Pristatome GPT‑5.2

Pristatome GPT‑5.2 – mūsų pajėgiausių modelių seriją, skirtą profesionaliam žinių darbui.

Jau dabar vidutinis „ChatGPT Enterprise“ naudotojas teigia⁠, kad DI sutaupo jam 40–60 minučių per dieną, o aktyvūs naudotojai teigia, kad jis sutaupo daugiau nei 10 valandų per savaitę. GPT‑5.2 sukūrėme tam, kad žmonėms suteiktume dar daugiau ekonominės vertės; jis geriau kuria skaičiuokles, rengia pristatymus, rašo kodą, suvokia vaizdus, supranta ilgus kontekstus, naudojasi įrankiais ir valdo sudėtingus, daugiapakopius projektus.

GPT‑5.2 nustato naują standartą daugelyje lyginamųjų testų, įskaitant „GDPval“, kur jis lenkia pramonės profesionalus atliekant tiksliai apibrėžtas protinio darbo užduotis, apimančias 44 profesijas.

Notion⁠(atsidaro naujame lange), Box⁠(atsidaro naujame lange), Shopify⁠(atsidaro naujame lange), Harvey⁠(atsidaro naujame lange) ir Zoom⁠(atsidaro naujame lange) pastebėjo, kad GPT‑5.2 demonstruoja aukščiausio lygio ilgalaikio samprotavimo ir įrankių iškvietimo našumą. Databricks⁠(atsidaro naujame lange), Hex⁠(atsidaro naujame lange) ir Triple Whale⁠(atsidaro naujame lange) nustatė, kad GPT‑5.2 išskirtinai gerai atliekan agentines duomenų mokslo ir dokumentų analizės užduotis. Cognition⁠(atsidaro naujame lange), Warp⁠(atsidaro naujame lange), Charlie Labs⁠(atsidaro naujame lange), JetBrains⁠(atsidaro naujame lange) ir Augment Code⁠(atsidaro naujame lange) teigia, kad GPT‑5.2 užtikrina aukščiausio lygio agentinio programavimo našumą, o patobulinimai išmatuojami tokiose srityse kaip interaktyvusis programavimas, kodo peržiūros ir klaidų paieška.

„ChatGPT“ platformoje „GPT‑5.2 Instant“, „Thinking“ ir „Pro“ modeliai bus pradėti diegti šiandien, pradedant nuo mokamų planų. API sąsajoje jie jau dabar prieinami visiems programuotojams.

Apskritai GPT‑5.2 suteikia reikšmingų patobulinimų bendrojo intelekto, ilgo konteksto supratimo, agentinio įrankių iškvietimo ir regos srityse, todėl jis geriau nei bet kuris ankstesnis modelis atlieka sudėtingas, realias užduotis nuo pradžios iki galo.

„GPT‑5.2 Thinking“ yra geriausias modelis realiam, profesionaliam naudojimui. Atliekant „GDPval“⁠ vertinimą, kuriuo matuojamos aiškiai apibrėžtos žinių reikalaujančio darbo užduotys 44 profesijose, „GPT‑5.2 Thinking“ pasiekė naują rekordą ir yra pirmasis mūsų modelis, veikiantis žmogaus eksperto lygiu arba geriau. Konkrečiai, „GPT‑5.2 Thinking“, remiantis ekspertų vertinimais, lenkia geriauius pramonės profesionalus arba jiems prilygsta atlikdamas 70,7 proc. „GDPval“ žinių darbo užduočių. Šios užduotys apima pristatymų, skaičiuoklių ir kitų artefaktų kūrimą. „GPT‑5.2 Thinking“ rezultatus „GDPval“ užduotims atlikti generavo daugiau nei 11 kartų greičiau ir už mažiau nei 1 proc. ekspertų kainos; tai rodo, kad prižiūrimas žmogaus GPT‑5.2 gali padėti atlikti profesionalų darbą. Greičio ir kainos įverčiai pagrįsti istoriniais rodikliais; greitis „ChatGPT“ gali skirtis.

