GPT‑5 പരിചയപ്പെടുത്തുന്നു
ചിന്തിക്കൽ അന്തർ-നിർമ്മിതമായിട്ടുള്ള, ഞങ്ങളുടെ ഏറ്റവും സ്മാർട്ട് ആയ, വേഗതയേറിയ, ഏറ്റവും പ്രയോജനപ്രദമായ മോഡൽ, ഇത് എക്സ്പെർട്ട്-ലെവൽ ഇന്റലിജൻസ് ഓരോരുത്തരിലേക്കും എത്തിക്കുന്നു.
ഇതുവരെയുള്ളതിൽ വച്ച് ഞങ്ങളുടെ ഏറ്റവും മികച്ച AI സിസ്റ്റം, GPT‑5 ഞങ്ങൾ ഇതാ അവതരിപ്പിക്കുന്നു. കോഡിംഗ്, ഗണിതം, എഴുത്ത്, ആരോഗ്യം, വിഷ്വൽ പെർസെപ്ഷൻ എന്നിവയിലുടനീളം അത്യാധുനിക പ്രകടനം കാഴ്ച വയ്ക്കുന്ന GPT‑5 ഞങ്ങളുടെ മുമ്പത്തെ എല്ലാ മോഡലുകളേക്കാളും, ഇന്റലിജെൻസിലെ ഒരു ഗണ്യമായ കുതിച്ചുചാട്ടമാണ്. എപ്പോൾ വേഗത്തിൽ മറുപടി നൽകണം, വിദഗ്ധ തലത്തിലുള്ള മറുപടികൾ നൽകാൻ എപ്പോൾ കൂടുതൽ സമയം ചിന്തിക്കണം എന്നത് അറിയുന്ന ഒരു ഏകീകൃത സംവിധാനമാണിത്. എല്ലാ ഉപയോക്താക്കൾക്കും GPT‑5 ലഭ്യമാണ്, Plus സബ്സ്ക്രൈബർമാർക്ക് കൂടുതൽ ഉപയോഗക്ഷമത ലഭിക്കുന്നു, കൂടാതെ Pro സബ്സ്ക്രൈബർമാർക്ക്, കൂടുതൽ സമഗ്രവും കൃത്യവുമായ ഉത്തരങ്ങൾക്കായി വിപുലീകരിച്ച റീസണിംഗ് ഉള്ള പതിപ്പായ GPT‑5 Pro-വിലേക്ക് ആക്സസ് ലഭിക്കുന്നു.
GPT‑5 ഒരു ഏകീകൃത സംവിധാനമാണ്, ഇതിന് മിക്ക ചോദ്യങ്ങൾക്കും ഉത്തരം നൽകുന്ന സമർത്ഥവും, കാര്യക്ഷമവുമായ മോഡൽ, കഠിനമായ പ്രശ്നങ്ങൾക്ക് (GPT‑5 ചിന്തിക്കുന്നു) ആഴത്തിൽ റീസണിംഗ് നൽകുന്ന മോഡൽ, കൂടാതെ സംഭാഷണത്തിന്റെ തരം, സങ്കീർണ്ണത, ഉപകരണ ആവശ്യങ്ങൾ, നിങ്ങളുടെ വ്യക്തമായ ഉദ്ദേശ്യം (ഉദാഹരണത്തിന്, നിങ്ങൾ പ്രോംപ്റ്റിൽ “ഇതിനെക്കുറിച്ച് കഠിനമായി ചിന്തിക്കുക” എന്ന് പറഞ്ഞാൽ) എന്നിവയുടെ അടിസ്ഥാനത്തിൽ ഏത് ഉപയോഗിക്കണമെന്ന് വേഗത്തിൽ തീരുമാനിക്കുന്ന ഒരു റിയൽ-ടൈം റൂട്ടർ എന്നിവയുണ്ട്. യഥാർത്ഥ സിഗ്നലുകൾ, ഉപയോക്താക്കൾ മോഡലുകൾ മാറുമ്പോൾ ഉൾപ്പെടെ, മറുപടികൾക്കുള്ള മുൻഗണന നിരക്കുകൾ, ശരിയായ അളവിലുള്ള കൃത്യത എന്നിവയിൽ റൂട്ടറിന് തുടർച്ചയായി പരിശീലനം നൽകുന്നു, അങ്ങനെ കാലക്രമേണ മെച്ചപ്പെടുന്നു. ഉപയോഗ പരിധികൾ എത്തുമ്പോൾ, ഓരോ മോഡലിന്റെയും ഒരു മിനി വെർഷൻ ശേഷിക്കുന്ന ചോദ്യങ്ങൾ കൈകാര്യം ചെയ്യും. സമീപ ഭാവിയിൽ, ഈ കഴിവുകൾ ഒരൊറ്റ മോഡലിലേക്ക് സംയോജിപ്പിക്കാൻ ഞങ്ങൾക്ക് പദ്ധതി ഉണ്ട്.
GPT‑5 മുൻ മോഡലുകളെ ബെഞ്ച്മാർക്കുകളിൽ മറികടക്കുകയും ചോദ്യങ്ങൾക്ക് വേഗത്തിൽ ഉത്തരം നൽകുകയും ചെയ്യുന്നു, എന്നാൽ ഏറ്റവും പ്രധാനമായും യഥാർത്ഥ ലോക അന്വേഷണങ്ങൾക്ക് കൂടുതൽ പ്രയോജനകരമാണ്. എഴുത്ത്, കോഡിംഗ്, ആരോഗ്യം എന്നീ ChatGPT‑യുടെ ഏറ്റവും സാധാരണമായ മൂന്ന് ഉപയോഗങ്ങളിൽ GPT‑5‑ന്റെ പ്രകടന നിലവാരം ഉയർത്തുമ്പോൾ തന്നെ, മിഥ്യാഭ്രമങ്ങൾ കുറയ്ക്കുന്നതിലും നിർദ്ദേശങ്ങൾ പിന്തുടരൽ മെച്ചപ്പെടുത്തുന്നതിലും, സ്തുതിപാഠകത്വം കുറയ്ക്കുന്നതിലും ഞങ്ങൾ ഗണ്യമായ മുന്നേറ്റങ്ങൾ നടത്തി.
ഞങ്ങളുടെ എക്കാലത്തെയും ഏറ്റവും ശക്തമായ കോഡിംഗ് മോഡൽ ആണ് GPT‑5. സങ്കീർണ്ണമായ ഫ്രണ്ട്-എൻഡ് ജനറേഷനിലും കൂടാതെ വലിയ റെപ്പോസിറ്ററികൾ ഡീബഗ് ചെയ്യുന്നതിലും ഇത് പ്രത്യേക പുരോഗതി കാണിക്കുന്നു. ഇതിന് മിക്കപ്പോഴും ഒരൊറ്റ പ്രോംപ്റ്റിൽ, ആശയങ്ങളെ അവബോധത്തോടെയും തനിമയോടെയും യാഥാർത്ഥ്യമാക്കിക്കൊണ്ട്, സൗന്ദര്യാത്മകവും സംവേദകക്ഷമവുമായ പ്രതികരണാത്മക വെബ്സൈറ്റുകൾ, ആപ്പുകൾ, ഗെയിമുകൾ എന്നിവ സൃഷ്ടിക്കാൻ കഴിയും. സ്പെയ്സിംഗ്, ടൈപ്പോഗ്രാഫി, വൈറ്റ് സ്പേസ് എന്നിവയെക്കുറിച്ച് വളരെ മികച്ച ധാരണയുള്ള അതിന്റെ ഡിസൈൻ തീരുമാനങ്ങളും ആദ്യകാല ടെസ്റ്റർമാർ ശ്രദ്ധിച്ചു. ഡെവലപ്പർമാർക്കായി GPT‑5 അൺലോക്ക് ചെയ്യുന്ന കാര്യങ്ങളെക്കുറിച്ചുള്ള പൂർണ്ണ വിശദാംശങ്ങൾ ഇവിടെ കാണുക.
ഒരൊറ്റ പ്രോംപ്റ്റിൽ GPT‑5 സൃഷ്ടിച്ച കാര്യങ്ങളുടെ ചില ഉദാഹരണങ്ങൾ ഇവയാണ്:
പ്രോംപ്റ്റ്: ഇനിപ്പറയുന്ന ആവശ്യകതകളോടെ ഒരൊറ്റ HTML ഫയലിൽ ഒരൊറ്റ പേജ് ആപ്പ് സൃഷ്ടിക്കുക:
- പേര്: Jumping Ball Runner
- ലക്ഷ്യം: കഴിയുന്നത്ര കാലം അതിജീവിക്കാൻ തടസ്സങ്ങൾ മറികടക്കുക.
