GPT‑5.4 അവതരിപ്പിക്കുന്നു

ഇന്ന്, ഞങ്ങൾ ChatGPT‑ൽ GPT‑5.4 പുറത്തിറക്കുന്നു (GPT‑5.4 Thinking എന്ന പേരില്‍), API, Codex എന്നിവയില്‍. പ്രൊഫഷണൽ ജോലികൾക്കായി ഞങ്ങളുടെ ഏറ്റവും കഴിവുള്ളതും കാര്യക്ഷമവുമായ അത്യാധുനിക മോഡൽ. സങ്കീർണ്ണ ടാസ്കുകളിൽ പരമാവധി പ്രകടനം ആവശ്യമുള്ളവര്‍ക്കായി, ChatGPT‑ലും API-ലും ഞങ്ങൾ GPT‑5.4 Pro കൂടി പുറത്തിറക്കുന്നു.

GPT‑5.4 റീസണിംഗ്, കോഡിംഗ്, ഏജന്റിക് പ്രവാഹങ്ങൾ എന്നിവയിലെ ഞങ്ങളുടെ അടുത്തകാലത്തെ മികച്ച പുരോഗതികളെ ഒരൊറ്റ അത്യാധുനിക മോഡലിൽ കോര്‍ത്തിണക്കിയിരിക്കുന്നു. ഇത് GPT‑5.3‑Codex⁠ ന്റെ വ്യവസായത്തിലെ മുൻനിര കോഡിംഗ് കഴിവുകൾ ഉൾക്കൊള്ളുന്നു. കൂടാതെ, ഉപകരണങ്ങൾ, സോഫ്റ്റ്‌വെയർ പരിതസ്ഥിതികൾ, സ്പ്രെഡ്ഷീറ്റുകൾ, പ്രെസന്റേഷനുകൾ, ഡോക്യുമെന്റുകൾ എന്നിവ ഉൾപ്പെടുന്ന പ്രൊഫഷണൽ ടാസ്കുകളിലുടനീളം മോഡൽ പ്രവർത്തനക്ഷമത മെച്ചപ്പെടുത്തുന്നു. കൃത്യമായും, ഫലപ്രദമായും, കാര്യക്ഷമമായും സങ്കീർണ്ണമായ ജോലികൾ ചെയ്തുതീർക്കുന്ന ഒരു മോഡലാണ് ഇതിന്റെ ഫലം, കുറഞ്ഞ ആശയവിനിമയത്തോടെ നിങ്ങൾ ആവശ്യപ്പെട്ടതെല്ലാം നൽകുന്നു.

ChatGPT‑ൽ, GPT‑5.4 Thinking-ന് ഇനി അതിന്റെ ചിന്താരീതിയുടെ ഒരു മുൻകൂർ പദ്ധതി നൽകാൻ കഴിയും, അതിനാൽ അത് പ്രവർത്തിക്കുന്ന സമയത്ത് നിങ്ങൾക്ക് പ്രതികരണത്തിനിടയിൽ ദിശ ക്രമീകരിക്കാനും കഴിയും, കൂടാതെ അധിക ടേൺസ് ഇല്ലാതെ തന്നെ നിങ്ങൾക്ക് ആവശ്യത്തിനു കൂടുതൽ അടുത്തായി പൊരുത്തപ്പെടുന്ന അന്തിമ ഔട്ട്പുട്ടിൽ എത്താനും കഴിയും. GPT‑5.4 Thinking ഡീപ്പ് വെബ് ഗവേഷണം മെച്ചപ്പെടുത്തുകയും ചെയ്യുന്നു, പ്രത്യേകിച്ച് വളരെ പ്രത്യേകമായ ക്വെറികൾക്കായി, കൂടാതെ കൂടുതൽ ദൈർഘ്യമുള്ള ചിന്ത ആവശ്യമായ ചോദ്യങ്ങൾക്ക് സന്ദർഭം കൂടുതൽ നന്നായി നിലനിർത്തുകയും ചെയ്യുന്നു. ഒരുമിച്ച്, ഈ മെച്ചപ്പെടുത്തലുകൾ ഉയർന്ന ഗുണനിലവാരമുള്ള ഉത്തരങ്ങൾ കൂടുതൽ വേഗത്തിൽ ലഭിക്കാനും നിലവിലെ ടാസ്കില്‍ പ്രസക്തമായി തുടരാനും സഹായിക്കുന്നു.

Codex-ലും API-ലും, GPT‑5.4 ഞങ്ങൾ പുറത്തിറക്കിയ ആദ്യത്തെ പൊതുവായ ഉപയോഗത്തിനുള്ള മോഡലാണ്; അത്യാധുനിക കമ്പ്യൂട്ടർ ഉപയോഗ ശേഷികൾ സ്വാഭാവികമായി ഉൾക്കൊള്ളുന്നതിലൂടെ, ഏജന്റുകൾക്ക് കമ്പ്യൂട്ടറുകൾ പ്രവർത്തിപ്പിക്കാനും ആപ്ലിക്കേഷനുകളിലുടനീളം സങ്കീർണ്ണമായ വർക്ക്‌ഫ്ലോകൾ നടപ്പിലാക്കാനും കഴിയും. ഇത് ഇതിന് ഒരു മില്യൺ ടോക്കണുകൾ വരെയുള്ള കോൺടെക്സ്റ്റ് പിന്തുണയുണ്ട്, വലിയ കാന്‍വാസില്‍ ഏജന്റുകളെ ടാസ്കുകൾ പ്ലാൻ ചെയ്യാനും, നടപ്പിലാക്കാനും, സ്ഥിരീകരിക്കാനും അനുവദിക്കുന്നു. GPT‑5.4, ടൂൾ തിരയൽ ഉപയോഗിച്ച്, ഉപകരണങ്ങളുടെയും കണക്ടറുകളുടെയും വലിയ ഇക്കോസിസ്റ്റങ്ങളിലുടനീളം മോഡലുകൾ പ്രവർത്തിക്കുന്ന രീതി കൂടി മെച്ചപ്പെടുത്തുന്നു; ബുദ്ധിശക്തി നഷ്ടപ്പെടാതെ ഏജന്റുകളെ ശരിയായ ഉപകരണങ്ങൾ കൂടുതൽ കാര്യക്ഷമമായി കണ്ടെത്താനും ഉപയോഗിക്കാനും ഇത് സഹായിക്കുന്നു. അവസാനമായി, GPT‑5.4 ഞങ്ങളുടെ ഏറ്റവും ടോക്കൺ കാര്യക്ഷമമായ റീസണിംഗ് മോഡൽ ആണ്, GPT‑5.2 നെ അപേക്ഷിച്ച് പ്രശ്നങ്ങൾ പരിഹരിക്കാൻ ഗണ്യമായി കുറവ് ടോക്കൺ-കൾ മാത്രം ഉപയോഗിക്കുന്നു—അങ്ങനെ ടോക്കൺ ഉപയോഗം കുറയുകയും വേഗത വർധിക്കുകയും ചെയ്യുന്നു.

