ಥರ್ಡ್ ಮೊಮೆಂಟ್: 36+ ಗಂಟೆ ನಡೆಯುವ 10,000 ಏಜೆಂಟ್‌ಗಳು

ಪ್ರತಿಯೊಂದು ಕಂಪನಿಗೂ ತನ್ನದೇ ಆದ ಕಾರ್ಯಪ್ರವಾಹಗಳು, ಪರಿಕರಗಳು, ಅಪರೂಪದ ಸನ್ನಿವೇಶಗಳು ಮತ್ತು ಯಶಸ್ಸಿನ ವ್ಯಾಖ್ಯಾನಗಳಿರುತ್ತವೆ. ⁠(ಹೊಸ ಕಿಟಕಿಯಲ್ಲಿ ತೆರೆಯುತ್ತದೆ)ಅತ್ಯುತ್ತಮ ಏಜೆಂಟ್‌ಗಳು ಆಯಾ ನಿರ್ದಿಷ್ಟ ಕೆಲಸದಲ್ಲಿ ನಿಪುಣವಾಗಿರಬೇಕು ಮತ್ತು ಹೆಚ್ಚು ಬಳಸಿದಷ್ಟೂ ಅವುಗಳ ಸಾಮರ್ಥ್ಯ ಸುಧಾರಿಸಬೇಕು ಎಂದು ಥರ್ಡ್ ಮೊಮೆಂಟ್ ರಿಸರ್ಚ್⁠(ಹೊಸ ಕಿಟಕಿಯಲ್ಲಿ ತೆರೆಯುತ್ತದೆ) ನಂಬುತ್ತದೆ.

ಈ ಕಲ್ಪನೆಯ ಆಧಾರದ ಮೇಲೆ ಕಂಪನಿಯು ಸ್ವಯಂ ಸುಧಾರಿಸಿಕೊಳ್ಳುವ ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆ ವ್ಯವಸ್ಥೆಯನ್ನು ನಿರ್ಮಿಸುತ್ತಿದೆ. ಏಜೆಂಟ್‌ಗಳ ನಡವಳಿಕೆಯನ್ನು ಅರ್ಥಮಾಡಿಕೊಳ್ಳಲು, ಮರುಕಳಿಸುವ ದೌರ್ಬಲ್ಯಗಳನ್ನು ಗುರುತಿಸಲು ಮತ್ತು ಆ ಸಮಸ್ಯೆಗಳನ್ನು ಆಧರಿಸಿ ಸಾವಿರಾರು ಕೃತಕ ಸನ್ನಿವೇಶಗಳನ್ನು ಸ್ವಯಂಚಾಲಿತವಾಗಿ ರಚಿಸಲು OpenAI ಯ ಇತ್ತೀಚಿನ ಮಾಡೆಲ್‌ಗಳನ್ನು ಬಳಸುತ್ತಿದೆ. ತಂಡವು ಆ ಸನ್ನಿವೇಶಗಳನ್ನು ಬಳಸಿ ಏಜೆಂಟ್‌ಗಳನ್ನು ಸುಧಾರಿಸುತ್ತದೆ. ಹೊಸ ಸಮಸ್ಯೆಗಳು ಕಂಡುಬಂದಂತೆ ಈ ಪ್ರಕ್ರಿಯೆಯನ್ನು ಪುನರಾವರ್ತಿಸುತ್ತದೆ.

Codex, GPT‑6 Astra, GPT‑6 Sol ಮತ್ತು GPT‑6.1 Sol ಈ ವ್ಯವಸ್ಥೆಯ ಸಂಶೋಧನೆ ಮತ್ತು ಗಣನಾತ್ಮಕ ಕೆಲಸಕ್ಕೆ ನೆರವಾಗುತ್ತವೆ. ಇದರಿಂದ ಥರ್ಡ್ ಮೊಮೆಂಟ್ 36–48 ಗಂಟೆಗಳ ಕಾಲ ನಡೆಯುವ ಅನ್ವೇಷಣೆಗಳಲ್ಲಿ ಏಕಕಾಲಕ್ಕೆ 10,000 ಏಜೆಂಟ್‌ಗಳನ್ನು ಕಾರ್ಯನಿರ್ವಹಿಸುವಂತೆ ಮಾಡಬಹುದು. ಏಜೆಂಟ್‌ಗಳು ಕೆಲಸ ಮಾಡುವ ಪರಿಸರಗಳ ಭದ್ರತೆಯನ್ನು ಪರೀಕ್ಷಿಸಲು ಕಂಪನಿಯು ಡೇಬ್ರೇಕ್ ಅನ್ನೂ ಬಳಸುತ್ತದೆ.

