ഡെവലപ്പർമാർക്കായുള്ള GPT‑5.6 ഗൈഡ്
പ്രൊഡക്ഷൻ ഘട്ടത്തിലുള്ള സ്റ്റാർട്ടപ്പുകളിൽനിന്നുള്ള സാങ്കേതിക പാഠങ്ങൾ
അത്യാധുനിക രീതിയിലുള്ള ഏജൻ്റുകളുടെ പ്രവർത്തനക്ഷമത വളരെ കുറഞ്ഞ ചിലവിൽ ലഭ്യമാക്കുന്നതോടൊപ്പം തന്നെ, സാധ്യമാകുന്ന കാര്യങ്ങളുടെ പരിധികൾ വിപുലീകരിക്കാനും GPT‑5.6 മോഡൽ കുടുംബത്തിന് സാധിക്കുന്നു.
ഈ ഗൈഡിൽ കൂടുതൽ മികച്ച മോഡൽ തിരഞ്ഞെടുപ്പ്, റീസണിംഗ് തുടർച്ച, മൾട്ടി ഏജൻ്റ് ഏകോപനം, പ്രോഗ്രാമാറ്റിക് ടൂൾ കോളിംഗ് എന്നിവയ്ക്ക് സഹായിക്കുന്ന പുതിയ API നിയന്ത്രണങ്ങൾ ഉപയോഗിച്ച് കുറഞ്ഞ ചെലവിൽ കൂടുതൽ വേഗത്തിലും ശേഷിയിലും പ്രവർത്തിക്കുന്ന ഏജൻ്റുകളെ സ്റ്റാർട്ടപ്പുകൾ എങ്ങനെ നിർമ്മിക്കുന്നുവെന്ന് ഞങ്ങൾ കാണിക്കുന്നു.
GPT‑5 മുതൽ, ഓരോ മോഡൽ തലമുറയും കുറവ് ടോക്കണുകൾ ഉപയോഗിച്ച് കൂടുതൽ ദൈർഘ്യമേറിയ ജോലികൾ കൈകാര്യം ചെയ്യാൻ ശ്രമിച്ചിട്ടുണ്ട്. GPT‑5.6 ആ മുന്നേറ്റം തുടരുന്നു: അടിസ്ഥാന ഹാർനെസിൽ വളരെ കുറച്ച് മാറ്റങ്ങൾ മാത്രം വരുത്തി, മികച്ച ഏജന്റ് പ്രകടനവും കുറഞ്ഞ ചെലവും നൽകുന്നു.
ഏറ്റവും കാര്യക്ഷമമായ ചെലവ് കൈകാര്യം ചെയ്യലിൽ ഉണ്ടായ പുരോഗതികൾക്കൊപ്പം കുറഞ്ഞ റീസണിംഗ് പരിശ്രമങ്ങളിൽ നിന്ന് ലഭിക്കുന്ന ഉയർന്ന കൃത്യതയും കൂടിയാകുമ്പോൾ നേട്ടങ്ങൾ ഇരട്ടിയാകുന്നു. ഉദാഹരണത്തിന് Agents’ Last Exam ടെസ്റ്റിൽ ഒരേ ഹാർനെസ് നിലനിർത്തിക്കൊണ്ട് തന്നെ “കുറഞ്ഞ” റീസണിംഗ് തലത്തിലുള്ള GPT‑5.6 Sol, “ഉയർന്ന” റീസണിംഗ് തലത്തിലുള്ള GPT‑5.5‑നെക്കാൾ മികച്ച പ്രകടനം കാഴ്ചവെച്ചു. യഥാർത്ഥ ഉപയോഗത്തിലുള്ള പരീക്ഷണങ്ങളിലും സമാനമായ വിജയഗാഥകൾ ഞങ്ങൾ കണ്ടിട്ടുണ്ട്; മുമ്പത്തെ സ്വതവേയുള്ള ക്രമീകരണങ്ങളിൽ നിന്നും റീസണിംഗ് പരിശ്രമം കുറയ്ക്കുന്നതിലൂടെ വിവിധ പ്രവർത്തനരീതികളിൽ വലിയ തോതിൽ ചെലവ് കുറയ്ക്കാൻ സാധിച്ചതായി സ്റ്റാർട്ടപ്പുകൾ റിപ്പോർട്ട് ചെയ്യുന്നു.
