GPT-6.1Sol

ഏജന്റിക് കോഡിംഗ്, കമ്പ്യൂട്ടർ ഉപയോഗം, പ്രൊഫഷണൽ ജോലികൾ എന്നിവയിൽ GPT-6 Astra-യുടെ ഇൻ്റലിജൻസിനോട് ഏറെ അടുത്ത പ്രകടനം നൽകുന്ന GPT-6 Sol-ന്റെ മെച്ചപ്പെടുത്തിയ പതിപ്പായ GPT-6.1 Sol ഞങ്ങൾ അവതരിപ്പിക്കുന്നു. Astra-യുടെ സാധാരണ ഇൻപുട്ട്, ഔട്ട്പുട്ട് ടോക്കൺ വിലയുടെ അഞ്ചിലൊന്ന് മാത്രമാണ് ഇതിന്റെ ചിലവ്. കാഷെ ചെയ്ത ഇൻപുട്ടിന് പത്ത് ലക്ഷം ടോക്കണുകൾക്ക് വെറും $0.10ആണ് ചിലവ്—സാധാരണ ഇൻപുട്ട് വിലയേക്കാൾ 95% കുറവും GPT-6 Sol-ന്റെ കാഷെ ചെയ്ത ഇൻപുട്ട് വിലയേക്കാൾ 50% കുറവും. അഭ്യർഥനകളിലുടനീളം സന്ദർഭം വീണ്ടും ഉപയോഗിക്കുന്ന കഴിവുള്ള ഏജന്റുകളെ നിർമിക്കാനും പ്രവർത്തിപ്പിക്കാനും ഇതുവഴി ഡെവലപ്പർമാർക്ക് കൂടുതൽ അവസരം ലഭിക്കുന്നു.

വിവിധ ജോലികളിൽ കൂടുതൽ കഴിവുള്ള Sol

പ്രധാനപ്പെട്ട ദൈനംദിന ജോലികൾക്കായി കഴിവും ചിലവും തമ്മിൽ GPT-6.1 Sol പുതിയൊരു സന്തുലനം നൽകുന്നു. കോഡ് എഴുതലും പിശക് തിരുത്തലും മുതൽ രേഖകൾ മനസ്സിലാക്കലും പല ഘട്ടങ്ങളുള്ള ബിസിനസ് പ്രവാഹങ്ങൾ നടപ്പാക്കലും വരെ, സങ്കീർണമായ പ്രൊഫഷണൽ ജോലികളിൽ GPT-6 Sol-നെക്കാൾ ഗണ്യമായ മെച്ചം ഇത് നൽകുന്നു. ഈ മൂല്യനിർണയങ്ങളിൽ പലതിലും ഗണ്യമായി കുറഞ്ഞ ചിലവിൽ ഇത് GPT-6 Astra-യുടെ പ്രകടനത്തോട് അടുക്കുന്നു.

കോഡിംഗ്

യഥാർഥ കോഡ് ശേഖരങ്ങളിലെ സങ്കീർണ സോഫ്റ്റ്‌വെയർ എൻജിനീയറിംഗ് ജോലികൾ വിലയിരുത്തുന്ന DeepSWE v1.1-ൽ, ഏകദേശം അഞ്ചിലൊന്ന് ചെലവിൽ GPT-6.1 Sol, GPT-6 Astra-യ്ക്കൊപ്പമെത്തുന്നു. കുറഞ്ഞ റീസണിംഗ് ശ്രമനിലയിലും ചെലവിലും GPT-6 Sol-ന്റെ മികച്ച സ്കോറിനെ 6.4 ശതമാന പോയിന്റിന് മറികടക്കുകയും ചെയ്യുന്നു.

പ്രൊഫഷണൽ ജോലികൾ

പട്ടികകൾ, ചാർട്ടുകൾ, രേഖാചിത്രങ്ങൾ, സൂക്ഷ്മവിവരങ്ങൾ എന്നിവയുള്ള സങ്കീർണ പിഡിഎഫ് രേഖകൾ ഉപയോഗിച്ച് മോഡലുകൾ പ്രൊഫഷണൽ ചോദ്യങ്ങൾക്ക് എത്ര കൃത്യമായി ഉത്തരം നൽകുന്നുവെന്ന് GDP.pdf അളക്കുന്നു. പരീക്ഷിച്ച റീസണിംഗ് ക്രമീകരണങ്ങളിലെല്ലാം, പകരം സംവിധാനങ്ങളോടെയുള്ള Opus 5.5-നെക്കാൾ ഉയർന്ന സ്കോർ, ഓരോ ജോലിക്കും പകുതിയിൽ താഴെ ചെലവിൽ GPT-6.1 Sol നേടുന്നു. ഓരോ ജോലിക്കും ഏകദേശം അഞ്ചിലൊന്ന് ചെലവിൽ GPT-6 Astra-യുടെ മുൻനിര പ്രകടനത്തോടും ഇത് അടുക്കുന്നു.