പൊതുവായ റീസണിംഗ്, കോഡിംഗ്, പ്രൊഫഷണൽ വിജ്ഞാന ജോലികളിലെ പുരോഗതികളോടൊപ്പം, GPT‑5.4 ChatGPT, the API, Codex എന്നിവയിലുടനീളം കൂടുതൽ വിശ്വസനീയമായ ഏജന്റുകൾ, വേഗതയേറിയ ഡെവലപ്പർ വർക്ക്‌ഫ്ലോകൾ, ഉയർന്ന നിലവാരമുള്ള ഔട്ട്പുട്ടുകൾ എന്നിവ സാധ്യമാക്കുന്നു.

GPT‑5.2യുടെ അടിസ്ഥാനത്തിൽ നിർമ്മിച്ച് പൊതുവായ റീസണിംഗ് കഴിവുകളുടെ പിന്‍ബലത്തില്‍, GPT‑5.4 പ്രൊഫഷണലുകൾക്ക് പ്രാധാന്യമുള്ള യഥാർത്ഥ ലോക ടാസ്കുകളിൽ കൂടുതൽ സ്ഥിരതയുള്ളതും മിനുക്കമുള്ളതുമായ ഫലങ്ങൾ നൽകുന്നു.

GDPval⁠ എന്നതിൽ, 44 തൊഴിൽ മേഖലകളിലുടനീളമുള്ള കൃത്യമായി നിർവ്വചിക്കപ്പെട്ട വിജ്ഞാന പ്രവൃത്തികൾ ചെയ്യാനുള്ള ഏജന്റുകളുടെ കഴിവ് പരിശോധിക്കുന്നതിൽ, GPT‑5.4 പുതിയൊരു നേട്ടം കൈവരിച്ചിരിക്കുന്നു, വ്യവസായ പ്രൊഫഷണലുകളുമായി താരതമ്യം ചെയ്യുമ്പോൾ 83.0% കാര്യങ്ങളിലും അവരോടൊപ്പമെത്താനോ അതിലധികമോ ആണ്, GPT‑5.2‑‑ൽ ഇത് 71.0% മാത്രമായിരുന്നു.

GPT‑5.4‑ന്റെ മെച്ചപ്പെടുത്തലിൽ ഞങ്ങൾ പ്രത്യേക ശ്രദ്ധ നൽകി സ്പ്രെഡ്ഷീറ്റുകൾ, അവതരണങ്ങൾ, ഡോക്യുമെന്റുകൾ എന്നിവ സൃഷ്ടിക്കാനും എഡിറ്റ് ചെയ്യാനും ഉള്ള കഴിവ്. ജൂനിയർ ഇൻവെസ്റ്റ്‌മെന്റ് ബാങ്കിംഗ് അനലിസ്റ്റ് ചെയ്യാൻ സാധ്യതയുള്ള സ്പ്രെഡ്ഷീറ്റ് മോഡലിംഗ് ടാസ്കുകളുടെ ഒരു ആഭ്യന്തര ബെഞ്ച്മാർക്കിൽ, GPT‑5.4 87.5% എന്ന ശരാശരി സ്കോർ നേടുന്നു, 68.4% , GPT‑5.2‑നുമായി താരതമ്യപ്പെടുത്തുമ്പോൾ. അവതരണ വിലയിരുത്തൽ പ്രോംപ്റ്റുകളുടെ ഒരു സെറ്റിൽ, ശക്തമായ സൗന്ദര്യാത്മകത, കൂടുതൽ ദൃശ്യ വൈവിധ്യം, കൂടാതെ ഇമേജ് ജനറേഷൻ കൂടുതൽ ഫലപ്രദമായി ഉപയോഗിച്ചതിനാൽ, മനുഷ്യ റേറ്റർമാർ GPT‑5.4‑യെ 68.0% സമയത്തും GPT‑5.2‑ൽ നിന്നുള്ള അവതരണങ്ങളെക്കാൾ ഇഷ്ടപ്പെട്ടു.

GPT‑5.4 ഉപയോഗിച്ച് ChatGPT‑ൽ നിങ്ങൾക്ക് ഈ കഴിവുകൾ പരീക്ഷിക്കാം Thinking അല്ലെങ്കിൽ Pro. നിങ്ങൾ ഒരു എന്റർപ്രൈസ് ഉപഭോക്താവാണെങ്കിൽ, ഇന്ന് തന്നെ ലോഞ്ച് ചെയ്ത, പുതുതായി പുറത്തിറക്കിയ ഞങ്ങളുടെ Excel-നും Google Sheets-നും വേണ്ടിയുള്ള ChatGPT പ്ലഗിനുകൾ⁠(പുതിയ വിൻഡോയിൽ തുറക്കുന്നു) ഉപയോഗിക്കാൻ ഞങ്ങൾ ശുപാർശ ചെയ്യുന്നു. Codex-ലും API-ലും ലഭ്യമായ ഞങ്ങളുടെ സ്പ്രെഡ്ഷീറ്റ്⁠(പുതിയ വിൻഡോയിൽ തുറക്കുന്നു) യും പ്രെസന്റേഷൻ കഴിവുകളും⁠(പുതിയ വിൻഡോയിൽ തുറക്കുന്നു) ഞങ്ങൾ അപ്ഡേറ്റ് ചെയ്തിട്ടുണ്ട്.

GPT‑5.4 രൂപപ്പെടുത്താൻ യഥാർത്ഥ ജോലിയിൽ കൂടുതൽ മികച്ചതാക്കാൻ, ഭ്രമാത്മകതയും പിശകുകളും കുറയ്ക്കുന്നതിൽ ഞങ്ങൾ മികവ് തുടരുകയും ചെയ്തു. GPT‑5.4 ഇതുവരെ ഞങ്ങളുടെ ഏറ്റവും വസ്തുതാപരമായ മോഡലാണ്: ഉപയോക്താക്കൾ വസ്തുതാപരമായ പിശകുകൾ ഫ്ലാഗ് ചെയ്ത തിരിച്ചറിയൽ നീക്കിയ പ്രോംപ്റ്റുകളുടെ ഒരു സെറ്റിൽ, GPT‑5.4‑ന് GPT‑5.2 നെ അപേക്ഷിച്ച്, വ്യക്തിഗത അവകാശവാദങ്ങൾ 33% കുറവ് തെറ്റായിരിക്കാനുള്ള സാധ്യതയുണ്ട്, കൂടാതെ അതിന്റെ പൂർണ്ണ പ്രതികരണങ്ങൾ 18% കുറവ് ഏതെങ്കിലും പിശകുകൾ ഉൾക്കൊള്ളാനുള്ള സാധ്യതയുണ്ട്.

