ഞങ്ങളുടെ പരിമിത പ്രിവ്യൂവിന് പിന്നാലെ, പൊതുവായ ലഭ്യതയ്ക്കായി GPT‑5.6 മോഡലുകളുടെ കുടുംബം ഞങ്ങൾ അവതരിപ്പിക്കുന്നു: ഞങ്ങളുടെ പുതിയ മുൻനിര മോഡലായ Sol, ദൈനംദിന ജോലികൾക്കുള്ള സമതുലിതമായ മോഡലായ Terra, കൂടാതെ ഞങ്ങളുടെ ഏറ്റവും ചെലവ്-കാര്യക്ഷമമായ മോഡലായ Luna എന്നിവ ഇതിൽ ഉൾപ്പെടുന്നു.
GPT‑5.6 Sol ഇൻ്റലിജൻസിനും കാര്യക്ഷമതയ്ക്കും പുതിയൊരു മാനദണ്ഡം നിശ്ചയിക്കുന്നു. കോഡിംഗ്, വിജ്ഞാനപ്രവർത്തനം, സൈബർസുരക്ഷ, ശാസ്ത്രം എന്നിവയിലുടനീളം അത്യാധുനിക നിലവാരത്തിലുള്ള ഫലങ്ങൾ കൈവരിക്കുമ്പോൾ, കുറഞ്ഞ ടോക്കണുകളും കുറഞ്ഞ കണക്കാക്കിയ ചെലവും ഉപയോഗിച്ച് മുൻ മോഡലുകളെയും മത്സരിക്കുന്ന അത്യാധുനിക മോഡലുകളെയും മറികടക്കുന്നു. ഫലമായി, ഓരോ ഡോളറിനും കൂടുതൽ ശക്തമായ പ്രകടനം ലഭിക്കുന്നു: അതേ ചെലവിൽ കൂടുതൽ വിജയകരമായ പ്രവർത്തനം, അല്ലെങ്കിൽ കുറഞ്ഞ മൊത്തച്ചെലവിൽ സമാനമായ ഫലങ്ങൾ. ഏറ്റവും ആവശ്യകത കൂടിയ ജോലികൾ വേഗത്തിലാക്കാനുള്ള ഒരു പുതിയ മാർഗവും ഞങ്ങൾ അവതരിപ്പിക്കുന്നു: ultra ഞങ്ങളുടെ ഏറ്റവും ഉയർന്ന ശേഷിയുള്ള ക്രമീകരണമാണ്, സങ്കീർണ്ണമായ ജോലികൾ വേഗത്തിൽ പൂർത്തിയാക്കാൻ സമാന്തര വർക്ക്സ്ട്രീമുകളിലുടനീളം ഒന്നിലധികം ഏജന്റുകളെ ഏകോപിപ്പിക്കുന്നു. മെച്ചപ്പെട്ട കമ്പ്യൂട്ടർ ഉപയോഗ ശേഷി, ഡിസൈൻ വിവേചനശേഷി എന്നിവ GPT‑5.6‑നെ ശക്തമാക്കുന്നു ഇതുവരെയുള്ള ഞങ്ങളുടെ ഏറ്റവും പരിഷ്കൃതമായ സഹപ്രവർത്തകനായ Sol, അതിനെ പരിശോധിക്കാനും മെച്ചപ്പെടുത്താനും ഉടൻ ഉപയോഗിക്കാവുന്ന ഫലങ്ങൾ നൽകാനും സഹായിക്കുന്നു.
ഓരോ ടോക്കണിൽ നിന്നും കൂടുതൽ പ്രയോജനകരമായ പ്രവർത്തനം ലഭ്യമാക്കാൻ ഞങ്ങൾ GPT‑5.6-നെ പരിശീലിപ്പിച്ചു. Agents’ Last Exam(പുതിയ വിൻഡോയിൽ തുറക്കുന്നു)-ൽ, 55 മേഖലകളിലായുള്ള ദീർഘകാലം നീളുന്ന പ്രൊഫഷണൽ വർക്ക്ഫ്ലോകളുടെ ഒരു വിലയിരുത്തലിൽ, GPT‑5.6 Sol 53.6 എന്ന പുതിയ ഉയർന്ന സ്കോര് സ്ഥാപിക്കുന്നു, Claude Fable 5-നെ (അഡാപ്റ്റീവ് റീസണിംഗ്) 13.1 പോയിന്റിന് മറികടന്നാണ് ഇത് കൈവരിച്ചത്. മാധ്യമ നിലയിലുള്ള റീസണിംഗിൽ പോലും, കണക്കാക്കിയ ചെലവിന്റെ ഏകദേശം നാലിലൊന്നു മാത്രം ഉപയോഗിച്ച് Fable 5-നെ 11.4 പോയിന്റ് കണ്ട് മറികടക്കുന്നു. ആ കാര്യക്ഷമത ചെറിയ മോഡലുകളിലേക്കും വ്യാപിക്കുന്നു, ഇൻ്റലിജൻസ് കൂടുതൽ സമൃദ്ധവും താങ്ങാനാവുന്നതുമാക്കുന്നതിന് അവ അനിവാര്യമാണ്: GPT‑5.6 Terra-യും GPT‑5.6 Luna-യും ചെലവിന്റെ ഏകദേശം പതിനാറിൽ ഒന്ന് മാത്രം ചെലവിൽ Fable 5-നെ മറികടക്കുന്നു. Artificial Analysis ഇൻ്റലിജൻസ് ഇൻഡെക്സ്(പുതിയ വിൻഡോയിൽ തുറക്കുന്നു)-ൽ, ഏജന്റിക് വർക്ക്, കോഡിംഗ്, ശാസ്ത്രീയ റീസണിംഗ്, പൊതുവായ കഴിവുകൾ എന്നിവ ഉൾക്കൊള്ളുന്ന ഇൻ്റലിജൻസിന്റെ വിപുലമായ അളവുകോലിൽ, മാക്സിമം റീസണിംഗ് ഉപയോഗിച്ച് GPT‑5.6 Sol, കണക്കാക്കിയ ചെലവിന്റെ ഏകദേശം പകുതിയിൽ 61 % കുറവ് സമയത്തിനുള്ളിൽ ടാസ്കുകൾ പൂർത്തിയാക്കിക്കൊണ്ട് Fable 5-ന്റെ ഒരു പോയിന്റ് പരിധിക്കുള്ളിൽ എത്തുന്നു.
ഏജന്റുമാരുടെ അവസാന പരീക്ഷ(പുതിയ വിൻഡോയിൽ തുറക്കുന്നു): പ്രൊഫഷണൽ മേഖലകളിലുടനീളം ദീർഘപരിധിയിലുള്ള ഏജന്റിക് വർക്ക്ഫ്ലോകൾ.
GPT‑5.6 പുറത്തിറങ്ങുന്നത് ഇന്നുവരെയുള്ളതിൽ വെച്ച് ഏറ്റവും ശക്തമായ സുരക്ഷാ സംവിധാനങ്ങളോടെയാണ്. നിയമാനുസൃതമായ വർക്കുകളെ പരിമിതപ്പെടുത്താതെ തന്നെ, കൃത്യമായ ഉദ്ദേശത്തോടെയുള്ളതും എന്നാൽ അനുകരണീയവുമായ ദുരുപയോഗങ്ങളെ പ്രതിരോധിക്കാൻ പാകത്തിലാണ് ഇത് രൂപകൽപ്പന ചെയ്തിരിക്കുന്നത്. പൊതുലഭ്യതയ്ക്ക് മുമ്പ്, മനുഷ്യർ നടത്തുന്ന റെഡ് ടീമിംഗും വൻതോതിലുള്ള ഓട്ടോമേറ്റഡ് പരിശോധനയും സംയോജിപ്പിച്ച്, മോഡലുകളെയും സുരക്ഷാ സംവിധാനങ്ങളെയും ഇതുവരെ നടത്തിയിട്ടുള്ളതില് ഏറ്റവും വിപുലമായ മൂല്യനിർണ്ണയ കാലയളവിന് ഞങ്ങൾ വിധേയമാക്കി. പ്രിവ്യൂ ഘട്ടത്തിൽ, കൂടുതൽ വിപുലമായ ലോഞ്ചിന് മുമ്പ് പ്രതിരോധ സംവിധാനങ്ങളെ സമ്മർദ്ദപരിശോധനയ്ക്ക് വിധേയമാക്കാനും സുരക്ഷാ നടപടികൾ ശക്തിപ്പെടുത്താനും വിദഗ്ധ സംഘടനകളുമായും വിശ്വസ്ത പങ്കാളികളുമായും ഞങ്ങൾ ചേർന്ന് പ്രവർത്തിച്ചു. ഇതിന്റെ ഫലമായി ലഭിക്കുന്ന സിസ്റ്റം, മോഡലിൽ മുൻകൂട്ടി പരിശീലനം നൽകിയ സുരക്ഷാ സംവിധാനങ്ങളെ തത്സമയ പരിശോധനകൾ, മോണിറ്ററിംഗ്, വിശ്വാസ്യതയുടെയും അപകടസാധ്യതയുടെയും അടിസ്ഥാനത്തിൽ ക്രമീകരിച്ച ആക്സസ് എന്നിവയുമായി സംയോജിപ്പിക്കുന്നു.
