್ | — | 77.4 ಸೂಚ್ಯಂಕ ಸ್ಕೋರ್ | 74.6 ಸೂಚ್ಯಂಕ ಸ್ಕೋರ್ | 76.4 ಸೂಚ್ಯಂಕ ಸ್ಕೋರ್ | — | — | 77.2 ಸೂಚ್ಯಂಕ ಸ್ಕೋರ್ | 72.5 ಸೂಚ್ಯಂಕ ಸ್ಕೋರ್ | 42.7 ಸೂಚ್ಯಂಕ ಸ್ಕೋರ್ |
| SWE-Bench Pro | 64.6% | — | 63.4% | 62.7% | 59.4% | 80.3% | 77.8% | 80% | 69.2% | 54.2% |
| DeepSWE v1.1 | 72.7% | — | 69.6% | 67.2% | 67% | — | — | 69.7% | 59% | 11.8% |
| Terminal-Bench 2.1 | 88.8% | 91.9% | 87.4% | 84.7% | 85.6% | 88% | — | 83.1% | 78.9% | 70.7% |
ವಿಜ್ಞಾನ
| ಮೌಲ್ಯಮಾಪನ | GPT‑5.6 Sol | GPT‑5.6 Terra | GPT‑5.6 Luna | GPT‑5.5 | Claude Mythos 5 | Claude Mythos Preview | Claude Fable 5 | Claude Opus 4.8 |
| MedChemBench | 48.3% | 35% | 30.4% | 35.5% | — | — | — | — |
| LifeSciBench | 59.9% | 56% | 51.2% | 50.4% | — | — | — | — |
| HealthBench Professional | 60.5% | 57.7% | 55.7% | 49.5% | 66% | 64.7% | 60.9% | 53% |
ಕಂಪ್ಯೂಟರ್ ಬಳಕೆ
| ಮೌಲ್ಯಮಾಪನ | GPT‑5.6 Sol | GPT‑5.6 Sol Ultra | GPT‑5.6 Terra | GPT‑5.6 Luna | GPT‑5.5 | Claude Mythos 5 | Claude Mythos ಪೂರ್ವವೀಕ್ಷಣೆ | Claude Opus 4.8 | Gemini 3.1 Pro ಪೂರ್ವವೀಕ್ಷಣೆ |
| OSWorld 2.0 | 62.6% | — | 50.2% | 45.6% | 47.5% | — | — | 54.8% | — |
| BrowseComp | 90.4% | 92.2% | 87.5% | 83.3% | 84.4% | 88% | 87.9% | 84.3% | 85.9% |
| BenchCAD | 70.6% | — | 62.3% | 63.1% | 44.4% | 38.4% | 35.5% | 27.3% | — |
| BenchCAD (Python ಟೂಲ್) | 83.4% | — | 78.2% | 73.9% | 55.8% | 65% | 61% | 51.8% | — |
ಸೈಬರ್ಸುರಕ್ಷತೆ
| ಮೌಲ್ಯಮಾಪನ | GPT‑5.6 Sol | GPT‑5.6 Sol Ultra | GPT‑5.6 Terra | GPT‑5.6 Luna | GPT‑5.5 | Claude Mythos 5 | Claude Mythos Preview | Claude Opus 4.8 |
| ಧ್ವಜಗಳನ್ನು ಹಿಡಿಯುವ ಸವಾಲುಗಳು | 96.7% | — | 91.8% | 85.2% | 88.1% | — | — | — |
| SEC-Bench Pro | 71.2% | 74.3% | 57.7% | 48.9% | 45.8% | — | — | — |
| CyberGym | 84.5% | — | 81.8% | 77.9% | 81.8% | 83.8% | 83% | 78.1% |
| ExploitBench | 73.5% | — | 52.9% | 33.2% | 47.9% | 78% | 74.2% | 40% |
| ExploitGym | 33.7% | — | 23.2% | 12.4% | 15.1% | — | — | — |
ಸ್ವಯಂ-ಸುಧಾರಣೆ
| ಮೌಲ್ಯಮಾಪನ | GPT‑5.6 Sol | GPT‑5.6 Terra | GPT‑5.6 Luna | GPT‑5.5 |
| ಆಂತರಿಕ ಸಂಶೋಧನಾ ಡೀಬಗ್ಗಿಂಗ್ ಮೌಲ್ಯಮಾಪನ | 68.3% | 67.8% | 50.8% | 50% |
| KernelGen 1P | 61.1% | 49.2% | 22.4% | 29.3% |
| NanoGPT | 9.69% | 14.5% | 1.66% | 2.65% |
| PostTrainBench Lite | 50.3% | 51.5% | 29.6% | 38.8% |