GPT‑5.4 ഞങ്ങളുടെ ആദ്യത്തെ സാധാരണ ഉപയോഗത്തിനുള്ള മോഡൽ ആണ്, സ്വാഭാവിക കമ്പ്യൂട്ടർ ഉപയോഗ ശേഷികൾ ഉള്ളതും ഡെവലപ്പർമാർക്കും ഏജന്റുകൾക്കും ഒരുപോലെ ഒരു വലിയ മുന്നേറ്റം അടയാളപ്പെടുത്തുന്നതുമാണ്. വെബ്‌സൈറ്റുകളിലും സോഫ്റ്റ്‌വെയർ സിസ്റ്റങ്ങളിലുമാകെ യഥാർത്ഥ ജോലികൾ പൂർത്തിയാക്കുന്ന ഏജൻ്റുകൾ നിർമ്മിക്കുന്ന ഡെവലപ്പർമാർക്കായി നിലവിൽ ലഭ്യമായ ഏറ്റവും മികച്ച മോഡൽ ഇതാണ്.

വിപുലമായ കമ്പ്യൂട്ടർ-ഉപയോഗ വർക്ക്‌ലോഡുകളിലുടനീളം മികച്ച പ്രകടനം കാഴ്ചവയ്ക്കുന്ന തരത്തിൽ GPT‑5.4 ഞങ്ങൾ രൂപകൽപ്പന ചെയ്തിട്ടുണ്ട്. Playwright പോലുള്ള ലൈബ്രറികൾ വഴി കമ്പ്യൂട്ടറുകൾ പ്രവർത്തിപ്പിക്കാൻ കോഡ് എഴുതുന്നതിലും, സ്ക്രീൻഷോട്ടുകൾക്ക് പ്രതികരണമായി മൗസും കീബോർഡും കമാൻഡുകൾ നൽകുന്നതിലും ഇത് മികച്ചതാണ്. ഡെവലപ്പർ സന്ദേശങ്ങളിലൂടെ അതിന്റെ പെരുമാറ്റം നിയന്ത്രിക്കാനാകും, അതായത് പ്രത്യേക ഉപയോഗ സാഹചര്യങ്ങൾക്ക് അനുയോജ്യമായി ഡെവലപ്പർമാർക്ക് അത് ക്രമീകരിക്കാനാകും. ഡെവലപ്പർമാർക്ക് ഇച്ഛാനുസൃത സ്ഥിരീകരണ നയങ്ങൾ വ്യക്തമാക്കുന്നതിലൂടെ വ്യത്യസ്ത തലത്തിലുള്ള റിസ്ക് സഹിഷ്ണുതയ്ക്ക് അനുയോജ്യമായി മോഡലിന്റെ സുരക്ഷാ സ്വഭാവം ക്രമീകരിക്കാനാകും.

വ്യത്യസ്ത ക്രമീകരണങ്ങളിലുടനീളം കമ്പ്യൂട്ടർ ഉപയോഗം പരിശോധിക്കുന്ന ബെഞ്ച്മാർക്കുകളിലുടനീളം മോഡലിന്റെ പ്രകടനവും ലവചിത്വവും പ്രതിഫലിക്കുന്നു. OSWorld-Verified-ൽ, സ്ക്രീൻഷോട്ടുകളും കീബോർഡ്/മൗസ് പ്രവർത്തനങ്ങളും വഴി ഒരു മോഡൽ ഡെസ്ക്ടോപ്പ് പരിസ്ഥിതിയിൽ നാവിഗേറ്റ് ചെയ്യാനുള്ള കഴിവ് അളക്കുമ്പോൾ, GPT‑5.4 ഒരു state-of-the-art ആയ 75.0% നേടുന്നു വിജയ നിരക്ക്, GPT‑5.2 നെ വളരെ മറികടന്ന് 47.3% വരെ എത്തുന്നു, കൂടാതെ മനുഷ്യ പ്രകടനത്തെ 72.4%.¹ൽ മറികടക്കുന്നു

ബ്രൗസർ ഉപയോഗം പരിശോധിക്കുന്ന WebArena-Verified ൽ, DOM- and screenshot-driven ഇടപെടലുകൾ രണ്ടും ഉപയോഗിക്കുമ്പോൾ GPT‑5.4 67.3% വിജയനിരക്ക് കൈവരിക്കുന്നു, GPT‑5.2യുടെ 65.4% നെ അപേക്ഷിച്ച്. ബ്രൗസർ ഉപയോഗം പരിശോധിക്കുന്ന ഓൺലൈൻ-മൈൻഡ്2വെബ്-ൽ, സ്ക്രീൻഷോട്ട്-അടിസ്ഥാനത്തിലുള്ള നിരീക്ഷണങ്ങൾ മാത്രം ഉപയോഗിച്ച് GPT‑5.4 92.8% വിജയനിരക്ക് കൈവരിക്കുന്നു, 70.9% വിജയനിരക്ക് കൈവരിക്കുന്ന ChatGPT Atlas-ന്റെ ഏജന്റ് മോഡിനെ അപേക്ഷിച്ച് മെച്ചപ്പെട്ടതാണ്.

