GPT-6.1Terra

വിശദമായ വിഷ്വൽ റീസണിംഗും കൃത്യതയാർന്ന കമ്പ്യൂട്ടർ ഉപയോഗവും ഒപ്പം വ്യക്തവും സ്വാഭാവികവുമായ എഴുത്തും ഒരുമിച്ച് നൽകുന്ന അതിവേഗവും കാര്യക്ഷമവുമായ പുതിയ മോഡൽ GPT-6.1 Terra ഞങ്ങൾ അവതരിപ്പിക്കുന്നു. GPT‑5.6 Terra-യിൽനിന്ന് ഗണ്യമായ മുന്നേറ്റം കൈവരിച്ച ഈ മോഡൽ, നിർദേശങ്ങൾ തയ്യാറാക്കുന്നതും സാങ്കേതിക രേഖാചിത്രങ്ങൾ വ്യാഖ്യാനിക്കുന്നതും മുതൽ ഫോമുകൾ പൂരിപ്പിക്കുന്നതും വീഡിയോകൾ എഡിറ്റ് ചെയ്യുന്നതും വരെയുള്ള ദൈനംദിന ആശയവിനിമയ ജോലികളിലും കമ്പ്യൂട്ടർ അധിഷ്ഠിത ജോലികളിലും മികവ് പുലർത്തുന്നു.

വേഗത, കഴിവ്, ചെലവ് എന്നിവയ്ക്കിടയിൽ പുതിയൊരു സന്തുലനം കൈവരിച്ചുകൊണ്ട്, ഞങ്ങളുടെ മോഡൽ കുടുംബങ്ങളിലുടനീളം ഓരോ ചെലവുനിലയിലും ലഭ്യമാക്കാവുന്ന ബുദ്ധിശേഷിയുടെ പരിധികൾ Terra തുടർന്നും വിപുലീകരിക്കുന്നു. ഇതിന്റെ സാധാരണ എപിഐ നിരക്കുകൾ GPT-5.6 Terra, GPT-6.1 Sol എന്നിവയുടേതിനേക്കാൾ 50% കുറവാണ്. അതിനാൽ, ലഭിക്കുന്ന ഇൻവോയ്സുകൾ വായിച്ച് അവയിലെ വിവരങ്ങൾ അക്കൗണ്ടിംഗ് സോഫ്‌റ്റ്‌വെയറിൽ രേഖപ്പെടുത്തുന്നത് പോലുള്ള വലിയ തോതിലുള്ള ജോലികൾ സ്വയമേവ ചെയ്യാൻ സംവിധാനമൊരുക്കുന്നത് ഡെവലപ്പർമാർക്ക് പ്രായോഗികമാകുന്നു. ChatGPT ജോലി, Codex എന്നിവയിൽ GPT-6.1 Terra ഉപയോഗിക്കുമ്പോൾ നിങ്ങളുടെ പ്ലാൻ കൊണ്ട് കൂടുതൽ കാര്യങ്ങൾ ചെയ്യാനാകും—ഒരേ ഉപയോഗപരിധിയിൽ GPT‑5.6 Terra ഉപയോഗിക്കുന്നതിനേക്കാൾ കൂടുതൽ ജോലികളും, GPT‑6.1 Sol അല്ലെങ്കിൽ GPT‑6 Astra ഉപയോഗിക്കുന്നതിനേക്കാൾ ഗണ്യമായി കൂടുതൽ ജോലികളും പൂർത്തിയാക്കാം.