- സവിശേഷതകൾ: വേഗം വർദ്ധിപ്പിക്കൽ, ഉയർന്ന സ്കോർ നിരീക്ഷണം, വീണ്ടും ശ്രമിക്കുന്നതിന് ബട്ടൺ, നടപടികൾക്കും സംഭവങ്ങൾക്കും രസകരമായ ശബ്ദങ്ങൾ.
- UI വർണ്ണാഭമായിരിക്കണം, പാരലാക്സ് സ്ക്രോളിംഗ് പശ്ചാത്തലങ്ങളോടുകൂടിയിരിക്കണം.
- അക്ഷരങ്ങൾ കാർട്ടൂണിഷ് ആയി കാണപ്പെടുകയും കാണാൻ രസകരമായിരിക്കണം.
- ഗെയിം എല്ലാവർക്കും ആസ്വാദ്യകരമായിരിക്കണം.
GPT‑5 ഞങ്ങളുടെ എക്കാലത്തെയും ഏറ്റവും കഴിവുള്ള റൈറ്റിങ് കൊളാബറേറ്റർ ആണ്, വ്യക്തമല്ലാത്ത ആശയങ്ങളെ സാഹിത്യപരമായ ആഴവും താളവും ഉള്ള ശ്രദ്ധേയവും മനസ്സിൽ പതിയുന്നതുമായ എഴുത്തിലേക്ക് മാറ്റാൻ നിങ്ങളെ സഹായിക്കാൻ അതിന് കഴിയും. ഘടനാപരമായ അവ്യക്തത ഉൾക്കൊള്ളുന്ന ഉള്ളടക്കത്തെ ഇത് കൂടുതൽ വിശ്വസനീയമായി കൈകാര്യം ചെയ്യുന്നു, ഉദാഹരണത്തിന്, താളാത്മകമല്ലാത്ത നീണ്ട പദ്യങ്ങൾ അല്ലെങ്കിൽ സ്വാഭാവികമായി ഒഴുകുന്ന സ്വതന്ത്ര വാക്യം, രൂപത്തോടുള്ള ബഹുമാനവും പ്രകടമായ വ്യക്തതയും സംയോജിപ്പിച്ചുകൊണ്ട് കൈകാര്യം ചെയ്യുന്നു. എഴുത്തിലുള്ള ഈ മെച്ചപ്പെട്ട കഴിവുകൾ ChatGPT‑യെ റിപ്പോർട്ടുകൾ, ഇമെയിലുകൾ, മെമ്മോകൾ എന്നിവ ഡ്രാഫ്റ്റ് ചെയ്യുന്നതും എഡിറ്റ് ചെയ്യുന്നതും പോലുള്ള ദൈനംദിന ടാസ്കുകളിൽ നിങ്ങളെ സഹായിക്കുന്നതിൽ മികവുറ്റതാക്കുന്നു. GPT‑5, GPT‑4o എന്നിവയുടെ എഴുത്ത് ശൈലികൾ ചുവടെയുള്ള പട്ടികയിൽ താരതമ്യം ചെയ്യാം.
ആരോഗ്യവുമായി ബന്ധപ്പെട്ട ചോദ്യങ്ങൾക്കുള്ള ഞങ്ങളുടെ ഏറ്റവും മികച്ച മോഡൽ ആണ് GPT‑5, ഉപയോക്താക്കൾക്ക് അവരുടെ ആരോഗ്യത്തെക്കുറിച്ച് അവബോധം നൽകുകയും അവർക്ക് ശുപാർശകൾ നൽകുകയും ചെയ്യുന്നു. യഥാർത്ഥ സാഹചര്യങ്ങളെയും ഡോക്ടർമാർ നിർവചിച്ച മാനദണ്ഡങ്ങളെയും അടിസ്ഥാനമാക്കി ഈ വർഷം ആദ്യം ഞങ്ങൾ പ്രസിദ്ധീകരിച്ച വിലയിരുത്തലായ HealthBench-ൽ ഈ മോഡൽ ഏതു മുൻ മോഡലിനേക്കാളും ഗണ്യമായി ഉയർന്ന രീതിയിൽ സ്കോർ ചെയ്യുന്നു. മുമ്പത്തെ മോഡലുകളുമായി താരതമ്യപ്പെടുത്തുമ്പോൾ, ഇത് ഒരു സജീവ ചിന്താ പങ്കാളിയായി പ്രവർത്തിക്കുന്നു, സാധ്യതയുള്ള ആശങ്കകൾ മുൻകൂട്ടി സൂചിപ്പിക്കുകയും കൂടുതൽ സഹായകരമായ ഉത്തരങ്ങൾ നൽകാൻവേണ്ടി ചോദ്യങ്ങൾ ചോദിക്കുകയും ചെയ്യുന്നു. ഈ മോഡൽ ഇപ്പോൾ കൂടുതൽ കൃത്യവും വിശ്വസനീയവുമായ മറുപടികളും നൽകുന്നു, ഉപയോക്താവിന്റെ സന്ദർഭം, അറിവ് നിലവാരം, ഭൂമിശാസ്ത്രം എന്നിവയുമായി പൊരുത്തപ്പെടുന്നു, ഇത് വൈവിധ്യമാർന്ന സാഹചര്യങ്ങളിൽ കൂടുതൽ സുരക്ഷിതവും സഹായകരവുമായ മറുപടികൾ നൽകാൻ അതിനെ പ്രാപ്തമാക്കുന്നു. പ്രധാനമായി, ChatGPT ഒരു മെഡിക്കൽ പ്രൊഫഷണലിന് പകരമാകുന്നില്ല—നിങ്ങളെ ഫലങ്ങൾ മനസിലാക്കാനും ദാതാക്കളുമായുള്ള സന്ദർശന സമയത്ത് ശരിയായ ചോദ്യങ്ങൾ ചോദിക്കാനും, നിങ്ങൾ തീരുമാനങ്ങൾ എടുക്കുമ്പോൾ ഒപ്ഷനുകൾ വിലയിരുത്താനും സഹായിക്കുന്ന ഒരു പങ്കാളിയായി അതിനെ കരുതുക.
വിവിധ ഡൊമെയ്നുകൾ ഞങ്ങളുടെ മുൻ മോഡലുകളേക്കാൾ GPT‑5 എങ്ങനെ മികച്ചത്—ഫലദായകവും, കൂടുതൽ വിശദവും, ഉപയോഗപ്രദവും—ആകുന്നു എന്നതിന്റെ ചില ഉദാഹരണങ്ങൾ നിങ്ങൾക്ക് കാണാം:
GPT-4o
GPT-5
GPT‑5 ന്റെ മറുപടി ശക്തമായ അവസാനത്തോടെ വലിയ വൈകാരിക ആർക്ക് എത്തിക്കുന്നു, വ്യക്തമായ ഇമേജറി, ശ്രദ്ധേയമായ രൂപകങ്ങൾ (“ഇനി നിലവിലില്ലാത്ത ഒരു രാജ്യത്തിന്റെ കറുത്ത പതാകകൾ,” “ക്യോട്ടോയുടെ മണി വൈകുന്നേരം കുന്നിന് താഴേക്ക് ഉരുളുന്നു”) ഉപയോഗിച്ച് സംസ്കാരത്തിന്റെയും സ്ഥലത്തിന്റെയും ഉജ്ജ്വലമായ ബോധം സ്ഥാപിക്കുന്നു. GPT‑4o ന്റെ പതിപ്പ് കൂടുതൽ പ്രവചിക്കാവുന്ന ഘടനയും റൈം സ്കീമും പിന്തുടരുന്നു, കാണിക്കുന്നതിനുപകരം പറയുന്നു (“അവൾ കരയുന്നു, പറയുന്നില്ല”).
* നൽകിയ പ്രോംപ്റ്റിനായി 4o-നും OpenAI o3‑നും ഇടയിൽ ഏത് മോഡൽ മികച്ച പ്രകടനം കാഴ്ചവെച്ചു എന്നതിനെ അടിസ്ഥാനമാക്കി ഞങ്ങൾ ഒരു മറുപടി തിരഞ്ഞെടുത്തു.