ಯಶಸ್ಸನ್ನು ಅಳೆಯಲು ಸ್ಪಷ್ಟ ಮಾನದಂಡ ಇರುವುದರಿಂದ, ಥರ್ಡ್ ಮೊಮೆಂಟ್ ಆರಂಭದಲ್ಲಿ ಇದನ್ನು ಅನ್ವಯಿಸಿದ ಕ್ಷೇತ್ರಗಳಲ್ಲಿ ಪರಿಮಾಣಾತ್ಮಕ ಹಣಕಾಸು ಕೂಡ ಒಂದಾಗಿದೆ. ಏಜೆಂಟ್‌ಗಳು ಹೇಗೆ ಕೆಲಸ ಮಾಡುತ್ತವೆ ಮತ್ತು ಎಲ್ಲಿ ತೊಂದರೆ ಎದುರಿಸುತ್ತವೆ ಎಂಬುದನ್ನು ಅಧ್ಯಯನ ಮಾಡಲು ಈ ಕ್ಷೇತ್ರವು ಪ್ರಾಯೋಗಿಕ ನೆಲೆಯನ್ನು ಒದಗಿಸುತ್ತದೆ. ಸಂಶೋಧನಾ ಪರಿಸರದಲ್ಲಿನ ಸಮಸ್ಯೆಗಳನ್ನು ಪತ್ತೆಹಚ್ಚಿ ಪರಿಹರಿಸಲು ತಂಡವು Codex ಅನ್ನು ಬಳಸುತ್ತದೆ.

ಒಂದು ಸಂದರ್ಭದಲ್ಲಿ, ಆ ಸಮಯದ ಇತ್ತೀಚಿನ GPT ಮಾಡೆಲ್ ಆಗಿದ್ದ GPT‑5.6 ಜೊತೆಗೆ Codex ಅನ್ನು ಬಳಸಿತು. ದಾಖಲಿಸಲಾದ ಸಾವಿರಾರು ಅನುಕರಣಾ ಕ್ರಿಯಾನುಕ್ರಮಗಳನ್ನು (ಏಜೆಂಟ್‌ಗಳ ಕ್ರಿಯೆಗಳು ಮತ್ತು ಪರಿಸರದ ಪ್ರತಿಕ್ರಿಯೆಗಳು), ಅವುಗಳ ಸಮಯದ ದಾಖಲೆಗಳು ಹಾಗೂ ಸಂಕೇತಸಂಗ್ರಹದೊಂದಿಗೆ ವಿಶ್ಲೇಷಿಸಿತು.

Codex ಒಂದು ಅಡಚಣೆಯನ್ನು ಪತ್ತೆಹಚ್ಚಿತು: ಅಮೆರಿಕದ ಷೇರುಗಳ ಒಂದು ವರ್ಷದ ಆದೇಶ-ಮಟ್ಟದ ದತ್ತಾಂಶವನ್ನು ಬಳಸಿ ವಹಿವಾಟು ತಂತ್ರವನ್ನು ಹಿಂದಿನ ದತ್ತಾಂಶದ ಮೇಲೆ ಪರೀಕ್ಷಿಸಲು ಹಲವು ಗಂಟೆಗಳು ಬೇಕಾಗುತ್ತಿದ್ದವು. ಕಾಯುವಾಗ, ಪರೀಕ್ಷೆ ಮುಗಿದಿದೆಯೇ ಎಂದು ಏಜೆಂಟ್‌ಗಳು ಪದೇಪದೇ ವಿಚಾರಿಸುತ್ತಿದ್ದವು. ಇದರಿಂದ ಟೋಕನ್‌ಗಳು ವ್ಯರ್ಥವಾಗುವುದಲ್ಲದೆ, ಅವುಗಳ ಸಂದರ್ಭವು ಸ್ಥಿತಿ ಪರಿಶೀಲನೆಗಳಿಂದ ತುಂಬುತ್ತಿತ್ತು.