Peržiūrėdamas vieną ypač gerą rezultatą, vienas „GDPval“ vertintojas pakomentavo: „Tai jaudinantis ir pastebimas rezultato kokybės šuolis... [jis] atrodo atliktas profesionalios įmonės su darbuotojais, išdėstymas stebėtinai gerai suprojektuotas, o patarimai dėl abiejų rezultatų yra puikūs, nors viename dar turime ištaisyti keletą smulkių klaidų.“

Be to, mūsų vidaus jaunesniųjų investicinės bankininkystės analitikų skaičiuoklių modeliavimo užduočių lyginamajame teste – pavyzdžiui, sudarant „Fortune 500“ įmonės trijų ataskaitų modelį su tinkamu formatavimu ir citatomis arba kuriant svertinio išpirkimo modelį privatizavimui – „GPT‑5.2 Thinking“ vidutinis balas už užduotį yra 9,3 ž proc. didesnis nei GPT‑5.1, ir pakilo nuo 59,1 proc. iki 68,4 proc.

Tiesioginiai palyginimai rodo geresnį „GPT‑5.2 Thinking“ sugeneruotų skaičiuoklių ir skaidrių sudėtingumą bei formatavimą:

Norėdami naudoti naujas skaičiuoklių ir pristatymų galimybes „ChatGPT“, turite turėti mokamą planą ir pasirinkti GPT‑5.2 Thinking arba Pro. Sudėtingas generavimas gali užtrukti ilgą laiką.

„GPT‑5.2 Thinking“ nustato naują 55,6 proc. standartą „SWE-Bench Pro“ – griežtame realios programinės įrangos inžinerijos vertinime. Kitaip nei „SWE-bench Verified“, kuriame testuojama tik „Python“, „SWE-Bench Pro“ testuojamos keturios kalbos ir siekiama, kad jis būtų atsparesnis taršai, sudėtingesnis, įvairesnis ir aktualesnis pramonei.

„SWE-bench Verified“ teste (nepavaizduota) „GPT‑5.2 Thinking“ surenka naują aukščiausią mūsų balą – 80 proc.

Kasdieniam profesionaliam naudojimui tai reiškia modelį, kuris gali patikimiau šalinti gamybos kodo riktus, įgyvendinti funkcijų užklausas, pertvarkyti dideles kodų bazes ir pateikti pataisymus nuo pradžios iki galo su mažesniu rankiniu įsikišimu.

„GPT‑5.2 Thinking“ taip pat geriau atlieka sąsajos programinės įrangos inžinerijos darbus nei „GPT‑5.1 Thinking“. Ankstyvieji bandytojai pastebėjo, kad jis daug stipresnis sąsajos kūrimo ir sudėtingo ar netradicinio naudotojo sąsajos darbo srityse – ypač apimančiose 3D elementus, – todėl yra galingas kasdienis partneris visų grandžių inžinieriams. Peržiūrėkite keletą pavyzdžių, ką jis gali sukurti pagal vieną raginimą.

Ankstyvieji bandytojai pasidalijo atsiliepimais apie GPT‑5.2 programavimo galimybes:

„GPT‑5.2 Thinking“ kuria mažiau pramanų nei „GPT‑5.1 Thinking“. Naudojant nuasmenintų užklausų iš „ChatGPT“ rinkinį, atsakymų su klaidomis buvo 38 proc._relmažiau. Profesionalams tai reiškia mažiau klaidų naudojant modelį tyrimams, rašymui, analizei ir sprendimų palaikymui, todėl modelis tampa patikimesnis kasdieniame žinių darbe.

Kaip ir visi modeliai, „GPT‑5.2 Thinking“ nėra tobulas. Atlikdami bet kokius svarbius veiksmus, dar kartą patikrinkite jo atsakymus.