ദൃശ്യങ്ങൾ മനസ്സിലാക്കുന്നതിൽ നിന്ന് പ്രവർത്തനത്തിലേക്ക്

വാസ്തുവിദ്യാ രേഖാചിത്രങ്ങളെ ത്രിമാന മോഡലാക്കി മാറ്റുക, ഒരു ആനിമേഷൻ സിനിമയിലെ ഓരോ ഷോട്ടും പരിശോധിച്ച് സിനിമ പുനരുദ്ധരിക്കുന്ന സംഘത്തിനായി സമയസൂചനകളുള്ള രേഖ തയ്യാറാക്കുക തുടങ്ങിയ തൊഴിൽപരമായ ജോലികൾ ഉൾക്കൊള്ളുന്ന മാനദണ്ഡപരീക്ഷയായ Agents’ Last Exam ഉപയോഗിച്ച് GPT-6.1 Terra-യുടെ കമ്പ്യൂട്ടർ ഉപയോഗശേഷി ഞങ്ങൾ അളന്നു. റീസണിംഗ് ശ്രമനില ഇടത്തരം ആയിരിക്കുമ്പോൾ, GPT-5.6 Terra-യുടെ ചെലവിന്റെ ഏകദേശം മൂന്നിലൊന്നിൽ GPT-6.1 Terra അതിനേക്കാൾ 15 ശതമാന പോയിന്റ് ഉയർന്ന സ്കോർ നേടുന്നു. ഒരു ടോക്കണിന് GPT-6 Astra-യുടെ നിരക്കിന്റെ പത്തിലൊന്ന് മാത്രം ഈടാക്കുമ്പോഴും അതിന് തുല്യമായ പ്രകടനം കാഴ്ചവെക്കാനും ഇതിന് കഴിയുന്നു. Max ശ്രമനിലയിൽ, ടോക്കണുകൾ കാര്യക്ഷമമായി ഉപയോഗിക്കുന്നതിൽ Terra, Claude Opus 5.5-നേക്കാൾ മൂന്നിരട്ടിയിലേറെ മികവ് പുലർത്തുന്നു. ഒരു ടോക്കണിനുള്ള നിരക്കാകട്ടെ അതിന്റെ നാലിലൊന്നുമാണ്. ഇതിന്റെ ഫലമായി ഓരോ ജോലിക്കുമുള്ള ചെലവ് ഏകദേശം ഒമ്പതിലൊന്നായി കുറയുന്നു. Terra ഏറെ വേഗമേറിയതുമാണ്: GPT-6 Astra, GPT-6.1 Sol എന്നിവ രണ്ടിനേക്കാളും മൂന്നിരട്ടിയിലേറെ വേഗത്തിൽ ജോലികൾ പൂർത്തിയാക്കുന്നു.

ദൃശ്യ റീസണിംഗ് വിലയിരുത്തുന്ന മാനദണ്ഡപരീക്ഷയായ MMMU-Pro-യിൽ, എല്ലാ റീസണിംഗ് ക്രമീകരണങ്ങളിലും GPT-6.1 Terra, GPT-5.6 Terra-യെ മറികടക്കുന്നു. വളരെ കുറഞ്ഞ ചെലവിൽ, ഞങ്ങളുടെ ഏറ്റവും കഴിവുറ്റ അത്യാധുനിക മോഡലായ GPT-6 Astra-യുടെയും GPT-6.1 Sol-ന്റെയും സ്കോറുകൾക്ക് ഏതാണ്ട് ഒപ്പമെത്താനും ഇതിന് കഴിയുന്നു.

ഒരു സാങ്കേതിക രേഖാചിത്രത്തിൽ നിന്ന് ത്രിമാന മാതൃക നിർമിക്കുന്നതുപോലുള്ള, ഒന്നിലധികം ഘട്ടങ്ങളുള്ള ജോലികൾ പൂർത്തിയാക്കാൻ നിർമിത ബുദ്ധി ഏജന്റുകൾ ഡെസ്ക്ടോപ്പ് ആപ്പുകൾ എത്ര നന്നായി ഉപയോഗിക്കുന്നുവെന്ന് OSWorld 2.1 പരിശോധിക്കുന്നു. മിതമായ റീസണിംഗ് പരിശ്രമനിലയിൽ, ഒരു ജോലിക്കുള്ള ചെലവിന്റെ ചെറിയൊരു അംശം മാത്രം ചെലവിട്ട് GPT-5.6 Terra-യുടെ ഏറ്റവും മികച്ച സ്കോറിനെ GPT-6.1 Terra മറികടക്കുന്നു.