| RSI ಸೂಚ್ಯಂಕ | 57.9% | 56.3% | 41.9% | 41.7% |
ಮಲ್ಟಿಮೋಡಲ್
| ಮೌಲ್ಯಮಾಪನ | GPT‑5.6 Sol | GPT‑5.6 Terra | GPT‑5.6 Luna | GPT‑5.5 | Claude Fable 5 | Claude Opus 4.8 | Gemini 3.1 Pro Preview |
| MMMU Pro (ಉಪಕರಣಗಳಿಲ್ಲ) | 83 % | 80.7 % | 78.4 % | 81.2 % | — | — | 80.5 % |
| MMMU Pro (ಉಪಕರಣಗಳೊಂದಿಗೆ) | 84.6 % | 82 % | 79.5 % | 83.2 % | — | — | — |
| gdp.pdf | 30.7% | 24.7% | 22.7% | 26% | 29.8% | 22.5% | 16.7% |
ಅಕಾಡೆಮಿಕ್
| ಮೌಲ್ಯಮಾಪನ | GPT‑5.6 Sol | GPT‑5.6 Terra | GPT‑5.6 Luna | GPT‑5.5 | Claude Mythos 5 | Claude Mythos Preview | Claude Fable 5 | Claude Opus 4.8 | Gemini 3.1 Pro Preview |
| GPQA Diamond | 94.6% | 92.9% | 92.3% | 93.6% | 94.1% | 94.6% | 92.6% | 92% | 94.3% |
| FrontierMath ಮಟ್ಟ 1-3 (v2) | 89% | 84.9% | 78.6% | 85.3% | — | — | 87% | 80% | 59.6% |
| FrontierMath ಮಟ್ಟ 4 (v2) | 83% | 68.3% | 58.5% | 72.5% | — | — | 87.8% | 56.1% | — |
ಟೂಲ್ ಬಳಕೆ
| ಮೌಲ್ಯಮಾಪನ | GPT‑5.6 Sol | GPT‑5.6 Terra | GPT‑5.6 Luna | GPT‑5.5 | Claude Mythos 5 | Claude Mythos Preview | Claude Fable 5 | Claude Opus 4.8 | Gemini 3.1 Pro Preview | Gemini 3.5 Flash |
| AutomationBench | 18.1% | 15.2% | 14.9% | 12.9% | — | — | 17.4% | 15.5% | — | 14.5% |
| Toolathlon | 58% | 53.1% | 53.4% | 55.6% | 61.7% | 61.1% | 61.7% | 59.9% | 48.8% | — |
ದೀರ್ಘ ಸಂದರ್ಭ
| ಮೌಲ್ಯಮಾಪನ | GPT‑5.6 Sol | GPT‑5.6 Terra | GPT‑5.6 Luna | GPT‑5.5 | Claude Mythos 5 | Claude Mythos Preview | Claude Opus 4.8 |
| OpenAI MRCR v2 8-needle 256K-512K | 91.5% | 89.6% | 41.3% | 81.5% | — | — | — |
| OpenAI MRCR v2 8-needle 512K-1M | 73.8% | 72.5% | 41.3% | 74% | — | — | — |
| GraphWalks BFS 256k f1 | 90.7% | 76.9% | 81.3% | 73.7% | 91.1% | 85.7% | 85.9% |
| GraphWalks BFS 1mil f1 | 77.1% | 71.2% | 51.2% | 45.4% | 79.4% | 74.3% | 68.1% |
ಅಮೂರ್ತ ತಾರ್ಕಿಕತೆ
| ಮೌಲ್ಯಮಾಪನ | GPT‑5.6 Sol | GPT‑5.6 Terra | GPT‑5.6 Luna | GPT‑5.5 | Claude Opus 4.8 | Gemini 3.1 Pro Preview |
| ARC-AGI-3⁷ | 7.78% | 0.8% | 0.18% | 0.43% | 1.5% | 0.42% |
ಲೇಖಕ
ಅಡಿಟಿಪ್ಪಣಿಗಳು
ಒಂದು. ಸೈಬರ್ ಸಾಮರ್ಥ್ಯಗಳನ್ನು ಕಡಿಮೆಗೊಳಿಸಿದ ಸುರಕ್ಷತಾ ಕ್ರಮಗಳೊಂದಿಗೆ ಮೌಲ್ಯಮಾಪನ ಮಾಡಲಾಗುತ್ತದೆ. ರಕ್ಷಣಾತ್ಮಕ ಸೈಬರ್ ಸಾಮರ್ಥ್ಯಗಳಿಗೆ ಹೆಚ್ಚಿನ ಪ್ರವೇಶಕ್ಕಾಗಿ ಬಳಕೆದಾರರು OpenAI Daybreakನ Trusted Access for Cyber ಕಾರ್ಯಕ್ರಮಕ್ಕೆ ಸೇರಬಹುದು.
