GPT‑6.1 Sol: അസാനയുടെ ബ്രൗസർ പരീക്ഷണങ്ങളിൽ മോഡൽ ചെലവ് 1/76 ആയി
ഉപഭോക്താക്കൾക്ക് കൂടുതൽ കഴിവുള്ള മോഡലുകൾ നൽകാൻ, അസാന Codex-ലെ GPT‑6 Astra ഉപയോഗിച്ച് നടത്തിയ പരീക്ഷണങ്ങളിൽ ബ്രൗസർ ഏജന്റിന്റെ ചെലവ് 76-ൽ ഒന്നാക്കുകയും വേഗം 5 മടങ്ങാക്കുകയും ചെയ്തു.
76 മടങ്ങ്
മെച്ചപ്പെടുത്തിയ GPT-6.1 Sol പ്രവർത്തനക്രമത്തിലൂടെ കണക്കാക്കിയ മോഡൽ ചെലവിലെ കുറവ്
5 മടങ്ങ്
മെച്ചപ്പെടുത്തിയ GPT-6.1 Sol പ്രവർത്തനക്രമത്തിലൂടെ കൂടുതൽ വേഗത്തിലുള്ള ബ്രൗസർ നിർവഹണം
$0.47
മെച്ചപ്പെടുത്തിയ GPT-6.1 Sol പ്രവർത്തനക്രമത്തിൽ കണക്കാക്കിയ ശരാശരി മോഡൽ ചെലവ്
Codex-ലെ GPT‑6 Astra ഉപയോഗിച്ച് പരീക്ഷണങ്ങൾ നടത്തി, അസാന GPT‑6.1 Sol-ലെ ബ്രൗസർ ഏജന്റിന്റെ പ്രവർത്തനക്രമം മെച്ചപ്പെടുത്തി. ഇതോടെ ചെലവ് 76-ൽ ഒന്നായി, വേഗം 5 മടങ്ങായി.
തങ്ങൾ ഏറ്റെടുത്ത(പുതിയ വിൻഡോയിൽ തുറക്കുന്നു) സ്റ്റാക്ക്എഐ(പുതിയ വിൻഡോയിൽ തുറക്കുന്നു) എന്ന സംവിധാനത്തിലൂടെ, വിവിധ ബിസിനസ് ആപ്പുകളിലെ ജോലികൾ സ്വയം നടത്താൻ അസാന ഉപഭോക്താക്കളെ സഹായിക്കുന്നു. സ്റ്റാക്ക്എഐ ഉപയോഗിച്ച്, കോഡ് എഴുതാതെതന്നെ വെബ്സൈറ്റുകൾ സന്ദർശിക്കാനും ഫോമുകൾ പൂരിപ്പിക്കാനും വിവരങ്ങൾ ശേഖരിക്കാനുമുള്ള പ്രവർത്തനക്രമങ്ങൾ ഉപഭോക്താക്കൾക്ക് സൃഷ്ടിക്കാം. അസാനയുടെ പ്രവർത്തനവ്യാപ്തി കണക്കിലെടുക്കുമ്പോൾ, ഈ പ്രവർത്തനക്രമങ്ങളിലെ ചെറിയ കാര്യക്ഷമതക്കുറവുകൾ പോലും ചേർന്ന് വലിയ പ്രത്യാഘാതമുണ്ടാക്കും.
ബ്രൗസർ ഏജന്റിന്റെ വേഗം കൂട്ടാനും പ്രവർത്തനച്ചെലവ് കുറയ്ക്കാനും അസാനയിലെ സ്റ്റാക്ക്എഐ ചീഫ് ടെക്നോളജി ഓഫീസർ ഫ്രാങ്ക് ഹിഡാൽഗോ, പിഎച്ച്ഡി, തീരുമാനിച്ചു. ഏജന്റിനെ പരിശോധിക്കാനും മെച്ചപ്പെടുത്തലുകൾ പരീക്ഷിക്കാനും ഫലങ്ങൾ താരതമ്യം ചെയ്യാനും അദ്ദേഹം Codex-ലെ GPT‑6 Astra-യോട് നിർദേശിച്ചു. സ്വയം ചെയ്തിരുന്നെങ്കിൽ ഒന്നോ രണ്ടോ മാസം എടുക്കുമായിരുന്നെന്ന് അദ്ദേഹം കണക്കാക്കിയ ജോലി ഏകദേശം ഒരാഴ്ചകൊണ്ട് പൂർത്തിയായി.