GPT‑5.6 Sol ഇതുവരെയുള്ള ഞങ്ങളുടെ ഏറ്റവും മികച്ച കോഡിംഗ് മോഡൽ ആണ്. Artificial Analysis Coding Agent Index, -ൽ, പരമാവധി റീസണിംഗ് ഉള്ള GPT‑5.6 Sol 80 എന്ന സ്കോറോടെ പുതിയ അത്യാധുനിക നിലവാരം സ്ഥാപിക്കുന്നു. ഇത് Fable 5-നെക്കാൾ 2.8 പോയിന്റ് കൂടുതലാണ്, അതേസമയം പകുതിയിൽ താഴെ ഔട്ട്പുട്ട് ടോക്കൺ മാത്രം ഉപയോഗിക്കുകയും പകുതിയിൽ താഴെ സമയം മാത്രം എടുക്കുകയും ചെലവ് ഏകദേശം മൂന്നിലൊന്ന് കുറവായിരിക്കുകയും ചെയ്യുന്നു. ആ നേട്ടം അതിന്റെ കുടുംബമൊട്ടാകെ വ്യാപിക്കുന്നു: Terra, Fable 5-നെക്കാൾ അല്പം മുകളിൽ പ്രകടനം കാഴ്ചവെക്കുമ്പോൾ Luna, Opus 4.8-നെക്കാൾ മികച്ച പ്രകടനം കാഴ്ചവെക്കുന്നു. ഓരോന്നും ഏകദേശം മൂന്നിലൊന്ന് സമയത്തിനുള്ളിൽ, ഏകദേശം പകുതിയോളം ഔട്ട്പുട്ട് ടോക്കൺ മാത്രമുപയോഗിച്ച്, കണക്കാക്കിയ ചെലവിന്റെ ഏകദേശം നാലിലൊന്നിൽ അത് ചെയ്യുന്നു. സങ്കീർണ്ണമായ കമാൻഡ്-ലൈൻ വർക്ക്ഫ്ലോകളെയും യഥാർത്ഥ കോഡ്ബേസുകളിലെ ദീർഘവ്യാപ്തിയുള്ള എഞ്ചിനീയറിംഗിനെയും പരിശോധിക്കുന്ന Terminal‑Bench 2.1, DeepSWE എന്നിവയിലും ഇത് പുതിയ അത്യാധുനിക നിലവാരത്തിലുള്ള ഫലങ്ങൾ കൈവരിക്കുന്നു.
ആർട്ടിഫിഷ്യൽ അനാലിസിസ് കോഡിംഗ് ഏജന്റ് ഇൻഡക്സ്: നടപ്പാക്കൽ, ടെർമിനൽ ഉപയോഗം, യഥാർത്ഥ കോഡ്ബേസുകൾ എന്നിവയിലുടനീളമുള്ള കോഡിംഗ് ഏജന്റ് പ്രകടനത്തിന്റെ സ്വതന്ത്ര സൂചിക.
GPT‑5.6-ന് ടൂളുകളെ ഏകോപിപ്പിക്കുകയും ഇടക്കാല ഫലങ്ങൾ പ്രോസസ്സ് ചെയ്യുകയും പുരോഗതി നിരീക്ഷിക്കുകയും ജോലി പുരോഗമിക്കുന്നതിനനുസരിച്ച് അടുത്ത നടപടി തിരഞ്ഞെടുക്കുകയും ചെയ്യുന്ന ലഘുവായ പ്രോഗ്രാമുകൾ എഴുതാനും പ്രവർത്തിപ്പിക്കാനും കഴിയും. ഇത് ഉപകരണ-പ്രധാനമായ ജോലികൾക്ക് കുറച്ചുമാത്രം ടോക്കൺ, മോഡൽ റൗണ്ട് ട്രിപ്പുകൾ, മാർഗ്ഗനിർദ്ദേശം എന്നിവയോടെ പുരോഗമിക്കാൻ സഹായിക്കുന്നു. ഓരോ ഘട്ടവും സ്ക്രിപ്റ്റ് ചെയ്യാൻ ഡെവലപ്പർമാരെ നിർബന്ധിക്കുകയോ ഓരോ ടൂൾ പ്രതികരണവും മോഡൽ വഴി വീണ്ടും കടത്തിവിടുകയോ ചെയ്യുന്നതിനുപകരം, Responses API-യിലെ Programmatic Tool Calling(പുതിയ വിൻഡോയിൽ തുറക്കുന്നു) വലിയ അളവിലുള്ള ഇടനില ഡാറ്റ ഫിൽട്ടർ ചെയ്യാനും, പ്രധാനപ്പെട്ടവ മാത്രം നിലനിർത്താനും, പ്രവർത്തനപ്രവാഹം മുന്നോട്ട് പോകുന്നതിനിടെ ക്രമീകരിക്കാനും കഴിയും.
കൂടുതൽ സമയവും കമ്പ്യൂട്ട് വിഭവങ്ങളും നിക്ഷേപിക്കുന്നത് കൂടുതൽ ഫലം നൽകുന്ന പ്രശ്നങ്ങളിൽ, GPT‑5.6 ഈ കാര്യക്ഷമമായ ഡിഫോൾട്ടിനെ മറികടക്കാൻ കഴിയും. യുക്തിപരമായി ചിന്തിക്കാനും ബദലുകൾ പരിശോധിക്കാനും, പരിശോധനകൾ നടത്താനും, സ്വന്തം സമീപനം പരിഷ്കരിക്കാനും max GPT‑5.6-ന് xhigh -നെക്കാൾ കൂടുതൽ സമയം നൽകുന്നു. . ultra ഡിഫോൾട്ടായി നാല് ഏജന്റുകളെ സമാന്തരമായി ഏകോപിപ്പിച്ച് കൂടുതൽ മുന്നോട്ട് പോകുന്നു, കൂടുതൽ ശക്തമായ ഫലങ്ങൾക്കും ആവശ്യകത കൂടുതലുള്ള ടാസ്കുകളിൽ ഫലം ലഭിക്കുന്നതിനുള്ള വേഗത്തിലുള്ള സമയത്തിനായി ഉയർന്ന ടോക്കൺ ഉപയോഗം പരിഗണിക്കുന്നു. താഴെയുള്ള ചാർട്ടുകൾ BrowseComp, SEC-Bench Pro, Terminal-Bench 2.1 എന്നിവയിലുടനീളം ultra-യുടെ ഡിഫോൾട്ട് നാല്-ഏജന്റ് സജ്ജീകരണത്തെ ഒറ്റ-ഏജന്റ് ബേസ്ലൈനുമായി താരതമ്യം ചെയ്യുന്നു; BrowseComp, SEC-Bench Pro എന്നിവയിൽ 16-ഏജന്റ് കോൺഫിഗറേഷനുകളും കാണിക്കുന്നു. മൂന്ന് മൂല്യനിർണയങ്ങളിലുടനീളം, സമാന്തര ഏജന്റുകളെ ചേർക്കുന്നത് സ്കോർ-ലേറ്റൻസി അത്യാധുനിക പരിധിയെ മുകളിലേക്കും ഇടത്തേക്കും മാറ്റുന്നു, അതിലൂടെ കുറഞ്ഞ സമയത്തിൽ കൂടുതൽ ശക്തമായ ഫലങ്ങൾ കൈവരിക്കുന്നു. API-യിൽ, Responses API-യിലെ മൾട്ടി-ഏജന്റ് ബീറ്റ ഉപയോഗിച്ച് ഡെവലപ്പർമാർക്ക് Ultra-സമാനമായ അനുഭവങ്ങൾ സൃഷ്ടിക്കാം.
GPT‑5.6 ഡിസൈൻ ജഡ്ജ്മെന്റിൽ വലിയൊരു മാറ്റം കൊണ്ടുവരുന്നു. ഉയർന്ന നിർദ്ദേശങ്ങൾ മാത്രം നൽകി, GPT‑5.6 സുന്ദരവും എർഗണോമിക് ആയും പ്രവർത്തനക്ഷമവുമായ ഇന്റർഫേസുകൾ സൃഷ്ടിക്കുന്നു. അതിന്റെ കൂടുതൽ ശക്തമായ കമ്പ്യൂട്ടർ-ഉപയോഗ ശേഷികൾ, അടിസ്ഥാന കോഡോ ഉള്ളടക്കമോ സൃഷ്ടിക്കുന്നതിൽ മാത്രം ഒതുങ്ങാതെ, റെൻഡർ ചെയ്ത ഫലം പരിശോധിക്കുകയും മെച്ചപ്പെടുത്തുകയും ചെയ്യാൻ അതിനെ അനുവദിക്കുന്നു—അതിനാൽ ജോലി തിരികെ കൈമാറുന്നതിന് മുമ്പ് ദൃശ്യവും പ്രവർത്തനപരവുമായ പ്രശ്നങ്ങൾ കണ്ടെത്തുകയും അവസാന മിനുക്കുപണികൾ പ്രയോഗിക്കുകയും ചെയ്യാൻ അതിന് കഴിയും.
പ്രോംപ്റ്റ്: നിങ്ങൾക്ക് എനിക്ക് വേണ്ടി ഒരു 3D സെയിലിംഗ് ഗെയിം നടപ്പിലാക്കാൻ കഴിയുമോ? ബിറ്റ്മാപ്പുകൾ/ടെക്സ്ചറുകൾ/സ്പ്രൈറ്റുകൾ ആവശ്യമുള്ള ഏതെങ്കിലും കാര്യത്തിനും (അല്ലെങ്കിൽ നിങ്ങൾ നിർമ്മിക്കുന്ന ഏതെങ്കിലും 3D മോഡലുകൾക്കായി ഒരു മോക്കപ്പ് റഫറൻസ് ഉണ്ടായാൽ സഹായകരമാകുമെങ്കിൽ) imagegen ഉപയോഗിക്കാൻ മടിക്കേണ്ടതില്ല.
GPT‑5.6-ന്റെ ഫ്രണ്ട്എൻഡ് കഴിവുകൾ സ്വാഭാവിക ഭാഷയിലുള്ള അഭ്യർത്ഥനകളെ ChatGPT ജോലിക്കുള്ളിൽ മിനുക്കിയ, ഇന്ററാക്ടീവ് വിശദീകരണങ്ങളായും ദൃശ്യവൽക്കരണങ്ങളായും മാറ്റുകയും ചെയ്യുന്നു.