മുൻകാലങ്ങളിൽ കൂടുതൽ ദൈർഘ്യമേറിയതും സങ്കീർണ്ണവുമായ ആവശ്യങ്ങൾക്ക് ലഭ്യമായ ഏറ്റവും ഉയർന്ന റീസണിംഗ് ശേഷിയുള്ള ഒരു ഫ്ലാഗ്ഷിപ്പ് മോഡലിലേക്ക് അപ്ഗ്രേഡ് ചെയ്യുക എന്നതായിരുന്നു ഏറ്റവും മികച്ച മാർഗ്ഗം. ദൈർഘ്യമേറിയ സന്ദർഭങ്ങളും ടൂൾ കോളിംഗും കൈകാര്യം ചെയ്യുന്നതിൽ കുറഞ്ഞ ചെലവിലുള്ള മോഡലുകളെക്കാൾ ഫ്ലാഗ്ഷിപ്പ് മോഡലുകൾക്ക് വളരെ കൂടുതൽ കാര്യക്ഷമത ഉണ്ടായിരുന്നു എന്നതാണ് ഇതിന് പ്രധാന കാരണം. എന്നാൽ 5.6 മോഡൽ കുടുംബത്തിൻ്റെ വരവോടെ ഇതിൽ മാറ്റം വന്നിരിക്കുന്നു: കൂടുതൽ ടെസ്റ്റ്-ടൈം കമ്പ്യൂട്ട് ശേഷിയുള്ളതിനാൽ Luna-യ്ക്കും Terra-യ്ക്കും വളരെ കുറഞ്ഞ ചെലവിൽ തന്നെ GPT‑5.4, 5.5 എന്നിവയ്ക്ക് സമാനമായ പ്രകടനം കാഴ്ചവെക്കാൻ സാധിക്കുന്നു.
BrowseComp-ലെ ടാസ്കുകൾ ഒന്ന് പരിശോധിക്കാം: അപൂർവ്വമായ വിവരങ്ങൾ തിരഞ്ഞുപിടിക്കാനുള്ള ഒരു മോഡലിൻ്റെ ശേഷി പരിശോധിക്കുന്ന 'തിരയൽ' അധിഷ്ഠിത മാനദണ്ഡമാണിത്. മൂന്ന് മാസങ്ങൾക്ക് മുമ്പ്, ഈ മാനദണ്ഡത്തിൽ GPT‑5.5 (അത്യധികം ഉയർന്നത്) നേടിയത് 84.36% എന്ന സ്കോറായിരുന്നു; ഇതിനായി വന്ന ആകെ ചെലവ് $33.27 ആണ്. എന്നാൽ പുറത്തിറങ്ങിയ ഘട്ടത്തിൽ തന്നെ, GPT‑5.6 Luna (അത്യധികം ഉയർന്നത്) വെറും $1.33 ചെലവിൽ 84.04% സ്കോർ നേടിക്കൊണ്ട് ഏതാണ്ട് അതേ പ്രകടനം തന്നെ കാഴ്ചവെച്ചിരിക്കുന്നു. അതിനുശേഷം ഞങ്ങൾ നിരക്കുകൾ വീണ്ടും കുറിച്ചിട്ടുണ്ട്. ഞങ്ങളുടെ ഏറ്റവും പുതിയ വിലക്കിഴിവുകളെക്കുറിച്ച് കൂടുതൽ വായിക്കൂ.