2. ಎಲ್ಲಾ ಮಾಡೆಲ್ಗಳನ್ನು 5 seeds ಮತ್ತು ರೀಜನಿಂಗ್ ನಿರಂತರತೆಯೊಂದಿಗೆ ExploitBench API harness ಬಳಸಿ ಮೌಲ್ಯಮಾಪನ ಮಾಡಲಾಗಿದೆ.
3. ನಮ್ಮ ಸಾರ್ವಜನಿಕ API ಗಿಂತ ವೇಗವಾಗಿ ಪ್ರತಿಕ್ರಿಯೆಗಳನ್ನು ಉತ್ಪಾದಿಸುವ ನಮ್ಮ ಆಲ್ಫಾ API ಮೇಲೆ ನಾವು ExploitGym ಅನ್ನು ಚಲಾಯಿಸಿದ್ದೇವೆ, ನಂತರ ನಮ್ಮ ಸಾರ್ವಜನಿಕ API ಗೆ ಹೊಂದುವಂತೆ ಮರುಸ್ಕೇಲ್ ಮಾಡಿದ್ದೇವೆ. ನಮ್ಮ ಸಾರ್ವಜನಿಕ API ಗಾಗಿ ನಿರೀಕ್ಷಿಸಲಾದ ವೇಗಗಳಿಗೆ ವಿಳಂಬ ಅವಧಿಗಳನ್ನು ಮರುಮಾಪನ ಮಾಡುವಾಗ, ಮೌಲ್ಯಮಾಪನ ರನ್ನಲ್ಲಿ ಅವುಗಳನ್ನು ಸರಿಯಾಗಿ ಪಾಲಿಸಿದ್ದರೂ ಸಹ, ಕೆಲವು ಅಂದಾಜು ವಿಳಂಬ ಅವಧಿಗಳು ಎರಡು ಮತ್ತು ಆರು ಗಂಟೆಗಳ ಸಮಯ ಮಿತಿಗಳನ್ನು ಮೀರುತ್ತವೆ. ಸಮಯ-ಸಂವೇದನಾಶೀಲ ಕೆಲಸಕ್ಕೆ ಹೆಚ್ಚಿನ ವೇಗಗಳನ್ನು ಪಡೆಯಲು, ನಾವು API ಯಲ್ಲಿ ಆದ್ಯತಾ ಪ್ರಕ್ರಿಯಾಕರಣವನ್ನು ಮತ್ತು Codex ನಲ್ಲಿ ವೇಗದ ಮೋಡ್ ಅನ್ನು ನೀಡುತ್ತೇವೆ.