144 തവണ പ്രവർത്തിപ്പിച്ച് അസാന നടത്തിയ പഠനത്തിൽ(പുതിയ വിൻഡോയിൽ തുറക്കുന്നു) GPT‑6.1 Sol-നെയും ഇവിടെ മോഡൽ A, B, C എന്ന് വിളിക്കുന്ന മറ്റ് മൂന്ന് അത്യാധുനിക മോഡലുകളെയും പരീക്ഷിച്ചു. ഇതിലൂടെ രൂപപ്പെട്ട മെച്ചപ്പെടുത്തിയ പ്രവർത്തനക്രമം GPT‑6.1 Sol-ൽ ഒരുതവണ നിർവഹിക്കാൻ ശരാശരി $0.47 മോഡൽ ചെലവും ഏകദേശം നാല് മിനിറ്റും വേണ്ടിവരുമെന്ന് കണക്കാക്കി. മോഡൽ B-യിൽ ആദ്യം ഉപയോഗിച്ച സംവിധാനത്തിന്റെ 76-ൽ ഒന്ന് ചെലവും 5 മടങ്ങ് വേഗവുമാണിത്.
“മനുഷ്യരും ഏജന്റുകളും ചേർന്ന ടീമുകൾ പ്രായോഗികമായി പ്രവർത്തിക്കുന്നത് ഇങ്ങനെയാണ്. ഒരു എൻജിനീയർ ദിശ നിശ്ചയിച്ചു, GPT-6 Astra പരീക്ഷണങ്ങൾ നടത്തി, ഫലങ്ങൾ കമാൻഡ് വഴി യഥാർഥ പ്രവർത്തനത്തിലെത്തി. മനുഷ്യരും ഏജന്റുകളും ചേർന്ന ടീമുകളെ അസാന എങ്ങനെ പ്രാവർത്തികമാക്കുന്നുവെന്ന് ഇത് തെളിയിക്കുന്നു.”
വേഗത്തിൽ മുന്നേറാൻ, കോഡിന്റെ ഘടന മനസ്സിലാക്കാനും ഏജന്റ് ഓരോ മോഡൽ അഭ്യർഥനയും എങ്ങനെ തയ്യാറാക്കുന്നുവെന്ന് വിശദീകരിക്കാനുമാണ് ഹിഡാൽഗോ ആദ്യം Codex-ലെ GPT‑6 Astra ഉപയോഗിച്ചത്. ഏജന്റ് സ്ഥിരമായ നിർദേശങ്ങളും ഉപകരണ നിർവചനങ്ങളും കാഷിൽ സൂക്ഷിക്കുന്നുണ്ടെങ്കിലും, ശേഖരിക്കുന്ന പേജ് ഉള്ളടക്കത്തിന്റെയും സ്ക്രീൻഷോട്ടുകളുടെയും വർധിച്ചുവരുന്ന ചരിത്രം അങ്ങനെ സൂക്ഷിക്കുന്നില്ലെന്ന് GPT‑6 Astra കണ്ടെത്തി. അതിനാൽ ഓരോ അഭ്യർഥനയിലും ആ ചരിത്രം മുഴുവൻ നിരക്കിൽ വീണ്ടും അയച്ചിരുന്നു.