ഉയർന്ന തോതിലിലുള്ള ജോലികൾ, വേഗതയ്ക്ക് മുൻഗണന നൽകുന്ന ആശയവിനിമയങ്ങൾ, ഏജൻ്റുകളുടെ പ്രവർത്തനരീതികളിൽ ആവർത്തിച്ചുവരുന്ന ഘട്ടങ്ങൾ എന്നിവയ്ക്ക് 5.6 കുടുംബത്തിലെ ചെറിയ മോഡലുകൾ വളരെ അനുയോജ്യമാണ്. ഉദാഹരണത്തിന്, ഒരു നിയമ-സാങ്കേതിക സ്റ്റാർട്ടപ്പിൽ ഏജൻ്റ് വിശകലനത്തിന് മുമ്പായി കൈയ്യെഴുത്ത് കുറിപ്പുകൾ വേർതിരിച്ചെടുക്കാൻ, മുഴുവൻ പ്രക്രിയകൾക്കുമായി ഒരു വലിയ അത്യാധുനിക മോഡൽ ഉപയോഗിക്കുന്നതിന് പകരം ഇപ്പോൾ Terra-യോ Luna-യോ ഉപയോഗിക്കാം; ഇതിലൂടെ വലിയ തോതിൽ തുക ലാഭിക്കാൻ സാധിക്കുന്നു.
GPT‑5.6‑ൻ്റെ പ്രകടനം തുടക്കം മുതൽ തന്നെ മെച്ചപ്പെട്ടതാക്കുന്നതിനൊപ്പം, കൂടുതൽ നേട്ടങ്ങൾ കൈവരിക്കാൻ സഹായിക്കുന്ന പുതിയ ആദ്യഘട്ടത്തിലുള്ള Response API-യിൽ ഞങ്ങൾ അവതരിപ്പിച്ചു. ഏജൻ്റുകൾ കൂടുതൽ കാര്യക്ഷമമായി പ്രവർത്തിക്കാൻ സഹായിക്കുന്ന മൂന്ന് പരസ്പരം പൂരകമായ ഘടനാപരമായ ഇടപെടലുകൾ ഉൾപ്പെടുത്തി GPT‑5.6‑നെ ആദ്യാവസാനം ഞങ്ങൾ പരിശീലിപ്പിച്ചു:
ഇതിനകം പൂർത്തിയാക്കിയ ജോലികൾ വീണ്ടും പ്രയോജനപ്പെടുത്തുക: മോഡൽ ഘട്ടങ്ങളിലുടനീളം റീസണിംഗ് നിലനിർത്താൻ(പുതിയ വിൻഡോയിൽ തുറക്കുന്നു) അനുവദിക്കുന്നതിലൂടെയും നീണ്ടുനിൽക്കുന്ന സംഭാഷണങ്ങളെ ചുരുക്കാൻ നേറ്റീവ് കമ്പാക്ഷൻ(പുതിയ വിൻഡോയിൽ തുറക്കുന്നു) ഉപയോഗിക്കുന്നതിലൂടെയും ആശയക്കുഴപ്പങ്ങളൊന്നുമില്ലാതെ അല്ലെങ്കിൽ മുമ്പത്തെ സന്ദർഭങ്ങൾ വീണ്ടും നിർമ്മിക്കേണ്ടി വരാതെ തന്നെ കൂടുതൽ ദൈർഘ്യമേറിയ ജോലികളിൽ കൃത്യമായ വ്യക്തത നിലനിർത്താൻ ഈ മോഡലിന് സാധിക്കുന്നു.
ആവശ്യാനുസരണം സമാന്തരമായി ജോലികൾ വിഭജിക്കുക: നേറ്റീവ് മൾട്ടി-ഏജൻ്റ് ഏകോപനം(പുതിയ വിൻഡോയിൽ തുറക്കുന്നു) ഉപയോഗിക്കുന്നത് വഴി, സങ്കീർണ്ണമായ ജോലികൾ കൂടുതൽ വേഗത്തിൽ പൂർത്തിയാക്കാൻ സമാന്തര ജോലിരീതികളിൽ ഉടനീളം ഒന്നിലധികം ഏജൻ്റുകളെ ഒരുമിച്ച് ഏകോപിപ്പിക്കാൻ സാധിക്കുന്നു.
