GPT‑5.6 ਲਈ ਨਿਰਮਾਤਾ ਦੀ ਗਾਈਡ
ਉਤਪਾਦਨ ਵਿੱਚ ਕੰਮ ਕਰ ਰਹੇ ਸਟਾਰਟਅੱਪਾਂ ਤੋਂ ਤਕਨੀਕੀ ਸਿੱਖਿਆਵਾਂ
GPT‑5.6 ਮਾਡਲ ਪਰਿਵਾਰ ਅਤਿ-ਆਧੁਨਿਕ ਪੱਧਰ ਦੀ ਏਜੰਟ ਕਾਰਗੁਜ਼ਾਰੀ ਨੂੰ ਬਹੁਤ ਜ਼ਿਆਦਾ ਕਿਫ਼ਾਇਤੀ ਬਣਾਉਂਦਾ ਹੈ ਅਤੇ ਨਾਲ ਹੀ ਸੰਭਾਵਨਾਵਾਂ ਦੀ ਹੱਦ ਨੂੰ ਅੱਗੇ ਵਧਾਉਂਦਾ ਹੈ।
ਇਸ ਗਾਈਡ ਵਿੱਚ ਅਸੀਂ ਦਿਖਾਉਂਦੇ ਹਾਂ ਕਿ ਸਟਾਰਟਅੱਪ ਵਧੇਰੇ ਸਮਝਦਾਰ ਮਾਡਲ ਚੋਣ ਅਤੇ ਨਵੇਂ API ਨਿਯੰਤਰਣਾਂ ਦੀ ਵਰਤੋਂ ਕਿਵੇਂ ਕਰ ਰਹੇ ਹਨ, ਜੋ ਰੀਜ਼ਨਿੰਗ ਦੀ ਨਿਰੰਤਰਤਾ, ਬਹੁ-ਏਜੰਟ ਤਾਲਮੇਲ ਅਤੇ ਪ੍ਰੋਗਰਾਮਾਤਮਕ ਟੂਲ ਕਾਲਿੰਗ ਵਿੱਚ ਮਦਦ ਕਰਦੇ ਹਨ, ਤਾਂ ਜੋ ਲਾਗਤ ਦੇ ਇੱਕ ਛੋਟੇ ਜਿਹੇ ਹਿੱਸੇ ਵਿੱਚ ਵਧੇਰੇ ਤੇਜ਼ ਅਤੇ ਸਮਰੱਥ ਏਜੰਟ ਬਣਾਏ ਜਾ ਸਕਣ।
GPT‑5 ਤੋਂ ਬਾਅਦ, ਹਰ ਮਾਡਲ ਪੀੜ੍ਹੀ ਨੇ ਘੱਟ ਟੋਕਨਾਂ ਨਾਲ ਲੰਮੀ ਮਿਆਦ ਵਾਲੇ ਕੰਮ ਸੰਭਾਲਣ ਦੀ ਕੋਸ਼ਿਸ਼ ਕੀਤੀ ਹੈ। GPT‑5.6 ਇਸੇ ਦਿਸ਼ਾ ਵਿੱਚ ਅੱਗੇ ਵਧਦਾ ਹੈ: ਵਧੇਰੇ ਮਜ਼ਬੂਤ ਏਜੰਟ ਕਾਰਗੁਜ਼ਾਰੀ ਅਤੇ ਘੱਟ ਲਾਗਤ, ਜਦਕਿ ਮੂਲ ਜਾਂਚ-ਢਾਂਚੇ ਵਿੱਚ ਬਹੁਤ ਘੱਟ ਤਬਦੀਲੀਆਂ ਦੀ ਲੋੜ ਪੈਂਦੀ ਹੈ।