പ്രോംപ്റ്റ്: ഒരു ഇന്ററാക്ടീവ് സ്പൈറോഗ്രാഫ് സൃഷ്ടിച്ച് അത് എങ്ങനെ പ്രവർത്തിക്കുന്നു എന്ന് വിശദീകരിക്കുക.
GPT‑5.6 പ്രൊഫഷണൽ ജോലികൾക്ക് കൂടുതൽ മികച്ച ഫലങ്ങൾ നൽകുന്നു. നിങ്ങളുടെ ഡോക്യുമെന്റുകളിലും Slack, Notion, Microsoft 365, Google Drive പോലുള്ള ദൈനംദിന വർക്ക്ഫ്ലോകളിലുമുള്ള ക്രമരഹിതമായ സന്ദർഭവിവരങ്ങൾ എടുത്ത് അത് വിദഗ്ധ-നിലവാരത്തിലുള്ള, പങ്കിടാവുന്ന ആർട്ടിഫാക്റ്റുകളാക്കി മാറ്റുന്നു.
ദീർഘകാലപരിധിയിലുള്ള പ്രൊഫഷണൽ വിശകലനം, ബ്രൗസിംഗ്, ടൂൾ ഉപയോഗം, കമ്പ്യൂട്ടർ ഉപയോഗം എന്നിവ ഉൾപ്പെടുന്ന മൂല്യനിർണ്ണയങ്ങളിലുടനീളം GPT‑5.6-ന്റെ വിജ്ഞാനാധിഷ്ഠിത ജോലികളിലെ കഴിവ് പ്രകടമായി കാണുന്നു. GPT‑5.6 Sol BrowseComp -ൽ 92.2% ഉം OSWorld 2.0 -ൽ 62.6% ഉം നേടി പുതിയ അത്യാധുനിക നിലവാരത്തിലുള്ള ഫലങ്ങൾ സ്ഥാപിക്കുന്നു; OSWorld-ൽ, 85% കുറവ് ഔട്ട്പുട്ട് ടോക്കൺ ഉപയോഗിച്ചുകൊണ്ട് തന്നെ ഇത് Opus 4.8-നെ മറികടക്കുന്നു. ഇവിടെ, ഡോളറിന് ലഭിക്കുന്ന പ്രകടന നേട്ടങ്ങൾ GPT‑5.6 കുടുംബത്തിലുടനീളം വ്യാപിക്കുന്നു. Luna GPT‑5.5-ന്റെതുമായി ഏകദേശം ഒപ്പമെത്തുന്നു പ്രതീക്ഷിക്കുന്ന ചെലവിന്റെ പകുതിയിലും താഴെ ചെലവിൽ പരമാവധി പ്രകടനം, അതേസമയം Terra അതിലും കുറഞ്ഞ ചെലവിൽ അതിനെ മറികടക്കുന്നു.
BrowseComp: ഏജന്റിക് ബ്രൗസിംഗ് ടാസ്കുകൾ ഉൾക്കൊള്ളുന്ന BrowseComp-ൽ GPT‑5.6 Sol പുതിയ അത്യാധുനിക നിലവാരം കൈവരിക്കുന്നു.
GPT‑5.6 Sol പ്രസന്റേഷനുകൾ, ഡോക്യുമെന്റുകൾ, സ്പ്രെഡ്ഷീറ്റുകൾ എന്നിവയിലെ ഗുണനിലവാരം മെച്ചപ്പെടുത്തുന്നു, കൂടുതൽ മിനുക്കമുള്ളതും കൃത്യവുമായ ഔട്ട്പുട്ടുകൾ സൃഷ്ടിക്കുന്നു. ഒരു പ്രോംപ്റ്റും ഉറവിട മെറ്റീരിയലും ശക്തമായ ലേഔട്ടുകൾ, ക്രമീകരണം, ഡിസൈൻ എന്നിവയുള്ള സുസംഘടിതമായ ദൃശ്യ ആഖ്യാനമായി മാറ്റി, ആദ്യം മുതൽ പൂർണ്ണമായും എഡിറ്റ് ചെയ്യാവുന്ന അവതരണങ്ങൾ സൃഷ്ടിക്കാൻ ഇതിന് കഴിയും.
ടെംപ്ലേറ്റുകളും റഫറൻസ് ഡെക്കുകളും പിന്തുടരുമ്പോൾ മെച്ചപ്പെടുത്തൽ പ്രത്യേകിച്ച് വ്യക്തമായി പ്രകടമാണ്. GPT‑5.6-ന് ഒരു പ്രസന്റേഷൻ ഡെക്കിന്റെ ഡിസൈൻ സിസ്റ്റം—ലേഔട്ടുകൾ, ടൈപ്പോഗ്രഫി, സ്പേസിംഗ്, നിറങ്ങൾ, ആവർത്തിക്കുന്ന ഉള്ളടക്ക പാറ്റേണുകൾ, സ്ലൈഡ് മാസ്റ്ററിൽ ഉൾച്ചേർത്തിരിക്കുന്ന നിയമങ്ങൾ ഉൾപ്പെടെ—തിരിച്ചറിയാനും ആ കൺവെൻഷനുകൾ പുതിയ മെറ്റീരിയലിൽ സ്ഥിരതയോടെ പ്രയോഗിക്കാനും കഴിയും. ഈ ഉദാഹരണത്തിൽ, ഒരു റഫറൻസ് ഫയലിനെ അടിസ്ഥാനമാക്കി നമ്പറുകൾ അപ്ഡേറ്റ് ചെയ്യാൻ ആവശ്യപ്പെട്ടപ്പോൾ, GPT‑5.5 ഔട്ട്പുട്ടിൽ മാസ്റ്റർ സ്ലൈഡിലെ പ്രധാന ഘടകങ്ങൾ കാണുന്നില്ല, എന്നാൽ GPT‑5.6 റഫറൻസ് ഘടന കൂടുതൽ കൃത്യതയോടെ പിന്തുടരുന്നു.
റഫറൻസ് ഫയൽ

GPT‑5.5 ഔട്ട്പുട്ട്

GPT‑5.5‑ൽ മാസ്റ്റർ സ്ലൈഡിലെ പ്രധാന ഘടകങ്ങൾ കാണുന്നില്ല
GPT‑5.6 ഔട്ട്പുട്ട്

GPT‑5.6 കാഴ്ചയിൽ കൂടുതൽ മിനുക്കമുള്ള ഡോക്യുമെന്റുകളും സ്പ്രെഡ്ഷീറ്റുകളും സൃഷ്ടിക്കുന്നു. ഇത് സങ്കീർണ്ണമായ റഫറൻസ് ഫോർമാറ്റുകൾ കൂടുതൽ നിഷ്ഠയോടെ പാലിക്കുന്നു, ആവർത്തനയോഗ്യമായ വിജ്ഞാന പ്രവർത്തനങ്ങൾക്ക് ഇത് പ്രധാനമാണ്. ഇത് സമവാക്യങ്ങളും സാമ്പത്തിക മോഡലുകളും കൂടുതൽ കൃത്യതയോടെ കൈകാര്യം ചെയ്യുകയും, ടൈപ്പോഗ്രാഫി, സ്പേസിംഗ്, ശ്രേണിക്രമം, പേജ് അല്ലെങ്കിൽ വർക്ക്ഷീറ്റ് ലേഔട്ട് എന്നിവ കൂടുതൽ ഫലപ്രദമായി പ്രയോജനപ്പെടുത്തുകയും ചെയ്യുന്നു.
GPT‑5.6 പരീക്ഷിച്ച ആദ്യകാല ഉപഭോക്താക്കൾ വിവിധ മേഖലകളിലുടനീളം വിജ്ഞാനാധിഷ്ഠിത ജോലികളുടെ ഔട്ട്പുട്ടുകളിൽ മെച്ചപ്പെടുത്തലുകൾ കണ്ടു.
GPT‑5.6 ഇതുവരെ ഉള്ളതിൽ ഞങ്ങളുടെ ഏറ്റവും ശക്തമായ സൈബർസുരക്ഷാ മോഡലാണ്, ഗണ്യമായി കുറവ് ടോക്കൺ ഉപയോഗിച്ച് അത്യാധുനിക പ്രകടനം കൈവരിക്കുന്നു. ദുർബലതയുള്ള കോഡിലെത്തുന്നതിൽ നിന്ന് ഇച്ഛാനുസൃത കോഡ് നിർവഹണം വരെയുള്ള പുരോഗതി അളക്കുന്ന ExploitBench2, -ൽ, GPT‑5.5‑ന്റെ സ്കോറുമായി താരതമ്യം ചെയ്യുമ്പോൾ ഇത് 73.5% സ്കോർ ചെയ്യുന്നു താരതമ്യപ്പെടുത്താവുന്ന ഔട്ട്പുട്ട് ടോക്കൺ ബജറ്റിൽ 47.9%. യഥാർത്ഥ ലോകത്തിലെ ദുർബലതകളെ പ്രവർത്തനക്ഷമമായ എക്സ്പ്ലോയിറ്റുകളാക്കി മാറ്റാൻ ഏജന്റുകളോട് ആവശ്യപ്പെടുന്ന ExploitGym3, -ൽ, ഇത് GPT‑5.5-ന്റെ പ്രകടനത്തെ ഏകദേശം ഇരട്ടിയാക്കുന്നു പരമാവധി വിജയനിരക്ക്, രണ്ട് മണിക്കൂർ പരിധിക്കുള്ളിൽ 15.1%ൽ നിന്ന് 24.9% വരെ; ആറ് മണിക്കൂറിൽ, അത് 33.7%ൽ എത്തുന്നു. സങ്കീർണ്ണമായ സോഫ്റ്റ്വെയറിൽ പ്രൂഫ്-ഓഫ്-കോൺസെപ്റ്റ് ജനറേഷൻ പരീക്ഷിക്കുന്ന SEC-Bench Pro-യിൽ, GPT‑5.5‑ന്റെതിനെതിരെ ഇത് 71.2% സ്കോർ ചെയ്യുന്നു മെച്ചപ്പെട്ട ലേറ്റൻസിയിൽ 45.8%.
GPT‑5.6 സുരക്ഷിത കോഡ് അവലോകനം, പാച്ചിംഗ്, ഭീഷണി മോഡലിംഗ്, ബ്ലൂ ടീം പ്രവർത്തനങ്ങൾ തുടങ്ങിയ പ്രധാന പ്രതിരോധാത്മക ജോലികളെ പിന്തുണയ്ക്കുന്നു. OpenAI Daybreak-ന്റെ Trusted Access for Cyber പ്രോഗ്രാമിലുള്ള യോഗ്യതയുള്ള വ്യക്തികളും സ്ഥാപനങ്ങളും, അംഗീകൃത പരിതസ്ഥിതികളിലെ സ്ഥിരീകരിച്ച ജോലികൾക്കായി കൂടുതൽ കൃത്യമായ സംരക്ഷണ നടപടികളിലൂടെ അതിന്റെ പ്രതിരോധ ശേഷിയുടെ കൂടുതൽ ഭാഗങ്ങൾ ആക്സസ് ചെയ്യാൻ കഴിയും. ഇതിൽ ദുർബലതാ ട്രയാജും സാധൂകരണവും, മാൽവെയർ വിശകലനം, കണ്ടെത്തൽ എഞ്ചിനീയറിംഗ്, പാച്ച് സാധൂകരണം എന്നിവയും ഉൾപ്പെടുന്നു.
വ്യക്തികൾക്ക് തങ്ങളുടെ ഐഡന്റിറ്റി സ്ഥിരീകരിച്ച് വിശ്വസനീയമായ ആക്സസ് അഭ്യർത്ഥിക്കാം(പുതിയ വിൻഡോയിൽ തുറക്കുന്നു), കൂടാതെ സ്ഥാപനങ്ങൾക്ക് അവരുടെ ടീമുകൾക്കായി അപേക്ഷിക്കാം. ഞങ്ങളുടെ ഏറ്റവും സൈബർ-ശേഷിയുള്ള അത്യാധുനിക മോഡലുകളിലേക്കുള്ള ആക്സസ് നിലനിർത്താൻ, വ്യക്തിഗത അംഗങ്ങൾ സെപ്റ്റംബർ 1-നകം ഹാർഡ്വെയർ പിന്തുണയുള്ള പാസ്കീകൾ ഉപയോഗിച്ച് ഉന്നത അക്കൗണ്ട് സുരക്ഷ(പുതിയ വിൻഡോയിൽ തുറക്കുന്നു) പ്രവർത്തനക്ഷമമാക്കണം; അങ്ങനെ ചെയ്യാത്തവർ ഡിഫോൾട്ട് ആക്സസിലേക്ക് മടങ്ങും. ഇതിനകം ഹാർഡ്വെയർ പിന്തുണയുള്ള പാസ്കീകൾ ഇല്ലാത്ത ഉപയോക്താക്കൾക്ക് ഞങ്ങളുടെ പങ്കാളിയായ Yubico-യിൽ നിന്ന് പ്രിഫര്ചെയ്ത വില(പുതിയ വിൻഡോയിൽ തുറക്കുന്നു) യില് ലഭിക്കും. ഉയർന്ന അപകടസാധ്യതയുള്ള സ്ഥാപനങ്ങളിലേക്കും ഉയർന്ന അപകടസാധ്യതയുള്ള അധികാരപരിധികളിലും ആക്സസ് നിയന്ത്രിക്കുന്നതിന് ഞങ്ങൾ അധിക നടപടികളും സ്വീകരിക്കുന്നു.
ExploitBench: ക്രമേണ കൂടുതൽ ശേഷിയുള്ള V8 എക്സ്പ്ലോയിറ്റുകൾ നിർമ്മിക്കൽ; GPT‑5.6, GPT‑5.5-നെക്കാൾ വലിയ മുന്നേറ്റം കാണിക്കുന്നു. ഈ ബെഞ്ച്മാർക്കിനായി ലേറ്റൻസി കണക്കാക്കൽ വിശ്വസനീയമല്ലാത്തതിനാൽ ലേറ്റൻസി ചാർട്ട് കാണിച്ചിട്ടില്ല.
GPT‑5.6 Sol ശാസ്ത്രീയ ഗവേഷണ മേഖലകളിൽ വ്യാപകമായ നേട്ടങ്ങൾ കാണിക്കുന്നു. ലൈഫ് സയൻസസ് മൂല്യനിർണ്ണയങ്ങളിൽ, യഥാർത്ഥ ലോകത്തിലെ ജീവശാസ്ത്രം, ലൈഫ് സയൻസ് ഗവേഷണ വർക്ക്ഫ്ലോകൾ, രസതന്ത്രം എന്നിവയിൽ GPT‑5.5 നെ അപേക്ഷിച്ച് GPT‑5.6 പാരേറ്റോ മെച്ചപ്പെടുത്തലുകൾ കാണിക്കുന്നു.
GeneBench Pro: ദീർഘകാല-പരിധിയിലുള്ള ജീനോമിക്സ്, ക്വാണ്ടിറ്റേറ്റീവ്-ബയോളജി വിശകലനങ്ങൾ; GPT‑5.6 കുറവ് ടോക്കണുകളും കുറവ് സമയവും ഉപയോഗിച്ച് കൂടുതൽ ശക്തമായ ഫലങ്ങളിൽ എത്തുന്നു. Claude Fable 5 ഉൾപ്പെടുത്തിയിട്ടില്ല, കാരണം ഈ മൂല്യനിർണയത്തിലെ ഉയർന്ന തലത്തിലുള്ള ബയോളജി ചോദ്യങ്ങൾക്ക് അത് ഉത്തരം നൽകുന്നില്ല(പുതിയ വിൻഡോയിൽ തുറക്കുന്നു), കൂടാതെ ഭൂരിഭാഗം ചോദ്യങ്ങളും നിരസിക്കുന്നു..
GPT‑5.6 AI ഗവേഷണം വേഗത്തിലാക്കുന്നതിനുള്ള ഞങ്ങളുടെ ഇതുവരെ ഉള്ളതിൽ ഏറ്റവും ശക്തമായ മോഡൽ ആണ് ഇത്. OpenAI-യ്ക്കുള്ളിൽ, ഗവേഷകർ വികസന ചക്രത്തിലുടനീളം ഇത് ഉപയോഗിക്കുന്നു: പരാജയങ്ങൾ നിർണ്ണയിക്കൽ, പരിശീലന സിസ്റ്റങ്ങൾ ഒപ്റ്റിമൈസ് ചെയ്യൽ, പരീക്ഷണങ്ങൾ നടത്തൽ, ഫലങ്ങൾ വ്യാഖ്യാനിക്കൽ. GPT‑5.6‑ന്റെ ആഭ്യന്തര ടെസ്റ്റിംഗ് കാലയളവിൽ തന്നെ ആ ത്വരണവും കൂടുതൽ ശക്തമായ സ്വീകരണവും ഞങ്ങൾ ഇതിനകം കണ്ടിരുന്നു, കാരണം ഓരോ സജീവ ഗവേഷകനുമുള്ള ശരാശരി ദൈനംദിന ഔട്ട്പുട്ട് ടോക്കണുകളുടെ എണ്ണം GPT‑5.5-ൽ നിരീക്ഷിച്ച ഏറ്റവും ഉയർന്ന നിലയേക്കാൾ ഇരട്ടിയിലധികമായിരുന്നു.
ഈ പ്രവർത്തനരീതി വേഗത്തിൽ സാധാരണ രീതിയായി മാറിക്കൊണ്ടിരിക്കുകയാണ്. കഴിഞ്ഞ ആറു മാസത്തിനിടെ, ആന്തരിക കോഡിംഗ് ഇൻഫറൻസിനായി നീക്കിവെച്ച ഗവേഷണ കമ്പ്യൂട്ടിന്റെ വിഹിതം 100 മടങ്ങ് വളർന്നു, അതേസമയം ആന്തരിക ഏജന്റിക് ടോക്കൺ ഉപയോഗം ഏകദേശം 22 മടങ്ങ് വർധിച്ചു. ഈ സ്വീകരണ മെട്രിക്കുകൾ സ്വതന്ത്രമായി ഗവേഷണ പുരോഗതിയെ അളക്കുന്നതല്ല, എന്നാൽ ഗവേഷണത്തിനും വിൽപ്പന, മാർക്കറ്റിംഗ്, യൂസർ ഓപ്പ്സ്, ഫിനാൻസ് എന്നിവയുൾപ്പെടെയുള്ള മറ്റ് ടീമുകളിലുടനീളവും AI സഹായം എത്ര വേഗത്തിൽ വർധിച്ചുകൊണ്ടിരിക്കുകയാണെന്ന് അവ കാണിക്കുന്നു.
ഈ ശേഷി നേരിട്ട് അളക്കുന്നതിനായി, ഗവേഷണ സിസ്റ്റങ്ങൾ ഡീബഗ് ചെയ്യൽ, കെർണലുകളും പരിശീലന റെസിപ്പികളും ഒപ്റ്റിമൈസ് ചെയ്യൽ, മെഷീൻ-ലേണിംഗ് പരീക്ഷണങ്ങൾ നടത്തൽ, മറ്റൊരു മോഡൽ മെച്ചപ്പെടുത്തൽ എന്നിവ ഉൾപ്പെടെയുള്ള യഥാർത്ഥ AI ഗവേഷണ ടാസ്കുകളെ അടിസ്ഥാനമാക്കി ഞങ്ങൾ ആന്തരിക മൂല്യനിർണ്ണയങ്ങളുടെ ഒരു സമാഹാരം വികസിപ്പിച്ചു.
ആകെ RSI ശേഷി: റിക്കർസീവ് സ്വയം-മെച്ചപ്പെടുത്തലിലേക്കുള്ള പുരോഗതി അളക്കുന്ന മൂല്യനിർണയങ്ങളുടെ ഒരു സമാഹാരത്തിൽ, GPT‑5.6 Sol, GPT‑5.5‑നെ അപേക്ഷിച്ച് 16.2 പോയിന്റ് മെച്ചപ്പെടുത്തൽ കൈവരിച്ചതായി ഞങ്ങൾ നിരീക്ഷിക്കുന്നു, ഇത് എല്ലാ മേഖലകളിലുമുള്ള ആന്തരിക ഗവേഷണത്തെ വേഗത്തിലാക്കുന്നു.
മോഡൽ കഴിവുകൾ കൂടുന്നതിനനുസരിച്ച്, അഡ്വാൻസ്ഡ് ഇൻ്റലിജൻസ് വ്യാപകമായും ഉപകാരപ്രദമായും തുടരാൻ കഴിയുന്നതിനായി ഞങ്ങൾ ഞങ്ങളുടെ സുരക്ഷാ സ്റ്റാക്ക് ശക്തിപ്പെടുത്തുന്നു, അതേസമയം ഏറ്റവും ഉയർന്ന റിസ്കുള്ള ഉപയോഗങ്ങൾക്ക് കൂടുതൽ കർശനമായ പരിശോധനയും പ്രയോഗിക്കുന്നു. GPT‑5.6-നായി, ഓരോ മോഡലിന്റെയും കഴിവുകൾക്ക് അനുസരിച്ച് കാലിബ്രേറ്റ് ചെയ്തതും മുമ്പത്തേക്കാൾ കൂടുതൽ കംപ്യൂട്ട് ഉപയോഗിച്ച് പ്രവർത്തിക്കുന്നതുമായ, ഇതുവരെ ഞങ്ങളുടെ ഏറ്റവും കരുത്തുറ്റ സുരക്ഷാ സംവിധാനം ഞങ്ങൾ നിർമ്മിച്ചു.
GPT‑5.6 മോഡലുകൾ ജീവശാസ്ത്രത്തിലും സൈബർ സുരക്ഷയിലും ഞങ്ങളുടെ മുൻകാല മോഡലുകളേക്കാൾ കൂടുതൽ കഴിവുള്ളവയാണ്, എന്നാൽ ഈ രണ്ട് വിഭാഗങ്ങളിലൊന്നിലും നിർണായക പരിധി മറികടക്കുന്നില്ല. സൈബർ സുരക്ഷാ രംഗത്ത്, ശക്തമായ ലക്ഷ്യങ്ങൾക്കെതിരെ സ്വയംഭരണാധികാരമുള്ള, തുടക്കം മുതൽ അവസാനം വരെയുള്ള ആക്രമണങ്ങൾ വിശ്വസനീയമായി നടത്തുന്നതിനേക്കാൾ, അപകടസാധ്യതകൾ കണ്ടെത്താനും അവ പരിഹരിക്കാനുമുള്ള കഴിവ് GPT‑5.6‑ന് കൂടുതലാണെന്ന് ഞങ്ങളുടെ പരിശോധനകൾ സൂചിപ്പിക്കുന്നു—ഇത് സുരക്ഷാ വീഴ്ചകൾ ചൂഷണം ചെയ്യപ്പെടുന്നതിന് മുമ്പായി സംവിധാനങ്ങളെ ശക്തിപ്പെടുത്താൻ പ്രതിരോധക്കാർക്ക് ഒരു അവസരം നൽകുന്നു. ജീവശാസ്ത്രത്തിൽ, ഞങ്ങളുടെ പരിശോധനകൾ സൂചിപ്പിക്കുന്നത് GPT‑5.6 നിയമാനുസൃതമായ ഗവേഷണത്തെ പിന്തുണയ്ക്കാൻ കഴിയുമെങ്കിലും, അത്യന്തം അപകടകരമായ ഒരു പുതിയ ഭീഷണി സൃഷ്ടിക്കാൻ, എഞ്ചിനീയർ ചെയ്യാൻ, അല്ലെങ്കിൽ സിന്തസേസ് ചെയ്യാൻ ആവശ്യമായ തുടക്കം മുതൽ അവസാനം വരെയുള്ള കഴിവ് നൽകുന്നില്ല എന്നതാണ്.
രണ്ട് മേഖലകളും സ്വാഭാവികമായി ഇരട്ട ഉപയോഗമുള്ളവയാണ്. സൈബർസുരക്ഷയിൽ, ഒരു സുരക്ഷാ ദൗർബല്യം ചൂഷണം ചെയ്യാൻ ആക്രമണകാരിയെ സഹായിക്കുന്ന അതേ ശേഷികൾ, അതിനെ കണ്ടെത്താനും പുനഃസൃഷ്ടിക്കാനും വിശ്വസനീയമായ പരിഹാരം രൂപപ്പെടുത്താനും പ്രതിരോധകനെയും സഹായിക്കും. അതിനാൽ, അമിതമായി തടയുന്നത് സ്വന്തമായൊരു സുരക്ഷാ അപകടസാധ്യത സൃഷ്ടിക്കുന്നു. ദുരുപയോഗം നടത്തുന്നവർ മറ്റ് മോഡലുകൾ, വർദ്ധിച്ചുവരുന്ന കഴിവുള്ള ഓപ്പൺ സോഴ്സ് മോഡലുകളും സ്ഥാപിത ഉപകരണങ്ങളും ഉൾപ്പെടെ ഉപയോഗിക്കുന്നത് തുടരുമ്പോൾ, ഇത് പ്രതിരോധകർക്ക് സിസ്റ്റങ്ങൾ പരീക്ഷിക്കാനും പാച്ചുകൾ വിന്യസിക്കാനും തടസ്സം സൃഷ്ടിക്കാം. ഫലപ്രദമായ സംരക്ഷണ നടപടികൾ ഒരു അഭ്യർത്ഥനയുടെ സാഹചര്യവും സാധ്യതയുള്ള പ്രത്യാഘാതങ്ങളും കണക്കിലെടുക്കുന്നു; നിയമാനുസൃതമായ പ്രതിരോധ പ്രവർത്തനം സംരക്ഷിക്കുമ്പോൾ, തെളിവുകൾ ഗുരുതരമായ ഹാനിയുടെ അപകടസാധ്യത സൂചിപ്പിക്കുന്നിടത്ത് കൂടുതൽ ശക്തമായ നിയന്ത്രണങ്ങൾ പ്രയോഗിക്കുന്നു.
GPT‑5.6-ന്റെ സുരക്ഷാ സംവിധാനങ്ങൾ കൂടുതൽ കൃത്യതയ്ക്കും റെഡണ്ടൻസിക്കുമായി പല തലങ്ങളിലായി ക്രമീകരിച്ചിരിക്കുന്നു. പുതിയ ആക്രമണങ്ങൾ ഉണ്ടാകുമ്പോൾ വേഗത്തിൽ അതിനനുസരിച്ച് മാറാൻ പാകത്തിലാണ് ഇവ രൂപകൽപ്പന ചെയ്തിരിക്കുന്നത്. മോഡലിൽ പരിശീലിപ്പിച്ചിട്ടുള്ള സംരക്ഷണങ്ങൾ തത്സമയ പരിശോധനകൾ, തുടർച്ചയായ നിരീക്ഷണം, അക്കൗണ്ട്-തലത്തിലുള്ള നടപ്പാക്കൽ എന്നിവയ്ക്കൊപ്പം പ്രവർത്തിക്കുന്നതിനാൽ, ഒരു പ്രത്യേക പാളി ഉദ്ദേശിച്ചതുപോലെ പ്രവർത്തിക്കാത്തപ്പോഴും സിസ്റ്റം സുരക്ഷിതമായി തുടരാൻ സഹായിക്കുന്നു. പല സിസ്റ്റങ്ങളിലും, എന്താണ് തടയേണ്ടതെന്ന് ക്ലാസിഫയർ ഫ്ലാഗുകൾ മാത്രം തീരുമാനിക്കുന്നു. ദോഷം തടയുന്നതിനായി മാറ്റാൻ കൂടുതൽ ബുദ്ധിമുട്ടുള്ള, കുറഞ്ഞ ഇൻ്റലിജൻസ് മോഡലുകളെയാണ് അവ ആശ്രയിക്കുന്നത്. ഒരു സംഭാഷണത്തിൽ ദോഷകരമായ എന്തെങ്കിലും സംഭവിക്കാൻ സാധ്യതയുണ്ടോ എന്ന് നിർണ്ണയിക്കുന്നതിനായി ആ സംഭാഷണം പരിശോധിക്കുന്ന ഒരു റീസണിംഗ് മോണിറ്റർ ഞങ്ങളുടെ സമീപനത്തിൽ ഉൾപ്പെടുത്തിയിട്ടുണ്ട്. ഈ രൂപകൽപ്പനയുടെ ഉദ്ദേശ്യം, പ്രതിരോധപരമായ പ്രവർത്തനങ്ങളെ അനുവദിക്കുന്നതിനൊപ്പം ഗുരുതരമായ ദുരുപയോഗങ്ങളെ തടയുക എന്നതാണ്. ഇതിൽ ഏറ്റവും സെൻസിറ്റീവായ കഴിവുകൾ 'ട്രസ്റ്റഡ് ആക്സസ്' വഴി പരിശോധിച്ചുറപ്പിച്ച ഉപയോക്താക്കൾക്കായി മാത്രമായി പരിമിതപ്പെടുത്തിയിരിക്കുന്നു. ചില സംരക്ഷണങ്ങൾ ടെസ്റ്റ്-ടൈം റീസണിംഗ് ഉപയോഗിക്കുന്നതിനാൽ, ക്ലാസിഫയറുകളെ ആദ്യത്തിൽ നിന്ന് വീണ്ടും പരിശീലിപ്പിക്കേണ്ട ആവശ്യമില്ലാതെ തന്നെ, പോരായ്മകൾ പരിഹരിക്കാൻ അവയെ വേഗത്തിൽ അപ്ഡേറ്റ് ചെയ്യാൻ ഞങ്ങൾക്ക് സാധിക്കും.
അഡാപ്റ്റീവ് ആക്രമണങ്ങൾക്കെതിരെ സിസ്റ്റം ശക്തിപ്പെടുത്തുന്നത് തുടരുന്നതിനാൽ, ഞങ്ങൾ കൂടുതൽ ജാഗ്രതയുള്ള സമീപനം സ്വീകരിക്കുന്നു. മുൻ മോഡലുകളുമായി താരതമ്യപ്പെടുത്തുമ്പോൾ, ഞങ്ങളുടെ GPT‑5.6 Sol സൈബർ സുരക്ഷാ പരിരക്ഷകൾ ഹാനികരമായേക്കാവുന്ന പ്രവർത്തനങ്ങളെ ഏകദേശം പത്ത് മടങ്ങ് കൂടുതൽ തടയുന്നു. ഈ നടപടികൾ ദോഷരഹിതമായ ഉപയോഗത്തിന് തടസ്സങ്ങൾ സൃഷ്ടിക്കാനിടയുള്ളതിനാൽ, കുറഞ്ഞ ശേഷിയുള്ള മോഡലുകളിൽ പ്രോംപ്റ്റുകൾ എളുപ്പത്തിൽ വീണ്ടും പരീക്ഷിക്കുന്നതിനുള്ള ഒരു ഓപ്ഷൻ ഞങ്ങൾ ChatGPT‑യിലും Codex-ലും നൽകുന്നു. കൂടാതെ, ഉയർന്ന മാനദണ്ഡം നിലനിർത്തിക്കൊണ്ട് ദോഷരഹിതമായ ഉപയോഗത്തിൽ ഞങ്ങളുടെ സുരക്ഷാ മുൻകരുതലുകൾ ഉണ്ടാക്കുന്ന സ്വാധീനം കുറയ്ക്കാൻ ഞങ്ങൾ തുടരും. ഇത് ഞങ്ങളുടെ ആവർത്തനാത്മക വിന്യാസ സമീപനത്തെ പ്രതിഫലിപ്പിക്കുന്നു: ജാഗ്രതയോടെ ആരംഭിച്ച്, യഥാർത്ഥ ഉപയോഗത്തിൽ നിന്ന് പഠിച്ചുകൊണ്ട് മെച്ചപ്പെടുത്തുന്നു.
പൊതുവായ ലഭ്യതയ്ക്ക് മുമ്പ്, ഇന്നുവരെ നടത്തിയതിൽ വെച്ച് ഏറ്റവും തീവ്രമായ സുരക്ഷാ മൂല്യനിർണയങ്ങൾ ഞങ്ങൾ നടത്തി. ഇതിൽ വിപുലമായ റെഡ് ടീമിംഗ്, ബാഹ്യ വിദഗ്ധരുമായി ചേർന്നുള്ള ശക്തമായ കഴിവ്, സുരക്ഷാ പരിശോധനകൾ, കൂടാതെ ഏകദേശം 700,000 A100e GPU മണിക്കൂറുകളുടെ ബ്ലാക്ക്-ബോക്സ് ഓട്ടോമേറ്റഡ് റെഡ് ടീമിംഗ് എന്നിവ ഉൾപ്പെടുന്നു. ഇത് സാധ്യതയുള്ള ദുർബലതകൾ വ്യവസ്ഥാപിതമായി പരിശോധിക്കാനും, ജയിൽബ്രേക്കുകൾ കണ്ടെത്താനും, പുറത്തിറക്കുന്നതിന് മുമ്പ് സിസ്റ്റത്തെ കൂടുതൽ ശക്തിപ്പെടുത്താനും ഞങ്ങളെ സഹായിച്ചു.
പൂർണ്ണമായ സുരക്ഷ എന്നൊന്നില്ല; കഴിവുകൾ ക്രമേണ വർധിച്ചുകൊണ്ടിരിക്കുന്ന മോഡൽ സുരക്ഷിതമാക്കാനുള്ള ഞങ്ങളുടെ പ്രവർത്തനം തുടരുന്നു. പുതിയ ദൗർബല്യങ്ങൾ കണ്ടെത്തപ്പെടും; നിലവിലുള്ള സുരക്ഷാ സംവിധാനങ്ങളെ മറികടക്കുന്ന പുതിയ ജെയിൽബ്രേക്ക് കണ്ടെത്തപ്പെടും. മോഡലിന്റെ ഓരോ പുതിയ തലമുറയും ആക്രമണത്തിനും ദുരുപയോഗത്തിനും പുതിയ വഴികളും സൃഷ്ടിക്കും. പാളികളായ സംരക്ഷണ നടപടികൾ, തുടർച്ചയായ നിരീക്ഷണം, ദ്രുതമായ പരിഹാരനടപടികൾ, പ്രതിരോധ സമൂഹത്തിലുടനീളമുള്ള സഹകരണം എന്നിവയിലൂടെ ആ യാഥാർഥ്യത്തിന് അനുയോജ്യമായ രീതിയിൽ ഞങ്ങൾ നിർമ്മിക്കുന്നു. GPT‑5.6-നായി, ഞങ്ങളുടെ നിലവിലുള്ള സുരക്ഷ(പുതിയ വിൻഡോയിൽ തുറക്കുന്നു) യും ബയോളജി ബഗ് ബൗണ്ടി പ്രോഗ്രാമുകളും ഒരു പുതിയ ദ്രുത പരിഹാര പ്രക്രിയയോടും ഇതുവരെ ഉണ്ടായതിൽ ഏറ്റവും ശക്തമായ നിരീക്ഷണ ശ്രമത്തോടും ഞങ്ങൾ സംയോജിപ്പിച്ചിരിക്കുന്നു. ഗവേഷകരിൽ നിന്നുള്ള കണ്ടെത്തലുകൾ, നിരീക്ഷണം, യഥാർത്ഥ സാഹചര്യങ്ങളിലെ ദുരുപയോഗം എന്നിവ തുടർച്ചയായി പുതിയ മൂല്യനിർണയങ്ങൾക്കും കൂടുതൽ ശക്തമായ സുരക്ഷാ നടപടികൾക്കും അടിസ്ഥാനമാകും.
അപ്ഡേറ്റ് ചെയ്ത GPT‑5.6 സിസ്റ്റം കാർഡിൽ(പുതിയ വിൻഡോയിൽ തുറക്കുന്നു) ഞങ്ങളുടെ സുരക്ഷാ സംവിധാനങ്ങളെക്കുറിച്ച് കൂടുതൽ വായിക്കുക.
GPT‑5.6 മൂന്ന് മോഡൽ ശ്രേണികളെ ഉൾക്കൊള്ളുന്നു: Sol, ഞങ്ങളുടെ മുൻനിര മോഡൽ; Terra, GPT‑5.5-നോട് മത്സരക്ഷമമായ പ്രകടനമുള്ള കുറഞ്ഞ ചെലവുള്ള മോഡൽ; കൂടാതെ Luna, ഞങ്ങളുടെ ഏറ്റവും വേഗതയേറിയതും ഏറ്റവും താങ്ങാനാവുന്നതുമായ മോഡൽ. സംഖ്യ തലമുറയെ തിരിച്ചറിയുന്നതിനാണ് , അതേസമയം തങ്ങളുടെ സ്വന്തം താളത്തിൽ പുരോഗമിക്കാൻ കഴിയുന്ന ദൃഢമായ ശേഷി തലങ്ങളാണ് Sol, Terra, Luna എന്നിവ അര്ത്ഥമാക്കുന്നത്.
GPT‑5.6 ഇന്ന് മുതൽ ChatGPT, Codex, OpenAI API എന്നിവയിൽ ലഭ്യമാണ്. റോളൗട്ട് ഇപ്പോൾ ആഗോളതലത്തിൽ ആരംഭിക്കുകയാണ്, അടുത്ത 24 മണിക്കൂറിനുള്ളിൽ പൂർണ്ണ ലഭ്യതയിലേക്ക് ഇത് ക്രമേണ തുടരും.
- ചാറ്റ്: Plus, Pro, Business, Enterprise ഉപയോക്താക്കൾക്ക് ഇടത്തരം, ഉയർന്ന ശ്രമ ക്രമീകരണങ്ങളിലൂടെ GPT‑5.6 Sol ആക്സസ് ലഭിക്കുന്നു. Pro, Enterprise ഉപയോക്താക്കൾക്ക് സങ്കീർണ്ണമായ ടാസ്കുകളിൽ ഏറ്റവും ഉയർന്ന നിലവാരമുള്ള ഫലങ്ങൾക്കായി GPT‑5.6 Sol Pro തിരഞ്ഞെടുക്കാനും കഴിയും.
- ChatGPT ജോലി Codex-ഉം: ഫ്രീ, Go ഉപയോക്താക്കൾക്ക് GPT‑5.6 Terra ആക്സസ് ചെയ്യാം. Plus, Pro, Business, Enterprise ഉപയോക്താക്കൾക്ക് GPT‑5.6 തിരഞ്ഞെടുക്കാനാകും സോൾ, ടെറ, ലൂന എന്നിവയും ഓരോന്നിനും ശ്രമനില സജ്ജമാക്കുക. ChatGPT ജോലി, Codex എന്നിവയിൽ GPT‑5.6-ൽ ആക്സസ് ഉള്ള എല്ലാ ഉപയോക്താക്കൾക്കും
maxലഭ്യമാണ്, കൂടാതെ ക്രമീകരണങ്ങളിൽ ഇത് പ്രവർത്തനക്ഷമമാക്കാം. ChatGPT ജോലിയിൽ,ultraPro, Enterprise ഉപയോക്താക്കൾക്ക് ലഭ്യമാണ്. Codex-ൽ, ഇത് Plus-ഉം അതിനു മറ്റ് ഉയര്ന്ന പ്ലാനുകളിലും ലഭ്യമാണ്. - API: ഡെവലപ്പർമാർക്ക് OpenAI API വഴി Sol, Terra, Luna എന്നിവയിലേക്ക് ആക്സസ് ചെയ്യാം. Responses API-യിൽ, Programmatic Tool Calling ടൂളുകളെ ഏകോപിപ്പിക്കുകയും ഇടക്കാല ഫലങ്ങൾ പ്രോസസ് ചെയ്യുകയും ചെയ്യുന്ന പ്രോഗ്രാമുകൾ ഇൻ-മെമ്മറിയിൽ എഴുതാനും പ്രവർത്തിപ്പിക്കാനും GPT‑5.6-നെ അനുവദിക്കുന്നു, അങ്ങനെ ഇത് സീറോ ഡാറ്റ റിട്ടെൻഷൻ (ZDR)-നു അനുയോജ്യമാകുന്നു. ആരംഭത്തിൽ ബീറ്റയായി ലഭ്യമാകുന്ന മൾട്ടി-ഏജന്റ്, ഒറ്റ അഭ്യർത്ഥനയിൽ സമാന്തര സബ്ഏജന്റുകൾ പ്രവർത്തിപ്പിക്കുകയും അവയുടെ പ്രവർത്തനം സംയോജിപ്പിക്കുകയും ചെയ്യാൻ GPT‑5.6‑നെ അനുവദിക്കുന്നു.
GPT‑5.6-ന്റെ വില മൂന്ന് മോഡൽ വലുപ്പങ്ങളിലായി 1M ടോക്കണുകൾക്ക് അടിസ്ഥാനമാക്കിയാണ് നിശ്ചയിച്ചിരിക്കുന്നത്: Sol-ന് $5 ഇൻപുട്ട് / $30 ഔട്ട്പുട്ട്; Terra-യ്ക്ക് $2.50 ഇൻപുട്ട് / $15 ഔട്ട്പുട്ട്; Luna-യ്ക്ക് $1 ഇൻപുട്ട് / $6 ഔട്ട്പുട്ട്. GPT‑5.6 കൂടുതൽ പ്രവചിക്കാവുന്ന പ്രോംപ്റ്റ് കാഷിംഗും അവതരിപ്പിക്കുന്നു. ഇതിൽ വ്യക്തമായ കാഷെ ബ്രേക്ക്പോയിന്റുകൾക്കുള്ള(പുതിയ വിൻഡോയിൽ തുറക്കുന്നു) പിന്തുണയും കുറഞ്ഞത് 30-മിനിറ്റ് കാഷെ ആയുസ്സും ഉൾപ്പെടുന്നു. GPT‑5.6-നും അതിന് ശേഷമുള്ള മോഡലുകൾക്കും, കാഷെ റൈറ്റുകൾക്ക് മോഡലിന്റെ കാഷെ ചെയ്യാത്ത ഇൻപുട്ട് നിരക്കിന്റെ 1.25x നിരക്കിൽ ബിൽ ചെയ്യും, അതേസമയം കാഷെ റീഡുകൾക്ക് കാഷെ ചെയ്ത ഇൻപുട്ടിനുള്ള 90% ഇളവ് തുടർന്നും ലഭിക്കും.
പ്രൊഫഷണൽ
| Eval | GPT‑5.6 Sol | GPT‑5.6 Terra | GPT‑5.6 Luna | GPT‑5.5 | Claude Fable 5 | Claude Opus 4.8 | ജെമിനി 3.1 Pro Preview | ജെമിനി 3.5 Flash |
| ഏജന്റുകളുടെ അവസാന പരീക്ഷ | 52.7% | 50.4% | 50.3% | 46.9% | 40.5% | 45.2% | 32.1% | — |
| GDPval-AA v2 | 1,747.8 Elo | 1,593 Elo | 1,591.8 Elo | 1,493.7 Elo | 1,759.6 Elo | 1,600.1 Elo | 962.3 Elo | 1,348.8 Elo |
| മാനേജ്മെന്റ് കൺസൾട്ടിംഗ് ടാസ്ക്കുകൾ (ആന്തരികം) | 43.2% | 37.2% | 35.4% | 31.3% | 35.5% | 31.6% | 13.2% | — |
| ബിഗ് ഫിനാൻസ് ബെഞ്ച് | 53% | 51% | 36% | 49% | — | 44% | — | — |
| ആർട്ടിഫിഷ്യൽ അനാലിസിസ് ഇൻഡക്സ് ഇൻ്റലിജൻസ് ഇൻഡക്സ് v4.1 | 58.9 ഇൻഡക്സ് സ്കോർ | 55 ഇൻഡക്സ് സ്കോർ | 51.2 ഇൻഡക്സ് സ്കോർ | 54.8 ഇൻഡക്സ് സ്കോർ | 59.9 ഇൻഡക്സ് സ്കോർ | 55.7 ഇൻഡക്സ് സ്കോർ | 46.5 ഇൻഡക്സ് സ്കോർ | 50.2 ഇൻഡക്സ് സ്കോർ |
കോഡിംഗ്
| Eval | GPT‑5.6 Sol | GPT‑5.6 Sol Ultra | GPT‑5.6 Terra | GPT‑5.6 Luna | GPT‑5.5 | Claude Mythos 5 | Claude Mythos Preview | Claude Fable 5 | Claude Opus 4.8 | Gemini 3.1 Pro Preview | ||||||||
| ആർട്ടിഫിഷ്യൽ അനാലിസിസ് കോഡിംഗ് ഏജന്റ് ഇൻഡക്സ് v1.1 | 80 ഇൻഡക്സ് സ്കോർ | — | 77 | 4 ഇൻഡക്സ് സ്കോർ | 74 | 6 ഇൻഡക്സ് സ്കോർ | 76 | 4 ഇൻഡക്സ് സ്കോർ | — | — | 77 | 2 ഇൻഡക്സ് സ്കോർ | 72 | 5 ഇൻഡക്സ് സ്കോർ | 42 | 7 ഇൻഡക്സ് സ്കോർ | ||
| SWE-Bench Pro | 64 | 6% | — | 63 | 4% | 62 | 7% | 59 | 4% | 80 | 3% | 77 | 8% | 80% | 69 | 2% | 54 | 2% |
| DeepSWE v1.1 | 72 | 7% | — | 69 | 6% | 67 | 2% | 67% | — | — | 69 | 7% | 59% | 11 | 8% | |||
| Terminal-Bench 2.1 | 88 | 8% | 91 | 9% | 87 | 4% | 84 | 7% | 85 | 6% | 88% | — | 83 | 1% | 78 | 9% | 70 | 7% |
സുരക്ഷ
| Eval | GPT‑5.6 Sol | GPT‑5.6 Terra | GPT‑5.6 Luna | GPT‑5.5 | GPT‑5.4 | Claude Opus 4.8 | Claude Mythos 5 | Claude Mythos Preview |
| Healthbench Professional | 60.5% | 57.7% | 55.7% | 51.8% | 48.1% | 52.6% | 66% | 64.7% |
കമ്പ്യൂട്ടർ ഉപയോഗം
| Eval | GPT‑5.6 Sol | GPT‑5.6 Sol Ultra | GPT‑5.6 Terra | GPT‑5.6 Luna | GPT‑5.5 | Claude Mythos 5 | Claude Mythos Preview | Claude Opus 4.8 | Gemini 3.1 Pro Preview |
| OSWorld 2.0 | 62.6% | — | 50.2% | 45.6% | 47.5% | — | — | 54.8% | — |
| BrowseComp | 90.4% | 92.2% | 87.5% | 83.3% | 84.4% | 88% | 87.9% | 84.3% | 85.9% |
| BenchCAD | 70.6% | — | 62.3% | 63.1% | 44.4% | 38.4% | 35.5% | 27.3% | — |
| BenchCAD (Python ഉപകരണം) | 83.4% | — | 78.2% | 73.9% | 55.8% | 65% | 61% | 51.8% | — |
സൈബർസുരക്ഷ
| Eval | GPT‑5.6 Sol | GPT‑5.6 Sol Ultra | GPT‑5.6 Terra | GPT‑5.6 Luna | GPT‑5.5 | Claude Mythos 5 | Claude Mythos Preview | Claude Opus 4.8 |
| Capture-the-Flag Challenges | 96.7% | — | 91.8% | 85.2% | 88.1% | — | — | — |
| SEC-Bench Pro | 71.2% | 74.3% | 57.7% | 48.9% | 45.8% | — | — | — |
| CyberGym | 84.5% | — | 81.8% | 77.9% | 81.8% | 83.8% | 83% | 78.1% |
| ExploitBench | 73.5% | — | 52.9% | 33.2% | 47.9% | 78% | 74.2% | 40% |
| ExploitGym | 33.7% | — | 23.2% | 12.4% | 15.1% | — | — | — |
സ്വയം മെച്ചപ്പെടുത്തൽ
| Eval | GPT‑5.6 Sol | GPT‑5.6 Terra | GPT‑5.6 Luna | GPT‑5.5 |
| ആന്തരിക ഗവേഷണ ഡീബഗ്ഗിംഗ് മൂല്യനിർണയം | 68.3% | 67.8% | 50.8% | 50% |
| KernelGen 1P | 61.1% | 49.2% | 22.4% | 29.3% |
| NanoGPT | 9.69% | 14.5% | 1.66% | 2.65% |
| PostTrainBench Lite | 50.3% | 51.5% | 29.6% | 38.8% |
| RSI ഇൻഡക്സ് | 57.9% | 56.3% | 41.9% | 41.7% |
മൾട്ടിമോഡൽ
| Eval | GPT‑5.6 Sol | GPT‑5.6 Terra | GPT‑5.6 Luna | GPT‑5.5 | Claude Fable 5 | Claude Opus 4.8 | Gemini 3.1 Pro Preview |
| MMMU Pro (ടൂളുകളില്ല) | 83% | 80.7% | 78.4% | 81.2% | — | — | 80.5% |
| MMMU Pro (ടൂളുകൾ സഹിതം) | 84.6% | 82% | 79.5% | 83.2% | — | — | — |
| gdp.pdf | 30.7% | 24.7% | 22.7% | 26% | 29.8% | 22.5% | 16.7% |
അക്കാദമിക്
| Eval | GPT‑5.6 Sol | GPT‑5.6 Terra | GPT‑5.6 Luna | GPT‑5.5 | Claude Mythos 5 | Claude Mythos Preview | Claude Fable 5 | Claude Opus 4.8 | Gemini 3.1 Pro Preview |
| GPQA Diamond | 94.6% | 92.9% | 92.3% | 93.6% | 94.1% | 94.6% | 92.6% | 92% | 94.3% |
| FrontierMath ടയർ 1-3 (v2) | 89% | 84.9% | 78.6% | 85.3% | — | — | 87% | 80% | 59.6% |
| FrontierMath ടയർ 4 (v2) | 83% | 68.3% | 58.5% | 72.5% | — | — | 87.8% | 56.1% | — |
ഉപകരണങ്ങളുടെ ഉപയോഗം
| Eval | GPT‑5.6 Sol | GPT‑5.6 Terra | GPT‑5.6 Luna | GPT‑5.5 | Claude Mythos 5 | Claude Mythos Preview | Claude Fable 5 | Claude Opus 4.8 | Gemini 3.1 Pro Preview | Gemini 3.5 Flash |
| AutomationBench | 18.1% | 15.2% | 14.9% | 12.9% | — | — | 17.4% | 15.5% | — | 14.5% |
| Toolathlon | 58% | 53.1% | 53.4% | 55.6% | 61.7% | 61.1% | 61.7% | 59.9% | 48.8% | — |
ലോംഗ് കോൺടെക്സ്റ്റ്
| Eval | GPT‑5.6 Sol | GPT‑5.6 Terra | GPT‑5.6 Luna | GPT‑5.5 | Claude Mythos 5 | Claude Mythos Preview | Claude Opus 4.8 |
| OpenAI MRCR v2 8-needle 256K-512K | 91.5% | 89.6% | 41.3% | 81.5% | — | — | — |
| OpenAI MRCR v2 8-needle 512K-1M | 73.8% | 72.5% | 41.3% | 74% | — | — | — |
| GraphWalks BFS 256k f1 | 90.7% | 76.9% | 81.3% | 73.7% | 91.1% | 85.7% | 85.9% |
| GraphWalks BFS 1mil f1 | 77.1% | 71.2% | 51.2% | 45.4% | 79.4% | 74.3% | 68.1% |
അബ്സ്ട്രാക്റ്റ് റീസണിംഗ്
| Eval | GPT‑5.6 Sol | GPT‑5.6 Terra | GPT‑5.6 Luna | GPT‑5.5 | Claude Opus 4.8 | Gemini 3.1 Pro Preview |
| ARC-AGI-3⁷ | 7.78% | 0.8% | 0.18% | 0.43% | 1.5% | 0.42% |
രചയിതാവ്
അടിക്കുറിപ്പുകൾ
ഒന്ന്. സൈബർ ശേഷികൾ കുറഞ്ഞ സംരക്ഷണ നടപടികളോടെ വിലയിരുത്തപ്പെടുന്നു. പ്രതിരോധ സൈബർ ശേഷികളിലേക്കുള്ള കൂടുതൽ ആക്സസിനായി ഉപയോക്താക്കൾക്ക് OpenAI Daybreak-ന്റെ Trusted Access for Cyber പ്രോഗ്രാമിൽ ചേരാം.
2. എല്ലാ മോഡലുകളും 5 സീഡുകളും റീസണിംഗ് തുടർച്ചയും ഉപയോഗിച്ച് ExploitBench API ഹാർനെസ് ഉപയോഗിച്ചാണ് മൂല്യനിർണയം ചെയ്യുന്നത്.
മൂന്ന്. ഞങ്ങളുടെ പൊതു API-യേക്കാൾ വേഗത്തിൽ പ്രതികരണങ്ങൾ ഔട്ട്പുട്ട് ചെയ്യുന്ന ഞങ്ങളുടെ ആൽഫ API-യിൽ ഞങ്ങൾ ExploitGym പ്രവർത്തിപ്പിച്ചു, തുടർന്ന് ഞങ്ങളുടെ പൊതു API-യുമായി പൊരുത്തപ്പെടുന്ന രീതിയിൽ വീണ്ടും സ്കെയിൽ ചെയ്തു. ലേറ്റൻസികളെ ഞങ്ങളുടെ പബ്ലിക് API-യ്ക്കായി പ്രതീക്ഷിക്കുന്ന വേഗതകളിലേക്ക് റീസ്കെയിൽ ചെയ്യുമ്പോൾ, ഇവാലുവേഷൻ റൺ സമയത്ത് അവ ശരിയായി പാലിക്കപ്പെട്ടിരുന്നെങ്കിലും, ഇതിന്റെ ഫലമായി ചില കണക്കാക്കിയ ലേറ്റൻസികൾ രണ്ട് മണിക്കൂറിന്റെയും ആറ് മണിക്കൂറിന്റെയും സമയപരിധികളെ മറികടക്കുന്നു. സമയപരിധി നിർണായകമായ ജോലികൾക്കായി കൂടുതൽ വേഗത ലഭിക്കാൻ, API-യിൽ മുൻഗണനാ പ്രോസസ്സിംഗ്യും Codex-ൽ ഫാസ്റ്റ് മോഡ്യും ഞങ്ങൾ വാഗ്ദാനം ചെയ്യുന്നു.
4. ഞങ്ങളുടെ മോഡലുകളുടെ പ്രൊഡക്ഷൻ പെരുമാറ്റം പരിശോധിച്ചും, ഓഫ്ലൈനായി സിമുലേറ്റ് ചെയ്തും ഞങ്ങൾ ലേറ്റൻസിയും API ചെലവും കണക്കാക്കുന്നു. ടൂൾ കോൾ വിശദാംശങ്ങൾ, സാമ്പിൾ ചെയ്ത ടോക്കൺ, ഇൻപുട്ട് ടോക്കൺ എന്നിവ ഈ കണക്കുകൂട്ടലുകൾ കണക്കിലെടുക്കുന്നു. യഥാർത്ഥ ലോക ഫലങ്ങൾ ഗണ്യമായി വ്യത്യാസപ്പെടാം, മാത്രമല്ല അവ ഞങ്ങളുടെ സിമുലേഷനിൽ ഉൾക്കൊള്ളാത്ത നിരവധി ഘടകങ്ങളെ ആശ്രയിച്ചിരിക്കുന്നു. ഞങ്ങൾ ലേറ്റൻസി വേഗത്തിലുള്ള API വേഗതയിൽ സിമുലേറ്റ് ചെയ്യുന്നു, ചെലവ് സാധാരണ API വിലനിർണ്ണയത്തിലും.
5. റിപ്പോർട്ട് ചെയ്ത ഔട്ട്പുട്ട് ടോക്കണുകളോ ലേറ്റൻസിയോ ചെലവോ ഇല്ലാത്ത മോഡലുകൾ തിരശ്ചീന ഡോട്ടഡ് ലൈനുകളായി പ്ലോട്ട് ചെയ്യുന്നു.
6. മൾട്ടി-ഏജന്റ് സാഹചര്യത്തിൽ, ലേറ്റൻസി റൂട്ട് ഏജന്റിൽ നിന്നാണ് കണക്കാക്കുന്നത്, അതേസമയം ഔട്ട്പുട്ട് ടോക്കണിന്റെയും API-ചെലവിന്റെയും മൊത്തത്തിൽ എല്ലാ ടോക്കണുകളും ഉൾപ്പെടുന്നു. Ultra നാല് ഏജന്റുകൾ ഉപയോഗിച്ച് പ്രവർത്തിപ്പിക്കുന്നു.
7. HealthBench Professional പേപ്പറിൽ വിവരിച്ചിരിക്കുന്ന ഔദ്യോഗിക സ്കോറിംഗ് സമീപനം ഉപയോഗിച്ചാണ് ഞങ്ങൾ സ്കോറുകൾ കണക്കാക്കുന്നത്; ഇവ Anthropic സിസ്റ്റം കാർഡുകളിൽ റിപ്പോർട്ട് ചെയ്ത ഫലങ്ങളുമായി താരതമ്യം ചെയ്യാനാകില്ല.
8. Opus 4.8-നായി ARC-AGI-3 റീസണിംഗ് എഫർട്ട് ഉയർന്ന ആയിരുന്നു, പരമാവധി അല്ല, കാരണം ഇത് പ്രസിദ്ധീകരിച്ച ഏക ARC-AGI-3 ഫലമാണ്.