GPT‑5.4‑യുടെ മെച്ചപ്പെടുത്തിയ കമ്പ്യൂട്ടർ ഉപയോഗം മോഡലിന്റെ മെച്ചപ്പെടുത്തിയ പൊതുവായ ദൃശ്യ ഗ്രഹണ ശേഷികളിലാണ് അടിസ്ഥാനമാക്കപ്പെട്ടിരിക്കുന്നത്. MMMU-Pro ൽ, ഒരു മോഡലിന്റെ ദൃശ്യബോധവും റീസണിംഗും പരിശോധിക്കുന്ന ഒരു ടെസ്റ്റിൽ, GPT‑5.4 ടൂൾ ഉപയോഗമില്ലാതെ 81.2% വിജയനിരക്ക് നേടുന്നു, GPT‑5.2‑ന്റെ 79.5%. മെച്ചപ്പെട്ട ദൃശ്യ ഗ്രഹണശേഷിഎന്നത് മികച്ച ഡോക്യുമെന്റ് പാഴ്സിംഗ് ശേഷികളായും മാറുന്നു. ഓമ്‌നിഡോക് ബെഞ്ചിൽ , റീസണിംഗ് ശ്രമമില്ലാതെ GPT‑5.4 ശരാശരി പിശക് (മോഡൽ പ്രവചനവും ഗ്രൗണ്ട് ട്രൂത്തും തമ്മിലുള്ള നോർമലൈസ്ഡ് എഡിറ്റ് ഡിസ്റ്റൻസ് വഴി അളക്കുന്നത്) 0.109 നേടുന്നു, ഇത് GPT‑5.2‑ന്റെ 0.140-നേക്കാൾ മികച്ചതാണ്.

പൂർണ്ണ വിശ്വസ്തത ആവശ്യമായ സാഹചര്യങ്ങളില്‍ സാന്ദ്രവും ഉയർന്ന റെസല്യൂഷനുള്ള ചിത്രങ്ങൾക്കായി ദൃശ്യങ്ങളുടെ മനസ്സിലാക്കലും ഞങ്ങൾ മെച്ചപ്പെടുത്തുന്നു. GPT‑5.4 മുതൽ, ഞങ്ങൾ ഒരു ഒറിജിനൽ ഇമേജ് ഇൻപുട്ട് ഡീറ്റെയിൽ⁠(പുതിയ വിൻഡോയിൽ തുറക്കുന്നു) ലെവൽ അവതരിപ്പിക്കുന്നു; ഇത് 10.24M മൊത്തം പിക്സലുകൾ അല്ലെങ്കിൽ 6000-പിക്സൽ പരമാവധി ഡൈമെൻഷൻ (ഏത് കുറവാണോ അത്) വരെ പൂർണ്ണ വിശ്വാസ്യതയുള്ള മനസിലാക്കല്‍ പിന്തുണയ്ക്കുന്നു; high ഇമേജ് ഇൻപുട്ട് ഡീറ്റെയിൽ ലെവൽ ഇപ്പോൾ 2.56M മൊത്തം പിക്സലുകൾ അല്ലെങ്കിൽ 2048-പിക്സൽ പരമാവധി ഡൈമെൻഷൻ (ഏത് കുറവാണോ അത്) വരെ പിന്തുണയ്ക്കുന്നു. API ഉപയോക്താക്കളുമായി നടത്തിയ ആദ്യ പരീക്ഷണത്തിൽ, ഒറിജിനൽ അല്ലെങ്കിൽ high ഡീറ്റെയിൽ ഉപയോഗിക്കുമ്പോൾ ലോക്കലൈസേഷൻ കഴിവ്, ചിത്രത്തെ മനസ്സിലാക്കൽ, ക്ലിക്ക് കൃത്യത എന്നിവയിൽ ശക്തമായ മെച്ചപ്പെടുത്തലുകൾ ഞങ്ങൾ നിരീക്ഷിച്ചു.

API-യിൽ, ഡെവലപ്പർമാർക്ക് അപ്ഡേറ്റ് ചെയ്ത കമ്പ്യൂട്ടർ ടൂൾ ഉപയോഗിച്ച് ഈ കഴിവുകൾ ആക്സസ് ചെയ്യാൻ കഴിയും. ശുപാർശ ചെയ്യുന്ന മികച്ച പ്രാക്ടീസുകൾക്കായി ദയവായി ഞങ്ങളുടെ അപ്‌ഡേറ്റ് ചെയ്ത ഡോക്യുമെന്റേഷൻ⁠(പുതിയ വിൻഡോയിൽ തുറക്കുന്നു) കാണുക.

GPT‑5.4, GPT‑5.3‑Codex ന്റെ കോഡിംഗ് ശക്തികളെ മുൻനിര വിജ്ഞാന പ്രവർത്തനവും കമ്പ്യൂട്ടർ-ഉപയോഗ ശേഷികളും ചേർത്ത് സംയോജിപ്പിക്കുന്നു. ദീർഘകാല ടാസ്കുകളിൽ, മോഡൽ ഉപകരണങ്ങൾ ഉപയോഗിക്കാനും, ആവർത്തിച്ച് മെച്ചപ്പെടുത്താനും, കുറവ് മാനുവൽ ഇടപെടലോടെ പ്രവർത്തനം കൂടുതൽ മുന്നോട്ട് കൊണ്ടുപോകാനും കഴിയുന്ന സാഹചര്യങ്ങളിൽ ഇത് ഏറ്റവും പ്രാധാന്യമുള്ളതാണ്. റീസണിംഗ് ശ്രമങ്ങളിലുടനീളം കുറഞ്ഞ ലേറ്റൻസി നിലനിർത്തിക്കൊണ്ട്, SWE-Bench Pro-ൽ ഇത് GPT‑5.3‑Codex‑നെ തുല്യമാക്കുകയോ അതിനെ മറികടക്കുകയോ ചെയ്യുന്നു.

ടോഗിൾ ചെയ്താൽ, Codex-ലെ /fast mode GPT‑5.4‑നൊപ്പം ടോക്കൺ വേഗത 1.5x വരെ വേഗത്തിൽ നൽകുന്നു. ഇത് അതേ മോഡലും അതേ ബുദ്ധിയും തന്നെയാണ്, പക്ഷേ കൂടുതൽ വേഗത്തിൽ. അതായത് ഉപയോക്താക്കൾക്ക് ഒഴുക്കിൽ തുടരുമ്പോൾ കോഡിംഗ് ടാസ്കുകൾ, ആവർത്തനം, ഡീബഗ്ഗിംഗ് എന്നിവയിലൂടെ മുന്നോട്ട് നീങ്ങാൻ കഴിയും. ഡെവലപ്പർമാർക്ക് മുൻഗണനാ പ്രോസസ്സിംഗ്⁠(പുതിയ വിൻഡോയിൽ തുറക്കുന്നു) ഉപയോഗിച്ച് API വഴി അതേ വേഗത്തിൽ GPT‑5.4 ആക്സസ് ചെയ്യാൻ കഴിയും.

