GPT‑6 Astra ने Parallel चा संशोधन वेळ व खर्च निम्मा केला
GPT‑6 Astra मुळे Parallel च्या एजंटनी पूर्वीच्या मॉडेलच्या तुलनेत निम्म्या वेळेत व निम्म्या खर्चात कामगार-बाजार डेटाचे संशोधन व संश्लेषण केले.
50%
संशोधनाची कामे पूर्ण करण्यासाठी कमी वेळ
50%
कोड खर्चात कपात
Parallel(नवीन विंडोमध्ये उघडेल) इंटरनेटवर ज्ञानाधारित काम करणाऱ्या AI एजंटसाठी डेव्हलपर पायाभूत सुविधा तयार करते. त्यांचे टूल्स ध्वनी-आधारित एजंटसाठी इंटरनेट ग्राउंडिंगपासून वित्तीय संस्था आणि कायदेविषयक ग्राहकांसाठी संशोधनापर्यंत सर्व गरजा पूर्ण करतात. त्यासाठी अत्याधुनिक मॉडेल आणि इंटरनेट शोध यांची सांगड घातली जाते.
Parallel च्या सर्वाधिक वेळ चालणाऱ्या संशोधन कामांमध्ये उच्च दर्जाचे उत्तर मिळवण्यासाठी सामान्यतः विस्तारित रीझनिंग असलेले मोठे मॉडेल वापरावे लागत असे. त्यामुळे अधिक वेळ आणि संसाधने खर्च होत असत. GPT‑6 Astra मुळे कंपनीला वेळ आणि खर्चात मोठी सुधारणा दिसून आली आहे.
“Astra वापरून आम्ही दाखवून दिले आहे की कमी संशोधन विनंत्या आणि कमी टोकन वापरून तितक्याच उच्च दर्जाचे संशोधन खूपच वेगाने मिळवता येते.”
GPT‑6 Astra च्या एका चाचणीत Parallel ने आपल्या एजंटला चार राज्यांतील सहा वेगवेगळ्या कामगार-बाजार आकडेवारीचे सहा महिन्यांच्या कालावधीसाठी संशोधन करण्यास सांगितले. एजंटला अनेक वेबसाइटवर शोध घेऊन माहिती गोळा करायची होती आणि निष्कर्षांचा एकच संशोधन अहवाल तयार करायचा होता.
GPT‑6 Astra ने पूर्वीच्या मॉडेलच्या तुलनेत निम्म्या वेळेत काम पूर्ण केले आणि कोडवरील खर्च सुमारे 50% कमी केला, तरीही संशोधनाचा दर्जा तसाच राखला.
GPT‑6 Astra ने अधिक नेमके शोध घेतले आणि उपयुक्त निष्कर्षापर्यंत पोहोचण्यासाठी कमी टप्पे वापरले, असेही Parallel ला आढळले.
“पूर्वीच्या मॉडेलच्या तुलनेत Astra ने आपल्या व्यापक ज्ञानाचा उपयोग करून अधिक नेमक्या शोध-विनंत्या केल्या आणि अंतिम कामावर अधिक चांगले लक्ष केंद्रित केले.”
या वाढलेल्या कार्यक्षमतेमुळे Parallel ला अनेक एजंटमध्ये संशोधनाचे विभाजन करणेही अधिक व्यवहार्य झाले आहे. GPT‑6 Astra विशिष्ट संशोधन कामे उप-एजंटकडे सोपवू शकते. त्यामुळे काम एकाच वेळी करता येते आणि शोधांच्या एकाच क्रमातून पुढे जाण्यात लागणारा वेळ कमी होतो.
आता Parallel कडे गुंतागुंतीच्या प्रश्नापासून संशोधनाधारित उत्तरापर्यंत पोहोचण्याचा अधिक चांगला मार्ग आहे. त्यात वाट पाहणे कमी, खर्च कमी आणि मोठ्या प्रमाणावर आव्हानात्मक संशोधन कामे हाताळण्यासाठी अधिक वाव आहे.