ಈ ಹಿನ್ನೋಟ ಪರೀಕ್ಷೆಯ ಕಾರ್ಯನಿರ್ವಹಣೆ, ಒಳಾಂಶಗಳು ಮತ್ತು ಬಳಕೆಯನ್ನು ವಿಶ್ಲೇಷಿಸಿದ ಬಳಿಕ, ತಾತ್ಕಾಲಿಕ ಸಂಗ್ರಹಣೆಯನ್ನು ಸುಧಾರಿಸುವ ವಿಧಾನ ಹಾಗೂ ಸ್ಮೃತಿಯಲ್ಲಿ ದತ್ತಾಂಶವನ್ನು ಅಡಕವಾಗಿ ಜೋಡಿಸುವ ತಂತ್ರವನ್ನು Codex ಗುರುತಿಸಿತು. ಅದು ಪರಿಹಾರಗಳನ್ನು ಪ್ರಯೋಗಿಸಿ, ಸೂಕ್ತ ತಿದ್ದುಪಡಿಯನ್ನು ನೈಜ ಬಳಕೆಯ ವ್ಯವಸ್ಥೆಯಲ್ಲಿ ಅಳವಡಿಸಿತು. ಇದರಿಂದ ಹಿನ್ನೋಟ ಪರೀಕ್ಷೆಗೆ ಬೇಕಾಗುವ ಸಮಯ ಸುಮಾರು 3 ಗಂಟೆಗಳಿಂದ ಸುಮಾರು 3ರಿಂದ 5 ನಿಮಿಷಗಳಿಗೆ ಇಳಿಯಿತು. ಇದು ಟೋಕನ್ ಬಳಕೆ ಮತ್ತು ಸಂದರ್ಭದಲ್ಲಿನ ಅನಗತ್ಯ ಮಾಹಿತಿಯನ್ನು ಕಡಿಮೆ ಮಾಡಿತು. ಹೀಗಾಗಿ ಏಜೆಂಟ್‌ಗಳಿಗೆ ನಿಗದಿಪಡಿಸಿದ ಟೋಕನ್‌ಗಳಲ್ಲಿ ಹೆಚ್ಚಿನವು ಮುಂದಿನ ಪ್ರಯೋಗಗಳಿಗೆ ಲಭ್ಯವಾದವು.

ಥರ್ಡ್ ಮೊಮೆಂಟ್ ಪ್ರತಿ ಏಜೆಂಟ್‌ಗೆ ನಿರ್ದಿಷ್ಟ ಕೆಲಸಕ್ಕೆ ಅಗತ್ಯವಾದ ಪರಿಕರಗಳು, ಮಾಹಿತಿ ಮತ್ತು ಪರಿಸರವನ್ನು ಒದಗಿಸುತ್ತದೆ. ಪರಿಮಾಣಾತ್ಮಕ ಸಂಶೋಧನೆಗಾಗಿ, ತಂಡವು ಡಾಕರ್ ಆಧಾರಿತ ಪರಿಸರದಲ್ಲಿ ಪೂರ್ವನಿಯೋಜಿತ Codex ಪೂರಕ ವ್ಯವಸ್ಥೆಯನ್ನು ಚಲಾಯಿಸುತ್ತದೆ. ಏಜೆಂಟ್‌ಗಳಿಗೆ ಒಂದು ಟೆರಾಬೈಟ್ ದತ್ತಾಂಶ, ದಸ್ತಾವೇಜುಗಳು ಮತ್ತು ಸಂಶೋಧನಾ ರಿಪೊಸಿಟರಿ ಸಿಗುತ್ತವೆ. ಈ ರಿಪೊಸಿಟರಿಯಲ್ಲಿ ಲಕ್ಷಣ ರೂಪಣೆ, ಜಿಪಿಯು ನೆರವಿನ ಮಾಡೆಲ್ ತರಬೇತಿ, ವಹಿವಾಟು ತಂತ್ರಗಳು ಮತ್ತು ಅನುಕರಣೆಗಾಗಿ ಘಟಕಗಳಿರುತ್ತವೆ.