പല ഘട്ടങ്ങളുള്ള ബിസിനസ് പ്രവാഹങ്ങൾ ഏജന്റുകൾ കൃത്യമായി പൂർത്തിയാക്കുന്നുണ്ടോ എന്ന് അളക്കുന്ന AutomationBench-ൽ, മാധ്യമം റീസണിംഗ് ശ്രമനിലയിൽ GPT-6.1 Sol, Opus 5.5-നെക്കാൾ 2.2 ശതമാന പോയിന്റ് ഉയർന്ന സ്കോർ നേടുന്നു. ചെലവ് ഏകദേശം മൂന്നിലൊന്നാണ്. അതേ ക്രമീകരണത്തിൽ GPT-6 Sol-നെക്കാൾ 4.8 ശതമാന പോയിന്റ് ഉയർന്നതാണ് ഈ സ്കോർ.

കമ്പ്യൂട്ടർ ഉപയോഗം

കമ്പ്യൂട്ടർ ആപ്ലിക്കേഷനുകളുമായി ഇടപെടേണ്ട ജോലികളിലും GPT-6.1 Sol ഗണ്യമായ പുരോഗതി കൈവരിക്കുന്നു. സങ്കീർണ്ണമായ കമ്പ്യൂട്ടർ ഉപയോഗ പ്രവാഹങ്ങളിൽ ഏജന്റുകളെ വിലയിരുത്തുന്ന OSWorld 2.0-ന്റെ ഓഫ്‌ലൈൻ സമുച്ചയത്തിൽ, പരമാവധി റീസണിംഗ് ശ്രമനിലയിൽ GPT-6.1 Sol, GPT-6 Sol-നെ ഏഴ് ശതമാന പോയിന്റിന് മറികടക്കുന്നു. ചെലവ് പകുതിയിൽ താഴെയാണ്. പരമാവധി റീസണിംഗ് ശ്രമനിലയിൽ Astra-യുടെ സ്കോറിനേക്കാൾ 2.1 ശതമാന പോയിന്റ് മാത്രം പിന്നിലാണ് ഇത്. ഓരോ ജോലിക്കുമുള്ള ചെലവ് ഏകദേശം ഏഴിലൊന്നാണ്.

ശാസ്ത്ര ഗവേഷണം

ഡാറ്റ വിശകലനം, സിമുലേഷൻ, സിദ്ധാന്തങ്ങൾ തെളിയിക്കൽ തുടങ്ങിയ ശാസ്ത്രീയ പ്രവർത്തനക്രമങ്ങൾ വിലയിരുത്തുന്ന Terminal-Bench Science 0.1-ൽ, പരമാവധി റീസണിംഗ് ശ്രമനിലയിൽ GPT-6.1 Sol, GPT-6 Sol-ന്റെ ഇരട്ടിയിലേറെ സ്കോർ നേടുന്നു. ഓരോ ജോലിക്കുമുള്ള ചെലവ് പകുതിയിൽ താഴെയാണ്. പരമാവധി ശ്രമനിലയിൽ GPT-6.1 Sol-ന് ഓരോ ജോലിക്കും ശരാശരി $5.47 ചെലവാകുന്നു. Opus 5.5-ന് $23.21, Astra-യ്ക്ക് $23.80 എന്നിങ്ങനെയാണ് ചെലവ്. ഈ രണ്ട് മോഡലുകളേക്കാളും 75%-ലേറെ കുറഞ്ഞ ചെലവിൽ മികച്ച ശാസ്ത്രീയ ശേഷി ഇത് നൽകുന്നു.

പരീക്ഷിച്ച മോഡലുകളിൽ 68.1% എന്ന ഏറ്റവും ഉയർന്ന സ്കോർ ഇപ്പോഴും GPT-6 Astra-യ്ക്കാണ്. ഏറ്റവും സങ്കീർണ്ണമായ ശാസ്ത്ര ഗവേഷണ ജോലികൾക്ക് അതാണ് ഉപയോഗിക്കേണ്ടത്.

വസ്തുതാകൃത്യത

സങ്കീർണ്ണമായ പ്രോംപ്റ്റുകളിൽ വസ്തുതാകൃത്യതയും GPT-6.1 Sol മെച്ചപ്പെടുത്തുന്നു. കുറഞ്ഞ റീസണിംഗ് ശ്രമനിലയിലാണ് GPT-6 Sol-നെ അപേക്ഷിച്ചുള്ള ഇതിന്റെ ഏറ്റവും വലിയ വസ്തുതാകൃത്യത മെച്ചം വരുന്നത്. വസ്തുതാപരമായ പിശകുള്ള ഉത്തരങ്ങളുടെ വിഹിതം 11.4%-ൽ നിന്ന് 7.7% ആയി കുറയുന്നു—ഏകദേശം 32% കുറവ്. പരീക്ഷിച്ച റീസണിംഗ് ക്രമീകരണങ്ങളിലുടനീളം, ഓരോ ജോലിക്കുമുള്ള ചിലവ് അഞ്ചിലൊന്നിലും കുറവായിരിക്കെ, ഇതിന്റെ പിശക് നിരക്ക് GPT-6 Astra-യുടേതിൽ നിന്ന് 1.9 ശതമാന പോയിന്റിനുള്ളിൽ നിലനിൽക്കുന്നു.