„GPT‑5.2 Thinking“ nustato naują ilgo konteksto samprotavimo standartą ir pasiekia lyderio pozicijas „OpenAI MRCRv2“ – vertinime, kuriuo tikrinamas modelio gebėjimas integruoti informaciją, išsklaidytą ilguose dokumentuose. Atliekant realias užduotis, pavyzdžiui, gilią dokumentų analizę, kuriai reikia susijusios informacijos iš šimtų tūkstančių prieigos raktų, „GPT‑5.2 Thinking“ yra gerokai tikslesnis nei „GPT‑5.1 Thinking“. Visų pirma, tai pirmasis mūsų matytas modelis, pasiekiantis beveik 100 proc. tikslumą 4 adatų MRCR variante (iki 256 tūkst. prieigos raktų).

Praktiškai tai leidžia profesionalams naudoti GPT‑5.2 darbui su ilgais dokumentais – ataskaitomis, sutartimis, tyrimų straipsniais, nuorašais ir kelių failų projektais – išlaikant rišlumą ir tikslumą šimtuose tūkstančių prieigos raktų. Dėl to GPT‑5.2 ypač tinka giliai analizei, sintezei ir sudėtingoms kelių šaltinių darbo eigoms.

Užduotims, kurioms naudingas mąstymas viršijant maksimalų konteksto langą, „GPT‑5.2 Thinking“ yra suderinamas su mūsų naujuoju „Responses /compact“ galutiniu tašku, kuris praplečia efektyvų modelio konteksto langą. Dėl to „GPT‑5.2 Thinking“ gali susitvarkyti su darbo eigomis, kuriose gausiau naudojami įrankiai ir kurios trunka ilgiau, o kitu atveju būtų ribojamos konteksto ilgio. Skaitykite daugiau mūsų API dokumentacijoje⁠(atsidaro naujame lange).

„GPT‑5.2 Thinking“ yra stipriausias mūsų regos modelis, maždaug perpus sumažinantis klaidų skaičių diagramų samprotavimo ir programinės įrangos sąsajų supratimo srityse.

Kasdieniam profesionaliam naudojimui tai reiškia, kad modelis gali tiksliau interpretuoti sąvadus, produktų ekrano kopijas, technines schemas ir vizualines ataskaitas, taip palaikydamas darbo eigas finansų, operacijų, inžinerijos, dizaino ir klientų aptarnavimo srityse, kur vaizdinė informacija yra labai svarbi.

Palyginti su ankstesniais modeliais, „GPT‑5.2 Thinking“ geriau supranta, kaip elementai išdėstyti vaizde, o tai padeda atliekant užduotis, kuriose santykinis išdėstymas yra labai svarbus sprendžiant problemą. Toliau pateiktame pavyzdyje prašome modelio identifikuoti komponentus įvestame vaizde (šiuo atveju – pagrindinėje plokštėje) ir pateikti etiketes su apytiksliais ribojančiaisiais stačiakampiais. Net ir esant prastos kokybės vaizdui, GPT‑5.2 nustato pagrindines sritis ir uždeda stačiakampius, kurie apytiksliai atitinka tikrąsias kiekvieno komponento vietas, o GPT‑5.1 pažymi tik kelias dalis ir daug prasčiau supranta jų erdvinį išdėstymą.

„GPT‑5.2 Thinking“ pasiekia naują 98,7 proc. standartą „Tau2-bench Telecom“, demonstruodamas gebėjimą patikimai naudoti įrankius ilgose, daugiapakopėse užduotyse.

Naudojimo atvejais, jautriems delsai, „GPT‑5.2 Thinking“ taip pat veikia daug geriau nesant jokių samprotavimo pastangų (reasoning.effort=’none'), gerokai lenkdamas GPT‑5.1 ir GPT‑4.1.