GPT‑6 Astra, GPT‑6 Sol ಮತ್ತು GPT‑6.1 Sol ರೀಜನಿಂಗ್ ಸಾಮರ್ಥ್ಯವನ್ನು ಒದಗಿಸುತ್ತವೆ. ಕೆಲಸ ಮುಂದುವರಿದಂತೆ ಕ್ರಮ ಕೈಗೊಳ್ಳಲು, ಯೋಜನೆ ರೂಪಿಸಲು, ಗುರಿ ನಿಗದಿಪಡಿಸಲು, ಉಪಏಜೆಂಟ್‌ಗಳನ್ನು ಸೃಷ್ಟಿಸಲು ಮತ್ತು ಸಂದರ್ಭವನ್ನು ಸಂಕ್ಷಿಪ್ತಗೊಳಿಸಲು Codex ಪೂರಕ ವ್ಯವಸ್ಥೆ ಏಜೆಂಟ್‌ಗಳಿಗೆ ಪರಿಕರಗಳನ್ನು ಒದಗಿಸುತ್ತದೆ.

ಕೆಲಸ ಪೂರ್ಣಗೊಳಿಸುವ ಮುನ್ನವೇ ನಿಲ್ಲುವ ಏಜೆಂಟ್‌ಗಳ ಸಮಸ್ಯೆಯನ್ನು ನಿಭಾಯಿಸಲು, ಥರ್ಡ್ ಮೊಮೆಂಟ್ GPT‑6 Sol ಅಥವಾ GPT‑6.1 Sol ಚಾಲಿತ ಹೊರಗಿನ ಪೂರಕ ವ್ಯವಸ್ಥೆಯೊಳಗೆ Codex ಅನ್ನು ಉಪಏಜೆಂಟ್ ಆಗಿ ಬಳಸುತ್ತದೆ. ಕೆಲಸ ಅಪೂರ್ಣವಾಗಿ ಉಳಿದಾಗ, ಹೊರಗಿನ ಪೂರಕ ವ್ಯವಸ್ಥೆ ಅದರ ಕ್ರಿಯಾನುಕ್ರಮವನ್ನು ಪರಿಶೀಲಿಸುತ್ತದೆ. ಮರುಪ್ರಯತ್ನಿಸಬೇಕೇ, ಕೆಲಸವನ್ನು ಸ್ಥಗಿತಗೊಳಿಸಬೇಕೇ ಅಥವಾ ಮಾನವ ಪರಿಶೀಲನೆಗೆ ಕಳುಹಿಸಬೇಕೇ ಎಂಬುದನ್ನು ನಿರ್ಧರಿಸುತ್ತದೆ.

ಆ ಸಂಶೋಧನಾ ಪರಿಸರದಲ್ಲಿ, ಥರ್ಡ್ ಮೊಮೆಂಟ್‌ನ ಎಂಜಿನಿಯರ್‌ಗಳು ನಿರ್ಮಿಸಿದ ಮೂಲ ವಹಿವಾಟು ವ್ಯವಸ್ಥೆಯನ್ನು ಸುಧಾರಿಸಲು ಏಜೆಂಟ್‌ಗಳು ಕೆಲಸ ಮಾಡುತ್ತವೆ. ಅವು ಹಿಂದಿನ ದತ್ತಾಂಶದ ಮೇಲೆ ವಹಿವಾಟು ತಂತ್ರಗಳನ್ನು ಪರೀಕ್ಷಿಸುತ್ತವೆ, ಕಂಡ ಸುಧಾರಣೆ ಅರ್ಥಪೂರ್ಣವೇ ಅಥವಾ ಯಾದೃಚ್ಛಿಕ ಏರಿಳಿತವೇ ಎಂದು ಅಳೆಯುತ್ತವೆ ಮತ್ತು ಪ್ರತಿ ಫಲಿತಾಂಶವನ್ನು ಆಧರಿಸಿ ಮುಂದಿನ ಪ್ರಯೋಗವನ್ನು ಆಯ್ಕೆ ಮಾಡುತ್ತವೆ. ಆಡಮ್ ಪ್ರಕಾರ, ಅವುಗಳ ಕೆಲಸದಿಂದ ಮೂಲ ವಹಿವಾಟು ವ್ಯವಸ್ಥೆ ಸುಧಾರಿಸಿದೆ.