തീരുമാനിക്കപ്പെട്ട ജോലികൾ കോഡിലേക്ക് കോഡിലേക്ക് മാറ്റുക: ടൂൾ ഔട്ട്പുട്ടുകൾ മോഡലിൻ്റെ സന്ദർഭ പരിധിക്ക് പുറത്തു വെച്ച് ഫിൽട്ടർ ചെയ്യാനും ഒരുമിച്ച് ചേർക്കാനും ഏകോപിപ്പിക്കാനും പ്രോഗ്രാമാറ്റിക് ടൂൾ കോളിംഗ്(പുതിയ വിൻഡോയിൽ തുറക്കുന്നു) ഉപയോഗിക്കുക; ഇത് വഴി മോഡൽ ടോക്കണുകൾ തീരുമാനങ്ങൾ എടുക്കാൻ മാത്രമായി മാറ്റിവെക്കാനും ചെലവ്, ലാറ്റൻസി കോൺടെക്സ്റ്റ് റോട്ട് എന്നിവ കുറയ്ക്കാനും സാധിക്കുന്നു.
ഇവ ഒരുമിച്ച് ഉപയോഗിക്കുമ്പോൾ, ഇതിൻ്റെ മാറ്റം വളരെ വലുതായിരിക്കും. ഉദാഹരണത്തിന്, ARC-AGI-3 ടെസ്റ്റിൽ സാധാരണ രീതിയിലുള്ള ഹാർനെസ് ഉപയോഗിച്ചപ്പോൾ GPT‑5.6 Sol നേടിയത് 13.3% സ്കോറായിരുന്നു. എന്നാൽ നിലനിർത്തിയ റീസണിംഗും കമ്പാക്ഷനും പ്രവർത്തനക്ഷമമാക്കിയതോടെ, ഏതാണ്ട് 6 മടങ്ങ് കുറവ് ഔട്ട്പുട്ട് ടോക്കണുകൾ മാത്രം ഉപയോഗിച്ചുകൊണ്ട് ഈ സ്കോർ 38.3%-ലേക്ക് ഉയർന്നു. മോഡലിൽ യാതൊരു മാറ്റവും വരുത്താതെയാണ് മൂന്ന് മടങ്ങോളം മികച്ച പ്രകടനം ഇവിടെ ലഭ്യമായത്. ഞങ്ങളുടെ ARC-AGI-3 ഹാർനെസ് അന്വേഷണത്തെക്കുറിച്ച് കൂടുതൽ വിവരങ്ങൾ നിങ്ങൾക്ക് ഇവിടെ വായിക്കാം.