വിലയിരുത്തലിലും ആന്തരിക പരിശോധനയിലും, മുമ്പ് ഞങ്ങൾ പുറത്തിറക്കിയ ഏതൊരു മോഡലുകളേക്കാളും ശ്രദ്ധേയമായി കൂടുതൽ സൗന്ദര്യപരവും കൂടുതൽ പ്രവർത്തനക്ഷമവുമായ ഫലങ്ങളോടെ, സങ്കീർണ്ണമായ ഫ്രണ്ട് എൻഡ് ടാസ്ക്-കളിൽ GPT‑5.4 മികവ് പുലർത്തുന്നുവെന്ന് ഞങ്ങൾ കണ്ടെത്തി.

മോഡലിന്റെ മെച്ചപ്പെടുത്തിയ കമ്പ്യൂട്ടർ-ഉപയോഗവും കോഡിംഗ് കഴിവുകളും ഒരുമിച്ച് പ്രവർത്തിക്കുന്നതിന്റെ ഒരു പ്രദർശനമായി, “Playwright (Interactive)⁠(പുതിയ വിൻഡോയിൽ തുറക്കുന്നു)” എന്ന പേരിലുള്ള ഒരു പരീക്ഷണാത്മക Codex സ്കിൽ ഞങ്ങൾ കൂടി പുറത്തിറക്കുന്നു. ഇത് Codex-നെ വെബ്, Electron ആപ്പുകൾ വിഷ്വലി ഡീബഗ് ചെയ്യാൻ അനുവദിക്കുന്നു; അത് ഒരു ആപ്പ് നിർമ്മിക്കുന്നതിനിടെ തന്നെ, അത് നിർമ്മിക്കുന്ന ആപ്പിനെ ടെസ്റ്റ് ചെയ്യാനും ഉപയോഗിക്കാം.

GPT‑5.4‑ഉം ബാഹ്യ ഉപകരണങ്ങളുമായി മോഡലുകൾ പ്രവർത്തിക്കുന്ന രീതി ഞങ്ങൾ ഗണ്യമായി മെച്ചപ്പെടുത്തി. ഏജന്റുകൾക്ക് ഇപ്പോൾ കൂടുതൽ വലിയ ടൂൾ ഇക്കോസിസ്റ്റങ്ങളിലുടനീളം പ്രവർത്തിക്കാനും, ശരിയായ ടൂളുകൾ കൂടുതൽ വിശ്വസനീയമായി തിരഞ്ഞെടുക്കാനും, കുറഞ്ഞ ചെലവും ലേറ്റൻസിയും ഉപയോഗിച്ച് മൾട്ടി-സ്റ്റെപ്പ് വർക്ക്ഫ്ലോകൾ പൂർത്തിയാക്കാനും കഴിയും.

API-യിൽ, GPT‑5.4 ടൂൾ തിരയൽ⁠(പുതിയ വിൻഡോയിൽ തുറക്കുന്നു) അവതരിപ്പിക്കുന്നു, ഇത് നിരവധി മോഡലുകൾ നൽകിയിരിക്കുമ്പോൾ കാര്യക്ഷമമായി പ്രവർത്തിക്കാൻ അനുവദിക്കുന്നു.

മുമ്പ്, ഒരു മോഡലിന് ടൂളുകൾ നൽകിയിരുന്നപ്പോൾ, എല്ലാ ടൂൾ നിർവചനങ്ങളും പ്രോംപ്റ്റിൽ മുൻകൂട്ടി ഉൾപ്പെടുത്തിയിരുന്നു. വളരെ അധികം ഉപകരണങ്ങളുള്ള സിസ്റ്റങ്ങളിലേക്കായി, ഇത് ഓരോ അഭ്യർത്ഥനയിലും ആയിരക്കണക്കിന്—അല്ലെങ്കിൽ പതിനായിരക്കണക്കിന് വരെ—ടോക്കൺ-കൾ ചേർക്കാൻ ഇടയാക്കാം; ഇതിലൂടെ ചെലവ് വർധിക്കുകയും, പ്രതികരണങ്ങൾ മന്ദഗതിയിലാകുകയും, മോഡൽ ഒരിക്കലും ഉപയോഗിക്കാതിരിക്കാവുന്ന വിവരങ്ങളാൽ കോൺടെക്സ്റ്റ് നിറയുകയും ചെയ്യും.

ടൂൾ സെർച്ച് ഉപയോഗിച്ച്, GPT‑5.4 ന് ലഭ്യമായ ടൂളുകളുടെ ലഘുവായ പട്ടികയും ടൂൾ സെർച്ച് കഴിവും ലഭിക്കുന്നു. മോഡലിന് ഒരു ടൂൾ ഉപയോഗിക്കേണ്ടിവരുമ്പോൾ, ആ ടൂളിന്റെ നിർവചനം പരിശോധിച്ച് ആ സമയത്ത് സംഭാഷണത്തിൽ ചേർക്കാം.

ഈ സമീപനം ടൂൾ-ഹെവി വർക്ക്ഫ്ലോകൾക്കായി ആവശ്യമായ ടോക്കൺ-കളുടെ എണ്ണം ഗണ്യമായി കുറയ്ക്കുകയും കാഷെ നിലനിർത്തുകയും ചെയ്യുന്നു, അതിലൂടെ അഭ്യർത്ഥനകൾ കൂടുതൽ വേഗത്തിലും കുറഞ്ഞ ചെലവിലും നടത്താം. ഇത് ഏജൻ്റുകൾക്ക് വളരെ വലുതായ ഉപകരണ ഇക്കോസിസ്റ്റങ്ങളുമായി വിശ്വസനീയമായി പ്രവർത്തിക്കാനും സാധ്യമാക്കുന്നു. ടൂൾ നിർവചനങ്ങളുടെ പതിനായിരക്കണക്കിന് ടോക്കൺ-കൾ ഉൾക്കൊള്ളാൻ സാധ്യതയുള്ള MCP സെർവറുകൾക്കായി, കാര്യക്ഷമതയിലെ നേട്ടങ്ങൾ ഗണ്യമായിരിക്കാം.

കാര്യക്ഷമതയിലെ നേട്ടങ്ങൾ കാണിക്കാൻ, രണ്ട് മോഡുകളിൽ എല്ലാ 36 MCP സെർവറുകളും സജ്ജീകരിച്ച നിലയിൽ സ്കെയിലിന്റെ MCP അറ്റ്‌ലസ്⁠(പുതിയ വിൻഡോയിൽ തുറക്കുന്നു) ബെഞ്ച്മാർക്കിൽ നിന്നുള്ള 250 ടാസ്കുകൾ ഞങ്ങൾ വിലയിരുത്തി: (1) ഓരോ MCP ഫംഗ്ഷനും നേരിട്ട് മോഡൽ കോൺടെക്സ്റ്റിൽ എക്സ്പോസ് ചെയ്യുക, (2) എല്ലാ MCP സെർവറുകളെയും ടൂൾ സെർച്ചിന് പിന്നിൽ സ്ഥാപിക്കുക. ടൂൾ-തിരയൽ കോൺഫിഗറേഷൻ അതേ കൃത്യത കൈവരിക്കുമ്പോൾ മൊത്തം ടോക്കൺ ഉപയോഗം 47% കുറച്ചു.

