GPT-6.1Sol

ನಾವು GPT-6.1 Sol ಅನ್ನು ಪರಿಚಯಿಸುತ್ತಿದ್ದೇವೆ. ಇದು GPT-6 Solನ ಉನ್ನತೀಕೃತ ಆವೃತ್ತಿಯಾಗಿದ್ದು, ಏಜೆಂಟಿಕ್ ಕೋಡಿಂಗ್, ಕಂಪ್ಯೂಟರ್ ಬಳಕೆ ಮತ್ತು ವೃತ್ತಿಪರ ಕೆಲಸದಲ್ಲಿ GPT-6 Astraದ ಇಂಟೆಲಿಜೆನ್ಸ್‌ಗೆ ಬಹುತೇಕ ಸಮನಾದ ಕಾರ್ಯಕ್ಷಮತೆಯನ್ನು Astraದ ಪ್ರಮಾಣಿತ ಇನ್‌ಪುಟ್ ಮತ್ತು ಔಟ್‌ಪುಟ್ ಟೋಕನ್ ಬೆಲೆಗಳ ಐದನೇ ಒಂದು ಭಾಗದ ವೆಚ್ಚದಲ್ಲಿ ನೀಡುತ್ತದೆ. ಸಂಗ್ರಹಿತ ಇನ್‌ಪುಟ್‌ಗೆ ಪ್ರತಿ ಮಿಲಿಯನ್ ಟೋಕನ್‌ಗಳಿಗೆ ಕೇವಲ $0.10ವೆಚ್ಚವಾಗುತ್ತದೆ—ಇದು ಪ್ರಮಾಣಿತ ಇನ್‌ಪುಟ್ ಬೆಲೆಗಿಂತ 95% ಕಡಿಮೆ ಮತ್ತು GPT-6 Solನ ಸಂಗ್ರಹಿತ ಇನ್‌ಪುಟ್ ಬೆಲೆಗಿಂತ 50% ಕಡಿಮೆ. ಇದರಿಂದ ಡೆವಲಪರ್‌ಗಳು ವಿನಂತಿಗಳಾದ್ಯಂತ ಸಂದರ್ಭವನ್ನು ಮರುಬಳಸುವ ಸಮರ್ಥ ಏಜೆಂಟ್‌ಗಳನ್ನು ನಿರ್ಮಿಸಿ ನಡೆಸಲು ಹೆಚ್ಚಿನ ಅವಕಾಶ ಪಡೆಯುತ್ತಾರೆ.

ವಿವಿಧ ಕಾರ್ಯಗಳಲ್ಲಿ ಇನ್ನಷ್ಟು ಸಮರ್ಥ Sol

GPT-6.1 Sol ಪ್ರಮುಖ ದೈನಂದಿನ ಕೆಲಸಗಳಿಗಾಗಿ ಸಾಮರ್ಥ್ಯ ಮತ್ತು ವೆಚ್ಚದ ಹೊಸ ಸಮತೋಲನವನ್ನು ಒದಗಿಸುತ್ತದೆ. ಕೋಡ್ ಬರೆಯುವುದು ಮತ್ತು ದೋಷ ಸರಿಪಡಿಸುವುದರಿಂದ ಹಿಡಿದು ದಾಖಲೆಗಳನ್ನು ಅರ್ಥಮಾಡಿಕೊಳ್ಳುವುದು ಹಾಗೂ ಬಹುಹಂತದ ವ್ಯವಹಾರ ಕಾರ್ಯಪ್ರವಾಹಗಳನ್ನು ನಿರ್ವಹಿಸುವವರೆಗೆ, ಸಂಕೀರ್ಣ ವೃತ್ತಿಪರ ಕಾರ್ಯಗಳಲ್ಲಿ GPT-6 Solಗೆ ಹೋಲಿಸಿದರೆ ಇದು ಗಣನೀಯ ಸುಧಾರಣೆಗಳನ್ನು ತರುತ್ತದೆ. ಈ ಮೌಲ್ಯಮಾಪನಗಳಲ್ಲಿ ಹಲವಾರು ಸಂದರ್ಭಗಳಲ್ಲಿ, ಇದು ಗಣನೀಯವಾಗಿ ಕಡಿಮೆ ವೆಚ್ಚದಲ್ಲಿ GPT-6 Astraದ ಕಾರ್ಯಕ್ಷಮತೆಯನ್ನು ಸಮೀಪಿಸುತ್ತದೆ.