ਘੱਟ ਰੀਜ਼ਨਿੰਗ ਮਿਹਨਤ ਨਾਲ ਵਧੀ ਹੋਈ ਸਟੀਕਤਾ ਦੇ ਕਾਰਨ ਸਮੁੱਚੀ ਲਾਗਤ-ਕੁਸ਼ਲਤਾ ਵਿੱਚ ਸੁਧਾਰ ਹੋਰ ਵੀ ਵੱਧ ਜਾਂਦੇ ਹਨ। ਮਿਸਾਲ ਵਜੋਂ, ਟੈਸਟਿੰਗ ਹਾਰਨੈੱਸ ਨੂੰ ਇੱਕੋ ਜਿਹਾ ਰੱਖਣ 'ਤੇ, Agents’ Last Exam ਵਿੱਚ "ਘੱਟ" ਰੀਜ਼ਨਿੰਗ ਵਾਲੇ GPT‑5.6 Sol ਨੇ "ਹਾਈ" ਰੀਜ਼ਨਿੰਗ ਵਾਲੇ GPT‑5.5 ਨੂੰ ਪਿੱਛੇ ਛੱਡ ਦਿੱਤਾ। ਅਸੀਂ ਪ੍ਰੋਡਕਸ਼ਨ ਟੈਸਟਿੰਗ ਵਿੱਚ ਵੀ ਅਜਿਹੀਆਂ ਹੀ ਸਫ਼ਲਤਾਵਾਂ ਦੇਖੀਆਂ ਹਨ, ਜਿੱਥੇ ਸਟਾਰਟਅੱਪਾਂ ਨੇ ਪਿਛਲੀਆਂ ਮੂਲ ਸੈਟਿੰਗਾਂ ਨਾਲੋਂ ਰੀਜ਼ਨਿੰਗ ਮਿਹਨਤ ਨੂੰ ਘਟਾ ਕੇ ਕਈ ਤਰ੍ਹਾਂ ਦੇ ਵਰਕਫਲੋ ਵਿੱਚ ਲਾਗਤ ਦੇ ਭਾਰੀ ਸੁਧਾਰ ਦਰਜ ਕੀਤੇ ਹਨ।
ਰਵਾਇਤੀ ਤੌਰ 'ਤੇ, ਲੰਮੀ ਮਿਆਦ ਵਾਲੀਆਂ ਵਰਤੋਂ ਦੀਆਂ ਸਥਿਤੀਆਂ ਲਈ ਸਭ ਤੋਂ ਵੱਧ ਉਪਲਬਧ ਰੀਜ਼ਨਿੰਗ ਵਾਲੇ ਫਲੈਗਸ਼ਿਪ ਮਾਡਲ ਉੱਤੇ ਅੱਪਗ੍ਰੇਡ ਕਰਨਾ ਸਭ ਤੋਂ ਵਧੀਆ ਵਿਕਲਪ ਰਿਹਾ ਹੈ। ਇਸ ਦਾ ਇੱਕ ਵੱਡਾ ਕਾਰਨ ਇਹ ਸੀ ਕਿ ਇਹ ਮਾਡਲ ਲੰਮੇ ਸੰਦਰਭਾਂ ਅਤੇ ਟੂਲ ਕਾਲਿੰਗ ਨੂੰ ਸੰਭਾਲਣ ਵਿੱਚ ਲਾਗਤ ਲਈ ਅਨੁਕੂਲਿਤ ਮਾਡਲਾਂ ਨਾਲੋਂ ਕਾਫ਼ੀ ਵੱਧ ਸਮਰੱਥ ਸਨ। ਇਹ 5.6-ਪਰਿਵਾਰ ਨਾਲ ਬਦਲ ਗਿਆ ਹੈ: ਟੈਸਟ-ਟਾਈਮ ਕੰਪਿਊਟ ਦੇ ਵਾਧੇ ਨਾਲ, Luna ਅਤੇ Terra ਅਕਸਰ GPT‑5.4 ਅਤੇ 5.5 ਵਾਂਗ ਹੀ ਪ੍ਰਦਰਸ਼ਨ ਕਰ ਸਕਦੀਆਂ ਹਨ ਜਦੋਂ ਕਿ ਇਹ ਕਾਫ਼ੀ ਸਸਤੀਆਂ ਹੁੰਦੀਆਂ ਹਨ।