അക്കാദമിക് കൂടാതെ മനുഷ്യർ വിലയിരുത്തിയ ബെഞ്ച്മാർക്കുകളിലെ പ്രകടനം പ്രതിഫലിപ്പിക്കുന്നത് പോലെ GPT‑5 എല്ലാ മേഖലയിലും വളരെ മികച്ചതാണ്, പ്രത്യേകിച്ച് ഗണിതം, കോഡിംഗ്, വിഷ്വൽ പെർസെപ്ഷൻ, ആരോഗ്യം എന്നിവയിൽ. ഗണിതം (ഉപകരണങ്ങളില്ലാതെ AIME 2025-ൽ 94.6%), യഥാർത്ഥ ലോക കോഡിംഗ് (SWE-ബെഞ്ച് സ്ഥിരീകരിച്ചി 74.9%, Aider Polyglot-ൽ 88%), മൾട്ടിമോഡൽ ധാരണ (MMMU-ൽ 84.2%), ആരോഗ്യം (HealthBench Hard-ൽ 46.2%) എന്നിവയിലുടനീളംഇത് ഒരു പുതിയ നിലവാരം സ്ഥാപിക്കുന്നു—കൂടാതെ ആ നേട്ടങ്ങൾ ദൈനംദിന ഉപയോഗത്തിൽ പ്രത്യക്ഷപ്പെടുന്നു. GPT‑5 Pro-യുടെ വിപുലീകൃത റീസണിംഗ് കൊണ്ട്, ഉപകരണങ്ങളില്ലാതെ 88.4% സ്കോർ നേടിക്കൊണ്ട് ഈ മോഡൽ GPQA - ൽ ഒരു പുതിയ SOTA സ്ഥാപിക്കുന്നു.
*ടൂളുകൾ ഉപയോഗിച്ചുള്ള AIME ഫലങ്ങൾ ടൂൾ ആക്സസ് ഇല്ലാത്ത മോഡലുകളുടെ പ്രകടനവുമായി നേരിട്ട് താരതമ്യം ചെയ്യരുത്; ലഭ്യമായ ടൂളുകൾ GPT‑5 എത്രത്തോളം ഫലപ്രദമായി ഉപയോഗിക്കുന്നു എന്നതിന്റെ ഉദാഹരണമാണ് അവ.
എല്ലാ SWE-ബെഞ്ച് മൂല്യനിർണ്ണയ നടപടികളും n=477 സ്ഥിരീകരിച്ച ടാസ്കുകളുടെ ഒരു നിശ്ചിത ഉപസെറ്റ് ഉപയോഗിക്കുന്നു, അവ ഞങ്ങളുടെ ആന്തരിക ഇൻഫ്രാസ്ട്രക്ചറിൽ സാധൂകരിക്കപ്പെട്ടിട്ടുണ്ട്.
GPT‑5 നിർദ്ദേശങ്ങൾ പിന്തുടരുന്നതും ഏജന്റിക് ഉപകരണങ്ങൾ ഉപയോഗിക്കുന്നതും പരിശോധിക്കുന്ന ബെഞ്ച്മാർക്കുകളിൽ ഗണ്യമായ നേട്ടം കാണിക്കുന്നു, ഇത് മൾട്ടി-സ്റ്റെപ്പ് അഭ്യർത്ഥനകൾ വിശ്വസനീയമായി നടപ്പിലാക്കാനും വ്യത്യസ്ത ഉപകരണങ്ങളുമായി ഏകോപിപ്പിക്കാനും സന്ദർഭത്തിലെ മാറ്റങ്ങളോട് പൊരുത്തപ്പെടാനും കഴിവുള്ളതാണ്. പ്രായോഗികമായി, ഇത് സങ്കീർണ്ണവും വികാസം പ്രാപിക്കുന്നതുമായ ടാസ്കുകൾ കൈകാര്യം ചെയ്യുന്നതിൽ മികച്ചതാണ്; GPT‑5 നിങ്ങളുടെ നിർദ്ദേശങ്ങൾ കൂടുതൽ വിശ്വസനീയമായി പിന്തുടരുകയും അതിന്റെ കൈവശമുള്ള ഉപകരണങ്ങൾ ഉപയോഗിച്ച് ഒന്നിനൊന്ന് മികച്ച രീതിയിൽ പ്രവർത്തനങ്ങൾ പൂർത്തിയാക്കുകയും ചെയ്യുന്നു.
വിഷ്വൽ, വീഡിയോ അധിഷ്ഠിത, സ്പേഷ്യൽ, ശാസ്ത്രീയമായ റീസണിംഗ് എന്നിവ ഉൾപ്പെടുന്ന മൾട്ടിമോഡൽ ബെഞ്ച്മാർക്കുകളുടെ ശ്രേണിയിലുടനീളം ഈ മോഡൽ മികവ് പുലർത്തുന്നു. ശക്തമായ മൾട്ടിമോഡൽ പ്രകടനം എന്നാൽ ChatGPT‑ക്ക് ചിത്രങ്ങൾക്കും മറ്റ് ടെക്സ്റ്റ് ഇതര ഇൻപുട്ടുകൾക്കും മേൽ കൂടുതൽ കൃത്യമായി ചിന്തിക്കാൻ കഴിയുമെന്നാണർത്ഥം—അത് ഒരു ചാർട്ട് വ്യാഖ്യാനിക്കുകയോ, ഒരു അവതരണത്തിന്റെ ഫോട്ടോ സംഗ്രഹിക്കുകയോ അല്ലെങ്കിൽ ഒരു ഡയഗ്രം സംബന്ധിച്ച ചോദ്യങ്ങൾക്ക് ഉത്തരം നൽകുകയോ ആയാലും.
സങ്കീർണ്ണവും സാമ്പത്തികമായി മൂല്യവത്തുമായ അറിവ് സംബന്ധിച്ച പ്രവർത്തനത്തിലെ പ്രകടനം അളക്കുന്ന ആന്തരിക ബെഞ്ച്മാർക്കിൽ ഞങ്ങളുടെ ഏറ്റവും മികച്ച പ്രകടനം കാഴ്ചവെക്കുന്ന മോഡൽ കൂടിയാണ് GPT‑5. റീസണിംഗ് ഉപയോഗിക്കുമ്പോൾ, ഏകദേശം പകുതി കേസുകളിലും GPT‑5 വിദഗ്ധരുമായി താരതമ്യപ്പെടുത്താവുന്നതോ അവരെക്കാൾ മികച്ചതോ ആണ്, അതേസമയം നിയമം, ലോജിസ്റ്റിക്സ്, വിൽപ്പന, എഞ്ചിനീയറിംഗ് എന്നിവയുൾപ്പെടെ 40-ലധികം തൊഴിൽ മേഖലകളിൽ വ്യാപിച്ചുകിടക്കുന്ന ടാസ്കുകളിൽ o3 കൂടാതെ ChatGPT ഏജൻ്റിനെ മറികടക്കുന്നു.
മേൽപ്പറഞ്ഞ മൂല്യനിർണ്ണയങ്ങൾക്കുള്ള രീതി: GPT‑4o-ന്റെ ഫലങ്ങൾ ChatGPT‑യിലെ 2025 ഓഗസ്റ്റ് വരെയുള്ള മോഡലിന്റെ ഏറ്റവും പുതിയ പതിപ്പിനെ പ്രതിഫലിപ്പിക്കുന്നു. എല്ലാ മോഡലുകളും ഉയർന്ന 'റീസണിംഗ് പരിശ്രമം' അടിസ്ഥാനമാക്കിയാണ് വിലയിരുത്തപ്പെടുന്നത്. ഉപയോക്താവ് ഒരു മോഡൽ ഉപയോഗിക്കുമ്പോൾ അനുഭവപ്പെടുന്ന ഉയർന്ന മൂല്യത്തെ പ്രതിനിധാനം ചെയ്യുന്നതിനാൽ, ChatGPT‑യിലെ റീസണിംഗ് പരിശ്രമം വ്യത്യാസപ്പെടാം.
കുറഞ്ഞ ചിന്താ സമയത്തിൽ നിന്ന് GPT‑5 കൂടുതൽ മൂല്യം നേടുന്നു. ഞങ്ങളുടെ വിലയിരുത്തലുകളിൽ, GPT‑5 (ചിന്ത കൊണ്ട്) വിഷ്വൽ റീസണിംഗ്, ഏജന്റിക് കോഡിംഗ്, ബിരുദ-തലത്തിലുള്ള ശാസ്ത്രീയ പ്രശ്ന പരിഹാരം എന്നിവ ഉൾപ്പെടെയുള്ള കഴിവുകളിലുടനീളം 50-80% കുറവ് ഔട്ട്പുട്ട് ടോക്കണുകളോടെ OpenAI o3‑നേക്കാൾ മികച്ച പ്രകടനം കാഴ്ചവയ്ക്കുന്നു.
Microsoft Azure AI സൂപ്പർകമ്പ്യൂട്ടറുകളിലാണ് GPT‑5 പരിശീലിപ്പിക്കപ്പെട്ടത്.