മുൻ മോഡലിന്റെ പിശക് ഉപയോക്താക്കൾ ചൂണ്ടിക്കാണിച്ചതും, തിരിച്ചറിയൽ വിവരങ്ങൾ നീക്കം ചെയ്തതുമായ സംഭാഷണങ്ങളിൽ, ഒരു വസ്തുതാപരമായ പിശകെങ്കിലും അടങ്ങിയ ഉത്തരങ്ങളുടെ അനുപാതമാണ് ഈ മൂല്യനിർണ്ണയം അളക്കുന്നത്. ബോധപൂർവ്വം തയ്യാറാക്കിയ ഇത്തരം സങ്കീർണ്ണമായ പ്രോംപ്റ്റുകൾ സാധാരണ ഉപയോഗത്തെ പ്രതിഫലിപ്പിക്കുന്നവയല്ല.

GPT-6.1 Sol സുരക്ഷിതമായി വിന്യസിക്കൽ

ഉദ്ദേശ്യങ്ങളുമായുള്ള പൊരുത്തം വിലയിരുത്തുന്ന ഞങ്ങളുടെ പരിശോധനകളിൽ GPT-6 Sol-നെക്കാൾ ഗണ്യമായ മെച്ചം GPT-6.1 Sol കാണിക്കുന്നു. ഇത് അതിനെ GPT-6 Astra-യോട് കൂടുതൽ അടുപ്പിക്കുന്നു.

GPT-6.1 Sol അതിന്റെ പരിമിതികൾ കൂടുതൽ തുറന്നുപറയുന്നു. ഉപയോക്താവിന്റെ ഉദ്ദേശ്യവും സുരക്ഷാ നിയന്ത്രണങ്ങളും പാലിക്കുന്നതിൽ കൂടുതൽ വിശ്വസനീയവുമാണ്. തകരാറിലായ തിരയൽ ഉപകരണങ്ങളെക്കുറിച്ച് തുറന്നുപറയൽ, വ്യക്തമായ നിയന്ത്രണങ്ങൾ പാലിക്കൽ, ഏജന്റിക് ജോലികളിൽ അനധികൃത ഫലങ്ങൾ ഒഴിവാക്കൽ എന്നിവയിലെ സങ്കീർണ്ണമായ മൂല്യനിർണയങ്ങളിൽ GPT-6 Sol-നെക്കാൾ കുറഞ്ഞ പരാജയനിരക്കാണ് ഇത് കാണിക്കുന്നത്. GPT-6 Astra, GPT-6 Sol എന്നിവയിലെപ്പോലെ സ്വയമേവ പ്രവർത്തിക്കുന്ന സുരക്ഷാ പരിശോധകനെ മറികടക്കാനുള്ള ശ്രമങ്ങളൊന്നും ഞങ്ങൾ കണ്ടില്ല. പൂർണ്ണ വിവരങ്ങൾ GPT-6.1 Sol സിസ്റ്റം കാർഡ് അനുബന്ധത്തിൽ⁠(പുതിയ വിൻഡോയിൽ തുറക്കുന്നു) ലഭ്യമാണ്.

താഴെയുള്ള മൂല്യനിർണയങ്ങൾ ബോധപൂർവം സങ്കീർണ്ണമായ സാഹചര്യങ്ങളാണ് പരീക്ഷിക്കുന്നത്. സാധാരണ ഉപയോഗത്തിലെ പരാജയ നിരക്കല്ല ഇവ അളക്കുന്നത്.

വിലയും ലഭ്യതയും

ഇന്ന് മുതൽ എല്ലാ Plus, Pro, Business, Enterprise, Edu ഉപയോക്താക്കൾക്കും ChatGPT ജോലി, Codex എന്നിവയിൽ GPT-6.1 Sol ലഭ്യമാണ്. GPT-6.1 Sol ചാറ്റിൽ ഇതുവരെ ലഭ്യമല്ല. ഡെവലപ്പർമാർക്ക് OpenAI എപിഐ വഴി gpt-6.1-sol എന്ന പേരിലും ഇത് ഉപയോഗിക്കാം. ഇതിന്റെ സാധാരണ എപിഐ നിരക്കുകൾ: പത്ത് ലക്ഷം ഇൻപുട്ട് ടോക്കണുകൾക്ക് $2, പത്ത് ലക്ഷം കാഷെ ചെയ്ത ഇൻപുട്ട് ടോക്കണുകൾക്ക് $0.10, പത്ത് ലക്ഷം ഔട്ട്പുട്ട് ടോക്കണുകൾക്ക് $10. വരും ദിവസങ്ങളിൽ, Codex-ലെ സാധാരണ വേഗതയുമായി താരതമ്യപ്പെടുത്തുമ്പോൾ ടോക്കൺ ജനറേഷൻ 8x വരെ വേഗത്തിലാക്കുന്ന GPT-6.1 Sol Ultrafast⁠ ഞങ്ങൾ നൽകും.