വസ്തുതാപരമായ കൃത്യതയിലും കോഡിംഗിലും ഗണ്യമായ മുന്നേറ്റം

ഞങ്ങളുടെ മോഡലുകൾ സൃഷ്ടിക്കുന്ന അടിസ്ഥാനരഹിതമായ വിവരങ്ങളും വസ്തുതാപരമായ പിശകുകളും കുറയ്ക്കാൻ ഈ വർഷം ഞങ്ങൾ വലിയ തോതിൽ നിക്ഷേപം നടത്തിയിട്ടുണ്ട്. തെറ്റായ ഉത്തരങ്ങളിലേക്ക് നയിക്കുന്ന പ്രോംപ്റ്റുകൾ പരിശോധിക്കുന്ന ഞങ്ങളുടെ ആന്തരിക ബെഞ്ച്മാർക്കിൽ, കുറഞ്ഞ റീസണിംഗ് ശേഷിയിലുള്ള പിഴവുകളുടെ നിരക്ക് GPT-5.6 Terra-യിലെ 53.6%-ൽ നിന്ന് GPT-6.1 Terra-യിൽ 16.7% ആയി കുറഞ്ഞു; അതായത് ഏകദേശം 37 ശതമാനത്തോളം വലിയൊരു കുറവാണ് ഇതിലുണ്ടായിരിക്കുന്നത്. പരമാവധി ശേഷിയിൽ പ്രവർത്തിക്കുമ്പോൾ, പിഴവുകളുടെ നിരക്ക് 18 ശതമാനം കൂടി കുറഞ്ഞ് 4.3% ആയി മാറി. ഇത് GPT-6 Astra, GPT-6.1 Sol എന്നിവയുടെ പിഴവ് നിരക്കുകളോട് ഏതാണ്ട് ഒപ്പത്തിനൊപ്പമാണ്.

സോഫ്റ്റ്‌വെയർ എൻജിനീയറിംഗിൽ GPT-5.6 Terra-യെ അപേക്ഷിച്ച് GPT-6.1 Terra ഗണ്യമായ മെച്ചം കൈവരിക്കുന്നു. ലോഡ് ചെയ്യുമ്പോൾ വിന്യാസം മാറുന്ന വെബ്‌പേജ് ശരിയാക്കുന്നതുപോലുള്ള പ്രശ്നങ്ങൾ കമാൻഡ് ലൈനിലൂടെ കോഡിംഗ് ഏജന്റുകൾ എത്ര നന്നായി പരിഹരിക്കുന്നുവെന്ന് Terminal-Bench 4.0 പരിശോധിക്കുന്നു. പരമാവധി റീസണിംഗ് ശേഷിയിൽ പ്രവർത്തിക്കുമ്പോൾ 50.3% ടാസ്കുകളും വിജയകരമായി പരിഹരിക്കാൻ GPT‑6.1 Terra-യ്ക്ക് സാധിക്കുന്നുണ്ട്; ഇത് GPT‑5.6 Terra മുമ്പ് കൈവരിച്ച 21.5% എന്ന സ്കോറിന്റെ ഇരട്ടിയിലധികമാണ്. ഏറ്റവും സങ്കീർണമായ കോഡിംഗ് ജോലികൾക്ക് GPT-6.1 Sol, GPT-6 Astra എന്നിവ തന്നെയാണ് ഇപ്പോഴും കൂടുതൽ അനുയോജ്യം.

ടൈം-ലാപ്സ് വീഡിയോകളിൽ സെൽ ഡിവിഷനുകൾ നിരീക്ഷിക്കുന്നത് പോലുള്ള ശാസ്ത്രീയ ഗവേഷണ ജോലികൾ ചെയ്യാൻ, ഏജന്റുകൾ എത്രത്തോളം മികച്ച രീതിയിൽ കോഡ് ഉപയോഗിക്കുന്നു എന്ന് പരിശോധിക്കുന്ന ഒന്നാണ് Terminal-Bench-Science 0.1. Max റീസണിംഗിൽ, കുറഞ്ഞ ചിലവിൽ GPT-6.1 Sol-നേക്കാൾ മികച്ച പ്രകടനമാണ് GPT-6.1 Terra കാഴ്ചവെക്കുന്നത്; കൂടാതെ, Opus 5.5-ന്റെ ഏകദേശം അഞ്ചിലൊന്ന് ചിലവിൽ അതിന്റെ തൊട്ടടുത്ത്, അഞ്ച് പോയിന്റ് വ്യത്യാസത്തിൽ എത്താനും ഇതിന് സാധിക്കുന്നുണ്ട്.

