GPT-6.1Sol

आम्ही सादर करत आहोत GPT-6.1 Sol, ही GPT-6 Sol ची सुधारित आवृत्ती एजंटीक कोडिंग, संगणक वापर आणि व्यावसायिक कामात GPT-6 Astra च्या बुद्धिमत्तेशी जवळपास जुळणारी कामगिरी देते, तेही Astra च्या प्रमाणित इनपुट आणि आउटपुट टोकन दरांच्या एक-पंचमांश किमतीत. कॅश केलेल्या इनपुटचा खर्च प्रति दहा लाख टोकन फक्त $0.10आहे—प्रमाणित इनपुट दरांपेक्षा 95% कमी आणि GPT-6 Sol च्या कॅश केलेल्या इनपुट दरांपेक्षा 50% कमी. त्यामुळे डेव्हलपर्सना विविध विनंत्यांमध्ये संदर्भ पुन्हा वापरणारे सक्षम एजंट तयार करण्यासाठी आणि चालवण्यासाठी अधिक वाव मिळतो

विविध कामांमध्ये अधिक सक्षम Sol

GPT-6.1 Sol महत्त्वाच्या दैनंदिन कामांसाठी क्षमता आणि खर्च यांचा नवा समतोल देते. कोड लिहिणे आणि डीबग करणे, दस्तऐवज समजून घेणे आणि अनेक टप्प्यांच्या व्यावसायिक वर्कफ्लोची अंमलबजावणी करणे यांसारख्या क्लिष्ट व्यावसायिक कामांमध्ये ते GPT-6 Sol च्या तुलनेत लक्षणीय सुधारणा करते. यापैकी अनेक मूल्यमापनांमध्ये, लक्षणीय कमी खर्चात ते GPT-6 Astra च्या कामगिरीच्या जवळपास पोहोचते.

कोडिंग

DeepSWE v1.1 वर, वास्तविक कोडबेसमधील क्लिष्ट सॉफ्टवेअर इंजिनिअरिंग टास्कचे मूल्यमापन करणाऱ्या या चाचणीत, GPT-6.1 Sol ने GPT-6 Astra इतकीच कामगिरी साध्य केली आहे, मात्र त्याची किंमत सुमारे एक-पंचमांश आहे. तसेच, कमी रीझनिंग प्रयत्न आणि खर्चात GPT-6.1 Sol च्या सर्वोत्तम स्कोअरपेक्षा 6.4 टक्के पॉइंट्स अधिक स्कोअर मिळवला आहे.

व्यावसायिक काम

तक्ते, आलेख, आकृत्या आणि बारीक अक्षरांतील तपशील असलेले गुंतागुंतीचे PDF दस्तऐवज वापरून मॉडेल व्यावसायिक प्रश्नांची किती अचूक उत्तरे देतात, हे GDP.pdf मोजते. यात तपासलेल्या रीझनिंग पातळ्यांवर GPT-6.1 Sol हे पर्यायी मॉडेलची मदत घेणाऱ्या Opus 5.5 पेक्षा अधिक गुण मिळवते, तेही प्रति काम निम्म्याहून कमी खर्चात. ते प्रति काम साधारण एक-पंचमांश खर्चात GPT-6 Astra च्या सर्वोत्तम कामगिरीच्या जवळही पोहोचते.

एजंट अनेक टप्प्यांच्या व्यावसायिक कार्यप्रक्रिया योग्यरीत्या पूर्ण करतात का हे मोजणाऱ्या AutomationBench मध्ये, मध्यम रीझनिंग प्रयत्नांच्या पातळीवर GPT-6.1 Sol हे Opus 5.5 पेक्षा 2.2 टक्के गुण अधिक मिळवते, तेही साधारण एक-तृतीयांश खर्चात. हे गुण त्याच पातळीवरील GPT-6 Sol च्या गुणांपेक्षाही 4.8 टक्के गुण अधिक आहेत.

संगणक वापर

कंप्युटर ॲप्लिकेशन्सशी संवाद साधावा लागणाऱ्या कामांमध्येही GPT-6.1 Sol लक्षणीय प्रगती करते. कंप्युटर वापराच्या कठीण कार्यप्रक्रियांवर एजंटचे मूल्यमापन करणाऱ्या OSWorld 2.0 च्या ऑफलाइन संचात, कमाल रीझनिंग प्रयत्नांच्या पातळीवर GPT-6.1 Sol हे GPT-6 Sol पेक्षा सात टक्के गुण अधिक मिळवते, तेही निम्म्याहून कमी खर्चात. कमाल रीझनिंग प्रयत्नांच्या पातळीवर त्याचे गुण Astra पेक्षा केवळ 2.1 टक्के गुणांनी कमी आहेत, तर प्रति काम खर्च साधारण एक-सप्तमांश आहे.