BrowseComp ਦੇ ਕੰਮਾਂ ਉੱਤੇ ਵਿਚਾਰ ਕਰੋ: ਇਹ ਖੋਜ-ਆਧਾਰਿਤ ਮਾਪਦੰਡ ਕਿਸੇ ਮਾਡਲ ਦੀ ਘੱਟ ਜਾਣੇ-ਪਛਾਣੇ ਤੱਥ ਲੱਭਣ ਦੀ ਸਮਰੱਥਾ ਜਾਂਚਦਾ ਹੈ। ਤਿੰਨ ਮਹੀਨੇ ਪਹਿਲਾਂ, GPT‑5.5 (ਐਕਸਟ੍ਰਾ ਹਾਈ) ਨੇ ਇਸ ਮਾਪਦੰਡ ਉੱਤੇ $33.27 ਦੀ ਕੁੱਲ ਲਾਗਤ ਨਾਲ 84.36% ਅੰਕ ਹਾਸਲ ਕੀਤੇ ਸਨ। ਜਾਰੀ ਹੋਣ ਵੇਲੇ, GPT‑5.6 Luna (ਐਕਸਟ੍ਰਾ ਹਾਈ) ਨੇ $1.33 ਦੀ ਲਾਗਤ ਨਾਲ 84.04% ਅੰਕ ਹਾਸਲ ਕਰਕੇ ਲਗਭਗ ਉਹੀ ਕਾਰਗੁਜ਼ਾਰੀ ਦਿੱਤੀ। ਉਸ ਤੋਂ ਬਾਅਦ ਅਸੀਂ ਕੀਮਤਾਂ ਹੋਰ ਘਟਾਈਆਂ ਹਨ। ਸਾਡੀਆਂ ਨਵੀਨਤਮ ਕੀਮਤ ਕਟੌਤੀਆਂ ਬਾਰੇ ਹੋਰ ਪੜ੍ਹੋ।
5.6 ਪਰਿਵਾਰ ਦੇ ਛੋਟੇ ਮਾਡਲ ਵੱਡੀ ਮਾਤਰਾ ਵਾਲੇ ਕਾਰਜ-ਭਾਰਾਂ, ਦੇਰੀ ਪ੍ਰਤੀ ਸੰਵੇਦਨਸ਼ੀਲ ਅੰਤਰਕਿਰਿਆਵਾਂ ਅਤੇ ਏਜੰਟ-ਆਧਾਰਿਤ ਕਾਰਜ-ਪ੍ਰਵਾਹਾਂ ਦੇ ਦੁਹਰਾਏ ਜਾਣ ਵਾਲੇ ਪੜਾਵਾਂ ਲਈ ਬਹੁਤ ਢੁਕਵੇਂ ਹਨ। ਮਿਸਾਲ ਵਜੋਂ, ਜੇ ਤੁਸੀਂ ਕਾਨੂੰਨੀ ਤਕਨਾਲੋਜੀ ਦਾ ਅਜਿਹਾ ਸਟਾਰਟਅੱਪ ਚਲਾਉਂਦੇ ਹੋ ਜੋ ਏਜੰਟ-ਆਧਾਰਿਤ ਵਿਸ਼ਲੇਸ਼ਣ ਤੋਂ ਪਹਿਲਾਂ ਹੱਥ-ਲਿਖਤ ਮੀਮੋ ਪੜ੍ਹਦਾ ਹੈ, ਤਾਂ ਪੂਰੀ ਵਰਤੋਂ ਲਈ ਅਤਿ-ਆਧੁਨਿਕ ਮਾਡਲ ਵਰਤਣ ਦੀ ਥਾਂ ਹੁਣ ਤੁਸੀਂ ਜਾਣਕਾਰੀ ਕੱਢਣ ਲਈ Terra ਜਾਂ Luna ਵਰਤ ਕੇ ਲਾਗਤ ਵਿੱਚ ਵੱਡੀ ਬੱਚਤ ਕਰ ਸਕਦੇ ਹੋ।