സുരക്ഷയും പൊരുത്തപ്പെടലും

ശക്തമായ കൃത്രിമബുദ്ധിയെ കൂടുതൽ കാര്യക്ഷമവും കൂടുതൽ പേർക്ക് ലഭ്യമാകുന്നതുമാക്കുന്നതിനൊപ്പം, ഞങ്ങളുടെ സുരക്ഷാസംവിധാനങ്ങൾ പരിശീലിപ്പിക്കുന്നതും പരീക്ഷിക്കുന്നതും മെച്ചപ്പെടുത്തുന്നതും ഞങ്ങൾ തുടരുന്നു. ഞങ്ങളുടെ പ്രിപെയർഡ്നസ് ഫ്രെയിംവർക്ക് പ്രകാരം സൈബർസുരക്ഷയിൽ അതിഗുരുതര തലത്തിനുള്ള പരിധിയിൽ GPT‑6.1 Terra എത്തുന്നു. GPT‑6 Astra-യ്ക്കായി വികസിപ്പിച്ച സുരക്ഷാസംവിധാനങ്ങൾ ഇതിലും നിലനിർത്തുന്നു.

മനുഷ്യരുടെ ഉദ്ദേശ്യങ്ങളോടും മൂല്യങ്ങളോടും യോജിച്ചുപ്രവർത്തിക്കുന്നതിൽ GPT-6 ശ്രേണി കൈവരിച്ച മെച്ചപ്പെടുത്തലുകൾ GPT-6.1 Terra-യിലും ഉൾപ്പെടുന്നു. ഞങ്ങളുടെ വിലയിരുത്തലുകൾ പ്രകാരം, GPT-5.6 Terra-യെ അപേക്ഷിച്ച് GPT-6.1 Terra നിർദിഷ്ട പരിധിക്കുള്ളിൽ പ്രവർത്തിക്കാനും പരിമിതികളും ഉണ്ടാകാനിടയുള്ള തടസ്സങ്ങളും ഉപയോക്താവിനോട് സത്യസന്ധമായി വെളിപ്പെടുത്താനും കൂടുതൽ സാധ്യതയുണ്ട്. ഞങ്ങളുടെ പ്രോംപ്റ്റ് ഇൻജക്ഷൻ പരീക്ഷണങ്ങളിൽ, ഉപയോക്താവിന്റെ ജോലിയിൽനിന്ന് മോഡലിനെ വഴിതിരിച്ചുവിടാൻ ലക്ഷ്യമിട്ട ദുഷ്ടലാക്കോടെയുള്ള നിർദ്ദേശങ്ങളെയും GPT-6.1 Terra ശക്തമായി പ്രതിരോധിച്ചു. കൂടുതൽ വിശദാംശങ്ങൾ സിസ്റ്റം കാർഡിൽ⁠(പുതിയ വിൻഡോയിൽ തുറക്കുന്നു) ലഭ്യമാണ്.

നിരക്കുകളും ലഭ്യതയും

ഇന്നുമുതൽ, ChatGPT ജോലി, Codex എന്നിവയിലെ എല്ലാ Plus, Pro, Enterprise, Edu ഉപയോക്താക്കൾക്കും GPT-6.1 Terra ലഭ്യമാണ്. ഡെവലപ്പർമാർക്ക് OpenAI API വഴിയും gpt-6.1-terra എന്ന പേരിൽ ഇത് ലഭ്യമാകും.

സാധാരണ എപിഐ നിരക്കുകൾ പത്ത് ലക്ഷം ഇൻപുട്ട് ടോക്കണുകൾക്ക് $1, പത്ത് ലക്ഷം കാഷ് ചെയ്ത ഇൻപുട്ട് ടോക്കണുകൾക്ക് $0.05, പത്ത് ലക്ഷം ഔട്ട്പുട്ട് ടോക്കണുകൾക്ക് $5 എന്നിങ്ങനെയാണ്.