ഏജൻ്റ് അധിഷ്ഠിത പ്രവർത്തനരീതികളിൽ പലപ്പോഴും രണ്ട് തരത്തിലുള്ള ജോലികളാണുള്ളത്:
വിലയിരുത്തലുകളും തീരുമാനങ്ങളും ആവശ്യമായ ജോലികൾ
വിവരങ്ങൾ കൈമാറുന്നതിനും ഫിൽട്ടർ ചെയ്യുന്നതിനും ഒന്നിച്ച് ചേർക്കുന്നതിനും മാത്രമുള്ള ജോലികൾ
ഒരു ഏജൻ്റ് 100 കമ്പനി ഫയലിംഗുകൾ ശേഖരിക്കുകയും അവയെ തീയതി അനുസരിച്ച് ഫിൽട്ടർ ചെയ്ത് അനുയോജ്യമായ ട്രാൻസാക്ഷനുകൾ കണ്ടെത്തുകയും ചെയ്യുമ്പോൾ, ഓരോ ഇടക്കാല ഫലങ്ങളെക്കുറിച്ചും ആലോചിച്ച് സമയം കളയാൻ മോഡലിൻ്റെ സന്ദർഭ പരിധി ഉപയോഗിക്കേണ്ടതില്ല. പ്രോഗ്രാമാറ്റിക് ടൂൾ കോളിംഗ് വഴി ടൂളുകളെ ഏകോപിപ്പിക്കാനും ഒരേസമയം സമാന്തരമായി സ്വതന്ത്ര കോളുകൾ റൺ ചെയ്യാനും അവയുടെ ഔട്ട്പുട്ടുകൾ സന്ദർഭ പരിധിക്ക് പുറത്തുവെച്ച് പ്രോസസ്സ് ചെയ്യാനും സഹായിക്കുന്ന JavaScript കോഡുകൾ എഴുതാൻ GPT‑5.6‑ന് സാധിക്കും. ഇതിലൂടെ ഇൻ്റലിജൻസ് ആവശ്യമുള്ള കാര്യങ്ങളിൽ, അതായത് ശരിയായ വിലയിരുത്തലുകൾ നടത്തുന്നതിൽ ശ്രദ്ധ കേന്ദ്രീകരിക്കാൻ മോഡലിന് പൂർണ്ണ സ്വാതന്ത്ര്യം ലഭിക്കുന്നു.
സങ്കീർണ്ണവും സമാന്തരമായി ചെയ്യാൻ കഴിയുന്നതുമായ ജോലികളെ വിവിധ ഏജൻ്റ് ജോലിക്രമത്തിലേക്ക് റീസണിംഗ് ചെയ്ത് നൽകുന്നത് വഴി ടാസ്കുകൾ വേഗത്തിൽ പൂർത്തിയാക്കാനും ഉയർന്ന ഇൻ്റലിജൻസോടെ കാര്യങ്ങൾ ചെയ്യാനും സാധിക്കുന്നു. ഇത്തരം ക്രമീകരണങ്ങളിൽ മറ്റ് സബ്-ഏജൻ്റുകളെ ഏകോപിപ്പിക്കുകയും അവർക്ക് ജോലികൾ വീതിച്ചു നൽകുകയും ചെയ്യുക എന്നത് പ്രൈമറി ഏജൻ്റിൻ്റെ ചുമതലയാണ്. സബ്-ഏജൻ്റുകളെ ഏകോപിപ്പിക്കുകയും അവർക്ക് ജോലികൾ വീതിച്ചു നൽകുകയും ചെയ്യുക എന്നത് പ്രൈമറി ഏജൻ്റിൻ്റെ ചുമതലയാണ്. സബ്-ഏജൻ്റുകൾ തങ്ങളുടെ ലക്ഷ്യങ്ങൾക്കായി ഒരേസമയം സമാന്തരമായി പ്രവർത്തിക്കുകയും ഒടുവിൽ തങ്ങളുടെ കണ്ടെത്തലുകൾ അന്തിമ വിശകലനത്തിനായി പ്രൈമറി ഏജൻ്റിന് കൈമാറുകയും ചെയ്യുന്നു. Responses API-യിൽ മൾട്ടി-ഏജൻ്റ് ഓപ്ഷൻ പ്രവർത്തനക്ഷമമാക്കുന്നത്(പുതിയ വിൻഡോയിൽ തുറക്കുന്നു) വഴി ടീമുകൾക്ക് ഈ സംവിധാനം നേരിട്ട് പ്രയോജനപ്പെടുത്താം. ChatGPT‑യിലെ Ultra കേപ്പബിലിറ്റി ക്രമീകരണവും ഈ രീതിയിലാണ് പ്രവർത്തിക്കുന്നത്.