ಕೋಡಿಂಗ್

ನೈಜ ಕೋಡ್‌ಬೇಸ್‌ಗಳಲ್ಲಿನ ಸಂಕೀರ್ಣ ಸಾಫ್ಟ್‌ವೇರ್ ಎಂಜಿನಿಯರಿಂಗ್ ಕಾರ್ಯಗಳನ್ನು ಮೌಲ್ಯಮಾಪನ ಮಾಡುವ DeepSWE v1.1ನಲ್ಲಿ, GPT-6.1 Sol ಸುಮಾರು ಐದನೇ ಒಂದು ಭಾಗದ ವೆಚ್ಚದಲ್ಲಿ GPT-6 Astraಗೆ ಸರಿಸಮನಾಗುತ್ತದೆ. ಜೊತೆಗೆ, ಕಡಿಮೆ ರೀಜನಿಂಗ್ ಪ್ರಯತ್ನ ಮತ್ತು ವೆಚ್ಚದಲ್ಲಿ GPT-6 Solನ ಅತ್ಯುತ್ತಮ ಅಂಕವನ್ನು 6.4 ಶೇಕಡಾವಾರು ಅಂಶಗಳಿಂದ ಮೀರಿಸುತ್ತದೆ.

ವೃತ್ತಿಪರ ಕೆಲಸ

ಕೋಷ್ಟಕಗಳು, ಚಾರ್ಟ್‌ಗಳು, ರೇಖಾಚಿತ್ರಗಳು ಮತ್ತು ಸಣ್ಣ ಅಕ್ಷರಗಳಲ್ಲಿನ ವಿವರಗಳಿರುವ ಸಂಕೀರ್ಣ PDF ದಾಖಲೆಗಳನ್ನು ಬಳಸಿ ಮಾಡೆಲ್‌ಗಳು ವೃತ್ತಿಪರ ಪ್ರಶ್ನೆಗಳಿಗೆ ಎಷ್ಟು ನಿಖರವಾಗಿ ಉತ್ತರಿಸುತ್ತವೆ ಎಂಬುದನ್ನು GDP.pdf ಅಳೆಯುತ್ತದೆ. ಪರೀಕ್ಷಿಸಿದ ರೀಜನಿಂಗ್ ಸೆಟ್ಟಿಂಗ್‌ಗಳಾದ್ಯಂತ, GPT-6.1 Sol ಪರ್ಯಾಯ ವ್ಯವಸ್ಥೆಗಳಿರುವ Opus 5.5ಗಿಂತ ಹೈ ಸ್ಕೋರ್‌ ಗಳಿಸುತ್ತದೆ; ಪ್ರತಿ ಕಾರ್ಯದ ವೆಚ್ಚ ಅರ್ಧಕ್ಕಿಂತಲೂ ಕಡಿಮೆ. ಇದು ಪ್ರತಿ ಕಾರ್ಯಕ್ಕೆ ಸುಮಾರು ಐದನೇ ಒಂದು ಭಾಗದ ವೆಚ್ಚದಲ್ಲಿ GPT-6 Astraದ ಅತ್ಯುನ್ನತ ಕಾರ್ಯಕ್ಷಮತೆಯನ್ನೂ ಸಮೀಪಿಸುತ್ತದೆ.

