GPT‑6.1 Sol ဖြင့် Asana မော်ဒယ်စရိတ် 76 ဆ သက်သာ

Codex ရှိ GPT‑6 Astra ဖြင့် စမ်းသပ်မှုများ ပြုလုပ်ကာ Asana သည် GPT‑6.1 Sol ပေါ်ရှိ ၎င်း၏ ဘရောက်ဇာအေးဂျင့် လုပ်ငန်းစဉ်ကို ပိုမိုကောင်းမွန်အောင် ပြင်ဆင်ခဲ့ရာ ကုန်ကျစရိတ် 76 ဆ သက်သာပြီး 5 ဆ ပိုမြန်လာခဲ့သည်။

Asana သည် ၎င်းက ဝယ်ယူထားသည့်⁠(ဝင်းဒိုးအသစ်တွင် ဖွင့်မည်) StackAI⁠(ဝင်းဒိုးအသစ်တွင် ဖွင့်မည်) ပလက်ဖောင်းမှတစ်ဆင့် ဖောက်သည်များ၏ စီးပွားရေးအက်ပ်များအနှံ့ အလုပ်များကို အလိုအလျောက် လုပ်ဆောင်နိုင်ရန် ကူညီပေးသည်။ StackAI ကို အသုံးပြု၍ ဖောက်သည်များသည် ကုဒ်ရေးစရာမလိုဘဲ ဝဘ်ဆိုက်များကို ကြည့်ရှုသွားလာခြင်း၊ ဖောင်ဖြည့်ခြင်းနှင့် အချက်အလက်စုဆောင်းခြင်းတို့ကို လုပ်ဆောင်သည့် လုပ်ငန်းစဉ်များ တည်ဆောက်နိုင်သည်။ Asana ကဲ့သို့ ကြီးမားသော လုပ်ငန်းအတိုင်းအတာတွင် ဤလုပ်ငန်းစဉ်များ၏ သေးငယ်သော အလွဲအချော်များပင် စုပေါင်းလိုက်လျှင် အလေအလွင့်များလာသည်။

Asana ရှိ StackAI နည်းပညာအကြီးအကဲ ဒေါက်တာ Frank Hidalgo သည် ဘရောက်ဇာအေးဂျင့်ကို ပိုမြန်ပြီး ကုန်ကျစရိတ် ပိုသက်သာစေရန် စတင်ဆောင်ရွက်ခဲ့သည်။ သူသည် Codex ရှိ GPT‑6 Astra အား အေးဂျင့်ကို လေ့လာစစ်ဆေးရန်၊ အတိုးတက်ပြင်ဆင်မှုများကို စမ်းသပ်ရန်နှင့် ရလဒ်များကို နှိုင်းယှဉ်ရန် ညွှန်ကြားခဲ့သည်။ လူကိုယ်တိုင်လုပ်လျှင် တစ်လမှ နှစ်လအထိ ကြာမည်ဟု သူခန့်မှန်းထားသည့် အလုပ်သည် တစ်ပတ်ခန့်သာ ကြာခဲ့သည်။

Asana ၏ 144 ကြိမ် လုပ်ဆောင်စမ်းသပ်ခဲ့သည့် လေ့လာမှု⁠(ဝင်းဒိုးအသစ်တွင် ဖွင့်မည်)တွင် GPT‑6.1 Sol နှင့် ဤနေရာ၌ မော်ဒယ် A၊ B နှင့် C ဟု ခေါ်ထားသည့် စွမ်းဆောင်ရည်အမြင့်ဆုံး မော်ဒယ်သုံးခုကို စမ်းသပ်ခဲ့သည်။ ထိုမှရရှိလာသည့် GPT‑6.1 Sol ပေါ်ရှိ အကောင်းဆုံးပြင်ဆင်ထားသော လုပ်ငန်းစဉ်သည် တစ်ကြိမ်လျှင် ခန့်မှန်းမော်ဒယ်ကုန်ကျစရိတ် ပျမ်းမျှ $0.47 နှင့် အချိန် လေးမိနစ်ခန့်သာ လိုအပ်ခဲ့သည်။ မော်ဒယ် B ပေါ်ရှိ မူလလက်တွေ့အသုံးပြုစနစ်ထက် ကုန်ကျစရိတ် 76 ဆ သက်သာပြီး 5 ဆ ပိုမြန်သည်။