ഏജന്റ് മിക്കവാറും ഓരോ ഘട്ടത്തിലും പഴയ സ്ക്രീൻഷോട്ടുകൾ നീക്കം ചെയ്യുകയും എഴുത്തിന്റെ അളവ് ചുരുക്കുകയും ചെയ്തിരുന്നു. ഓരോ തിരുത്തലും ചരിത്രത്തിൽ മാറ്റം വരുത്തിയതിനാൽ, ചരിത്രം കാഷിൽ സൂക്ഷിച്ചതുകൊണ്ടുമാത്രം പ്രയോജനമുണ്ടാകുമായിരുന്നില്ല. വിവരങ്ങൾ നഷ്ടപ്പെടുന്നത് മുമ്പ് വായിച്ച പേജുകൾ വീണ്ടും സന്ദർശിക്കാൻ ഏജന്റിനെ നിർബന്ധിതമാക്കുകയും ചെയ്യാം.
GPT‑6 Astra നിർദേശിച്ച പരിഹാരങ്ങൾ പരിശോധിച്ച്, പരീക്ഷിക്കാനായി ഹിഡാൽഗോ മൂന്നെണ്ണം തിരഞ്ഞെടുത്തു:
ഏജന്റിന്റെ ബ്രൗസിങ് ചരിത്രവും കാഷിൽ സൂക്ഷിക്കുക
നിലനിർത്താനാകുന്ന എഴുത്തിന്റെ അളവ് കൂട്ടുക
ഓരോ ഘട്ടത്തിലും സ്ക്രീൻഷോട്ടുകൾ നീക്കുന്നതിനുപകരം കൂട്ടമായി നീക്കുക
ഏതെല്ലാം ഘടകങ്ങൾക്കാണ് പ്രസക്തിയുള്ളതെന്ന് കണ്ടെത്താൻ GPT‑6 Astra ആദ്യം ദ്രുതപരീക്ഷണങ്ങൾ നടത്തി. നിയന്ത്രിത പരീക്ഷണങ്ങൾക്കായി രൂപകൽപ്പന ചെയ്ത കോഡ് അല്ലാതിരുന്നതിനാൽ, അത് പിന്നീട് കോഡ് പുനഃക്രമീകരിച്ചു. ഇതോടെ ഒറ്റ മുൻനിര സംവിധാനത്തിനും പശ്ചാത്തല സംവിധാനത്തിനും വ്യത്യസ്ത ക്രമീകരണങ്ങളുള്ള നിരവധി പ്രവർത്തനക്രമങ്ങൾ ഒരേസമയം പിന്തുണയ്ക്കാനായി.
Astra സമ്പൂർണ പഠനം നടത്തി: ചരിത്രം സൂക്ഷിക്കാൻ 120,000, 480,000 അക്ഷരങ്ങൾ വീതമുള്ള പരിധികളും, കാഷിങ്ങിനും സ്ക്രീൻഷോട്ടുകൾക്കുമായി ആറ് നയങ്ങളും പരീക്ഷിച്ചു. ഓരോ സംയോജനവും നാല് മോഡലുകളിലും മൂന്ന് തവണ വീതം പരീക്ഷിച്ചു (താഴെയുള്ള പട്ടിക കാണുക). ഏറ്റവും മികച്ച ഫലം നൽകിയ നയം, സ്ക്രീൻഷോട്ടുകൾ 20 എണ്ണം വരെ ശേഖരിച്ചശേഷം ഏറ്റവും പുതിയ ഒരെണ്ണം മാത്രം ശേഷിപ്പിക്കുന്നതായിരുന്നു. ഇതോടെ നീക്കം ചെയ്യലുകൾക്കിടയിൽ കൂടുതൽ നേരം മുൻചരിത്രം മാറ്റമില്ലാതെ നിലനിന്നു. ചരിത്രം സൂക്ഷിക്കാനുള്ള ഉയർന്ന പരിധിയുമായി ഇത് ചേർത്താണ് മെച്ചപ്പെടുത്തിയ പ്രവർത്തനക്രമം രൂപപ്പെടുത്തിയത്. എല്ലാ ക്രമീകരണങ്ങളിലും ഒരേ ജോലിയാണ് ചെയ്തത്: പൊതുവായി ലഭ്യമായ ഒരു മാതൃകാ കാറ്റലോഗിലെ 32 പുസ്തകങ്ങളിൽ ഓരോന്നിന്റെയും ആറ് വിവരങ്ങൾ ശേഖരിക്കുക. ചില അസാന ഉപഭോക്താക്കൾ സ്റ്റാക്ക്എഐയിൽ ചെയ്യുന്ന ജോലികളുടെ പ്രതിനിധി മാതൃകയായിരുന്നു ഇത്.