ಏಜೆಂಟ್‌ಗಳು ಬಹುಹಂತದ ವ್ಯವಹಾರ ಕಾರ್ಯಪ್ರವಾಹಗಳನ್ನು ಸರಿಯಾಗಿ ಪೂರ್ಣಗೊಳಿಸುತ್ತವೆಯೇ ಎಂಬುದನ್ನು ಅಳೆಯುವ AutomationBenchನಲ್ಲಿ, ಮೀಡಿಯಂ ರೀಜನಿಂಗ್ ಪ್ರಯತ್ನದ ಮಟ್ಟದಲ್ಲಿ GPT-6.1 Sol, Opus 5.5ಗಿಂತ 2.2 ಶೇಕಡಾವಾರು ಅಂಶಗಳಷ್ಟು ಹೆಚ್ಚಿನ ಅಂಕ ಗಳಿಸುತ್ತದೆ; ವೆಚ್ಚ ಸುಮಾರು ಮೂರನೇ ಒಂದು ಭಾಗದಷ್ಟಿರುತ್ತದೆ. ಈ ಅಂಕವು ಅದೇ ಸೆಟ್ಟಿಂಗ್‌ನಲ್ಲಿರುವ GPT-6 Solಗಿಂತಲೂ ಶೇ 4.8 ಶೇಕಡಾವಾರು ಅಂಶಗಳಷ್ಟು ಹೆಚ್ಚಾಗಿದೆ.

ಕಂಪ್ಯೂಟರ್ ಬಳಕೆ

ಕಂಪ್ಯೂಟರ್ ಅಪ್ಲಿಕೇಶನ್‌ಗಳೊಂದಿಗೆ ಸಂವಹನ ಅಗತ್ಯವಿರುವ ಟಾಸ್ಕ್‌ಗಳಲ್ಲಿಯೂ GPT-6.1 Sol ಗಣನೀಯ ಪ್ರಗತಿ ಸಾಧಿಸಿದೆ. ಸವಾಲಿನ ಕಂಪ್ಯೂಟರ್ ಬಳಕೆಯ ಕಾರ್ಯಪ್ರವಾಹಗಳಲ್ಲಿ ಏಜೆಂಟ್‌ಗಳನ್ನು ಮೌಲ್ಯಮಾಪನ ಮಾಡುವ OSWorld 2.0 ಆಫ್‌ಲೈನ್ ಸಮೂಹದಲ್ಲಿ, ಗರಿಷ್ಠ ರೀಜನಿಂಗ್ ಪ್ರಯತ್ನದ ಮಟ್ಟದಲ್ಲಿ GPT-6.1 Sol, GPT-6 Solಗಿಂತ ಏಳು ಶೇಕಡಾವಾರು ಅಂಶಗಳಷ್ಟು ಉತ್ತಮ ಪ್ರದರ್ಶನ ನೀಡುತ್ತದೆ; ವೆಚ್ಚ ಅರ್ಧಕ್ಕಿಂತಲೂ ಕಡಿಮೆ. ಗರಿಷ್ಠ ರೀಜನಿಂಗ್ ಪ್ರಯತ್ನದ ಮಟ್ಟದಲ್ಲಿ, ಪ್ರತಿ ಕಾರ್ಯಕ್ಕೆ ಸುಮಾರು ಏಳನೇ ಒಂದು ಭಾಗದ ವೆಚ್ಚದಲ್ಲಿ ಇದರ ಅಂಕವು Astraದ ಅಂಕಕ್ಕೆ ಶೇ. 2.1 ಪಾಯಿಂಟ್‌ಗಳಷ್ಟು ಕಡಿಮೆ ಸ್ಕೋರ್‌ ಗಳಿಸುತ್ತದೆ.