ഞങ്ങളുടെ മുമ്പത്തെ മോഡലുകളെ അപേക്ഷിച്ച് GPT‑5-ന് വിഭ്രാന്തി ഉണ്ടാകാനുള്ള സാധ്യത വളരെ കുറവാണ്. ChatGPT പ്രൊഡക്ഷൻ ട്രാഫിക്കിനെ പ്രതിനിധീകരിക്കുന്ന അജ്ഞാതമായ പ്രോംപ്റ്റുകളിൽ വെബ് തിരയൽ പ്രവർത്തന സജ്ജമാക്കിയതോടെ, GPT‑5‑ന്റെ മറുപടികളിൽ വസ്തുതാപരമായ പിശക് ഉണ്ടാകാനുള്ള സാധ്യത GPT‑4o‑നേക്കാൾ ~45% കുറവാണ് കൂടാതെ, ചിന്തിക്കുമ്പോൾ, GPT‑5‑ന്റെ മറുപടികളിൽ വസ്തുതാപരമായ പിശക് ഉണ്ടാകാനുള്ള സാധ്യത OpenAI o3‑നേക്കാൾ ~80% കുറവാണ്.
സങ്കീർണ്ണവും തുറന്നതുമായ ചോദ്യങ്ങളിൽ റീസണിംഗ് നടത്തുമ്പോൾ ഞങ്ങളുടെ മോഡലുകൾ കൂടുതൽ വിശ്വസനീയമാക്കാൻ ഞങ്ങൾ പ്രത്യേകമായി നിക്ഷേപം നടത്തിയിട്ടുണ്ട്. അതനുസരിച്ച്, ഓപ്പൺ-എൻഡ് ഫാക്റ്റുവാലിറ്റി സ്ട്രെസ്-ടെസ്റ്റ് ചെയ്യാൻവേണ്ടി ഞങ്ങൾ പുതിയ മൂല്യനിർണ്ണയങ്ങൾ ചേർത്തിട്ടുണ്ട്. രണ്ട് പൊതു വസ്തുതാ ബെഞ്ച്മാർക്കുകളായLongFact(പുതിയ വിൻഡോയിൽ തുറക്കുന്നു) (ആശയങ്ങളും വസ്തുക്കളും) FActScore(പുതിയ വിൻഡോയിൽ തുറക്കുന്നു)എന്നിവയിൽ നിന്നുള്ള, വസ്തുത തേടുന്ന ഓപ്പൺ-എൻഡഡ് പ്രോംപ്റ്റുകളിൽ ചിന്തിക്കുമ്പോൾ ഞങ്ങൾ GPT‑5‑ ന്റെ ഹാലൂസിനേഷൻ നിരക്ക് അളന്നു. ഈ ബെഞ്ച്മാർക്കുകളിലുടനീളം, “GPT‑5 ചിന്ത” ഹാലുസിനേഷനുകളിൽ കുത്തനെയുള്ള ഇടിവ് കാണിക്കുന്നു—o3‑നേക്കാൾ ആറിരട്ടിയോളം കുറവ്—ഇത് സ്ഥിരതയോടെ കൃത്യമായ ദീർഘ-രൂപത്തിലുള്ള ഉള്ളടക്കം നിർമ്മിക്കുന്നതിൽ വ്യക്തമായ മുന്നേറ്റം അടയാളപ്പെടുത്തുന്നു. ഈ ബെഞ്ച്മാർക്കുകളിലെ ഞങ്ങളുടെ മൂല്യനിർണ്ണയത്തിന്റെ നടപ്പാക്കൽ, ഗ്രേഡിംഗ് വിശദാംശങ്ങൾ സിസ്റ്റം കാർഡ്-ൽ കണ്ടെത്താവുന്നതാണ്.
മെച്ചപ്പെട്ട വസ്തുനിഷ്ഠതയ്ക്കൊപ്പം, GPT‑5 (ചിന്ത കൊണ്ട്) അതിന്റെ നടപടികളും കഴിവുകളും സംബന്ധിച്ച് ഉപയോക്താവിനോട് കൂടുതൽ സത്യസന്ധമായി ആശയവിനിമയം നടത്തുന്നു—പ്രത്യേകിച്ചും അസാധ്യമായ, വ്യക്തമായി നിർവ്വചിക്കപ്പെടാത്ത, അല്ലെങ്കിൽ പ്രധാന ടൂളുകൾ ഇല്ലാത്ത ടാസ്കുകളിൽ. പരിശീലനം സമയത്ത് ഉയർന്ന റിവാർഡ് നേടുന്നതിന്, റീസണിംഗ് മോഡലുകൾ ഒരു ടാസ്ക് വിജയകരമായി പൂർത്തിയാക്കിയെന്ന് നുണ പറയാൻ പഠിച്ചേക്കാം, അല്ലെങ്കിൽ അനിശ്ചിതമായ ഒരു ഉത്തരത്തെക്കുറിച്ച് അമിതമായ ആത്മവിശ്വാസം പ്രകടിപ്പിക്കാം. ഉദാഹരണത്തിന്, ഇത് പരിശോധിക്കുന്നതിന്, മൾട്ടിമോഡൽ ബെഞ്ച്മാർക്ക് CharXiv-ന്റെ പ്രോംപ്റ്റുകളിൽ നിന്ന് ഞങ്ങൾ എല്ലാ ചിത്രങ്ങളും നീക്കംചെയ്തു, അപ്പോൾ GPT‑5‑ന്റെ വെറും 9%-ത്തെ അപേക്ഷിച്ച്, OpenAI o3 അപ്പോഴും നിലവിലില്ലാത്ത ചിത്രങ്ങളെക്കുറിച്ച് 86.7% സമയത്തും ആത്മവിശ്വാസത്തോടെ ഉത്തരങ്ങൾ നൽകിയതായി കണ്ടെത്തി.
റീസണിംഗ് ചെയ്യുമ്പോൾ, GPT‑5, ടാസ്കുകൾ പൂർത്തിയാക്കാൻ കഴിയാത്തപ്പോൾ കൂടുതൽ കൃത്യമായി തിരിച്ചറിയുകയും അതിന്റെ പരിധികൾ വ്യക്തമായി അറിയിക്കുകയും ചെയ്യുന്നു. അസാധ്യമായ കോഡിംഗ് ടാസ്കുകളും വിട്ടുപോയ മൾട്ടിമോഡൽ അസെറ്റുകളും ഉൾപ്പെടുന്ന ക്രമീകരണങ്ങളിൽ തെറ്റായ ഉത്തരങ്ങൾ നൽകുന്നതിന്റെ നിരക്കുകൾ ഞങ്ങൾ വിലയിരുത്തി, കൂടാതെ GPT‑5 (ചിന്ത ഉൾപ്പെടെ) എല്ലാ മേഖലകളിലും o3‑നേക്കാൾ കുറഞ്ഞ രീതിയിൽ മാത്രം തെറ്റായ ഉത്തരങ്ങൾ നൽകുന്നുവെന്ന് കണ്ടെത്തി. റിയൽ പ്രൊഡക്ഷൻ ChatGPT ട്രാഫിക്കിനെ പ്രതിനിധീകരിക്കുന്ന വലിയൊരു സംഭാഷണ സെറ്റിൽ, ഞങ്ങൾ GPT‑5 റീസണിംഗ് മറുപടികളുടെ വഞ്ചനാ നിരക്ക് o3‑യുടെ 4.8%-ൽ നിന്ന് 2.1% വരെ കുറച്ചു. ഇത് ഉപയോക്താക്കളെ സംബന്ധിച്ച് അർത്ഥവത്തായ പുരോഗതി കാണിക്കുന്നുവെങ്കിലും, കൂടുതൽ ജോലികൾ ചെയ്യാൻ ബാക്കിയുണ്ട്, കൂടാതെ ഞങ്ങളുടെ മോഡലുകളുടെ വസ്തുനിഷ്ഠതയും സത്യസന്ധതയും മെച്ചപ്പെടുത്തുന്നതിനായി ഗവേഷണം തുടരുകയാണ്. കൂടുതൽ വിശദാംശങ്ങൾ സിസ്റ്റം കാർഡ്-ൽ കണ്ടെത്താം.