မြန်မြန်ဆောင်ရွက်နိုင်ရန် Hidalgo သည် Codex ရှိ GPT‑6 Astra ကို အသုံးပြုကာ ကုဒ်စုစည်းမှု၏ ဖွဲ့စည်းပုံနှင့် အေးဂျင့်က မော်ဒယ်ထံပို့သည့် တောင်းဆိုချက်တစ်ခုချင်းကို မည်သို့တည်ဆောက်ကြောင်း ရှင်းပြစေခြင်းဖြင့် စတင်ခဲ့သည်။ အေးဂျင့်သည် မပြောင်းလဲသော ညွှန်ကြားချက်များနှင့် ကိရိယာသတ်မှတ်ချက်များကို ကက်ရှ်တွင် သိမ်းထားသော်လည်း တဖြည်းဖြည်းများလာသည့် ဝဘ်စာမျက်နှာစာသားနှင့် ဖန်သားပြင်ဓာတ်ပုံ မှတ်တမ်းများကို မသိမ်းထားကြောင်း GPT‑6 Astra က တွေ့ရှိခဲ့သည်။ ထို့ကြောင့် တောင်းဆိုချက်တိုင်းတွင် ထိုမှတ်တမ်းများကို ဈေးနှုန်းအပြည့်ဖြင့် ပြန်ပို့နေရသည်။

အေးဂျင့်သည် အဆင့်တိုင်းနီးပါးတွင် ဖန်သားပြင်ဓာတ်ပုံအဟောင်းများကို ဖျက်ပြီး စာသားများကိုလည်း ဖြတ်တောက်နေခဲ့သည်။ ထိုသို့ပြင်ဆင်တိုင်း မှတ်တမ်းများ ပြောင်းလဲသွားသဖြင့် မှတ်တမ်းကို ကက်ရှ်တွင် သိမ်းရုံဖြင့် အကျိုးမရှိနိုင်ပါ။ ထိုအချက်အလက်များ ဆုံးရှုံးသွားခြင်းကြောင့် အေးဂျင့်သည် ဖတ်ပြီးသော စာမျက်နှာများကို ပြန်ကြည့်ရနိုင်သည်။

Hidalgo သည် GPT‑6 Astra အဆိုပြုထားသော ပြင်ဆင်ချက်များကို သုံးသပ်ပြီး စမ်းသပ်ရန် သုံးခုကို ရွေးခဲ့သည်။

• အေးဂျင့်၏ ဝဘ်ကြည့်ရှုမှုမှတ်တမ်းများကိုပါ ကက်ရှ်တွင် သိမ်းဆည်းခြင်း

• ထိန်းသိမ်းထားနိုင်သည့် စာသားပမာဏကို တိုးမြှင့်ခြင်း

• ဖန်သားပြင်ဓာတ်ပုံများကို အဆင့်တိုင်းတွင် ဖျက်မည့်အစား အစုလိုက် ဖျက်ခြင်း

GPT‑6 Astra သည် မည်သည့်ပြောင်းလဲကိန်းများ အရေးပါကြောင်း သိရှိရန် အချိန်တိုစမ်းသပ်မှုများဖြင့် စတင်ခဲ့သည်။ ထိုကုဒ်ကို အခြေအနေများ ထိန်းချုပ်ထားသည့် စမ်းသပ်မှုများအတွက် ရေးသားထားခြင်းမဟုတ်သဖြင့် ရှေ့ပိုင်းနှင့် နောက်ကွယ်ပိုင်း စနစ်တစ်စုံတည်းက သီးခြားဆက်တင်များရှိသည့် လုပ်ငန်းစဉ်များစွာကို ပြိုင်တူလုပ်ဆောင်နိုင်ရန် ကုဒ်ဖွဲ့စည်းပုံကို ပြန်ပြင်ခဲ့သည်။

Astra သည် လေ့လာမှုတစ်ခုလုံးကို ဆောင်ရွက်ခဲ့သည်။ မှတ်တမ်းသိမ်းဆည်းနိုင်သည့် ပမာဏကို စာလုံးရေ 120,000 နှင့် 480,000 ဟု သတ်မှတ်ကာ ကက်ရှ်သိမ်းဆည်းမှုနှင့် ဖန်သားပြင်ဓာတ်ပုံ စီမံခန့်ခွဲမှု နည်းလမ်းခြောက်မျိုးကို မော်ဒယ်လေးခုစလုံးတွင် တစ်မျိုးလျှင် သုံးကြိမ်စီ စမ်းသပ်ခဲ့သည် (အောက်ပါဇယားကို ကြည့်ပါ)။ အကောင်းဆုံးရလဒ်ရသည့် နည်းလမ်းမှာ ဖန်သားပြင်ဓာတ်ပုံ 20 ပုံအထိ စုထားပြီးနောက် နောက်ဆုံးတစ်ပုံကိုသာ ချန်ထားခြင်းဖြစ်သည်။ ဤနည်းဖြင့် ဖျက်ထုတ်မှုတစ်ကြိမ်နှင့် တစ်ကြိမ်ကြား အရင်မှတ်တမ်းများကို ပိုကြာကြာ မပြောင်းလဲဘဲ ထိန်းထားနိုင်ခဲ့သည်။ ဤနည်းကို မှတ်တမ်းသိမ်းဆည်းနိုင်သည့် ပမာဏတိုးမြှင့်ခြင်းနှင့် ပေါင်းစပ်လိုက်ရာ အကောင်းဆုံးပြင်ဆင်ထားသော လုပ်ငန်းစဉ် ရရှိလာသည်။ ဆက်တင်အစုံတိုင်းသည် အလုပ်တစ်ခုတည်းကို လုပ်ဆောင်ခဲ့သည်။ အများပြည်သူ ကြည့်ရှုနိုင်သည့် သရုပ်ပြစာအုပ်စာရင်းမှ စာအုပ် 32 အုပ်အတွက် တစ်အုပ်လျှင် အချက်အလက်ခြောက်မျိုးစီ စုဆောင်းခြင်းဖြစ်ပြီး Asana ဖောက်သည်အချို့က StackAI တွင် လုပ်ဆောင်နေသည့် အလုပ်များကို ကိုယ်စားပြုသည်။