ವೈಜ್ಞಾನಿಕ ಸಂಶೋಧನೆ

ಡೇಟಾ ವಿಶ್ಲೇಷಣೆ, ಸಿಮ್ಯುಲೇಶನ್‌ ಮತ್ತು ಪ್ರಮೇಯ ಸಾಬೀತು ಸೇರಿದಂತೆ ವೈಜ್ಞಾನಿಕ ಕಾರ್ಯವಿಧಾನಗಳನ್ನು ಮೌಲ್ಯಮಾಪನ ಮಾಡುವ Terminal-Bench Science 0.1ನಲ್ಲಿ, ಗರಿಷ್ಠ ರೀಜನಿಂಗ್ ಪ್ರಯತ್ನದ ಮಟ್ಟದಲ್ಲಿ GPT-6.1 Sol, GPT-6 Solನ ಸ್ಕೋರ್‌ಗಿಂತ ಎರಡು ಪಟ್ಟು ಹೆಚ್ಚಿನ ಸ್ಕೋರ್‌ ಗಳಿಸುತ್ತದೆ; ಪ್ರತಿ ಟಾಸ್ಕ್‌ನ ವೆಚ್ಚ ಅರ್ಧಕ್ಕಿಂತಲೂ ಕಡಿಮೆ. ಗರಿಷ್ಠ ಪ್ರಯತ್ನದ ಮಟ್ಟದಲ್ಲಿ, GPT-6.1 Solಗೆ ಪ್ರತಿ ಟಾಸ್ಕ್‌ಗೆ ಸರಾಸರಿ $5.47 ವೆಚ್ಚವಾಗುತ್ತದೆ. ಇದಕ್ಕೆ ಹೋಲಿಸಿದರೆ, ಕಲಿಕೆಯಲ್ಲಿ Opus 5.5ಗೆ $23.21 ಮತ್ತು Astraಗೆ $23.80 ವೆಚ್ಚವಾಗುತ್ತದೆ. ಹೀಗಾಗಿ, ಎರಡೂ ಮಾಡೆಲ್‌ಗಳಿಗಿಂತ ಶೇ. 75ಕ್ಕಿಂತಲೂ ಕಡಿಮೆ ವೆಚ್ಚದಲ್ಲಿ ಇದು ಗಣನೀಯ ವೈಜ್ಞಾನಿಕ ಸಾಮರ್ಥ್ಯ ಒದಗಿಸುತ್ತದೆ.

ಪರೀಕ್ಷಿಸಿದ ಮಾಡೆಲ್‌ಗಳಲ್ಲಿ GPT-6 Astra ಇನ್ನೂ ಶೇ. 68.1 ಹೈ ಸ್ಕೋರ್‌ ಗಳಿಸಿದೆ. ಅತ್ಯಂತ ಕಠಿಣ ವೈಜ್ಞಾನಿಕ ಸಂಶೋಧನಾ ಟಾಸ್ಕ್‌ಗಳಿಗೆ ಇದನ್ನೇ ಬಳಸಬೇಕು.

ವಾಸ್ತವಿಕ ನಿಖರತೆ

ಕಠಿಣ ಪ್ರಾಂಪ್ಟ್‌ಗಳಲ್ಲಿಯೂ GPT-6.1 Sol ವಾಸ್ತವಿಕ ನಿಖರತೆಯನ್ನು ಸುಧಾರಿಸುತ್ತದೆ. GPT-6 Solಗೆ ಹೋಲಿಸಿದರೆ ಇದರ ವಾಸ್ತವಿಕತೆಯಲ್ಲಿನ ಅತಿದೊಡ್ಡ ಸುಧಾರಣೆ ಕಡಿಮೆ ರೀಜನಿಂಗ್ ಪ್ರಯತ್ನದ ಮಟ್ಟದಲ್ಲಿ ಕಂಡುಬರುತ್ತದೆ. ಈ ಮಟ್ಟದಲ್ಲಿ, ವಾಸ್ತವಿಕ ದೋಷವನ್ನು ಒಳಗೊಂಡಿರುವ ಉತ್ತರಗಳ ಪ್ರಮಾಣವನ್ನು ಶೇ. 11.4 ರಿಂದ ಶೇ. 7.7 ಕ್ಕೆ ಇಳಿಸುತ್ತದೆ—ಇದು ಸರಿಸುಮಾರು ಶೇ. 32 ರಷ್ಟು ಕಡಿತವಾಗಿದೆ. ಪರೀಕ್ಷಿಸಲಾದ ಎಲ್ಲ ರೀಜನಿಂಗ್ ಸೆಟ್ಟಿಂಗ್‌ಗಳಲ್ಲಿ, ಪ್ರತಿ ಟಾಸ್ಕ್‌ಗೆ ಐದನೇ ಒಂದು ಭಾಗಕ್ಕಿಂತಲೂ ಕಡಿಮೆ ವೆಚ್ಚದಲ್ಲಿ ಇದರ ದೋಷದ ದರವು GPT-6 Astraದ ದರಕ್ಕಿಂತ ಶೇ. 1.9 ಪಾಯಿಂಟ್‌ಗಳ ಒಳಗೇ ಉಳಿಯುತ್ತದೆ.