മോഡൽ | വിവരണം | വില |
|---|---|---|
മോഡൽ A | മറ്റൊരു അത്യാധുനിക ഗവേഷണശാല 2025-ലെ ശരത്കാലത്ത് പുറത്തിറക്കിയ, ചെറുതും ചെലവ് കുറഞ്ഞതുമായ മോഡൽ | GPT‑6.1 Sol-ന്റെ പകുതി വില |
മോഡൽ B | യഥാർഥ പ്രവർത്തനത്തിൽ ആദ്യം ഉപയോഗിച്ച മോഡൽ. മോഡൽ A-യുടെ അതേ ഗവേഷണശാല 2026-ലെ വേനൽക്കാലത്ത് പുറത്തിറക്കിയത് | GPT‑6.1 Sol-ന്റെ അതേ വില |
മോഡൽ C | 2026-ലെ ശരത്കാലത്ത് പുറത്തിറക്കിയ മോഡൽ B-യുടെ പുതുക്കിയ പതിപ്പ് | GPT‑6.1 Sol-ന്റെ അതേ വില |
GPT‑6.1 Sol | OpenAI-യുടെ മോഡൽ |
GPT‑6 Astra പ്രവർത്തനക്രമങ്ങൾ നിർവഹിക്കുകയും അഭ്യർഥനകളും ഉപയോഗരേഖകളും ഫലങ്ങളും പരിശോധിക്കുകയും ചെയ്തു. പ്രത്യേക മോഡൽ സെഷനുകളിൽ ഈ ജോലി അവലോകനം ചെയ്തു. ഓരോ സെഷനിലെയും അഭ്യർഥനകളും ഡാറ്റയുടെ പ്രവാഹരേഖകളും ഫലങ്ങളും അസാനയുടെ സോഫ്റ്റ്‌വെയർ വിതരണ സംവിധാനമായ കമാൻഡിൽ(പുതിയ വിൻഡോയിൽ തുറക്കുന്നു) രേഖപ്പെടുത്തി. ഇതുവഴി പിന്നീട് ടീമിന് മുഴുവൻ പഠനവും അവലോകനം ചെയ്യാനായി. കമാൻഡിലെ കണ്ടെത്തലുകൾ ആദ്യം ജോലികൾക്കുള്ള ടിക്കറ്റുകളായും തുടർന്ന് കോഡ് ലയനത്തിനുള്ള പുൾ അഭ്യർഥനകളായും മാറ്റി. പിന്നീട് ഈ മാറ്റങ്ങൾ യഥാർഥ പ്രവർത്തനത്തിൽ നടപ്പാക്കി.
“ഇത് സ്വയം ചെയ്തിരുന്നെങ്കിൽ എനിക്ക് ഒന്നോ രണ്ടോ മാസം വേണ്ടിവരുമായിരുന്നു. Codex-ലെ GPT-6 Astra ഉപയോഗിച്ചപ്പോൾ ഏകദേശം ഒരാഴ്ച മതിയായി: ഉറങ്ങാൻ പോകുംമുമ്പ് ഞാൻ ഒരു /goal നിശ്ചയിക്കും, രാവിലെ ഫലങ്ങൾ അവലോകനം ചെയ്യും.”