GPT‑5.4 ടൂൾ കോളിംഗ് കൂടി മെച്ചപ്പെടുത്തുന്നു, പ്രത്യേകിച്ച് API-യിൽ, റീസണിംഗ് സമയത്ത് ടൂളുകൾ എപ്പോൾ എങ്ങനെ ഉപയോഗിക്കണമെന്ന് തീരുമാനിക്കുമ്പോൾ അത് കൂടുതൽ കൃത്യവും കാര്യക്ഷമവുമാക്കുന്നു.  GPT‑5.2 നെ അപേക്ഷിച്ച്, യഥാർത്ഥ ലോക ഉപകരണങ്ങളും APIകളും ഉപയോഗിച്ച് മൾട്ടി-സ്റ്റെപ്പ് ടാസ്കുകൾ പൂർത്തിയാക്കുന്നതിൽ AI ഏജൻ്റുകൾ എത്രത്തോളം കഴിവുള്ളവരാണെന്ന് പരിശോധിക്കുന്ന ഒരു ബെഞ്ച്മാർക്കായ Toolathlon-ൽ, കുറച്ച് ടേൺസിൽ തന്നെ ഇത് കൂടുതൽ ഉയർന്ന കൃത്യത കൈവരിക്കുന്നു. ഉദാഹരണത്തിന്, ഒരു ഏജന്റിന് ഇമെയിലുകൾ വായിക്കണം, അസൈൻമെന്റ് അറ്റാച്ച്മെന്റുകൾ എക്സ്ട്രാക്റ്റ് ചെയ്യണം, അവ അപ്‌ലോഡ് ചെയ്യണം, അവ ഗ്രേഡ് ചെയ്യണം, കൂടാതെ ഒരു സ്പ്രെഡ്ഷീറ്റിൽ ഫലങ്ങൾ രേഖപ്പെടുത്തണം.

ലേറ്റൻസി-സെൻസിറ്റീവ് ഉപയോഗ കേസുകൾക്കായി റീസണിംഗ് ശ്രമം 'ഒന്നുമില്ല' എന്ന് ആക്കുന്നത് മുൻഗണനയായിരിക്കുന്ന സാഹചര്യങ്ങളിൽ, GPT‑5.4 അതിന്റെ മുൻഗാമികളേക്കാൾ കൂടുതൽ മെച്ചപ്പെടുത്തുന്നു.

GPT‑5.4 ഏജന്റിക് വെബ് തിരയലിൽ കൂടുതൽ മികച്ചതാണ്. BrowseComp-ൽ, കണ്ടെത്താൻ ബുദ്ധിമുട്ടുള്ള വിവരങ്ങൾ കണ്ടെത്താൻ AI ഏജന്റുകൾക്ക് വെബ് സ്ഥിരമായി ബ്രൗസ് ചെയ്യാൻ എത്രത്തോളം കഴിയുന്നുവെന്ന അളവിൽ, GPT‑5.4, GPT‑5.2‑നെക്കാൾ 17%_abs മുന്നേറുന്നു, കൂടാതെ GPT‑5.4 Pro, 89.3% എന്ന പുതിയ സ്റ്റേറ്റ് ഓഫ് ദി ആർട്ട് നിലവാരം സ്ഥാപിക്കുന്നു.

പ്രായോഗികമായി പറഞ്ഞാൽ, ഇതിന്റെ അർത്ഥം GPT‑5.4 വെബിലെ നിരവധി ഉറവിടങ്ങളിൽ നിന്നുള്ള വിവരങ്ങൾ ഒരുമിച്ച് പുറത്തെടുക്കൽ ആവശ്യമായ ചോദ്യങ്ങൾക്ക് ഉത്തരങ്ങൾ നൽകുന്നതിൽ Thinking കൂടുതൽ ശക്തമാണ്. “വൈക്കോല്‍ കൂനയില്‍ സൂചി തിരയുന്ന” തരത്തിലുള്ള ചോദ്യങ്ങൾക്കായി പ്രത്യേകിച്ച്, ഏറ്റവും പ്രസക്തമായ ഉറവിടങ്ങളെ തിരിച്ചറിയുന്നതിനായി ഇത് പല റൗണ്ടുകളിലായി കൂടുതൽ സ്ഥിരതയോടെ തിരയുകയും, അവയെ വ്യക്തവും നന്നായി ആലോചിച്ച മറുപടിയായി സംയോജിപ്പിക്കുകയും ചെയ്യാം.

Codex പ്രവർത്തനം ആരംഭിക്കുമ്പോൾ അതിന്റെ സമീപനം എങ്ങനെ രേഖപ്പെടുത്തുന്നുവോ അതുപോലെ, GPT‑5.4 ChatGPT‑യിൽ ചിന്തിക്കുന്നത് ഇനി ദൈർഘ്യമേറിയതും കൂടുതൽ സങ്കീർണ്ണവുമായ ചോദ്യങ്ങൾക്ക് ഒരു പ്രാരംഭ കുറിപ്പോടെ അതിന്റെ പ്രവർത്തനം രൂപരേഖപ്പെടുത്തും. നിങ്ങൾക്ക് നിർദ്ദേശങ്ങൾ ചേർക്കാനോ പ്രതികരണത്തിനിടയിൽ അതിന്റെ ദിശ ക്രമീകരിക്കാനോ കഴിയും. ഇത് വീണ്ടും തുടക്കം മുതൽ ആരംഭിക്കാതെയും അല്ലെങ്കിൽ ഒന്നിലധികം അധിക ടേൺകൾ ആവശ്യപ്പെടാതെയും, നിങ്ങൾ ആഗ്രഹിക്കുന്ന കൃത്യമായ ഫലത്തിലേക്ക് മോഡലിനെ നയിക്കുന്നത് എളുപ്പമാക്കുന്നു. ഈ ഫീച്ചർ ഇപ്പോൾ chatgpt.com⁠(പുതിയ വിൻഡോയിൽ തുറക്കുന്നു) ലും Android ആപ്പിലും ലഭ്യമാണ്, iOS ആപ്പിലേക്ക് ഉടൻ വരുന്നു.