ശമനത്തിന് മുമ്പ്
ശമന നടപടികൾക്ക് ശേഷം
സുരക്ഷയുടെ കാര്യത്തിൽ GPT‑5 അതിർത്തികൾ ഭേദിക്കുന്നു. മുൻകാലങ്ങളിൽ, ChatGPT പ്രധാനമായും നിരസിക്കൽ അടിസ്ഥാനമാക്കിയുള്ള സുരക്ഷാ പരിശീലനം ആശ്രയിച്ചിരുന്നു: ഉപയോക്താവിന്റെ പ്രോംപ്റ്റ് അടിസ്ഥാനമാക്കി, മോഡൽ അനുസരിക്കുകയോ നിരസിക്കുകയോ വേണം. വ്യക്തമായും ദോഷകരമായ പ്രോംപ്റ്റുകളുടെ കാര്യത്തിൽ ഇത്തരത്തിലുള്ള പരിശീലനം നന്നായി പ്രവർത്തിക്കുന്നുണ്ടെങ്കിലും, ഉപയോക്താവിന്റെ ഉദ്ദേശം വ്യക്തമല്ലാത്ത സാഹചര്യങ്ങൾ കൈകാര്യം ചെയ്യാൻ ഇത് ബുദ്ധിമുട്ടിയേക്കാം, അല്ലെങ്കിൽ വിവരങ്ങൾ ഗുണകരമോ ദോഷകരമോ ആയ രീതികളിൽ ഉപയോഗിച്ചേക്കാം. നിരസിക്കൽ പരിശീലനം, പ്രത്യേകിച്ചും വൈറോളജി പോലുള്ള ഇരട്ട ഉപയോഗ ഡൊമെയ്നുകൾക്ക് വഴങ്ങാത്തതാണ്, അവിടെ ഒരു നിർദ്ദോഷകരമായ അഭ്യർത്ഥന ഉയർന്ന തലത്തിൽ സുരക്ഷിതമായി പൂർത്തിയാക്കാൻ കഴിയും, പക്ഷേ വിശദമായി പൂർത്തിയാക്കിയാൽ ദുഷ്ടലാക്കുള്ള ഒരു വ്യക്തിയെ സഹായിച്ചേക്കാം.
GPT‑5‑നായി, ഞങ്ങൾ സുരക്ഷാ പരിശീലനത്തിന്റെ ഒരു പുതിയ രൂപം അവതരിപ്പിച്ചു — സുരക്ഷിത പൂർത്തീകരണങ്ങൾ — ഇത് മോഡലിനെ സുരക്ഷാ അതിർത്തികൾക്കുള്ളിൽ തുടരുമ്പോൾ തന്നെ, കഴിയുന്നിടത്ത് ഏറ്റവും സഹായകരമായ ഉത്തരം നൽകാൻ പഠിപ്പിക്കുന്നു. ചിലപ്പോൾ, ഒരു ഉപയോക്താവിന്റെ ചോദ്യത്തിന് ഭാഗികമായി ഉത്തരം നൽകുക അല്ലെങ്കിൽ ഉയർന്ന തലത്തിൽ മാത്രം ഉത്തരം നൽകുക എന്ന് ഇത് അർത്ഥമാക്കാം. മോഡൽ നിരസിക്കേണ്ടതുണ്ടെങ്കിൽ, അത് എന്തുകൊണ്ടാണ് നിരസിക്കുന്നതെന്ന് സുതാര്യമായി പറയാൻ GPT‑5‑നെ പരിശീലിപ്പിച്ചിരിക്കുന്നു, കൂടാതെ സുരക്ഷിതമായ ബദലുകൾ നൽകുകയും ചെയ്യുന്നു. നിയന്ത്രിത പരീക്ഷണങ്ങളിലും ഞങ്ങളുടെ പ്രൊഡക്ഷൻ മോഡലുകളിലും, ഈ സമീപനം കൂടുതൽ സൂക്ഷ്മമാണെന്ന് ഞങ്ങൾ മനസിലാക്കുന്നു, ഇത് ഇരട്ട ഉപയോഗ ചോദ്യങ്ങളുടെ മികച്ച നാവിഗേഷനും അവ്യക്തമായ ഉദ്ദേശ്യങ്ങളോടുള്ള ശക്തമായ പ്രതിരോധവും സാധ്യമാക്കുന്നു, അനാവശ്യമായ അമിത നിരസിക്കലുകൾ കുറയ്ക്കുന്നു. സുരക്ഷാ പരിശീലനത്തോടുള്ള ഞങ്ങളുടെ പുതിയ സമീപനത്തെക്കുറിച്ചും, രീതിശാസ്ത്രം, അളവുകൾ, ഫലങ്ങൾ എന്നിവയുടെ പൂർണ്ണ വിശദാംശങ്ങളും, ഞങ്ങളുടെ സുരക്ഷിതമായി പൂർത്തിയാക്കൽ പേപ്പറിൽ കൂടുതൽ വായിക്കുക.
പ്രോംപ്റ്റ് ഉദ്ദേശ്യത്തിന്റെ തരങ്ങളിലെ സുരക്ഷയും സഹായവും (സുരക്ഷിതമായ മറുപടികൾ നൽകിയാൽ). GPT‑5 (ചിന്ത ഉൾപ്പെടെ) എല്ലാ പ്രോംപ്റ്റ് ഉദ്ദേശ്യ തരങ്ങളിലും ഉയർന്ന സുരക്ഷയും കൂടുതൽ സഹായവും പ്രദർശിപ്പിക്കുന്നു.
മൊത്തത്തിൽ, GPT‑5 അനിയന്ത്രിതമായി ഹിതകരമല്ല, അനാവശ്യ ഇമോജികൾ കുറച്ചു മാത്രം ഉപയോഗിക്കുന്നു, കൂടാതെ GPT‑4o‑നെ അപേക്ഷിച്ച് ഫോളോ-അപ്പുകളിൽ കൂടുതൽ സൂക്ഷ്മവും ചിന്താത്മകവുമാണ്. ഇത് “AI-യുമായി സംസാരിക്കുന്നത്” പോലെ തോന്നുന്നതിനേക്കാൾ PhD ലെവൽ ഇന്റലിജൻസ് ഉള്ള സഹായമനസ്ഥിതിയുള്ള സുഹൃത്തുമായി ചാറ്റ് ചെയ്യുന്നത് പോലെ തോന്നും.
ഈ വർഷം ആദ്യം, ഞങ്ങൾ GPT‑4o മോഡലിന് ഒരു അപ്ഡേറ്റ് പുറത്തിറക്കി, ബോധപൂർവ്വമല്ലാതെ ആണെങ്കിലും, അത് മോഡലിനെ അമിതമായി സ്തുതി പറയുന്ന, അല്ലെങ്കിൽ അമിതമായി പ്രശംസിക്കുന്നതോ അനുകൂലിക്കുന്നതോ ആക്കി മാറ്റി. ഞങ്ങൾ വേഗം ആ മാറ്റം പിൻവലിച്ചു, അതിനുശേഷം ഈ പെരുമാറ്റം മനസ്സിലാക്കാനും കുറയ്ക്കാനും വേണ്ടി പ്രവർത്തിച്ചു, ഇപ്രകാരം:
- സ്തുതിപാഠകത്വം അളക്കുന്നതിനുള്ള പുതിയ വിലയിരുത്തലുകൾ വികസിപ്പിക്കൽ
- മോഡലിന്റെ സ്തുതിപാഠകത്വം കുറയ്ക്കാൻ വേണ്ടി ഞങ്ങളുടെ പരിശീലനം മെച്ചപ്പെടുത്തുക - ഉദാഹരണത്തിന്, സാധാരണയായി അമിത സമ്മതത്തിലേക്ക് നയിക്കുന്ന ഉദാഹരണങ്ങൾ ചേർത്ത്, അത് ചെയ്യരുതെന്ന് പഠിപ്പിക്കുക.
സൈക്കോഫാന്റിക് പ്രതികരണങ്ങൾ പ്രേരിപ്പിക്കാൻ പ്രത്യേകമായി രൂപകൽപ്പന ചെയ്ത പ്രോംപ്റ്റുകൾ ഉപയോഗിച്ച് ലക്ഷ്യമിട്ട സൈക്കോഫാൻസി വിലയിരുത്തലുകളിൽ, GPT‑5 സൈക്കോഫാന്റിക് മറുപടികൾ അർത്ഥവത്തായ രീതിയിൽ കുറച്ചു (14.5%-ൽ നിന്ന് 6%-ൽ താഴെയായി). ചിലപ്പോഴൊക്കെ, സ്തുതിപാഠകത്വം കുറയ്ക്കുന്നത് ഉപയോക്തൃ സംതൃപ്തിയിൽ കുറവുണ്ടാക്കാം, പക്ഷേ ഞങ്ങൾ നടത്തിയ മെച്ചപ്പെടുത്തലുകൾ സ്തുതിപാഠകത്വം പകുതിയിലധികം കുറയ്ക്കുകയും അളക്കാവുന്ന മറ്റ് നേട്ടങ്ങൾ നൽകുകയും ചെയ്യുന്നു, അതിനാൽ ഉപയോക്താക്കൾക്ക് ഉയർന്ന നിലവാരമുള്ളതും ക്രിയാത്മകവുമായ സംഭാഷണങ്ങൾ തുടരാൻ കഴിയും—ChatGPT നന്നായി ഉപയോഗിക്കാൻ ആളുകളെ സഹായിക്കുക എന്ന ഞങ്ങളുടെ ലക്ഷ്യത്തിന് അനുസൃതമായി.