മോഡൽ B-യിൽ, ഈ മെച്ചപ്പെടുത്തൽ ഓരോ നിർവഹണത്തിനുമുള്ള കണക്കാക്കിയ മോഡൽ ചെലവ് കുറഞ്ഞത് $36.21-ൽ നിന്ന് $1.24 ആക്കി—29-ൽ ഒന്നായി കുറച്ചു. ആദ്യത്തെ ചില നിർവഹണങ്ങൾ പൂർത്തിയാകുംമുമ്പ് അനുവദിച്ച ഘട്ടങ്ങളുടെ പരിധിയിലെത്തിയിരുന്നു. GPT‑6.1 Sol-ലെ മെച്ചപ്പെടുത്തിയ പ്രവർത്തനക്രമത്തിന്റെ ചെലവ് അതിന്റെയും 2.6-ൽ ഒന്നായിരുന്നു: $0.47. മെച്ചപ്പെടുത്തിയ പ്രവർത്തനക്രമത്തിലെ എല്ലാ നിർവഹണങ്ങളും ജോലി പൂർത്തിയാക്കുകയും ശരിയായ ഉത്തരം നൽകുകയും ചെയ്തു.
3 നിർവഹണങ്ങളുടെ ശരാശരികൾ. ≥: അടിസ്ഥാനനിലയിൽ പരിധിയിലെത്തിയ നിർവഹണങ്ങളും ഉൾപ്പെടുന്നു. അതിനാൽ അതിന്റെ ശരാശരി ഒരു താഴ്ന്ന പരിധിയാണ്.
വലതുവശത്തെ രണ്ട് മടങ്ങ് കണക്കുകൾ മെച്ചപ്പെടുത്തിയ മോഡൽ B-യുമായുള്ള താരതമ്യമാണ്. ഒരേ പഠനത്തിന്റെ ഒന്നാം ഘട്ടത്തിൽ മോഡൽ B-യും രണ്ടാം ഘട്ടത്തിൽ മോഡൽ C-യും Sol 6.1-ഉം പ്രവർത്തിപ്പിച്ചു (കുത്തിട്ട വര).
GPT‑6.1 Sol മാത്രം പരിഗണിക്കുമ്പോൾ, ചരിത്രത്തിനുള്ള ഉയർന്ന പരിധിയോടൊപ്പം പുതിയ കാഷിങ്, സ്ക്രീൻഷോട്ട് നയം ഉപയോഗിച്ചതോടെ ഓരോ നിർവഹണത്തിനുമുള്ള ചെലവ് നാലിൽ ഒന്നായി, $1.97-ൽ നിന്ന് $0.47 ആയി കുറഞ്ഞു. ഓരോ കോളിന്റെയും ചെലവ് ഏകദേശം മൂന്നിൽ ഒന്നായി. കാരണം, ഇൻപുട്ടിന്റെ 89% കാഷിൽ നിന്നാണ് ലഭിച്ചത്; അതിന്റെ നിരക്ക് കാഷിൽ ഇല്ലാത്ത ഇൻപുട്ടിന്റെ നിരക്കിന്റെ 5% മാത്രമായിരുന്നു. നിർവഹണവും വേഗത്തിലായി: മോഡൽ B-യിലെ ആദ്യ സംവിധാനത്തിൽ കുറഞ്ഞത് 22.5 മിനിറ്റ് വേണ്ടിയിരുന്ന സ്ഥാനത്ത്, GPT‑6.1 Sol-ലെ മെച്ചപ്പെടുത്തിയ പ്രവർത്തനക്രമത്തിൽ ഏകദേശം നാല് മിനിറ്റ് മതിയായി.
3 നിർവഹണങ്ങളുടെ ശരാശരി; സ്റ്റാൻഡേർഡ് ഡീവിയേഷൻ സൂചിപ്പിക്കുന്ന രേഖകൾ. ≥: ശരാശരിയിൽ പരിധിയിലെത്തിയതോ പൂർത്തിയാകാത്തതോ ആയ ഒരു നിർവഹണം ഉൾപ്പെടുന്നു. അതിനാൽ യഥാർഥ മൂല്യം കുറഞ്ഞത് ഇത്രയെങ്കിലും ആയിരിക്കും.