GPT‑5.5 ಬರುವ ಮೊದಲು, ಬಳಕೆದಾರರು ಸೂಚಿಸಿದ ಪ್ರಯೋಗಗಳನ್ನು ಮಾತ್ರ ಮಾಡೆಲ್‌ಗಳು ನಡೆಸಬಲ್ಲವಾಗಿದ್ದವು ಎಂದು ಆಡಮ್ ಹೇಳುತ್ತಾರೆ. GPT‑5.5 ಮತ್ತು GPT‑5.6 ಬಂದ ಬಳಿಕ, Codex ಪೂರಕ ವ್ಯವಸ್ಥೆಯೊಂದಿಗೆ ಕೆಲಸ ಮಾಡುವ ಮಾಡೆಲ್‌ಗಳು ಫಲಿತಾಂಶಗಳನ್ನು ಬಳಸಿ ಮುಂದಿನ ಪ್ರಯೋಗಗಳನ್ನು ರೂಪಿಸಬಲ್ಲವಾಗಿದ್ದವು. ಈಗ GPT‑6 Astra, GPT‑6 Sol ಮತ್ತು GPT‑6.1 Sol ನೆರವಿನಿಂದ, ಉಪಏಜೆಂಟ್‌ಗಳೊಂದಿಗೆ ನೂರಾರು ಪ್ರಯೋಗಗಳನ್ನು ಸಮಾನಾಂತರವಾಗಿ ನಡೆಸಿ ಮೂಲ ಕಾರಣಗಳನ್ನು ಏಜೆಂಟ್‌ಗಳು ಅನ್ವೇಷಿಸಬಲ್ಲವು.

ಈ ಪ್ರಗತಿಯಿಂದಾಗಿ, ತಂಡವು ಊಹಿಸಿರದ ಸಂಶೋಧನಾ ದಿಕ್ಕುಗಳನ್ನು ಅನ್ವೇಷಿಸಲು ಏಜೆಂಟ್‌ಗಳಿಗೆ ಸಾಧ್ಯವಾಗಿದೆ. ಒಂದು ಅವಧಿಯಲ್ಲಿ, ಒಂದು ವಿನಿಮಯ ಕೇಂದ್ರದ ವಹಿವಾಟು ಪ್ರಮಾಣದಲ್ಲಿ ನಿರೀಕ್ಷೆಗೂ ಮೀರಿ ದೊಡ್ಡ ಪಾಲು ಹೊಂದಿದ್ದ ಬಹಿರಂಗವಾಗಿ ಪ್ರದರ್ಶಿಸದ ವಹಿವಾಟುಗಳ ಪರಿಣಾಮವನ್ನು GPT‑6.1 Sol ಗುರುತಿಸಿತು. “ಇದು ಸುಲಭವಾಗಿ ಗೋಚರಿಸದ ಫಲಿತಾಂಶವಾಗಿದ್ದು, ನಮ್ಮ ಸಂಶೋಧನಾ ತಂಡ ಆರಂಭದಲ್ಲಿ ಇದನ್ನು ಪರಿಗಣಿಸಿರಲಿಲ್ಲ,” ಎನ್ನುತ್ತಾರೆ ಆಡಮ್.