GPT‑5 നിർദ്ദേശങ്ങൾ പാലിക്കുന്നതിൽ ഗണ്യമായ രീതിയിൽ മികച്ചതാണ്, കൂടാതെ ഇഷ്ടാനുസൃത നിർദ്ദേശങ്ങൾ പാലിക്കുന്നതിലുള്ള അതിന്റെ കഴിവിൽ അനുബന്ധമായ ഒരു പുരോഗതിയും ഞങ്ങൾ കാണുന്നു.
എല്ലാ ChatGPT ഉപയോക്താക്കൾക്കുമായി നാല് പുതിയ പ്രീസെറ്റ് വ്യക്തിത്വങ്ങളുടെ ഗവേഷണ പ്രിവ്യൂ ഞങ്ങൾ സമാരംഭിക്കുന്നു, ഇത് സ്റ്റിയറബിലിറ്റിയിലെ മെച്ചപ്പെടുത്തലുകൾ മൂലമാണ് സാധ്യമായത്. ആദ്യം ടെക്സ്റ്റ് ചാറ്റിനായി ലഭ്യമാകുകയും പിന്നീട് വോയ്സിലേക്ക് വരുന്നതുമായ ഈ വ്യക്തിത്വങ്ങൾ, ഇഷ്ടാനുസൃത പ്രോംപ്റ്റുകൾ എഴുതാതെ തന്നെ ChatGPT എങ്ങനെ ഇടപെടണം എന്നത്—സംക്ഷിപ്തവും പ്രൊഫഷണലും, ചിന്താത്മകവും പിന്തുണയ്ക്കുന്നതും, അല്ലെങ്കിൽ അൽപ്പം ആക്ഷേപഹാസ്യം—സജ്ജീകരിക്കാൻ നിങ്ങളെ അനുവദിക്കുന്നു. സിനിക്, റോബോട്ട്, ലിസണർ, നെർഡ് എന്നീ നാല് പ്രാരംഭ ഓപ്ഷനുകൾ ഓപ്റ്റ്-ഇൻ, ക്രമീകരണങ്ങളിൽ എപ്പോൾ വേണമെങ്കിലും ക്രമീകരിക്കാവുന്നതും നിങ്ങളുടെ ആശയവിനിമയ ശൈലിയുമായി പൊരുത്തപ്പെടാൻ രൂപകൽപ്പന ചെയ്തവയുമാണ്.
ഈ പുതിയ വ്യക്തിത്വങ്ങൾ സ്തുതിപാഠകത്വം കുറയ്ക്കാൻ വേണ്ടിയുള്ള ആന്തരിക വിലയിരുത്തലുകളിൽ ഞങ്ങളുടെ മാനദണ്ഡം പാലിക്കുന്നു അല്ലെങ്കിൽ അതിനുമപ്പുറം പോകുന്നു.
ആദ്യകാല ഫീഡ്ബാക്കിനെ അടിസ്ഥാനമാക്കി പഠിക്കുകയും ആവർത്തിക്കുകയും ചെയ്യാൻ ഞങ്ങൾ ആഗ്രഹിക്കുന്നു.
ബയോളജിക്കൽ, കെമിക്കൽ ഡൊമെയ്നിൽ ഉയർന്ന ശേഷിയുള്ളതായി “GPT‑5 ചിന്ത” മോഡലിനെ പരിഗണിക്കാൻ ഞങ്ങൾ തീരുമാനിച്ചു, കൂടാതെ ബന്ധപ്പെട്ട അപകടസാധ്യതകൾ പര്യാപ്തമായ രീതിയിൽ കുറയ്ക്കുന്നതിന് ശക്തമായ സുരക്ഷാനടപടികൾ നടപ്പിലാക്കുകയും ചെയ്തു. CAISI, UK AISI പോലുള്ള പങ്കാളികളുമായി 5,000 മണിക്കൂർ റെഡ്-ടീമിംഗ് പൂർത്തിയാക്കിക്കൊണ്ട്, ഞങ്ങളുടെ തയ്യാറെടുപ്പ് ചട്ടക്കൂട്-ന് കീഴിൽ ഞങ്ങളുടെ സുരക്ഷാ വിലയിരുത്തലുകൾ ഉപയോഗിച്ച് ഞങ്ങൾ ഈ മോഡൽ കർശനമായി പരീക്ഷിച്ചു.
ChatGPT ഏജൻ്റിനോടുള്ള ഞങ്ങളുടെ സമീപനത്തിന് സമാനമായി, ഈ മോഡൽ ഒരു നവാഗതനെ ഗുരുതരമായ ബയോളജിക്കൽ ഹാനി സൃഷ്ടിക്കാൻ അർത്ഥവത്തായി സഹായിക്കുമെന്നതിന് കൃത്യമായ തെളിവുകൾ ഇല്ലെങ്കിലും– ഉയർന്ന ശേഷിക്കായുള്ള ഞങ്ങളുടെ നിർവ്വചിച്ച പരിധി(പുതിയ വിൻഡോയിൽ തുറക്കുന്നു) – ഞങ്ങൾ മുൻകരുതൽ സമീപനം സ്വീകരിക്കുന്നു, അത്തരം കഴിവുകൾ ലഭ്യമാകുമ്പോൾ തയ്യാറെടുപ്പ് വർദ്ധിപ്പിക്കുന്നതിന് ആവശ്യമായ സുരക്ഷാ നടപടികൾ ഇപ്പോൾ തന്നെ നടപ്പിലാക്കുന്നു. തത്ഫലമായി, “GPT‑5 ചിന്ത”-ക്ക് ബയോളജിക്കായി വിവിധതല പ്രതിരോധ സംവിധാനമുള്ള ശക്തമായ സുരക്ഷാ സ്റ്റാക്ക് ഉണ്ട്: സമഗ്രമായ ഭീഷണി മോഡലിംഗ്, ഞങ്ങളുടെ പുതിയ സുരക്ഷിത പൂർത്തീകരണ മാതൃകയിലൂടെ ദോഷകരമായ ഉള്ളടക്കം പുറത്തുവിടാതിരിക്കാൻ മോഡലിന് പരിശീലനം നൽകുക, എപ്പോഴും പ്രവർത്തിക്കുന്ന ക്ലാസിഫയറുകളും റീസണിംഗ് മോണിറ്ററുകളും, കൂടാതെ വ്യക്തമായ നടപ്പാക്കൽ മാർഗ്ഗങ്ങൾ.
ഞങ്ങളുടെ സിസ്റ്റം കാർഡിൽ GPT‑5‑നുള്ള ഞങ്ങളുടെ ശക്തമായ സുരക്ഷാ സമീപനത്തെക്കുറിച്ച് കൂടുതൽ വായിക്കുക.
ഏറ്റവും വെല്ലുവിളി നിറഞ്ഞതും സങ്കീർണ്ണവുമായ ടാസ്കുകൾക്കായി, OpenAI o3‑Pro‑ക്ക് പകരം, ഞങ്ങൾ GPT‑5‑ന്റെ ഒരു വകഭേദമായ GPT‑5 Pro പുറത്തിറക്കുന്നു, ഇത് ഏറ്റവും ഉയർന്ന നിലവാരമുള്ളതും ഏറ്റവും സമഗ്രവുമായ ഉത്തരങ്ങൾ നൽകുന്നതിന്, സ്കെയിൽ ചെയ്തതും എന്നാൽ കാര്യക്ഷമവുമായ സമാന്തര ടെസ്റ്റ്-ടൈം കംപ്യൂട്ട് ഉപയോഗിച്ച്, കൂടുതൽ സമയം ചിന്തിക്കുന്നു. വളരെ ബുദ്ധിമുട്ടുള്ള ശാസ്ത്ര ചോദ്യങ്ങൾ ഉൾക്കൊള്ളുന്ന GPQA-യിലെ അത്യാധുനിക പ്രകടനം ഉൾപ്പെടെ നിരവധി വെല്ലുവിളി നിറഞ്ഞ ഇന്റലിജൻസ് ബെഞ്ച്മാർക്കുകളിൽ GPT‑5 Pro, GPT‑5 കുടുംബത്തിലെ ഏറ്റവും ഉയർന്ന പ്രകടനം കൈവരിക്കുന്നു.