“പരിധികൾ നിശ്ചയിച്ചിട്ടില്ലാത്ത ഗവേഷണ പ്രശ്നങ്ങൾ കൈകാര്യം ചെയ്യാൻ Qualia ഏജൻ്റുകളുടെ ടീമുകളെയാണ് ഉപയോഗിക്കുന്നത്, അതിൽ GPT‑5.6 Sol മികച്ച ഫലമാണ് നൽകിയത്. GPT‑5.5‑നെക്കാൾ വളരെ ശ്രദ്ധേയമായ പുരോഗതി ഇത് കാണിച്ചു, ഞങ്ങൾ പരീക്ഷിച്ച മറ്റ് മിക്ക മോഡലുകളേക്കാളും വേഗത്തിൽ ടാസ്കുകൾ പൂർത്തിയാക്കുകയും ചെയ്തു. അതുകൊണ്ടു തന്നെ ഇത് വളരെ പെട്ടെന്ന് ഞങ്ങളുടെ പ്രധാന OpenAI മോഡലായി മാറി.”
“ഞങ്ങൾ ഇതുവരെ കണ്ടിട്ടിള്ളതിൽ വെച്ച് OpenAI-യുടെ ഏറ്റവും മികച്ച ഏകോപന മോഡലാണ് GPT‑5.6. ഒരേസമയം ആറ് വ്യത്യസ്ത സവിശേഷതകൾ നൽകിയിട്ടും (അവയെല്ലാം എഴുതുകയും നിർമ്മിക്കുകയും വിശദീകരിക്കുകയും ചെയ്തുകൊണ്ട്), ഗുണനിലവാരത്തിൽ ഒട്ടും കുറവ് വരുത്താതെ എല്ലാ കാര്യങ്ങളും കൃത്യമായി ട്രാക്ക് ചെയ്യാൻ ഇതിന് സാധിച്ചു.”
സബ്-ഏജൻ്റുകളുടെ കൃത്യമായ എണ്ണത്തെക്കുറിച്ചും അവയെ എപ്പോൾ ഉപയോഗിക്കണം എന്നതിനെക്കുറിച്ചും GPT‑5.6‑ന് വ്യക്തമായ ധാരണയുണ്ടെങ്കിലും, ഈ മൾട്ടി-ഏജൻ്റ് പ്രവർത്തനരീതി പൂർണ്ണമായും നമ്മുടെ ആവശ്യാനുസരണം നിയന്ത്രിക്കാൻ സാധിക്കുന്നതാണ്. സബ്-ഏജൻ്റുകളെ എപ്പോൾ വിളിക്കണമെന്ന് മോഡലിന് കൃത്യമായ നിർദ്ദേശം നൽകുന്നത് വഴി, അധിക ടോക്കണുകൾ ചെലവഴിക്കുന്നത് കൂടുതൽ മികച്ച പ്രകടനം ഉറപ്പാക്കുന്ന സാഹചര്യങ്ങളിൽ മാത്രമായി ഏജൻ്റുകളുടെ പ്രവർത്തനം പരിമിതപ്പെടുത്താൻ സാധിക്കും.
എല്ലാ മോഡലുകളിലും പ്രോംപ്റ്റ് കാഷിംഗ് TTL ഇപ്പോൾ കുറഞ്ഞത് 30 മിനിറ്റ് വരെയായി വർദ്ധിപ്പിച്ചിട്ടുണ്ട്; ഒപ്പം മോഡലിൻ്റെ സന്ദർഭ പരിധിക്കുള്ളിൽ തന്നെ കാഷെ ബ്രേക്ക്പോയിൻ്റുകൾ കൃത്യമായി സജ്ജീകരിക്കാനും സാധിക്കും. ഇത് വലിയൊരു വിഭാഗം സ്റ്റാർട്ടപ്പുകളെ അവരുടെ കാഷെ ഹിറ്റ് റേറ്റ് ഗണ്യമായി മെച്ചപ്പെടുത്താൻ സഹായിച്ചിട്ടുണ്ട്.