ಥರ್ಡ್ ಮೊಮೆಂಟ್ ಮಾಡೆಲ್‌ಗಳನ್ನು ಕಾರ್ಯದಕ್ಷತೆ ಸುಧಾರಣೆ, ಯಂತ್ರ ಕಲಿಕೆ ವ್ಯವಸ್ಥೆಗಳು ಮತ್ತು ಪರಿಮಾಣಾತ್ಮಕ ಸಂಶೋಧನೆಯ ಕ್ಷೇತ್ರಗಳಲ್ಲಿ ಮೌಲ್ಯಮಾಪನ ಮಾಡುತ್ತದೆ. ಅತ್ಯಾಧುನಿಕ ಬಿಡುಗಡೆಗಳನ್ನು ಅವುಗಳ ಗರಿಷ್ಠ ರೀಜನಿಂಗ್ ಸೆಟ್ಟಿಂಗ್‌ಗಳಲ್ಲಿ ಪರೀಕ್ಷಿಸುತ್ತದೆ. ರಿಪೊಸಿಟರಿಗಳಲ್ಲಿ ಅಗತ್ಯ ಮಾಹಿತಿ ಹುಡುಕುವ, ದಕ್ಷ ಸಂಕೇತ ಬರೆಯುವ ಮತ್ತು ಅನ್ವೇಷಣೆಯನ್ನು ಮುಂದುವರಿಸುವ ಅವುಗಳ ಸಾಮರ್ಥ್ಯವನ್ನು ಅಳೆಯುತ್ತದೆ. ಪ್ರಸ್ತುತ ಪರೀಕ್ಷೆಗಳಲ್ಲಿ GPT‑6 Luna ಕೂಡ ಸೇರಿದೆ.

ಒಂದು ಮಾನದಂಡ ಪರೀಕ್ಷೆಯಲ್ಲಿ, ನೇರ ಅಂಕಪಟ್ಟಿ ಸೇವೆಯ ಫಲಿತಾಂಶಗಳನ್ನು ಬದಲಿಸದೆ ಅದರ ನವೀಕರಣದ ವಿಳಂಬವನ್ನು ಕಡಿಮೆ ಮಾಡಲು ಏಜೆಂಟ್‌ಗಳಿಗೆ ಸೂಚಿಸಲಾಗುತ್ತದೆ. ಫಲಿತಾಂಶ ಸರಿಯಾಗಿರಬೇಕು ಎಂಬ ಷರತ್ತಿನೊಂದಿಗೆ, ಒಂದೇ ಯಂತ್ರಾಂಶದಲ್ಲಿ ತಜ್ಞರು ರೂಪಿಸಿದ ಪರಿಹಾರದ ಸರಾಸರಿ ಕಾರ್ಯನಿರ್ವಹಣಾ ಸಮಯವನ್ನು ಮಾಡೆಲ್‌ನ ಪರಿಹಾರದ ಸಮಯದಿಂದ ಭಾಗಿಸಿ ತಂಡವು ವೇಗದ ಹೆಚ್ಚಳವನ್ನು ಅಳೆಯುತ್ತದೆ. ಆಡಮ್ ಪ್ರಕಾರ, GPT‑6 Astra ಅತಿ ಹೆಚ್ಚಿನ ವೇಗವರ್ಧನೆಯನ್ನು ನೀಡಿತು.

ಅನುಕರಣಾ ವ್ಯವಸ್ಥೆಯಲ್ಲಿ ನಿರ್ದಿಷ್ಟ ಭದ್ರತಾ ದೌರ್ಬಲ್ಯಗಳನ್ನು ಪರೀಕ್ಷಿಸುವಂತಹ ಗುರಿನಿರ್ದಿಷ್ಟ ಕೆಲಸಗಳಿಗೆ, ತಂಡವು GPT‑5.6 Terra ನಂತಹ ಹೆಚ್ಚು ದಕ್ಷ ಮಾಡೆಲ್‌ಗಳನ್ನು ಬಳಸುತ್ತದೆ. ಡೀಪ್ ರಿಸರ್ಚ್‌ನಲ್ಲಿ, ಹೆಚ್ಚು ಸಮರ್ಥ ರೀಜನಿಂಗ್‌ಗಾಗಿ ಹೆಚ್ಚಿನ ವೆಚ್ಚ ಮಾಡುವುದು ಸಮರ್ಥನೀಯ ಎಂದು ಆಡಮ್ ನಂಬುತ್ತಾರೆ: “ಪರಿಮಾಣಾತ್ಮಕ ಹಣಕಾಸಿನ ಕ್ಷೇತ್ರದಲ್ಲಿ, ಆಸಕ್ತಿಕರ ಸಂಕೇತವೊಂದನ್ನು ಕಂಡುಹಿಡಿಯುವುದಕ್ಕೆ ಅಪಾರ ಮೌಲ್ಯವಿದೆ.”