1000-ന് മുകളിൽ സാമ്പത്തികമായി വിലപ്പെട്ട, യഥാർത്ഥ ലോക റീസണിംഗ് പ്രോംപ്റ്റുകളുടെ വിലയിരുത്തലുകളിൽ, ബാഹ്യ വിദഗ്ധർ "GPT‑5 ചിന്ത"-യെക്കാൾ 67.8% കൂടുതൽ GPT‑5 Pro ഇഷ്ടപ്പെട്ടു. GPT‑5 Pro 22% കുറവ് പ്രധാന പിശകുകൾ മാത്രം വരുത്തുകയും ആരോഗ്യ, ശാസ്ത്ര, ഗണിത, കോഡിംഗ് മേഖലകളിൽ മികവ് പുലർത്തുകയും ചെയ്തു. വിദഗ്ധർ അതിന്റെ മറുപടികളെ പ്രസക്തവും, ഉപയോഗപ്രദവും, സമഗ്രവുമാണെന്ന് വിലയിരുത്തി.
ChatGPT‑യിലെ പുതിയ ഡിഫോൾട്ട് ആണ് GPT‑5, അത് സൈൻ ഇൻ ചെയ്ത ഉപയോക്താക്കൾക്കായി GPT‑4o, OpenAI o3, OpenAI o4-mini, GPT‑4.1, GPT‑4.5 എന്നിവയെ മാറ്റിസ്ഥാപിക്കുന്നു. ChatGPT തുറന്ന് നിങ്ങളുടെ ചോദ്യം ടൈപ്പ് ചെയ്യുക; ബാക്കി GPT‑5 കൈകാര്യം ചെയ്യുന്നു, മറുപടിക്ക് പ്രയോജനപ്രദമാണെങ്കിൽ ഓട്ടോമാറ്റിക്കായി റീസണിംഗ് പ്രയോഗിക്കുന്നു. പണമടച്ച ഉപയോക്താക്കൾക്ക് ഇപ്പോഴും മോഡൽ പിക്കറിൽ നിന്ന് “GPT‑5 Thinking” തിരഞ്ഞെടുക്കാം, അല്ലെങ്കിൽ മറുപടി സൃഷ്ടിക്കുമ്പോൾ റീസണിംഗ് ഉപയോഗിക്കുന്നുവെന്ന് ഉറപ്പാക്കാൻ പ്രോംപ്റ്റിൽ 'ഇതിനെക്കുറിച്ച് കഠിനമായി ചിന്തിക്കുക' എന്നതുപോലെ എന്തെങ്കിലും ടൈപ്പുചെയ്യാം.
GPT‑5 ഇന്നു പുറത്തിറക്കുന്നു, എല്ലാ Plus, Pro, Team, കൂടാതെ Free ഉപയോക്താക്കൾക്കായി, കൂടാതെ Enterprise, Edu എന്നിവയിലേക്കുള്ള ആക്സസ് അടുത്ത ആഴ്ച ലഭ്യമാകുന്നതാണ്. Pro, Plus, Team ഉപയോക്താക്കൾക്ക് ChatGPT ഉപയോഗിച്ച് സൈൻ ഇൻ ചെയ്തും Codex CLI(പുതിയ വിൻഡോയിൽ തുറക്കുന്നു)-യിൽ GPT‑5 ഉപയോഗിച്ച് കോഡിംഗ് ആരംഭിക്കാം.
GPT‑4o പോലെ, GPT‑5‑ലേക്ക് സൗജന്യവും പണമടച്ചതുമായ ആക്സസ് തമ്മിലുള്ള വ്യത്യാസം ഉപയോഗത്തിന്റെ അളവിലാണ്. Pro സബ്സ്ക്രൈബർമാർക്ക് GPT‑5‑ലേക്ക് പരിധിയില്ലാത്ത ആക്സസും GPT‑5 Pro-ലേക്കുള്ള ആക്സസും ലഭിക്കും. Plus ഉപയോക്താക്കൾക്ക് അവരുടെ ദൈനംദിന ചോദ്യങ്ങൾക്ക് ഡിഫോൾട്ട് മോഡലായി ഇത് സൗകര്യപ്രദമായി ഉപയോഗിക്കാൻ കഴിയും, സൗജന്യ ഉപയോക്താക്കളേക്കാൾ ഗണ്യമായി വർദ്ധിച്ച ഉപയോഗത്തോടെ. Team, Enterprise, Edu ഉപഭോക്താക്കൾക്ക് GPT‑5 അവരുടെ ദൈനംദിന ജോലികൾക്കായി ഡിഫോൾട്ട് മോഡലായി സൗകര്യപ്രദമായി ഉപയോഗിക്കാം, ഉദാരമായ പരിധികൾ മൂലം മുഴുവൻ ഓർഗനൈസേഷനുകൾക്കും GPT‑5‑നെ ആശ്രയിക്കുന്നത് സുഗമമാകുന്നു. ChatGPT Free ഉപയോക്താക്കൾക്കായി, പൂർണ്ണ റീസണിംഗ് കഴിവുകൾ പൂർണ്ണമായി പ്രവർത്തനക്ഷമമാക്കാൻ കുറച്ച് ദിവസങ്ങൾ എടുക്കാം. സൗജന്യ ഉപയോക്താക്കൾ അവരുടെ GPT‑5 ഉപയോഗ പരിധിയിൽ എത്തിക്കഴിഞ്ഞാൽ, അവർ ചെറുതും വേഗതയേറിയതും, ഉയർന്ന ശേഷിയുള്ള മോഡലായ GPT‑5 mini-ലേക്ക് മാറും.
രചയിതാവ്
അടിക്കുറിപ്പുകൾ
*ഞങ്ങളുടെ മുൻ ബ്ലോഗ് പോസ്റ്റിൽ റിപ്പോർട്ട് ചെയ്ത സംഖ്യകളിൽ ചെറിയ ഒരു വ്യത്യാസമുണ്ട്, കാരണം അവ HLE-യുടെ പഴയ പതിപ്പിൽ പ്രവർത്തിപ്പിക്കപ്പെട്ടവയാണ്.
** MultiChallenge (GPT-4o)-ലെ ഡിഫോൾട്ട് ഗ്രേഡർ പതിവായി മോഡൽ മറുപടികൾ തെറ്റായി സ്കോർ ചെയ്യുന്നതായി ഞങ്ങൾ കാണുന്നു. o3-mini പോലുള്ള ഒരു റീസണിംഗ് മോഡലിലേക്ക് ഗ്രേഡർ മാറ്റുന്നത്, ഞങ്ങൾ പരിശോധിച്ച സാമ്പിളുകളിലെ ഗ്രേഡിംഗിലെ കൃത്യത ഗണ്യമായി മെച്ചപ്പെടുത്തുന്നുവെന്ന് ഞങ്ങൾ മനസിലാക്കുന്നു.