GPT‑5.6 ਨੂੰ ਮੂਲ ਰੂਪ ਵਿੱਚ ਹੀ ਵਧੇਰੇ ਕਾਰਗਰ ਬਣਾਉਣ ਦੇ ਨਾਲ, ਅਸੀਂ ਹੋਰ ਲਾਭ ਸੰਭਵ ਬਣਾਉਣ ਲਈ Responses API ਵਿੱਚ ਨਵੇਂ ਮੂਲ ਘਟਕ ਵੀ ਜਾਰੀ ਕੀਤੇ ਹਨ। ਅਸੀਂ GPT‑5.6 ਨੂੰ ਸ਼ੁਰੂ ਤੋਂ ਅੰਤ ਤੱਕ ਤਿੰਨ ਪੂਰਕ ਢਾਂਚਾਗਤ ਉਪਾਵਾਂ ਨਾਲ ਸਿਖਲਾਈ ਦਿੱਤੀ ਹੈ, ਜੋ ਏਜੰਟਾਂ ਨੂੰ ਵਧੇਰੇ ਕੁਸ਼ਲਤਾ ਨਾਲ ਕੰਮ ਕਰਨ ਦੇ ਯੋਗ ਬਣਾਉਂਦੇ ਹਨ:
- ਪਹਿਲਾਂ ਕੀਤੇ ਕੰਮ ਦੀ ਮੁੜ ਵਰਤੋਂ: ਮਾਡਲ ਦੇ ਵੱਖ-ਵੱਖ ਪੜਾਵਾਂ ਵਿੱਚ ਰੀਜ਼ਨਿੰਗ ਨੂੰ ਕਾਇਮ ਰੱਖਣ(ਨਵੀਂ ਵਿੰਡੋ ਵਿੱਚ ਖੁੱਲ੍ਹਦਾ ਹੈ) ਅਤੇ ਲੰਮੀਆਂ ਚੱਲਣ ਵਾਲੀਆਂ ਗੱਲਬਾਤਾਂ ਨੂੰ ਸੰਖੇਪ ਕਰਨ ਲਈ ਮੂਲ ਕੰਪੈਕਸ਼ਨ(ਨਵੀਂ ਵਿੰਡੋ ਵਿੱਚ ਖੁੱਲ੍ਹਦਾ ਹੈ) ਦੀ ਵਰਤੋਂ ਨਾਲ, ਮਾਡਲ ਉਲਝਣ ਜਾਂ ਪਿਛਲੇ ਸੰਦਰਭ ਨੂੰ ਮੁੜ ਬਣਾਉਣ ਦੀ ਲੋੜ ਤੋਂ ਬਿਨਾਂ ਲੰਮੇ ਕਾਰਜ-ਕਾਲਾਂ ਦੌਰਾਨ ਆਪਣੇ ਕੰਮ ਵਿੱਚ ਇਕਸਾਰਤਾ ਕਾਇਮ ਰੱਖ ਸਕਦਾ ਹੈ।
- ਢੁਕਵੀਂ ਥਾਂ ਉੱਤੇ ਸਮਾਂਤਰ ਵੰਡ: ਮੂਲ ਬਹੁ-ਏਜੰਟ ਤਾਲਮੇਲ(ਨਵੀਂ ਵਿੰਡੋ ਵਿੱਚ ਖੁੱਲ੍ਹਦਾ ਹੈ) ਦੀ ਵਰਤੋਂ ਨਾਲ ਕਈ ਏਜੰਟਾਂ ਨੂੰ ਸਮਾਂਤਰ ਕਾਰਜ-ਧਾਰਾਵਾਂ ਵਿੱਚ ਤਾਲਮੇਲ ਕਰਵਾ ਕੇ ਗੁੰਝਲਦਾਰ ਕੰਮ ਤੇਜ਼ੀ ਨਾਲ ਪੂਰੇ ਕੀਤੇ ਜਾ ਸਕਦੇ ਹਨ।