वैज्ञानिक संशोधन

डेटा विश्लेषण, अनुकरण आणि प्रमेय सिद्ध करणे अशा वैज्ञानिक कार्यप्रक्रियांचे मूल्यमापन करणाऱ्या Terminal-Bench Science 0.1 मध्ये GPT-6.1 Sol हे कमाल रीझनिंग प्रयत्नांच्या पातळीवर GPT-6 Sol च्या दुपटीहून अधिक गुण मिळवते, तेही प्रति काम निम्म्याहून कमी खर्चात. कमाल प्रयत्नांच्या पातळीवर GPT-6.1 Sol चा प्रति काम सरासरी खर्च $5.47 आहे, तर Opus 5.5 चा $23.21 आणि Astra चा $23.80 आहे. म्हणजेच या दोन्ही मॉडेलपेक्षा 75% हून कमी खर्चात ते भरीव वैज्ञानिक क्षमता देते.

तपासलेल्या मॉडेलपैकी GPT-6 Astra अजूनही 68.1% या सर्वोच्च गुणांसह आघाडीवर आहे. सर्वात कठीण वैज्ञानिक संशोधनाच्या कामांसाठी तेच वापरावे.

तथ्यता

GPT-6.1 Sol कठीण प्रॉम्प्टवरील तथ्यात्मक अचूकताही सुधारते. GPT-6 Sol च्या तुलनेत तथ्यात्मकतेमध्ये त्याची सर्वात मोठी सुधारणा कमी रीझनिंग प्रयत्नांच्या पातळीवर दिसते, जिथे ते तथ्यात्मक चूक असलेल्या उत्तरांचे प्रमाण 11.4% वरून 7.7% पर्यंत कमी करते—म्हणजे सुमारे 32% ची घट. चाचणी घेतलेल्या सर्व रीझनिंग सेटिंग्जमध्ये, त्याचे चुकांचे प्रमाण GPT-6 Astra पेक्षा 1.9 टक्के गुणांच्या आत राहते, तर प्रति काम खर्च एक-पंचमांशपेक्षाही कमी असतो.

वापरकर्त्यांनी आधीच्या मॉडेलची चूक निदर्शनास आणून दिलेल्या संभाषणांमधून ओळख पटवणारी माहिती काढून टाकून, किमान एक तथ्यात्मक चूक असलेल्या उत्तरांचे प्रमाण या मूल्यमापनात मोजले जाते. जाणीवपूर्वक निवडलेल्या या कठीण प्रॉम्प्ट नेहमीच्या वापराचे प्रतिनिधित्व करत नाहीत.

GPT-6.1 Sol सुरक्षितपणे वापरात आणणे

आमच्या अपेक्षांशी सुसंगत वर्तनाच्या मूल्यमापनांमध्ये GPT-6.1 Sol हे GPT-6 Sol पेक्षा लक्षणीय सुधारणा दाखवते आणि GPT-6 Astra च्या जवळ पोहोचते.

GPT-6.1 Sol स्वतःच्या मर्यादांबाबत अधिक पारदर्शक आहे आणि वापरकर्त्याचा हेतू व सुरक्षिततेच्या मर्यादा पाळण्यात अधिक विश्वासार्ह आहे. कठीण मूल्यमापनांमध्ये बंद पडलेल्या शोध साधनांबाबत पारदर्शक राहणे, स्पष्ट निर्बंध पाळणे आणि एजंट-आधारित कामांत अनधिकृत परिणाम टाळणे या बाबतीत त्याचे अपयशाचे प्रमाण GPT-6 Sol पेक्षा कमी आहे. GPT-6 Astra आणि GPT-6 Sol प्रमाणेच स्वयंचलित सुरक्षा रिव्ह्यूअरला बायपास करण्याचा एकही प्रयत्न आम्हाला आढळला नाही. संपूर्ण तपशील GPT-6.1 Sol सिस्टम कार्ड परिशिष्टात⁠(नवीन विंडोमध्ये उघडेल) मिळू शकतात.

खालील मूल्यमापने जाणीवपूर्वक कठीण परिस्थिती तपासतात; ती नेहमीच्या वापरातील अपयशाचे प्रमाण मोजत नाहीत.

किंमत आणि उपलब्धता

GPT-6.1 Sol आजपासून सर्व Plus, Pro, Business, Enterprise आणि Edu वापरकर्त्यांना ChatGPT वर्क आणि Codex मध्ये उपलब्ध आहे. GPT-6.1 Sol अद्याप चॅटमध्ये उपलब्ध नाही. डेव्हलपर्स ते OpenAI API द्वारे gpt-6.1-sol या नावानेही वापरू शकतात. त्याचे प्रमाणित API दर प्रति दहा लाख इनपुट टोकन $2, प्रति दहा लाख कॅशे केलेले इनपुट टोकन $0.10 आणि प्रति दहा लाख आउटपुट टोकन $10 आहेत. येत्या काही दिवसांत, आम्ही GPT-6.1 Sol अल्ट्राफास्ट⁠ देखील देऊ, ज्यामध्ये Codex मधील त्याच्या प्रमाणित वेगाच्या तुलनेत टोकन जनरेशन 8x पर्यंत अधिक वेगवान असेल.