Profesionalams tai reiškia stipresnes darbo eigas nuo pradžios iki galo – pavyzdžiui, sprendžiant klientų aptarnavimo atvejus, traukiant duomenis iš kelių sistemų, atliekant analizes ir generuojant galutinius rezultatus su mažiau trikdžių tarp etapų.

Pavyzdžiui, uždavus sudėtingą klientų aptarnavimo klausimą, kuriam reikia daugiapakopio sprendimo, modelis gali efektyviau koordinuoti visą darbo eigą tarp kelių agentų. Toliau pateiktu atveju keliautojas praneša apie atidėtą skrydį, praleistą persėdimą, nakvynę Niujorke ir reikalavimą dėl sėdimos vietos dėl medicininių priežasčių. GPT‑5.2 valdo visą užduočių grandinę – pakartotinį užsakymą, specialios pagalbos sėdimos vietos parinkimą ir kompensavimą – ir pateikia išsamesnį rezultatą nei GPT‑5.1.

Viena iš mūsų vilčių dėl DI yra ta, kad jis paspartins mokslinius tyrimus visų labui. Siekdami šio tikslo, dirbame su mokslininkais ir klausomės jų, kad pamatytume, kaip DI gali pagreitinti jų darbą, o praėjusį mėnesį pasidalijome keletu ankstyvųjų bendradarbiavimo eksperimentų čia⁠.

Tikime, kad „GPT‑5.2 Pro“ ir „GPT‑5.2 Thinking“ yra geriausi pasaulyje modeliai, padedantys mokslininkams ir spartinantys jų darbą. „GPQA Diamond“ – magistrantūros lygio „Google“ neįveikiamame klausimų ir atsakymų lyginamajame teste – „GPT‑5.2 Pro“ pasiekia 93,2 proc., o jam iš paskos seka „GPT‑5.2 Thinking“ su 92,4 proc.

„FrontierMath“ (1–3 lygiai) – ekspertinio lygio matematikos vertinime – „GPT‑5.2 Thinking“ nustato naują standartą, išspręsdamas 40,3 proc. uždavinių.

Pradedame matyti, kad DI modeliai apčiuopiamai spartina pažangą matematikos ir mokslo srityse. Pavyzdžiui, neseniai atliktame tyrime⁠ su „GPT‑5.2 „Pro“ tyrėjai nagrinėjo atvirą statistinio mokymosi teorijos klausimą. Siauroje, tiksliai apibrėžtoje aplinkoje modelis pasiūlė įrodymą, kurį vėliau patikrino autoriai ir peržiūrėjo išorės ekspertai; tai iliustruoja, kaip pažangiausi modeliai gali padėti atlikti matematinius tyrimus, atidžiai prižiūrint žmogui.

„ARC-AGI-1 (Verified)“, lyginamajame teste, skirtame bendriesiems samprotavimo gebėjimams matuoti, GPT‑5.2 yra pirmasis modelis, peržengęs 90 proc. ribą (pagerino pernykštį „o3‑preview“ 87 proc. rezultatą), kartu sumažindamas šio rezultato pasiekimo sąnaudas maždaug 390 kartų.

„ARC-AGI-2 (Verified)“, kuriame padidintas sudėtingumas ir geriau išskiriamas takusis samprotavimas, „GPT‑5.2 Thinking“ pasiekė naują standartą minčių grandinės modeliams – 52,9 proc. „GPT‑5.2 Pro“ pasirodė dar geriau ir pasiekė 54,2 proc., dar labiau išplėsdamas modelio gebėjimą samprotauti sprendžiant naujas, abstrakčias problemas.

Šių vertinimų patobulinimai rodo stipresnį GPT‑5.2 daugiapakopį samprotavimą, didesnį kiekybinį tikslumą ir patikimesnį sudėtingų techninių užduočių sprendimą.

Štai ką apie GPT‑5.2 sako mūsų ankstyvieji bandytojai:

„ChatGPT“ naudotojai turėtų pastebėti, kad GPT‑5.2 kasdien naudoti yra maloniau – jis labiau susistemintas, patikimesnis ir su juo vis dar malonu kalbėtis.

GPT‑5.2 Instant yra greitas ir pajėgus „darbinis arkliukas“ kasdieniam darbui ir mokymuisi, pasižymintis aiškiais informacijos paieškos klausimų, instrukcijų ir paaiškinimų, techninio rašymo bei vertimo patobulinimais, paremtais šiltesniu pokalbio tonu, pristatytu „GPT‑5.1 Instant“. Ankstyvieji bandytojai ypač atkreipė dėmesį į aiškesnius paaiškinimus, kuriuose pagrindinė informacija pateikiama iš karto.

GPT‑5.2 Thinking sukurtas gilesniam darbui, padeda naudotojams atlikti sudėtingesnes užduotis kokybiškiau – ypač programuojant, apibendrinant ilgus dokumentus, atsakant į klausimus apie įkeltus failus, sprendžiant matematikos ir logikos uždavinius žingsnis po žingsnio bei palaikant planavimą ir sprendimų priėmimą aiškesne struktūra ir naudingesnėmis detalėmis.

GPT‑5.2 Pro – mūsų išmaniausias ir patikimiausias pasirinkimas sudėtingiems klausimams, kai verta palaukti kokybiškesnio atsakymo; ankstyvieji bandymai rodo mažiau didelių klaidų ir geresnį našumą sudėtingose srityse, pavyzdžiui, programavimo.

GPT‑5.2 remiasi saugaus užbaigimo⁠ tyrimais, kuriuos pristatėme su GPT‑5, kai modelis mokomas pateikti naudingiausią atsakymą, kartu neperžengiant saugos ribų.

Išleisdami šią versiją, tęsėme darbą siekdami sustiprinti mūsų modelių atsakymus jautriuose pokalbiuose⁠, reikšmingai patobulindami tai, kaip jie reaguoja į raginimus, rodančius savižudybės ar savęs žalojimo, psichikos sveikatos sutrikimų ar emocinės priklausomybės nuo modelio požymius. Dėl šių tikslingų intervencijų tiek „GPT‑5.2 Instant“, tiek „GPT‑5.2 Thinking“ modeliuose nepageidaujamų atsakymų sumažėjo, palyginti su GPT‑5.1 ir „GPT‑5 Instant“ bei „Thinking“ modeliais. Daugiau informacijos rasite sistemos kortelėje⁠.

Esame ankstyvojoje mūsų amžiaus spėjimo modelio⁠ diegimo stadijoje, kad galėtume automatiškai taikyti turinio apsaugos priemones naudotojams, kurie yra jaunesni nei 18 metų, siekdami apriboti prieigą prie jautraus turinio. Tai papildo mūsų esamą požiūrį į naudotojus, apie kuriuos žinome, kad jie yra jaunesni nei 18 metų, ir mūsų tėvų kontrolės priemones.

GPT‑5.2 yra vienas žingsnis nuolatinėje patobulinimų serijoje, ir mes dar toli gražu nebaigėme. Nors ši versija suteikia reikšmingą intelekto ir našumo prieaugį, žinome, kad yra sričių, kuriose vartotojai nori daugiau. „ChatGPT“ platformoje dirbame ties žinomomis problemomis, tokiomis kaip pernelyg dažni atsisakymai, ir toliau keliame bendrą saugos bei patikimumo kartelę. Šie pokyčiai yra sudėtingi, todėl susitelkiame į tai, kad juos įgyvendintume tinkamai.

„ChatGPT“ platformoje GPT‑5.2 („Instant“, „Thinking“ ir „Pro“) pradėsime diegti šiandien, pradedant nuo mokamų planų („Plus“, „Pro“, „Go“, „Business“, „Enterprise“). GPT‑5.2 diegiame palaipsniui, kad „ChatGPT“ veiktų kuo sklandžiau ir patikimiau; jei iš pradžių jo nematote, bandykite vėliau. „ChatGPT“ platformoje mokami naudotojai dar tris mėnesius galės naudotis GPT‑5.1 pagal senųjų modelių kategoriją, po to GPT‑5.1 atsisakysime.

Mūsų API platformoje „GPT‑5.2 Thinking“ šiandien prieinamas „Responses“ API ir „Chat Completions“ API kaip gpt-5.2, o „GPT‑5.2 Instant“ – kaip „gpt-5.2-chat-latest“. „GPT‑5.2 Pro“ prieinamas „Responses“ API kaip gpt-5.2-pro. Programuotojai dabar gali nustatyti samprotavimo parametrą „GPT‑5.2 Pro“, o „GPT‑5.2 Pro“ ir „GPT‑5.2 Thinking“ dabar palaiko naują penktąjį – itin didelių („xhigh“) – samprotavimo pastangų lygį užduotims, kuriose svarbiausia kokybė.

GPT‑5.2 kaina yra 1,75 USD už 1 mln. įvesties prieigos raktų ir 14 USD už 1 mln. išvesties prieigos raktų, taikant 90 proc. nuolaidą talpyklos įvestims. Atlikę daugybę agentinių vertinimų nustatėme, kad nepaisant didesnės GPT‑5.2 prieigos raktų kainos, tam tikro lygio kokybės pasiekimo kaina galiausiai buvo mažesnė dėl didesnio GPT‑5.2 prieigos raktų naudojimo efektyvumo.

Nors „ChatGPT“ prenumeratos kainos išlieka tokios pačios, API sąsajoje GPT‑5.2 kaina už prieigos raktą yra didesnė nei GPT‑5.1, nes tai pajėgesnis modelis. Jo kaina vis tiek yra mažesnė nei kitų pažangiausių modelių, todėl žmonės gali ir toliau intensyviai naudoti jį kasdieniame darbe ir pagrindinėse programose.

Šiuo metu neplanuojame API sąsajoje atsisakyti GPT‑5.1, GPT‑5 arba GPT‑4.1, o apie bet kokius planus atsisakyti modelių programuotojams pranešime iš anksto. Nors GPT‑5.2 iš karto gerai veiks „Codex“ aplinkoje, tikimės artimiausiomis savaitėmis išleisti „Codex“ aplinkai optimizuotą GPT‑5.2 versiją.

GPT‑5.2 sukurtas bendradarbiaujant su mūsų ilgalaikiais partneriais NVIDIA ir „Microsoft“. „Azure“ duomenų centrai ir NVIDIA GPU, įskaitant H100, H200 ir GB200-NVL72, sudaro „OpenAI“ didelio masto mokymo infrastruktūros pagrindą, skatinantį reikšmingą modelių intelekto augimą. Kartu šis bendradarbiavimas leidžia mums užtikrintai didinti skaičiavimų mastą ir greičiau pateikti rinkai naujus modelius.

Toliau pateikiame išsamius „GPT‑5.2 Thinking“ lyginamuosius balus kartu su „GPT‑5.2 Pro“ poaibiu.

^{Modeliai mūsų API buvo paleisti naudojant maksimalias galimas samprotavimo pastangas („xhigh“ modeliui „GPT‑5.2 Thinking“ bei „Pro“ ir „high“ modeliui „GPT‑5.1 Thinking“), išskyrus profesionalius vertinimus, kur „GPT‑5.2 Thinking“ buvo paleistas naudojant dideles („heavy“) samprotavimo pastangas – maksimalias galimas „ChatGPT Pro“. Lyginamieji testai buvo atlikti tyrimų aplinkoje, todėl kai kuriais atvejais rezultatai gali šiek tiek skirtis nuo realiomis sąlygomis naudojamo „ChatGPT“ rezultatų.}

^{* „SWE-Lancer“ atveju praleidžiame 40/237 problemų, kurios nebuvo vykdomos mūsų infrastruktūroje.}