- ਨਿਸ਼ਚਿਤ ਨਤੀਜੇ ਵਾਲਾ ਕੰਮ ਕੋਡ ਵਿੱਚ ਲਿਜਾਓ: ਪ੍ਰੋਗਰਾਮਾਤਮਕ ਟੂਲ ਕਾਲਿੰਗ(ਨਵੀਂ ਵਿੰਡੋ ਵਿੱਚ ਖੁੱਲ੍ਹਦਾ ਹੈ) ਨਾਲ ਟੂਲ ਨਤੀਜਿਆਂ ਨੂੰ ਮਾਡਲ ਦੀ ਸੰਦਰਭ ਸੀਮਾ ਤੋਂ ਬਾਹਰ ਛਾਂਟਿਆ, ਇਕੱਠਾ ਅਤੇ ਤਾਲਮੇਲ ਕੀਤਾ ਜਾ ਸਕਦਾ ਹੈ। ਇਸ ਤਰ੍ਹਾਂ ਮਾਡਲ ਟੋਕਨ ਨਿਰਣੇ ਲਈ ਬਚਦੇ ਹਨ ਅਤੇ ਲਾਗਤ, ਦੇਰੀ ਤੇ ਸੰਦਰਭ ਦੇ ਵਿਗਾੜ ਵਿੱਚ ਕਮੀ ਆਉਂਦੀ ਹੈ।
ਇਕੱਠੇ ਵਰਤਣ ਉੱਤੇ ਇਨ੍ਹਾਂ ਦਾ ਅਸਰ ਬਹੁਤ ਵੱਡਾ ਹੋ ਸਕਦਾ ਹੈ। ਮਿਸਾਲ ਵਜੋਂ, ARC-AGI-3 ਉੱਤੇ GPT‑5.6 Sol ਨੇ ਮਿਆਰੀ ਜਾਂਚ-ਢਾਂਚੇ ਨਾਲ 13.3% ਅੰਕ ਹਾਸਲ ਕੀਤੇ। ਪਰ ਕਾਇਮ ਰੱਖੀ ਰੀਜ਼ਨਿੰਗ ਅਤੇ ਕੰਪੈਕਸ਼ਨ ਚਾਲੂ ਕਰਨ ਤੋਂ ਬਾਅਦ ਅੰਕ ਵਧ ਕੇ 38.3% ਹੋ ਗਏ, ਜਦਕਿ ਲਗਭਗ 6 ਗੁਣਾ ਘੱਟ ਆਉਟਪੁੱਟ ਟੋਕਨ ਵਰਤੇ ਗਏ। ਮਾਡਲ ਵਿੱਚ ਕੋਈ ਤਬਦੀਲੀ ਨਹੀਂ, ਪਰ ਕਾਰਗੁਜ਼ਾਰੀ ਲਗਭਗ ਤਿੰਨ ਗੁਣਾ। ਤੁਸੀਂ ਇੱਥੇ ਸਾਡੀ ARC-AGI-3 ਜਾਂਚ-ਢਾਂਚਾ ਪੜਤਾਲ ਬਾਰੇ ਹੋਰ ਪੜ੍ਹ ਸਕਦੇ ਹੋ।
ਏਜੰਟ-ਆਧਾਰਿਤ ਕਾਰਜ-ਪ੍ਰਵਾਹਾਂ ਵਿੱਚ ਅਕਸਰ ਦੋ ਤਰ੍ਹਾਂ ਦੇ ਕੰਮ ਹੁੰਦੇ ਹਨ:
- ਉਹ ਕੰਮ ਜਿਨ੍ਹਾਂ ਲਈ ਨਿਰਣੇ ਦੀ ਲੋੜ ਹੁੰਦੀ ਹੈ
- ਉਹ ਕੰਮ ਜਿਸ ਵਿੱਚ ਮੁੱਖ ਤੌਰ ਉੱਤੇ ਡਾਟਾ ਤਬਦੀਲ ਕਰਨਾ, ਛਾਂਟਣਾ ਅਤੇ ਜੋੜਨਾ ਸ਼ਾਮਲ ਹੁੰਦਾ ਹੈ