GPT‑6 Astra သည် လုပ်ငန်းစဉ်များကို လုပ်ဆောင်ကာ တောင်းဆိုချက်များ၊ အသုံးပြုမှုမှတ်တမ်းများနှင့် အထွက်ရလဒ်များကို စစ်ဆေးခဲ့ပြီး သီးခြားမော်ဒယ်စက်ရှင်များက ထိုအလုပ်ကို ပြန်လည်သုံးသပ်ခဲ့သည်။ အဖွဲ့က နောက်ပိုင်းတွင် လေ့လာမှုတစ်ခုလုံးကို ပြန်လည်သုံးသပ်နိုင်ရန် စက်ရှင်တိုင်း၏ တောင်းဆိုချက်များ၊ ဒေတာလမ်းကြောင်းမှတ်တမ်းများနှင့် ရလဒ်များကို Asana ၏ ဆော့ဖ်ဝဲဖြန့်ချိရေးပလက်ဖောင်း Command⁠(ဝင်းဒိုးအသစ်တွင် ဖွင့်မည်) တွင် မှတ်တမ်းတင်ခဲ့သည်။ Command မှ တွေ့ရှိချက်များကို အလုပ်တာဝန်လက်မှတ်များ၊ ထို့နောက် ကုဒ်ပေါင်းထည့်ရန် တောင်းဆိုချက်များအဖြစ် ပြောင်းလဲကာ ပြင်ဆင်ချက်များကို လက်တွေ့အသုံးပြုစနစ်သို့ ထည့်သွင်းခဲ့သည်။

မော်ဒယ် B တွင် ထိုပြင်ဆင်မှုကြောင့် တစ်ကြိမ်လျှင် ခန့်မှန်းမော်ဒယ်ကုန်ကျစရိတ် အနည်းဆုံး $36.21 မှ $1.24 သို့ 29 ဆ လျော့ကျခဲ့သည် (မူလလုပ်ဆောင်မှုအချို့သည် မပြီးစီးမီ အဆင့်အရေအတွက်ကန့်သတ်ချက်သို့ ရောက်ခဲ့သည်)။ GPT‑6.1 Sol ပေါ်ရှိ အကောင်းဆုံးပြင်ဆင်ထားသော လုပ်ငန်းစဉ်မှာ $0.47 သာ ကုန်ကျသဖြင့် ထိုထက်ပင် 2.6 ဆ ပိုသက်သာခဲ့သည်။ အကောင်းဆုံးပြင်ဆင်ထားသော လုပ်ငန်းစဉ်ကို လုပ်ဆောင်တိုင်း အလုပ်ပြီးစီးပြီး မှန်ကန်သောအဖြေ ရရှိခဲ့သည်။

GPT‑6.1 Sol တစ်ခုတည်းကို ကြည့်လျှင် မှတ်တမ်းသိမ်းဆည်းပမာဏ ပိုများသောအခြေအနေတွင် ကက်ရှ်နှင့် ဖန်သားပြင်ဓာတ်ပုံ စီမံခန့်ခွဲမှုနည်းလမ်းသစ်က တစ်ကြိမ်လျှင် ကုန်ကျစရိတ်ကို $1.97 မှ $0.47 သို့ 4 ဆ လျှော့ချပေးခဲ့သည်။ အဝင်ဒေတာ၏ 89% ကို ကက်ရှ်မှ ရရှိပြီး ကက်ရှ်မသိမ်းထားသည့် ဒေတာဈေးနှုန်း၏ 5% သာ ကျသင့်သဖြင့် မော်ဒယ်ခေါ်ယူမှုတစ်ကြိမ်လျှင် ကုန်ကျစရိတ် 3 ဆခန့် သက်သာခဲ့သည်။ လုပ်ဆောင်မှုများလည်း ပိုမြန်လာခဲ့သည်။ မော်ဒယ် B ပေါ်ရှိ မူလစနစ်တွင် အနည်းဆုံး 22.5 မိနစ် ကြာခဲ့သော်လည်း GPT‑6.1 Sol ပေါ်ရှိ အကောင်းဆုံးပြင်ဆင်ထားသော လုပ်ငန်းစဉ်တွင် လေးမိနစ်ခန့်သာ ကြာခဲ့သည်။