ബാറുകൾക്ക് നീല നിറമാണ് ഉപയോഗിച്ചിരിക്കുന്നത്. കാഷിങ്ങിന്റെ ഫലം വിലയിരുത്താൻ 480,000 എന്ന ഉയർന്ന സംഭരണപരിധിയുടെ ബാറുമായി താരതമ്യം ചെയ്യുക.
നിർവഹണ ചിഹ്നങ്ങളും സ്റ്റാൻഡേർഡ് ഡീവിയേഷൻ സൂചിപ്പിക്കുന്ന രേഖകളും ഉറവിടചിത്രത്തിൽ നിന്ന് ഏകദേശമായി പുനർനിർമിച്ചതാണ്. യഥാർഥ നിർവഹണ മൂല്യങ്ങളും സ്റ്റാൻഡേർഡ് ഡീവിയേഷനുകളും ലഭ്യമായിരുന്നില്ല.
3 നിർവഹണങ്ങളുടെ ശരാശരി; സ്റ്റാൻഡേർഡ് ഡീവിയേഷൻ സൂചിപ്പിക്കുന്ന രേഖകൾ. ≥: ശരാശരിയിൽ പരിധിയിലെത്തിയതോ പൂർത്തിയാകാത്തതോ ആയ ഒരു നിർവഹണം ഉൾപ്പെടുന്നു. അതിനാൽ യഥാർഥ മൂല്യം കുറഞ്ഞത് ഇത്രയെങ്കിലും ആയിരിക്കും.
ബാറുകൾക്ക് നീല നിറമാണ് ഉപയോഗിച്ചിരിക്കുന്നത്. കാഷിങ്ങിന്റെ ഫലം വിലയിരുത്താൻ 480,000 എന്ന ഉയർന്ന സംഭരണപരിധിയുടെ ബാറുമായി താരതമ്യം ചെയ്യുക.
നിർവഹണ ചിഹ്നങ്ങളും സ്റ്റാൻഡേർഡ് ഡീവിയേഷൻ സൂചിപ്പിക്കുന്ന രേഖകളും ഉറവിടചിത്രത്തിൽ നിന്ന് ഏകദേശമായി പുനർനിർമിച്ചതാണ്. യഥാർഥ നിർവഹണ മൂല്യങ്ങളും സ്റ്റാൻഡേർഡ് ഡീവിയേഷനുകളും ലഭ്യമായിരുന്നില്ല.
ഏജന്റ് ഉത്തരം നൽകുമോ എന്നതിനെപ്പോലും ചരിത്രം കൈകാര്യം ചെയ്യുന്ന രീതി എങ്ങനെ ബാധിക്കുന്നുവെന്ന് പരിശോധന വ്യക്തമാക്കി. ബ്രൗസിങ് ചരിത്രം സൂക്ഷിക്കാൻ GPT‑6.1 Sol-ന് കൂടുതൽ ഇടം നൽകിയതോടെ ഉത്തരം ലഭിച്ച നിർവഹണങ്ങളുടെ എണ്ണം വർധിച്ചു. കുറഞ്ഞ പരിധിയിൽ 18-ൽ മൂന്നെണ്ണത്തിൽ മാത്രം ഉത്തരം ലഭിച്ചപ്പോൾ, ഉയർന്ന പരിധിയിൽ 18 എണ്ണത്തിലും ശരിയായ ഉത്തരം ലഭിച്ചു. പ്രവർത്തനച്ചെലവ് താങ്ങാനാകുന്ന നിലയിൽ നിലനിർത്തിക്കൊണ്ട് ഉപഭോക്താക്കൾക്ക് കൂടുതൽ വേഗവും കഴിവുമുള്ള മോഡലുകൾ ലഭ്യമാക്കുന്നതിലാണ് ഇതിന്റെ ബിസിനസ് മൂല്യമെന്ന് ഹിഡാൽഗോ കരുതുന്നു.