***MMMUPro-യ്ക്ക്, സ്റ്റാൻഡേർഡ്, വിഷൻ എന്നിവയ്ക്കുള്ള ശരാശരി സ്കോറുകൾ ഞങ്ങൾ കണക്കാക്കി.***
സംഭാവകർ
Aaditya Singh, Adam Fry, Adam Perelman, Adam Tart, Adi Ganesh, Ahmed El-Kishky, Aidan McLaughlin, Aiden Low, AJ Ostrow, Akhila Ananthram, Akshay Nathan, Alan Luo, Alec Helyar, Aleksander Madry, Aleksandr Efremov, Aleksandra Spyra, Alex Baker-Whitcomb, Alex Beutel, Alex Karpenko, Alex Makelov, Alex Neitz, Alex Wei, Alexandra Barr, Alexandre Kirchmeyer, Alexey Ivanov, Alexi Christakis, Alistair Gillespie, Allison Tam, Ally Bennett, Alvin Wan, Alyssa Huang, Amy McDonald Sandjideh, Amy Yang, Ananya Kumar, Andre Saraiva, Andrea Vallone, Andrei Gheorghe, Andres Garcia Garcia, Andrew Braunstein, Andrew Liu, Andrew Schmidt, Andrey Mereskin, Andrey Mishchenko, Andy Applebaum, Andy Rogerson, Ann Rajan, Annie Wei, Anoop Kotha, Anubha Srivastava, Anushree Agrawal, Arun Vijayvergiya, Ashley Tyra, Ashvin Nair, Avi Nayak, Ben Eggers, Bessie Ji, Beth Hoover, Bill Chen, Blair Chen, Boaz Barak, Borys Minaiev, Botao Hao, Bowen Baker, Brad Lightcap, Brandon McKinzie, Brandon Wang, Brendan Quinn, Brian Fioca, Brian Hsu, Brian Yang, Brian Yu, Brian Zhang, Brittany Brenner, Callie Riggins Zetino, Cameron Raymond, Camillo Lugaresi, Carolina Paz, Cary Hudson, Cedric Whitney, Chak Li, Charles Chen, Charlotte Cole, Chelsea Voss, Chen Ding, Chen Shen, Chengdu Huang, Chris Colby, Chris Hallacy, Chris Koch, Chris Lu, Christina Kaplan, Christina Kim, CJ Minott-Henriques, Cliff Frey, Cody Yu, Coley Czarnecki, Colin Reid, Colin Wei, Cory Decareaux, Cristina Scheau, Cyril Zhang, Cyrus Forbes, Da Tang, Dakota Goldberg, Dan Roberts, Dana Palmie, Daniel Kappler, Daniel Levine, Daniel Wright, Dave Leo, David Lin, David Robinson, Declan Grabb, Derek Chen, Derek Lim, Derek Salama, Dibya Bhattacharjee, Dimitris Tsipras, Dinghua Li, Dingli Yu, DJ Strouse, Drew Williams, Dylan Hunn, Ed Bayes, Edwin Arbus, Ekin Akyurek, Elaine Ya Le, Elana Widmann, Eli Yani, Elizabeth Proehl, Enis Sert, Enoch Cheung, Eri Schwartz, Eric Han, Eric Jiang, Eric Mitchell, Eric Sigler, Eric Wallace, Erik Ritter, Erin Kavanaugh, Evan Mays, Evgenii Nikishin, Fangyuan Li, Felipe Petroski Such, Filipe de Avila Belbute Peres, Filippo Raso, Florent Bekerman, Foivos Tsimpourlas, Fotis Chantzis, Francis Song, Francis Zhang, Gaby Raila, Garrett McGrath, Gary Briggs, Gary Yang, Giambattista Parascandolo, Gildas Chabot, Grace Kim, Grace Zhao, Gregory Valiant, Guillaume Leclerc, Hadi Salman, Hanson Wang, Hao Sheng, Haoming Jiang, Haoyu Wang, Haozhun Jin, Harshit Sikchi, Heather Schmidt, Henry Aspegren, Honglin Chen, Huida Qiu, Hunter Lightman, Ian Covert, Ian Kivlichan, Ian Silber, Ian Sohl, Ibrahim Hammoud, Ignasi Clavera, Ikai Lan, Ilge Akkaya, Ilya Kostrikov, Irina Kofman, Isak Etinger, Ishaan Singal, Jackie Hehir, Jacob Huh, Jacqueline Pan, Jake Wilczynski, Jakub Pachocki, James Lee, James Quinn, Jamie Kiros, Janvi Kalra, Jasmyn Samaroo, Jason Wang, Jason Wolfe, Jay Chen, Jay Wang, Jean Harb, Jeffrey Han, Jeffrey Wang, Jennifer Zhao, Jeremy Chen, Jerene Yang, Jerry Tworek, Jesse Chand, Jessica Landon, Jessica Liang, Ji Lin, Jiancheng Liu, Jianfeng Wang, Jie Tang, Jihan Yin, Joanne Jang, Joel Morris, Joey Flynn, Johannes Ferstad, Johannes Heidecke, John Fishbein, John Hallman, Jonah Grant, Jonathan Chien, Jonathan Gordon, Jongsoo Park, Jordan Liss, Jos Kraaijeveld, Joseph Guay, Joseph Mo, Josh Lawson, Josh McGrath, Joshua Vendrow, Joy Jiao, Julian Lee, Julie Steele, Julie Wang, Junhua Mao, Kai Chen, Kai Hayashi, Kai Xiao, Kamyar Salahi, Kan Wu, Karan Sekhri, Karan Sharma, Karan Singhal, Karen Li, Kenny Nguyen, Keren Gu-Lemberg, Kevin King, Kevin Liu, Kevin Stone, Kevin Yu, Kristen Ying, Kristian Georgiev, Kristie Lim, Kushal Tirumala, Kyle Miller, Lama Ahmad, Larry Lv, Laura Clare, Laurance Fauconnet, Lauren Itow, Lauren Yang, Laurentia Romaniuk, Leah Anise, Lee Byron, Leher Pathak, Leon Maksin, Leyan Lo, Leyton Ho, Li Jing, Liang Wu, Liang Xiong, Lien Mamitsuka, Lin Yang, Lindsay McCallum, Lindsey Held, Liz Bourgeois, Logan Engstrom, Lorenz Kuhn, Louis Feuvrier, Lu Zhang, Lucas Switzer, Lukas Kondraciuk, Lukasz Kaiser, Manas Joglekar, Mandeep Singh, Mandip Shah, Manuka Stratta, Marcus Williams, Mark Chen, Mark Sun, Marselus Cayton, Martin Li, Marvin Zhang, Marwan Aljubeh, Matt Nichols, Matthew Haines, Max Schwarzer, Mayank Gupta, Meghan Shah, Melody Huang, Meng Dong, Mengqing Wang, Mia Glaese, Micah Carroll, Michael Lampe, Michael Malek, Michael Sharman, Michael Zhang, Michele Wang, Michelle Pokrass, Mihai Florian, Mikhail Pavlov, Miles Wang, Ming Chen, Mingxuan Wang, Minnia Feng, Mo Bavarian, Molly Lin, Moose Abdool, Mostafa Rohaninejad, Nacho Soto, Natalie Staudacher, Natan LaFontaine, Nathan Marwell, Nelson Liu, Nick Preston, Nick Turley, Nicklas Ansman, Nicole Blades, Nikil Pancha, Nikita Mikhaylin, Niko Felix, Nikunj Handa, Nishant Rai, Nitish Keskar, Noam Brown, Ofir Nachum, Oleg Boiko, Oleg Murk, Olivia Watkins, Oona Gleeson, Pamela Mishkin, Patryk Lesiewicz, Paul Baltescu, Pavel Belov, Peter Zhokhov, Philip Pronin, Phillip Guo, Phoebe Thacker, Qi Liu, Qiming Yuan, Qinghua Liu, Rachel Dias, Rachel Puckett, Rahul Arora, Ravi Teja Mullapudi, Raz Gaon, Reah Miyara, Rennie Song, Rishabh Aggarwal, RJ Marsan, Robel Yemiru, Robert Xiong, Rohan Kshirsagar, Rohan Nuttall, Roman Tsiupa, Ronen Eldan, Rose Wang, Roshan James, Roy Ziv, Rui Shu, Ruslan Nigmatullin, Saachi Jain, Saam Talaie, Sam Altman, Sam Arnesen, Sam Toizer, Sam Toyer, Samuel Miserendino, Sandhini Agarwal, Sarah Yoo, Savannah Heon, Scott Ethersmith, Sean Grove, Sean Taylor, Sebastien Bubeck, Sever Banesiu, Shaokyi Amdo, Shengjia Zhao, Sherwin Wu, Shibani Santurkar, Shiyu Zhao, Shraman Ray Chaudhuri, Shreyas Krishnaswamy, Shuaiqi (Tony) Xia, Shuyang Cheng, Shyamal Anadkat, Simón Posada Fishman, Simon Tobin, Siyuan Fu, Somay Jain, Song Mei, Sonya Egoian, Spencer Kim, Spug Golden, SQ Mah, Steph Lin, Stephen Imm, Steve Sharpe, Steve Yadlowsky, Sulman Choudhry, Sungwon Eum, Suvansh Sanjeev, Tabarak Khan, Tal Stramer, Tao Wang, Tao Xin, Tarun Gogineni, Taya Christianson, Ted Sanders, Tejal Patwardhan, Thomas Degry, Thomas Shadwell, Tianfu Fu, Tianshi Gao, Timur Garipov, Tina Sriskandarajah, Toki Sherbakov, Tomer Kaftan, Tomo Hiratsuka, Tongzhou Wang, Tony Song, Tony Zhao, Troy Peterson, Val Kharitonov, Victoria Chernova, Vineet Kosaraju, Vishal Kuo, Vitchyr Pong, Vivek Verma, Vlad Petrov, Wanning Jiang, Weixing Zhang, Wenda Zhou, Wenlei Xie, Wenting Zhan, Wes McCabe, Will DePue, Will Ellsworth, Wulfie Bain, Wyatt Thompson, Xiangning Chen, Xiangyu Qi, Xin Xiang, Xinwei Shi, Yann Dubois, Yaodong Yu, Yara Khakbaz, Yifan Wu, Yilei Qian, Yin Tat Lee, Yinbo Chen, Yizhen Zhang, Yizhong Xiong, Yonglong Tian, Young Cha, Yu Bai, Yu Yang, Yuan Yuan, Yuanzhi Li, Yufeng Zhang, Yuguang Yang, Yujia Jin, Yun Jiang, Yunyun Wang, Yushi Wang, Yutian Liu, Zach Stubenvoll, Zehao Dou, Zheng Wu, Zhigang Wang