ನಾಲ್ಕು. ನಾವು ನಮ್ಮ ಮಾಡೆಲ್ಗಳ ಉತ್ಪಾದನಾ ನಡವಳಿಕೆಯನ್ನು ನೋಡಿ ಮತ್ತು ಆಫ್ಲೈನ್ನಲ್ಲಿ ಸಿಮ್ಯುಲೇಟ್ ಮಾಡುವ ಮೂಲಕ ಲೇಟೆನ್ಸಿ ಮತ್ತು API ವೆಚ್ಚವನ್ನು ಅಂದಾಜಿಸುತ್ತೇವೆ. ಈ ಅಂದಾಜುಗಳು ಉಪಕರಣ ಕರೆ ವಿವರಗಳು, ಮಾದರಿಯಾಗಿಸಿದ ಟೋಕನ್ಗಳು ಮತ್ತು ಇನ್ಪುಟ್ ಟೋಕನ್ಗಳನ್ನು ಪರಿಗಣಿಸುತ್ತವೆ. ನೈಜ-ಪ್ರಪಂಚದ ಫಲಿತಾಂಶಗಳು ಬಹಳ ಮಟ್ಟಿಗೆ ಬದಲಾಗಬಹುದು ಮತ್ತು ನಮ್ಮ ಅನುಕರಣೆಯಲ್ಲಿ ಸೆರೆಹಿಡಿಯದಿರುವ ಅನೇಕ ಅಂಶಗಳ ಮೇಲೆ ಅವಲಂಬಿತವಾಗಿರುತ್ತವೆ. ನಾವು ಲೇಟೆನ್ಸಿಯನ್ನು ವೇಗವಾದ API ವೇಗಗಳಿಗೆ ಅನುಗುಣವಾಗಿ ಮತ್ತು ವೆಚ್ಚವನ್ನು ಸಾಮಾನ್ಯ API ಬೆಲೆ ನಿಗದಿಯ ಪ್ರಕಾರ ಸಿಮ್ಯುಲೇಟ್ ಮಾಡುತ್ತೇವೆ.
ಐದು. ವರದಿ ಮಾಡಲಾದ ಔಟ್ಪುಟ್ ಟೋಕನ್ಗಳು, ಲೇಟೆನ್ಸಿ ಅಥವಾ ವೆಚ್ಚವಿಲ್ಲದ ಮಾಡೆಲ್ಗಳನ್ನು ಅಡ್ಡ ಚುಕ್ಕೆ ರೇಖೆಗಳಾಗಿ ಪ್ಲಾಟ್ ಮಾಡಲಾಗಿದೆ.
6. ಮಲ್ಟಿ-ಏಜೆಂಟ್ಗಾಗಿ, ಲೇಟೆನ್ಸಿಯನ್ನು ಮೂಲ ಏಜೆಂಟ್ನಿಂದ ಪಡೆಯಲಾಗುತ್ತದೆ, ಆದರೆ ಔಟ್ಪುಟ್ ಟೋಕನ್ ಮತ್ತು API ವೆಚ್ಚದ ಒಟ್ಟುಗಳು ಎಲ್ಲಾ ಟೋಕನ್ಗಳನ್ನು ಒಳಗೊಂಡಿರುತ್ತವೆ. Ultra ಅನ್ನು ನಾಲ್ಕು ಏಜೆಂಟ್ಗಳೊಂದಿಗೆ ನಡೆಸಲಾಗುತ್ತದೆ.
ಏಳು. HealthBench Professional ಪೇಪರ್ನಲ್ಲಿ ವಿವರಿಸಲಾದ ಅಧಿಕೃತ ಸ್ಕೋರಿಂಗ್ ವಿಧಾನವನ್ನು ಬಳಸಿ ನಾವು ಸ್ಕೋರ್ಗಳನ್ನು ಲೆಕ್ಕಹಾಕುತ್ತೇವೆ. ಈ ಸ್ಕೋರ್ಗಳನ್ನು Anthropic ಸಿಸ್ಟಮ್ ಕಾರ್ಡ್ಗಳಲ್ಲಿ ವರದಿ ಮಾಡಲಾದ ಫಲಿತಾಂಶಗಳೊಂದಿಗೆ ಹೋಲಿಸಲಾಗುವುದಿಲ್ಲ.
ಎಂಟು. Opus 4.8 ಗಾಗಿ ARC-AGI-3 ಅನ್ನು ಹೈ ರೀಜನಿಂಗ್ ಪ್ರಯತ್ನದಲ್ಲಿ ರನ್ ಮಾಡಲಾಗಿದೆ, ಮ್ಯಾಕ್ಸ್ ಅಲ್ಲ, ಏಕೆಂದರೆ ಇದು ಪ್ರಕಟಿತ ಏಕೈಕ ARC-AGI-3 ಫಲಿತಾಂಶವಾಗಿದೆ.