മോഡലിന് ബുദ്ധിമുട്ടുള്ള ടാസ്കുകളിൽ കൂടുതൽ സമയം ആലോചിക്കാനും, സംഭാഷണത്തിലെ മുൻകാല ഘട്ടങ്ങളെക്കുറിച്ചുള്ള ശക്തമായ ബോധം നിലനിർത്തിക്കൊണ്ടിരിക്കാനും കഴിയും. ഇത് ദൈർഘ്യമേറിയ പ്രവൃത്തി പ്രവാഹങ്ങളും കൂടുതൽ സങ്കീർണ്ണമായ പ്രോംപ്റ്റുകളും കൈകാര്യം ചെയ്യാൻ അനുവദിക്കുന്നു, അതേസമയം മുഴുവൻ സമയവും ഉത്തരങ്ങൾ ഏകോപിതവും പ്രസക്തവുമായിരിക്കാൻ സഹായിക്കുന്നു.

കഴിഞ്ഞ ഏതാനും മാസങ്ങളായി, GPT‑5.4‑നെ വിന്യാസത്തിനായി തയ്യാറാക്കുന്നതിനിടെ, ഞങ്ങൾ GPT‑5.3‑Codex‑നൊപ്പം അവതരിപ്പിച്ച സുരക്ഷാ സംരക്ഷണങ്ങൾ തുടർച്ചയായി മെച്ചപ്പെടുത്തിക്കൊണ്ടിരിക്കുന്നു. GPT‑5.3‑Codex പോലെ, ഞങ്ങളുടെ പ്രിപെയർഡ്നസ് ഫ്രെയിംവർക്ക് പ്രകാരം GPT‑5.4‑നെ ഉയർന്ന സൈബർ ശേഷിയായി പരിഗണിക്കുന്നു, കൂടാതെ സിസ്റ്റം കാർഡ്⁠-ൽ രേഖപ്പെടുത്തിയിരിക്കുന്നതുപോലെ അനുബന്ധ സംരക്ഷണങ്ങളോടെ അത് വിന്യസിക്കുന്നു. ഇവയിൽ വിപുലീകരിച്ച സൈബർ സുരക്ഷാ സ്റ്റാക്ക് ഉൾപ്പെടുന്നു. അതിൽ നിരീക്ഷണ സംവിധാനങ്ങൾ, വിശ്വസനീയമായ ആക്സസ് നിയന്ത്രണങ്ങൾ, കൂടാതെ സീറോ ഡാറ്റ റിട്ടെൻഷൻ (ZDR) സർഫേസുകളിലുള്ള ഉപഭോക്താക്കൾക്കായി ഉയർന്ന അപകടസാധ്യതയുള്ള അഭ്യർത്ഥനകൾക്ക് അസിങ്ക്രോണസ് ബ്ലോക്കിംഗ് എന്നിവയും ഉൾപ്പെടുന്നു. കൂടാതെ വിപുലമായ സുരക്ഷാ ഇക്കോസിസ്റ്റത്തിലേക്കുള്ള തുടർച്ചയായ നിക്ഷേപവും.

സൈബർസുരക്ഷാ കഴിവുകൾ സ്വാഭാവികമായിത്തന്നെ ഇരട്ട-ഉപയോഗമായതിനാൽ, ഞങ്ങൾ ഞങ്ങളുടെ നയങ്ങളും ക്ലാസിഫയറുകളും തുടർച്ചയായി ക്രമീകരിച്ചുകൊണ്ടിരിക്കുമ്പോൾ വിന്യാസത്തിന് മുൻകരുതൽ സമീപനം നിലനിർത്തുന്നു. ZDR സർഫേസുകളിലെ ചില ഉപഭോക്താക്കൾക്കായി, അഭ്യർത്ഥന-തല തടയൽ ഞങ്ങളുടെ സൈബർ അപകടസാധ്യത ലഘൂകരണ സ്റ്റാക്കിന്റെ ഭാഗമായിത്തന്നെ തുടരുന്നു; ക്ലാസിഫയറുകൾ ഇപ്പോഴും മെച്ചപ്പെടുന്നതിനാൽ, ഈ സുരക്ഷാ സംവിധാനങ്ങൾ ഞങ്ങൾ തുടർന്നും പരിഷ്കരിക്കുന്നതിനിടെ ചില തെറ്റായ പോസിറ്റീവുകൾ സംഭവിക്കാം. ഈ അപ്‌ഡേറ്റുകൾ പ്രായോഗികമായി സുരക്ഷാ മുൻകരുതലുകൾ പ്രവർത്തിക്കുന്ന രീതി മെച്ചപ്പെടുത്തുകയാണ് ലക്ഷ്യമിടുന്നത്; അതിൽ അനാവശ്യമായ നിരസിക്കലുകളും അമിതമായ മുന്നറിയിപ്പുകളോടുകൂടിയ മറുപടികളും കുറയ്ക്കുന്നതും ഉൾപ്പെടുന്നു, അതേസമയം ദുരുപയോഗത്തിനെതിരായ ശക്തമായ സംരക്ഷണങ്ങൾ നിലനിർത്തുകയും ചെയ്യുന്നു.

മോഡലുകൾ എങ്ങനെ യുക്തിചിന്ത നടത്തുന്നു എന്ന് കൂടുതൽ മനസ്സിലാക്കാനും സാധ്യതയുള്ള തെറ്റായ പെരുമാറ്റം കണ്ടെത്താൻ സഹായിക്കാനും, ചെയ്ൻ-ഓഫ്-തോട്ട് (CoT) നിരീക്ഷണക്ഷമതയെക്കുറിച്ചുള്ള ഞങ്ങളുടെ സുരക്ഷാ ഗവേഷണം ഞങ്ങൾ തുടർന്നു. ഈ പ്രവർത്തനത്തിന്റെ ഭാഗമായി, നിരീക്ഷണം ഒഴിവാക്കാൻ മോഡലുകൾക്ക് അവരുടെ റീസണിംഗ് ഉദ്ദേശപൂർവ്വം മറച്ചുവെക്കാനാകുമോ എന്ന് അളക്കുന്ന ഒരു പുതിയ ഓപ്പൺ-സോഴ്‌സ് മൂല്യനിർണ്ണയം, CoT controllability⁠,  ഞങ്ങൾ അവതരിപ്പിക്കുന്നു. ഞങ്ങൾ കണ്ടെത്തുന്നത് GPT‑5.4 Thinking-ന്റെ CoT നിയന്ത്രിക്കാനുള്ള കഴിവ് കുറവാണ്; ഇത് സുരക്ഷയ്ക്കായി ഒരു അനുകൂല ഗുണമാണ്, മോഡലിന് തന്റെ റീസണിംഗ് മറയ്ക്കാനുള്ള കഴിവ് ഇല്ലെന്ന് സൂചിപ്പിക്കുകയും CoT നിരീക്ഷണം ഫലപ്രദമായ ഒരു സുരക്ഷാ ഉപകരണമായി തുടരുന്നു എന്നും നിർദ്ദേശിക്കുന്നു.