കാഷെ ബ്രേക്ക്പോയിൻ്റുകൾ സജ്ജീകരിക്കുന്നതിനൊപ്പം തന്നെ, അനുയോജ്യമായ ഒരു prompt_cache_key(പുതിയ വിൻഡോയിൽ തുറക്കുന്നു) തുടർന്നും ഉപയോഗിക്കുന്നത് വഴി നിങ്ങളുടെ അഭ്യർത്ഥനകൾ മുമ്പ് ഇതേ പ്രിഫിക്സ് കൈകാര്യം ചെയ്ത അതേ അനുമാന എഞ്ചിനിലേക്ക് തന്നെ എത്തിച്ചേരാനുള്ള സാധ്യത വർദ്ധിക്കുന്നു; ഇത് മറുപടി ലഭിക്കാനുള്ള സമയം ഗണ്യമായി കുറയ്ക്കാൻ സഹായിക്കുന്നു.
ഈ ഉദാഹരണങ്ങളിലുടനീളം ഏറ്റവും ശ്രദ്ധേയമായി തോന്നുന്നത്, ഏജൻ്റുകൾ നിർമ്മിക്കുന്നതിനായുള്ള സാമ്പത്തികച്ചെലവുകളിൽ എത്രത്തോളം വലിയ മാറ്റമാണ് വന്നിരിക്കുന്നത് എന്നതാണ്.
മുമ്പ് ഓരോ ഘട്ടത്തിലും ഒരു അത്യാധുനിക മോഡൽ തന്നെ ആവശ്യമായിരുന്ന പല ആവശ്യങ്ങൾക്കും ഇപ്പോൾ ചെറിയ മോഡലുകൾ ഉപയോഗിക്കുന്നതിലൂടെയും റീസണിംഗ് പരിശ്രമം ക്രമീകരിക്കുന്നതിലൂടെയും മികച്ച ഘടനാപരമായ തീരുമാനങ്ങൾ എടുക്കുന്നതിലൂടെയും വളരെ കുറഞ്ഞ ചെലവിൽ സമാനമായതോ അല്ലെങ്കിൽ അതിനേക്കാൾ മികച്ചതോ ആയ ഫലങ്ങൾ കൈവരിക്കാൻ സാധിക്കും.
നിങ്ങളെല്ലാവരും എന്താണ് നിർമ്മിക്കാൻ പോകുന്നതെന്ന് കാണാൻ ഞങ്ങൾ ഏറെ ആകാംഷയോടെ കാത്തിരിക്കുന്നു!
- 2026
- API പ്ലാറ്റ്ഫോം
രചയിതാക്കളെക്കുറിച്ച്
ഈ ഗൈഡ് തയ്യാറാക്കിയിരിക്കുന്നത് Samarth Madduru(പുതിയ വിൻഡോയിൽ തുറക്കുന്നു), Prashant Mital(പുതിയ വിൻഡോയിൽ തുറക്കുന്നു), Dave Leo(പുതിയ വിൻഡോയിൽ തുറക്കുന്നു), Julien Reiman(പുതിയ വിൻഡോയിൽ തുറക്കുന്നു) എന്നിവർ ചേർന്നാണ്. പ്രാരംഭ ഘട്ട പരീക്ഷണങ്ങൾ മുതൽ ഉൽപ്പാദനം വരെയുള്ള വിവിധ തലങ്ങളിൽ, GPT‑5.6 അടിസ്ഥാനമാക്കി ആപ്ലിക്കേഷനുകൾ വികസിപ്പിക്കുന്ന സ്റ്റാർട്ടപ്പുകളുമായി ചേർന്ന് പ്രവർത്തിച്ചുള്ള അവരുടെ അനുഭവ സമ്പത്തിൻ്റെ വെളിച്ചത്തിലാണ് ഈ ഗൈഡ് രൂപപ്പെടുത്തിയിരിക്കുന്നത്.