10,000 ಏಜೆಂಟ್‌ಗಳು ಸ್ವಾಯತ್ತವಾಗಿ ಕಾರ್ಯನಿರ್ವಹಿಸುತ್ತಿರುವುದರಿಂದ, ತನ್ನ ಸಂಶೋಧನಾ ಪರಿಸರಗಳ ಭದ್ರತೆಯನ್ನು ದೊಡ್ಡ ಪ್ರಮಾಣದಲ್ಲಿ ಪರೀಕ್ಷಿಸುವ ವಿಧಾನ ಥರ್ಡ್ ಮೊಮೆಂಟ್‌ಗೆ ಅಗತ್ಯವಾಗಿದೆ. ಅನುಕರಣೆಗಳನ್ನು ಪ್ರಾರಂಭಿಸುವ ಮುನ್ನ ಆ ಪರೀಕ್ಷೆಯನ್ನು ಸ್ವಯಂಚಾಲಿತವಾಗಿ ನಡೆಸಲು ತಂಡವು ಡೇಬ್ರೇಕ್ ಸೈಬರ್ ಭದ್ರತಾ ವೇದಿಕೆಯನ್ನು ಬಳಸುತ್ತದೆ.

ಏಜೆಂಟ್ ತನ್ನ ಸಂಶೋಧನಾ ಪರಿಸರದ ಮಿತಿಗಳನ್ನು ಮೀರಿ ಹೊರಬಂದು, ವಿಶಾಲ ಜಾಲವನ್ನು ಪ್ರವೇಶಿಸಬಹುದೇ ಎಂಬುದನ್ನು ಈ ಪರೀಕ್ಷೆಗಳು ಪರಿಶೀಲಿಸುತ್ತವೆ. “ಡೇಬ್ರೇಕ್ ಬಳಸುವುದರಿಂದ, ಏಜೆಂಟ್‌ಗಳೇ ಅನುಕರಣೆಯ ಮೇಲೆ ಒಳನುಸುಳುವಿಕೆ ಪರೀಕ್ಷೆ ನಡೆಸಿ, ಅದರ ಮೂಲಸೌಕರ್ಯ ಮತ್ತು ಭದ್ರತೆಯನ್ನು ಪರೀಕ್ಷಿಸುವಂತೆ ಮಾಡಲು ನಮಗೆ ಸಾಧ್ಯವಾಗಿದೆ,” ಎನ್ನುತ್ತಾರೆ ಆಡಮ್.

ಥರ್ಡ್ ಮೊಮೆಂಟ್‌ನ ಮಹತ್ವಾಕಾಂಕ್ಷೆಯು ಕಂಪನಿಗಳು ಪ್ರತಿದಿನ ಮಾಡುವ ಪರಿಣತಿ-ಆಧಾರಿತ ಕೆಲಸಗಳಿಗೂ ವಿಸ್ತರಿಸುತ್ತದೆ. ಚಿಲ್ಲರೆ ವ್ಯಾಪಾರಿಗೆ, ದಾಸ್ತಾನು ಕಡಿಮೆಯಾದಾಗ ಅಥವಾ ಪೂರೈಕೆದಾರರಿಂದ ವಿಳಂಬವಾದಾಗ ಪೂರೈಕೆ ಸರಪಳಿಯ ಬಗ್ಗೆ ಉತ್ತಮ ನಿರ್ಧಾರಗಳನ್ನು ತೆಗೆದುಕೊಳ್ಳಲು ಇದು ನೆರವಾಗಬಹುದು. ಎಂಜಿನಿಯರಿಂಗ್ ತಂಡಕ್ಕೆ, ದೊಡ್ಡ ಸಂಕೇತಸಂಗ್ರಹದಲ್ಲಿ ಕಾರ್ಯಕ್ಷಮತೆಗೆ ಅಡ್ಡಿಯಾಗುವ ಅಂಶಗಳನ್ನು ಪತ್ತೆಹಚ್ಚಲು ಇದು ನೆರವಾಗಬಹುದು. ಹೆಚ್ಚಿನ ದಾಖಲೆಗಳನ್ನು ಬಳಸುವ ವ್ಯವಹಾರಕ್ಕೆ, ಒಂದು ದಾಖಲೆಯಲ್ಲಿ ನೀಡಿದ ಭರವಸೆಗಳು ಮತ್ತೊಂದರಲ್ಲಿ ದಾಖಲಾದ ಫಲಿತಾಂಶಗಳೊಂದಿಗೆ ಎಲ್ಲಿ ಹೊಂದಿಕೆಯಾಗುವುದಿಲ್ಲ ಎಂಬುದನ್ನು ಗುರುತಿಸಲು ಇದು ನೆರವಾಗಬಹುದು.