ಬಳಕೆದಾರರು ಹಿಂದಿನ ಮಾಡೆಲ್‌ನ ದೋಷವನ್ನು ಗುರುತಿಸಿದ್ದ ಸಂಭಾಷಣೆಗಳಿಂದ ಗುರುತಿನ ವಿವರಗಳನ್ನು ತೆಗೆದು, ಕನಿಷ್ಠ ಒಂದು ವಾಸ್ತವಿಕ ದೋಷವಿರುವ ಉತ್ತರಗಳ ಪ್ರಮಾಣವನ್ನು ಈ ಮೌಲ್ಯಮಾಪನ ಅಳೆಯುತ್ತದೆ. ಉದ್ದೇಶಪೂರ್ವಕವಾಗಿ ಕಠಿಣವಾಗಿರುವ ಈ ಪ್ರಾಂಪ್ಟ್‌ಗಳು ಸಾಮಾನ್ಯ ಬಳಕೆಯನ್ನು ಪ್ರತಿನಿಧಿಸುವುದಿಲ್ಲ.

GPT-6.1 Sol ಅನ್ನು ಸುರಕ್ಷಿತವಾಗಿ ಬಳಕೆಗೆ ತರುವುದು

ನಮ್ಮ ಅಲೈನ್‌ಮೆಂಟ್‌ ಮೌಲ್ಯಮಾಪನಗಳಲ್ಲಿ GPT-6.1 Sol, GPT-6 Solಗಿಂತ ಗಣನೀಯ ಸುಧಾರಣೆಗಳನ್ನು ತೋರಿಸಿದ್ದು, GPT-6 Astraಗೆ ಇನ್ನಷ್ಟು ಹತ್ತಿರವಾಗಿದೆ.

GPT-6.1 Sol ತನ್ನ ಮಿತಿಗಳ ಬಗ್ಗೆ ಹೆಚ್ಚು ಪಾರದರ್ಶಕವಾಗಿದೆ. ಬಳಕೆದಾರರ ಉದ್ದೇಶ ಮತ್ತು ಸುರಕ್ಷತಾ ನಿರ್ಬಂಧಗಳನ್ನು ಪಾಲಿಸುವಲ್ಲಿಯೂ ಹೆಚ್ಚು ವಿಶ್ವಾಸಾರ್ಹವಾಗಿದೆ. ಕಠಿಣ ಮೌಲ್ಯಮಾಪನಗಳಲ್ಲಿ, ಕೆಲಸ ಮಾಡದ ಸರ್ಚ್‌ ಟೂಲ್‌ಗಳ ಬಗ್ಗೆ ಪಾರದರ್ಶಕತೆ, ಸ್ಪಷ್ಟ ನಿರ್ಬಂಧಗಳ ಪಾಲನೆ ಮತ್ತು ಏಜೆಂಟಿಕ್ ಟಾಸ್ಕ್‌ಗಳಲ್ಲಿ ಅನಧಿಕೃತ ಫಲಿತಾಂಶಗಳನ್ನು ತಪ್ಪಿಸುವ ವಿಷಯಗಳಲ್ಲಿ ಇದು GPT-6 Solಗಿಂತ ಕಡಿಮೆ ವೈಫಲ್ಯ ದರಗಳನ್ನು ತೋರಿಸಿದೆ. GPT-6 Astra ಮತ್ತು GPT-6 Sol ಮಾಡೆಲ್‌ಗಳ ಫಲಿತಾಂಶಕ್ಕೆ ಸಮನಾಗಿ, ಸ್ವಯಂಚಾಲಿತ ಸುರಕ್ಷತಾ ಪರಿಶೀಲನಾ ವ್ಯವಸ್ಥೆಯನ್ನು ತಪ್ಪಿಸುವ ಯಾವುದೇ ಪ್ರಯತ್ನ ನಮಗೆ ಕಂಡುಬಂದಿಲ್ಲ. ಸಂಪೂರ್ಣ ವಿವರಗಳನ್ನು GPT-6.1 Sol ಸಿಸ್ಟಮ್ ಕಾರ್ಡ್‌ನ ಅನುಬಂಧದಲ್ಲಿ⁠(ಹೊಸ ಕಿಟಕಿಯಲ್ಲಿ ತೆರೆಯುತ್ತದೆ) ಕಾಣಬಹುದು.