“ഈ ജോലികൾക്കായി ഉപഭോക്താക്കൾക്ക് ഏതെല്ലാം മോഡലുകൾ നൽകാനാകുമെന്നത് മുമ്പ് ചെലവിനെ ആശ്രയിച്ചിരുന്നു. ഏജന്റിനെ കൂടുതൽ കാര്യക്ഷമമാക്കുന്നതിലൂടെ, ഞങ്ങളുടെ പ്രവർത്തനച്ചെലവ് കുറച്ചുകൊണ്ടുതന്നെ ഉപഭോക്താക്കൾക്ക് കൂടുതൽ മികച്ചതും വേഗമേറിയതുമായ മോഡൽ നൽകാനാകും.”
സ്റ്റാക്ക്എഐയിലെ ബ്രൗസർ നാവിഗേഷനുള്ള മാറ്റങ്ങൾ അസാന പുറത്തിറക്കി. സമാന പരീക്ഷണങ്ങൾ എളുപ്പത്തിൽ ആവർത്തിക്കാനുള്ള ഉപകരണങ്ങളും വികസിപ്പിച്ചുവരുന്നു. ക്രമേണ ഈ പരിശോധനകൾ സംവിധാനത്തിന്റെ മൂല്യനിർണയങ്ങളിൽ ഉൾപ്പെടുത്താനാണ് ടീമിന്റെ പദ്ധതി. ഇതുവഴി ഏജന്റുകളെ ക്രമീകരിക്കുമ്പോൾ ചെലവ്, നിർവഹണ സമയം, ഉത്തരത്തിന്റെ ഗുണമേന്മ എന്നിവ താരതമ്യം ചെയ്യാൻ ഉപഭോക്താക്കൾക്കും ആഭ്യന്തര ടീമുകൾക്കും കഴിയും.
“ഉൽപ്പന്നങ്ങൾ പുറത്തിറക്കുന്ന വേഗമല്ല ഇനി തടസ്സം; മനുഷ്യർക്ക് നൽകാനാകുന്ന ശ്രദ്ധയാണ്. ഓരോ എൻജിനീയറും ഒരു കൂട്ടം ഏജന്റുകളെ നയിക്കുന്ന ഉൽപ്പന്ന മാനേജരാകുന്ന ലോകത്തിലേക്ക് നാം അടുത്തുകൊണ്ടിരിക്കുകയാണ്.”
ഉൽപ്പന്ന സവിശേഷതകൾ പുറത്തിറക്കുംമുമ്പ് പരിശോധിക്കാൻ അസാന ഇപ്പോൾ Codex-ലെ GPT‑6 Astra ഉപയോഗിക്കുന്നു. Astra സംവിധാനം ഉപയോഗിച്ചുനോക്കുകയും വിവിധ ഇൻപുട്ടുകൾ പരീക്ഷിക്കുകയും മനുഷ്യരായ ഗുണനിലവാര പരിശോധകർക്കായി പിഴവുകൾ റിപ്പോർട്ട് ചെയ്യുകയും ചെയ്യുന്നു. നിരവധി ക്ലൗഡ് ഏജന്റ് സെഷനുകൾ ഒരേസമയം സവിശേഷതകൾ പരിശോധിക്കുന്ന പുതിയൊരു സോഫ്റ്റ്‌വെയർ വികസന ജീവിതചക്രത്തിന്റെ അടിത്തറയായാണ് ഹിഡാൽഗോ ഇതിനെ കാണുന്നത്.
പൂർണ പഠനം അസാന(പുതിയ വിൻഡോയിൽ തുറക്കുന്നു), സ്റ്റാക്ക്എഐ(പുതിയ വിൻഡോയിൽ തുറക്കുന്നു) ബ്ലോഗുകളിൽ ലഭ്യമാണ്.