မှတ်တမ်းစီမံခန့်ခွဲမှုသည် အေးဂျင့်က အဖြေတစ်ခု ထုတ်ပေးနိုင်၊ မနိုင်ကို မည်သို့သက်ရောက်ကြောင်းကိုလည်း ဤလေ့လာမှုက ဖော်ပြခဲ့သည်။ GPT‑6.1 Sol အား ဝဘ်ကြည့်ရှုမှုမှတ်တမ်း ပိုများများ ထိန်းသိမ်းနိုင်စေခြင်းဖြင့် အဖြေထုတ်ပေးနိုင်သော လုပ်ဆောင်မှုအရေအတွက် တိုးလာခဲ့သည်။ မှတ်တမ်းပမာဏ နည်းသည့်အခါ 18 ကြိမ်တွင် သုံးကြိမ်သာ အဖြေရခဲ့ရာမှ ပမာဏတိုးပေးသည့်အခါ 18 ကြိမ်စလုံး မှန်ကန်သောအဖြေ ရရှိခဲ့သည်။ Hidalgo အတွက် စီးပွားရေးအရ အကျိုးကျေးဇူးမှာ လုပ်ငန်းလည်ပတ်စရိတ်ကို ရေရှည်တတ်နိုင်သည့်အတိုင်းအတာတွင် ထိန်းထားရင်း ဖောက်သည်များအား ပိုမြန်ပြီး စွမ်းဆောင်ရည်ပိုကောင်းသည့် မော်ဒယ်များ ပေးနိုင်ခြင်းဖြစ်သည်။

Asana သည် StackAI ရှိ ဘရောက်ဇာဖြင့် ကြည့်ရှုသွားလာမှုဆိုင်ရာ ပြင်ဆင်ချက်များကို ထုတ်ပြန်ပြီးဖြစ်ကာ အလားတူစမ်းသပ်မှုများကို ပိုလွယ်ကူစွာ ထပ်လုပ်နိုင်ရန် ကိရိယာများ တည်ဆောက်နေသည်။ နောင်တွင် ဤစမ်းသပ်မှုကို ပလက်ဖောင်း၏ အကဲဖြတ်မှုများထဲ ထည့်သွင်းရန် အဖွဲ့က စီစဉ်ထားသည်။ ထိုသို့ဖြင့် ဖောက်သည်များနှင့် အတွင်းပိုင်းအဖွဲ့များသည် အေးဂျင့်များ၏ ဆက်တင်များ သတ်မှတ်ရာတွင် ကုန်ကျစရိတ်၊ လုပ်ဆောင်ချိန်နှင့် အဖြေအရည်အသွေးကို နှိုင်းယှဉ်နိုင်မည်ဖြစ်သည်။

ယခု Asana သည် ထုတ်ကုန်လုပ်ဆောင်ချက်များကို မဖြန့်ချိမီ စမ်းသပ်ရန် Codex ရှိ GPT‑6 Astra ကို အသုံးပြုနေသည်။ Astra သည် ပလက်ဖောင်းအတွင်း ကြည့်ရှုသွားလာကာ မတူညီသော အဝင်ဒေတာများဖြင့် စမ်းသပ်ပြီး လူသားအရည်အသွေးစစ်ဆေးသူများအတွက် ဆော့ဖ်ဝဲချို့ယွင်းချက်များကို တင်ပြပေးသည်။ Hidalgo သည် ဤလုပ်ဆောင်ပုံကို ကလောက်အေးဂျင့်စက်ရှင်များစွာက လုပ်ဆောင်ချက်များကို ပြိုင်တူစမ်းသပ်သည့် ဆော့ဖ်ဝဲဖွံ့ဖြိုးရေးလုပ်ငန်းစဉ်သစ်၏ အခြေခံအုတ်မြစ်ဟု မြင်သည်။

လေ့လာမှုအပြည့်အစုံကို Asana⁠(ဝင်းဒိုးအသစ်တွင် ဖွင့်မည်) နှင့် StackAI⁠(ဝင်းဒိုးအသစ်တွင် ဖွင့်မည်) ဘလော့ဂ်များတွင် ဖတ်ရှုနိုင်ပါသည်။