ਜਦੋਂ ਕੋਈ ਏਜੰਟ 100 ਦਸਤਾਵੇਜ਼ ਪ੍ਰਾਪਤ ਕਰਦਾ, ਉਨ੍ਹਾਂ ਨੂੰ ਮਿਤੀ ਮੁਤਾਬਕ ਛਾਂਟਦਾ ਅਤੇ ਸੰਬੰਧਿਤ ਲੈਣ-ਦੇਣ ਪਛਾਣਦਾ ਹੈ, ਤਾਂ ਮਾਡਲ ਨੂੰ ਆਪਣੀ ਸੰਦਰਭ ਸੀਮਾ ਵਿੱਚ ਹਰ ਵਿਚਕਾਰਲੇ ਨਤੀਜੇ ਉੱਤੇ ਰੀਜ਼ਨਿੰਗ ਨਹੀਂ ਕਰਨੀ ਚਾਹੀਦੀ ਹੈ। ਪ੍ਰੋਗਰਾਮਾਤਮਕ ਟੂਲ ਕਾਲਿੰਗ ਨਾਲ GPT‑5.6 ਟੂਲਾਂ ਦਾ ਤਾਲਮੇਲ ਕਰਨ, ਸੁਤੰਤਰ ਕਾਲਾਂ ਨੂੰ ਸਮਾਂਤਰ ਚਲਾਉਣ ਅਤੇ ਉਨ੍ਹਾਂ ਦੇ ਨਤੀਜਿਆਂ ਨੂੰ ਸੰਦਰਭ ਸੀਮਾ ਤੋਂ ਬਾਹਰ ਸੰਸਾਧਿਤ ਕਰਨ ਲਈ JavaScript ਲਿਖ ਸਕਦਾ ਹੈ। ਇਸ ਨਾਲ ਮਾਡਲ ਉਸ ਕੰਮ ਉੱਤੇ ਧਿਆਨ ਦੇ ਸਕਦਾ ਹੈ ਜਿਸ ਲਈ ਇੰਟੈਲੀਜੈਂਸ ਦੀ ਲੋੜ ਹੈ: ਸਹੀ ਨਿਰਣਾ ਲੈਣਾ।
ਗੁੰਝਲਦਾਰ ਅਤੇ ਸਮਾਂਤਰ ਕੀਤੇ ਜਾ ਸਕਣ ਵਾਲੇ ਕੰਮਾਂ ਵਿੱਚ ਕਾਰਵਾਈਆਂ ਤੇ ਰੀਜ਼ਨਿੰਗ ਨੂੰ ਕਈ ਏਜੰਟ ਕਾਰਜ-ਧਾਰਾਵਾਂ ਵਿੱਚ ਵੰਡਣ ਨਾਲ ਕੰਮ ਤੇਜ਼ੀ ਨਾਲ ਪੂਰਾ ਹੁੰਦਾ ਹੈ ਅਤੇ ਇੰਟੈਲੀਜੈਂਸ ਵੀ ਵਧਦੀ ਹੈ। ਇਨ੍ਹਾਂ ਵਿਵਸਥਾਵਾਂ ਵਿੱਚ ਮੁੱਖ ਏਜੰਟ ਉਪ-ਏਜੰਟਾਂ ਦਾ ਤਾਲਮੇਲ ਕਰਨ ਅਤੇ ਉਨ੍ਹਾਂ ਨੂੰ ਕੰਮ ਸੌਂਪਣ ਲਈ ਜ਼ਿੰਮੇਵਾਰ ਹੁੰਦਾ ਹੈ। ਉਪ-ਏਜੰਟ ਆਪਣੇ ਉਦੇਸ਼ਾਂ ਉੱਤੇ ਸਮਾਂਤਰ ਕੰਮ ਕਰਦੇ ਹਨ ਅਤੇ ਅੰਤ ਵਿੱਚ ਅੰਤਿਮ ਸੰਯੋਜਨ ਲਈ ਆਪਣੇ ਨਤੀਜੇ ਮੁੱਖ ਏਜੰਟ ਨੂੰ ਵਾਪਸ ਭੇਜਦੇ ਹਨ। ਟੀਮਾਂ Responses API ਵਿੱਚ ਬਹੁ-ਏਜੰਟ ਚਾਲੂ ਕਰਕੇ(ਨਵੀਂ ਵਿੰਡੋ ਵਿੱਚ ਖੁੱਲ੍ਹਦਾ ਹੈ) ਮੂਲ ਰੂਪ ਵਿੱਚ ਇਸ ