Pristatome GPT-6.2 „Astra“ ir „Sol“
Naujas profesinio darbo standartas
Išbandykite „ChatGPT Work“(atsidaro naujame lange)Pristatome „GPT‑6.2 Astra“ – mūsų naują priešakinį modelį sudėtingiausiems jūsų projektams – ir „GPT‑6.2 Sol“ – efektyvų, universalų modelį kasdieniam darbui. Abu modeliai geriau atlieka sudėtingas užduotis naudodami mažiau išvesties žetonų, tad neviršydami naudojimo limitų galite nuveikti daugiau. Įmonėms ir kūrėjams tai reiškia priešakinio lygio našumą už kainą, kurią verta mokėti net ir naudojant dideliu mastu.
„GPT‑6.2 Astra“ pakelia DI kokybės kartelę atliekant sudėtingą profesinį darbą. Jo skaidrės, skaičiuoklės ir dokumentai mažiau primena DI kūrinius ir tiksliau atitinka jūsų pateiktus šablonus bei jūsų srities nusistovėjusią praktiką. Jis rašo tvarkingesnį kodą ir kuria geriau atrodančias bei veikiančias naudotojo sąsajas, ypač svetainėms, žaidimams ir 3D projektavimui.
Atliekant „Agents’ Last Exam“ testą, kuriuo vertinamas kelių etapų profesinis darbas, „GPT‑6.2 Astra“ pasiekia naują rekordą: surenka 5,2 balo daugiau nei „GPT‑6 Astra“ už mažiau nei trečdalį kainos ir 5,5 balo lenkia „Claude Fable 5.2“ už vos 5 % jo kainos.
„Agents’ Last Exam“ vertina modelių gebėjimą atlikti ilgai trunkančias profesines darbų sekas. Į jo reitingų lentelėje pateikiamus „Fable 5.2“ rezultatus neįtrauktos devynios užduotys, kurioms atlikti buvo pasitelktas atsarginis modelis.
Manome, kad „GPT-6.2 Astra“ yra geriausias pasaulyje modelis mokslininkams. Jis pasiekia naują rekordą atliekant „Terminal-Bench-Science 0.1“ testą, kuriuo tikrinama, kaip gerai modeliai geba atlikti mokslinį darbą terminale. „GPT-6.2 Astra“ rezultatas 9 procentiniais punktais viršija „GPT-6 Astra“ rezultatą, o sąnaudos nesiekia trečdalio jo sąnaudų. Jis taip pat pasiekia naują rekordą atliekant „Vals Science Index“ testą, kuriame modelių prašoma interpretuoti tikrus biologinius duomenis ir eksperimentais nustatyti, kaip veikia simuliuojama sistema.
Naudojant API, „GPT‑6.2 Astra“ įvesties ir išvesties žetonų kainos yra 20 % mažesnės nei „GPT‑6 Astra“, o podėlyje saugomos įvesties kaina mažesnė 60 % (8 JAV doleriai už įvestį, 0,40 JAV dolerio už podėlyje saugomą įvestį ir 40 JAV dolerių už išvestį; visos kainos nurodytos už milijoną žetonų). „GPT‑6.2 Sol“ API žetonų kainos lieka tokios pačios kaip „GPT‑6.1 Sol“. Atliekant kelis lyginamuosius testus, abu modeliai priartėja prie kitų pirmaujančių modelių rezultatų arba juos pranoksta, o vienos užduoties sąnaudos sudaro tik nedidelę jų sąnaudų dalį.
„GPT-6.2 Sol“ – mūsų pirmasis pasirinkimas kasdieniam darbui
Palyginti su „GPT‑6.1 Sol“, „GPT‑6.2 Sol“ yra išmanesnis, efektyvesnis ir leidžia atlikti daugiau užduočių naudojant tą patį mokamą planą. Jis sparčiai atlieka kelių etapų agentinius darbo procesus, rašo aiškiai ir natūraliai, o bendradarbiauti su juo paprasta. Daugelis „OpenAI“ darbuotojų jį renkasi kaip pagrindinį modelį tiek techninėms, tiek netechninėms užduotims.
Atliekant „Cognition“ testą „FrontierCode 2.0“, „GPT‑6.2 Sol“ nuo „GPT‑6.2 Astra“ atsilieka vos 0,5 balo, o sąnaudos sudaro maždaug penktadalį jo sąnaudų (abiem taikomas nustatymas „Maksimalus“).
„FrontierCode 2.0“ vertina, ar tikrų programinio kodo bazių pakeitimai atitinka prižiūrėtojų keliamus reikalavimus, kad būtų įtraukti į bendrą kodą.
Dėl spartos ir sumanumo jis taip pat puikiai tinka svarbioms užduotims, kurioms žmonės pasitelkia DI ne darbo metu. Atliekant mūsų neseniai pristatytą „LifeVal“ vertinimą, kuriuo matuojama, kaip modeliai susidoroja su sudėtingomis kasdienėmis užduotimis, „GPT‑6.2 Sol“ lenkia „GPT‑6 Astra“, o sąnaudos sudaro maždaug septintadalį jo sąnaudų.
„LifeVal“ tikrina, kaip gerai modeliai atlieka konkretaus žmogaus poreikiams pritaikytas kasdienes užduotis, pavyzdžiui, atrenka darželius persikėlus į kitą vietą, suranda būstą, atitinkantį šeimos biudžetą ir kelionės į darbą poreikius, arba planuoja maistą tėvui ar motinai, besipratinančiam prie naujos diagnozės.
Profesionalūs rezultatai, atitinkantys sektoriaus standartus
Išmokėme „GPT‑6.2 Astra“ kurti aiškesnes, geriau apipavidalintas skaidres, skaičiuokles ir dokumentus, kurie labiau atitinka teisės, pardavimo, finansų, apskaitos ir kitų sričių specialistų taikomas normas. Tekstai tiesesni ir konkretesni, juose mažiau bendro pobūdžio išvadų ir tuščiažodžiavimo.
„Harvey LAB‑AA v1.1“ pasitelkia teisines užduotis, kad patikrintų, ar modeliai geba šaltinių dokumentuose rasti reikšmingus faktus, pritaikyti juos pagal išsamų užduoties aprašą ir parengti tikslų, visus reikalavimus atitinkantį darbą. „GPT‑6.2 Astra“ pasiekia naują geriausią rezultatą: sėkmingai atlieka daugiau nei dvigubai didesnę užduočių dalį nei „Claude Fable 5.2“, o sąnaudos sudaro maždaug šeštadalį jo sąnaudų. „OpenAI“ teisės sektoriui – mūsų teisininkams pritaikyta „GPT-6.2 Astra“ konfigūracija – šiame lyginamajame teste pasiekia dar geresnį rezultatą.
„Harvey LAB‑AA“ tikrina, kaip atliekamas teisinis darbas, pavyzdžiui, sutarčių nuostatų peržiūra. Pagrindiniame įvertyje užduotis įskaitoma tik tada, kai parengtas darbas atitinka visus vertinimo kriterijus ir jame nėra reikšmingų haliucinacijų.
Mūsų vidinis lyginamasis testas „GDPval v2“ yra nauja „GDPval“ versija, kuria vertinamos sudėtingos, ilgai trunkančios darbų sekos iš tikrų konsultavimo, finansų, dizaino ir kitų sektorių projektų. „GPT‑6.2 Astra“ pirmauja tarp mūsų išbandytų modelių: jo rezultatas 6,2 procentinio punkto geresnis nei „GPT‑6 Astra“, nors jis naudoja 22 % mažiau išvesties žetonų. „GPT‑6.2 Sol“ rezultatas 5,3 balo geresnis nei „GPT‑6.1 Sol“.
„GDPval v2“ sudaro ilgai trunkančios žiniomis grįsto darbo užduotys iš tikrų finansų, duomenų mokslo, biotechnologijų, rinkodaros ir kitų sektorių projektų.
Skaičiuoklių darbaknygės ir pažymos
Norint sukurti vertės nustatymo darbaknygę ar parengti investicinę pažymą, pirmiausia reikia šaltinių failuose rasti reikiamus skaičius ir išsiaiškinti jų tarpusavio ryšius. „Artificial Analysis“ testas „AA‑AnalystAgent“ tikrina šį darbą naudojant tikras skaičiuokles ir ataskaitas. Vienoje užduotyje modeliai pagal Kalifornijos „Medicaid“ išlaidų ataskaitas apskaičiuoja, kiek ši programa išleido medicininiam transportui. „GPT‑6.2 Astra“ pasiekia naują rekordą: į 62,5 % klausimų teisingai atsako per visus penkis nepriklausomus bandymus.
Skaidrių pristatymai
„GPT‑6.2 Astra“ – kol kas geriausias mūsų modelis skaidrėms kurti ir jų šablonams atkartoti, nesvarbu, ar pateikiamas originalus failas, ar tik ekrano kopija. Jis gali atkartoti išdėstymą, spalvas ir tipografiką iki pat tikslaus šrifto dydžio, o naujose skaidrėse išlaikyti šablono rašymo stilių. Pirmieji bandytojai pastebėjo, kad pristatymus lengviau naudoti iš karto ir reikia mažiau pataisų: antraštėse išsakoma pagrindinė mintis, o glaustas pagrindinis tekstas sutelktas į skaitytojams reikalingas detales.
Darbas kompiuteriu ir interaktyvus žiniatinklio dizainas
Tikslesnis „GPT‑6.2 Astra“ darbas kompiuteriu leidžia CAD ir modeliavimo įrankiuose dirbti su atskiromis detalėmis ir jungtimis. Inžinieriai gali pasinaudoti šiuo didesniu detalumu, kad patikrintų, kaip dera komponentai, pamatytų, kur persiskirsto apkrovos konstrukcijai judant, ir išbandytų pakeitimus dar prieš kurdami prototipą.
Vairavimo simuliacija
Paprašėme „GPT‑6.2 Astra“ vizualizuoti kalnų keliu važiuojančio automobilio važiuoklės dinamiką. „Astra“ sukūrė 3D modelį ir „Python“ kalba parašė skaitinį sprendiklį sudėtingai padangų ir pakabos sąveikos dinamikai imituoti, o tada rezultatus animavo programoje „Blender“. Tai leidžia inžinieriams greitai išbandyti naujas konstrukcijas ir ilgainiui didinti modeliavimo tikslumą.
Mechaninių sistemų projektavimas ir surinkimas
„GPT‑6.2 Astra“ gali modeliuoti mechaninę sistemą dalis po dalies, todėl inžinieriai gali parodyti, kaip ji surenkama, ir patikrinti, kaip konstrukcijos pakeitimai veikia jos veikimą.
Nuo CAD iki popierinio šviestuvo
Mūsų komanda pasitelkė „GPT‑6.2 Astra“, kad Čikagos „Marina City“ bokštų banguotų kontūrų balkonus paverstų šviestuvu. Vaizdo įraše sekamas visas projektavimo procesas – nuo pavyzdinių nuotraukų ir CAD projekto korekcijų iki rankomis surinkto tikro šviestuvo. „GPT-6.2 Astra“ sugeneruotoje svetainėje galite susikurti savo popierinį šviestuvą.
Kurdamas svetainių dizainą „GPT‑6.2 Astra“ pasitelkia pažangesnį vizualinį protavimą: parenka išdėstymą ir vaizdus, suteikiančius kiekvienai svetainei savitą išvaizdą, o jos elementus kuria atsižvelgdamas į tikrąją svetainės paskirtį.
Šie vizualinio protavimo ir kompiuterio naudojimo patobulinimai praverčia ir kuriant 3D dizainą. „GPT‑6.2 Astra“ ir „Sol“ gali rašytinį užduoties aprašą paversti interaktyvia patirtimi naršyklėje – nuo žaidžiamo pinbolo stalo iki Koliziejaus rekonstrukcijos, kurią galima apžiūrėti iš įvairių kampų. Atliekant „Artificial Analysis“ testą „AA‑3D“, vertintojai išbando du pagal tą pačią užklausą sukurtus interaktyvius sprendimus, nežinodami, kuris modelis kurį sukūrė, ir balsuoja už labiau patikusį. „GPT‑6.2 Astra“ užima pirmą vietą su 1 318 „Elo“ balų, po jo rikiuojasi „Claude Fable 5.2“ su 1 271 balu ir „GPT‑6.2 Sol“ su 1 259 balais.
Efektyvūs darbo procesai ir tvarkingesnis kodo stilius
„GPT‑6.2 Astra“ geriau sprendžia, kaip atlikti užduotį: parenka darbo procesui tinkamus įrankius ir pastangų lygį bei atpažįsta, kada naudoti papildinius, o kada tiesiogiai dirbti kompiuteriu.
Programavimo srityje „GPT-6.2 Astra“ geriau įgyvendina ir išbando sudėtingus esamų kodo bazių pakeitimus. Pirmieji bandytojai pastebėjo tvarkingesnį kodo stilių, tikslingesnius testus ir mažesnį taisymo ciklų poreikį.
Kibernetinio saugumo gebėjimai
„GPT‑6.2 Astra“ ir „GPT-6.2 Sol“ žymi dar vieną reikšmingą kibernetinių gebėjimų šuolį. Jie veiksmingiau aptinka ir išnaudoja pažeidžiamumus, rašo saugesnį kodą ir kuria geresnes pataisas, o keliuose vertinimuose žetonus naudoja gerokai efektyviau. Kaip ir „GPT‑6 Astra“, „6.2 Astra“ ir „Sol“ pasiekia kritinę kibernetinio saugumo gebėjimų ribą pagal mūsų Pasirengimo sistemą.
Dėl išaugusių „GPT‑6.2 Astra“ ir „Sol“ gebėjimų išleidžiame juos su griežtesnėmis apsaugos priemonėmis, taikomomis didesnės rizikos pagalbai kibernetinio saugumo srityje. Šios priemonės mažina piktnaudžiavimo riziką, tačiau taip pat riboja kai kurias teisėtas pažeidžiamumų tyrimo ir saugumo testavimo darbų sekas. Per „OpenAI Daybreak“ kibernetinio saugumo gynėjai šiuo metu gali naudotis ne tik mūsų „GPT-6 Astra“ alfa versija, bet ir „GPT‑6 Sol“ su mažesniu atsisakymų padėti kibernetinio saugumo klausimais skaičiumi aplinkoje „Daybreak Blue“, o pažangiems, autorizuotiems saugumo bandymams – „GPT‑6 Cyber“ aplinkoje „Daybreak Red“. Sieksime, kad „GPT‑6.2“ modeliai taptų prieinami per „Daybreak“.
Toliau pateikiame svarbiausius testų rezultatus, gautus naudojant vidines testavimo konfigūracijas su išjungtomis kibernetinio saugumo apsaugos priemonėmis ir klasifikatoriais. Visus rezultatus ir metodiką rasite pridedamoje sistemos kortelėje(atsidaro naujame lange).
Suteikiame pranašumą kibernetinio saugumo gynėjams
Kūrėjai vis dažniau pasitelkia programavimo agentus produkcinei programinei įrangai rašyti, nors pajėgesni agentai kartu palengvina pažeidžiamumų paiešką ir išnaudojimą. „PHP2Shell“(atsidaro naujame lange) parodė, kaip DI gali padėti tyrėjams aptikti kritinių trūkumų. Kurdami „GPT‑6.2 Astra“ ir „Sol“, daugiausia dėmesio skyrėme gynybiniams gebėjimams ir įtraukėme naujus mokymo signalus, padedančius kūrėjams išvengti šių trūkumų ir juos taisyti – nuo pat pradžių rašyti saugų kodą ir kurti pataisas, išlaikančias numatytą veikimą.
Sauga ir suderinimas
„GPT-6.2 Astra“ ir „Sol“ diegiame su stipriausiomis iki šiol mūsų apsaugos priemonėmis. Sugriežtinome apribojimus ir sustiprinome sistemas, kuriomis stebime modelius ir prireikus įsikišame.
Kaip ir „GPT-6 Astra“, abu modeliai – „GPT-6.2 Astra“ ir „Sol“ – pagal mūsų Pasirengimo sistemą pasiekia ne tik kritinį kibernetinio saugumo gebėjimų slenkstį, bet ir aukštą biologinių bei cheminių gebėjimų slenkstį. Įdiegėme apsaugos priemones susijusioms rizikoms mažinti ir sugriežtinome apribojimus tam tikroms galimo dvejopo naudojimo užklausoms biologijos ir kibernetinio saugumo srityse.
Daugiau informacijos apie mūsų apsaugos priemones ir testavimą rasite „GPT-6.2“ sistemos kortelėje(atsidaro naujame lange).
DI tyrimų gebėjimai ir apsaugos priemonės
„GPT-6.2 Astra“ yra pirmasis mūsų išoriniams naudotojams išleistas modelis, pasiekęs aukštą DI savęs tobulinimo slenkstį, kuriuo matuojamas modelio gebėjimas spartinti DI tyrimus. Įvertinimas „Aukštas“ atspindi mūsų vertinimą, kad modelio poveikis prilygsta tam, lyg kiekvienas „OpenAI“ tyrėjas, palyginti su 2024 m. turėtomis galimybėmis, gautų papildomą itin pajėgų tyrimų inžinierių asistentą. Stebime šį gebėjimą, nes modeliai, galintys padėti kurti būsimas DI sistemas, taip pat gali kelti naujų saugos rizikų, pavyzdžiui, paspartinti pažangą labiau, nei spėtų prisitaikyti apsaugos priemonės ar žmonių vykdoma priežiūra.