GPT‑6 Astra, GPT‑6 Sol ಮತ್ತು GPT‑6.1 Sol ಮಾಡೆಲ್‌ಗಳ ರೀಜನಿಂಗ್ ಸಾಮರ್ಥ್ಯಗಳ ಆಧಾರದ ಮೇಲೆ, ಪ್ರತ್ಯೇಕ ಅನ್ವೇಷಣೆಗಳಿಂದ ಒಟ್ಟಾಗಿ ಕೆಲಸ ಮಾಡುವ ಲಕ್ಷಾಂತರ ಉಪಏಜೆಂಟ್‌ಗಳ ಮಟ್ಟಕ್ಕೆ ವಿಸ್ತರಿಸಲು ಥರ್ಡ್ ಮೊಮೆಂಟ್ ಯೋಜಿಸಿದೆ. ಪರಸ್ಪರ ಅವಲಂಬಿತವಾದ ಹತ್ತಾರು ಪ್ರಯೋಗಗಳ ಸರಣಿಗಳಿಗೆ ಟ್ರಿಲಿಯನ್‌ಗಟ್ಟಲೆ ಟೋಕನ್‌ಗಳನ್ನು ಬಳಸುವುದು ಅದರ ಮಾರ್ಗಸೂಚಿಯಲ್ಲಿದೆ. ಹೊಸ ಸವಾಲುಗಳು ಎದುರಾದಂತೆ, ಆ ಸಂಶೋಧನೆಯ ನೆರವಿನಿಂದ ಏಜೆಂಟ್‌ಗಳನ್ನು ಸ್ವಾಯತ್ತವಾಗಿ ಸುಧಾರಿಸುವುದು ಇದರ ಗುರಿಯಾಗಿದೆ.

ಆಡಮ್ ದೃಷ್ಟಿಯಲ್ಲಿ, ಏಜೆಂಟ್‌ಗಳು ಹೇಗೆ ಕಲಿಯುತ್ತವೆ ಮತ್ತು ಕೆಲಸ ಮಾಡುತ್ತವೆ ಎಂಬುದನ್ನು ರೂಪಿಸಲು ಇದು ಜನರಿಗೆ ಹೆಚ್ಚಿನ ಸಾಮರ್ಥ್ಯ ನೀಡುತ್ತದೆ: “ಸಂಶೋಧನೆಯನ್ನು ತಾವೇ ನಡೆಸುವ ಬದಲು, ಅದನ್ನು ಹೇಗೆ ನಡೆಸಬೇಕು ಮತ್ತು ಸಂಶೋಧನೆಯ ಪ್ರಕ್ರಿಯೆಯನ್ನೇ ಹೇಗೆ ಸುಧಾರಿಸಬೇಕು ಎಂದು ಯೋಚಿಸುವ ಮೂಲಕ ಮನುಷ್ಯರು ಇನ್ನಷ್ಟು ವ್ಯಾಪಕ ಪರಿಣಾಮ ಬೀರಬಲ್ಲರು.”