ಕೆಳಗಿನ ಮೌಲ್ಯಮಾಪನಗಳು ಉದ್ದೇಶಪೂರ್ವಕವಾಗಿ ಸವಾಲಿನ ಸನ್ನಿವೇಶಗಳನ್ನು ಪರೀಕ್ಷಿಸುತ್ತವೆ; ಸಾಮಾನ್ಯ ಬಳಕೆಯಲ್ಲಿನ ವೈಫಲ್ಯ ದರಗಳನ್ನು ಅಳೆಯುವುದಿಲ್ಲ.

ಬೆಲೆ ಮತ್ತು ಲಭ್ಯತೆ

GPT-6.1 Sol ಇಂದಿನಿಂದ ChatGPT Work ಮತ್ತು Codex ನಲ್ಲಿ ಎಲ್ಲಾ Plus, Pro, Business, Enterprise ಮತ್ತು Edu ಬಳಕೆದಾರರಿಗೆ ಲಭ್ಯವಿದೆ. GPT-6.1 Sol ಇನ್ನೂ ಚಾಟ್‌ನಲ್ಲಿ ಲಭ್ಯವಿಲ್ಲ. ಡೆವಲಪರ್‌ಗಳು OpenAI API ಮೂಲಕವೂ ಇದನ್ನು gpt-6.1-sol ಆಗಿ ಬಳಸಬಹುದು. ಇದರ ಪ್ರಮಾಣಿತ API ಬೆಲೆಗಳು: ಪ್ರತಿ ಹತ್ತು ಲಕ್ಷ ಇನ್‌ಪುಟ್ ಟೋಕನ್‌ಗಳಿಗೆ $2, ಪ್ರತಿ ಹತ್ತು ಲಕ್ಷ ಸಂಗ್ರಹಿತ ಇನ್‌ಪುಟ್ ಟೋಕನ್‌ಗಳಿಗೆ $0.10 ಮತ್ತು ಪ್ರತಿ ಹತ್ತು ಲಕ್ಷ ಔಟ್‌ಪುಟ್ ಟೋಕನ್‌ಗಳಿಗೆ $10 ಆಗಿವೆ. ಮುಂಬರುವ ದಿನಗಳಲ್ಲಿ, Codex ನಲ್ಲಿ ಅದರ ಪ್ರಮಾಣಿತ ವೇಗಕ್ಕೆ ಹೋಲಿಸಿದರೆ ಟೋಕನ್ ಉತ್ಪಾದನೆಯಲ್ಲಿ 8x ವರೆಗೆ ಹೆಚ್ಚು ವೇಗದೊಂದಿಗೆ GPT-6.1 Sol Ultrafast⁠ ಅನ್ನೂ ನೀಡಲಿದ್ದೇವೆ.