Siekdami suvaldyti šias rizikas, į modelių mokymo ir diegimo procesus įtraukėme daugiau priežiūros bei kontrolės priemonių. Prieš išplėsdami vidinę prieigą prie „GPT-6.2 Astra“, įvertinome jo suderinimą su žmonių tikslais ir patikrinome, ar kiekviename etape įdiegtos reikiamos apsaugos priemonės. Sustiprinome izoliavimo priemones savo tyrimų aplinkose ir išbandėme jas su pajėgiausiais mūsų modeliais. Taip pat sukūrėme „Control Room“ – sistemą, kuri seka vykdomas tyrimų užduotis ir prireikus įsikišti gali sustabdyti tolesnį modelio išvesties generavimą. Mūsų išplėsta stebėsena analizuoja modelių protavimą ir veiksmus atliekant vidines užduotis bei palaikomose išorinėse diegimo aplinkose. Ji gali automatiškai pažymėti neleistiną elgesį ir, kai ši funkcija palaikoma, pristabdyti užduotis ar pokalbius.
Suderinimas su žmonių tikslais
Abu modeliai daugumoje suderinimo vertinimų pasirodė panašiai kaip „GPT-6 Astra“ ir atliko mažiau netinkamų veiksmų imituojamose darbo užduotyse. Tačiau dviejuose testuose jie dažniau nepaminėjo darbą sustabdžiusių kliūčių, pavyzdžiui, trūkstamo failo ar neprieinamo paieškos įrankio. Į „Codex“ įtraukėme instrukcijas, kurios gerokai sumažina tokių nutylėjimų skaičių, ir toliau tiriame šį elgesį.
Kainos ir prieinamumas
Nuo šiandien „GPT-6.2 Astra“ ir „Sol“ prieinami visiems „Plus“, „Pro“, „Enterprise“ ir „Edu“ naudotojams per „ChatGPT Work“ ir „Codex“. „Pro 500“ prenumeratoriai gali naudoti „Ultrafast“ su bet kuriuo iš šių modelių. Pirmą kartą „Ultrafast“ taip pat suteikiame „Pro 200“ prenumeratoriams, pradėdami nuo „GPT-6.2 Sol“. Reikalavimus atitinkantys „Enterprise“ ir „Edu“ naudotojai gauna tokią pačią prieigą, kai ją įjungia jų darbo erdvės administratorius. Kūrėjai taip pat gali pasiekti gpt-6.2-astra ir gpt-6.2-sol per „OpenAI“ API; „Ultrafast“ abiem modeliams prieinamas nuo pat išleidimo.
Vienos užduoties atlikimas su „GPT‑6.2 Astra“ kainuoja gerokai mažiau nei su „GPT‑6 Astra“, nes jis efektyviau naudoja žetonus, įvesties ir išvesties žetonams taikoma 20 % nuolaida, o podėlyje saugomos įvesties žetonams – dar didesnė, 60 % nuolaida. Standartiniai API tarifai už milijoną žetonų: 8 JAV doleriai už įvestį, 0,40 JAV dolerio už podėlyje saugomą įvestį ir 40 JAV dolerių už išvestį. „GPT‑6.2 Sol“ išlaiko „GPT‑6.1 Sol“ tarifus: 2 JAV doleriai už įvestį, 0,10 JAV dolerio už podėlyje saugomą įvestį ir 10 JAV dolerių už išvestį, skaičiuojant už milijoną žetonų.
Naudojant „GPT-6.2 Astra“ ir „Sol“, rekomenduojame nekeisti užklausų pradinių dalių, o naujas instrukcijas pridėti(atsidaro naujame lange) prie pokalbio. Tai padeda geriau pakartotinai naudoti podėlį, mažinti sąnaudas ir delsą bei išsaugoti protavimą tarp pokalbio žingsnių.
Autorius
Footnotes
- 1
Pateikiami „Fable 5.2“ testo „Terminal-Bench-Science 0.1“ rezultatai yra paskelbti „Artificial Analysis“(atsidaro naujame lange), naudojant „mini-swe-agent“ infrastruktūrą. „Anthropic“ pranešė, kad „Fable 5.2“, veikiantis aplinkoje „Claude Code“ su maksimaliu protavimo lygiu, surinko 74,6 %.