GPT‑5.4 ഇന്ന് ChatGPT‑ലും Codex-ലും ക്രമേണ പുറത്തിറങ്ങുന്നു. API-യിൽ, GPT‑5.4 ഇപ്പോൾ gpt-5.4 ആയി ലഭ്യമാണ്. GPT‑5.4 Pro API-യിൽ gpt-5.4-pro എന്ന പേരിൽ ലഭ്യമാണ് ഏറ്റവും സങ്കീർണ്ണമായ ടാസ്കുകളിൽ പരമാവധി പ്രകടനം ആവശ്യമായ ഡെവലപ്പർമാർക്കായി.

ChatGPT‑ൽ, GPT‑5.4 Thinking ഇന്ന് മുതൽ ChatGPT Plus, Team, Pro ഉപയോക്താക്കൾക്ക് ലഭ്യമാണ്, GPT‑5.2‑നെ പകരം വച്ച് Thinking. GPT‑5.2 Thinking പണമടച്ച ഉപയോക്താക്കൾക്ക് മോഡൽ പിക്കറിൽ Legacy Models വിഭാഗത്തിന് കീഴിൽ മൂന്ന് മാസത്തേക്ക് കൂടി ലഭ്യമായിരിക്കും, അതിനുശേഷം 2026, ജൂൺ 5-ന് ഇത് നിർത്തലാക്കുന്നതാണ്. Enterprise, Edu പ്ലാനുകളിലുള്ളവർക്ക് അഡ്മിൻ സെറ്റിംഗ്സ് വഴി പ്രാരംഭ ആക്‌സസ് പ്രവർത്തന സജ്ജമാക്കാം. GPT‑5.4 Pro, Pro, Enterprise പദ്ധതികളിൽ ലഭ്യമാണ്. സന്ദർഭ വിൻഡോകൾ⁠(പുതിയ വിൻഡോയിൽ തുറക്കുന്നു) ChatGPT‑ൽ GPT‑5.4‑നായി GPT‑5.2 Thinking ൽ നിന്ന് Thinking മാറ്റമില്ലാതെ തുടരുന്നു.

GPT‑5.4 GPT‑5.3‑codex ന്റെ അത്യാധുനിക കോഡിംഗ് കഴിവുകൾ ഉൾക്കൊള്ളുന്നതും ChatGPT, API, Codex എന്നിവയിലുടനീളം പുറത്തിറങ്ങുന്നതുമായ ഞങ്ങളുടെ ആദ്യ പ്രധാന റീസണിംഗ് മോഡൽ ആണ്. ആ കുതിച്ചാുചട്ടം പ്രതിഫലിപ്പിക്കാനും, Codex ഉപയോഗിക്കുമ്പോൾ മോഡലുകൾ തമ്മിലുള്ള തിരഞ്ഞെടുപ്പ് ലളിതമാക്കാനും, ഞങ്ങൾ അതിനെ GPT‑5.4 എന്ന് വിളിക്കുന്നു. കാലക്രമേണ, ഞങ്ങളുടെ Instant മോഡലുകളും Thinking മോഡലുകളും വ്യത്യസ്ത വേഗതകളിൽ വികസിക്കുമെന്ന് നിങ്ങൾക്ക് പ്രതീക്ഷിക്കാം.

Codex-ലെ GPT‑5.4‑ൽ 1M context window-ന് പരീക്ഷണാത്മക പിന്തുണ ഉൾപ്പെടുത്തിയിട്ടുണ്ട്. ഡെവലപ്പർമാർക്ക് model_context_window യും model_auto_compact_token_limitയും ക്രമീകരിച്ച് ഇത് പരീക്ഷിക്കാം. സ്റ്റാൻഡേർഡ് 272K കോൺടെക്സ്റ്റ് വിൻഡോയെ കവിയുന്ന അഭ്യർത്ഥനകൾ സാധാരണ നിരക്കിന്റെ 2x നിരക്കിൽ ഉപയോഗ പരിധികളിൽ എണ്ണപ്പെടും.

APIയിൽ, GPT‑5.4‑ന് ഓരോ ടോക്കൺ-നും വില GPT‑5.2‑നെക്കാൾ കൂടുതലാണ്, അതിന്റെ മെച്ചപ്പെട്ട കഴിവുകൾ പ്രതിഫലിപ്പിക്കുന്നതിനായി; അതേസമയം, അതിന്റെ കൂടുതൽ ടോക്കൺ കാര്യക്ഷമത പല ജോലികൾക്കും ആവശ്യമായ മൊത്തം ടോക്കൺ-കളുടെ എണ്ണം കുറയ്ക്കാൻ സഹായിക്കുന്നു. Batch, Flex വിലനിർണ്ണയം സ്റ്റാൻഡേർഡ് API നിരക്കിന്റെ പകുതിയിൽ ലഭ്യമാണ്, അതേസമയം Priority പ്രോസസ്സിംഗ് സ്റ്റാൻഡേർഡ് API നിരക്കിന്റെ ഇരട്ടിയിൽ ലഭ്യമാണ്.

മറ്റെവിടെയെങ്കിലും പ്രത്യേകം സൂചിപ്പിച്ചിട്ടില്ലാത്ത പക്ഷം, റീസണിംഗ് ശ്രമം xhigh' എന്ന് സെറ്റ് ചെയ്താണ് ഈ വിലയിരുത്തലുകൾ നടത്തിയത് ബെഞ്ച്മാർക്കുകൾ ഒരു ഗവേഷണ പരിസ്ഥിതിയിൽ നടത്തപ്പെട്ടവയാണ്, ചില സാഹചര്യങ്ങളിൽ ഇത് പ്രൊഡക്ഷൻ ChatGPT‑ൽ നിന്ന് അല്പം വ്യത്യസ്തമായ ഔട്ട്പുട്ട് നൽകാൻ സാധ്യതയുണ്ട്.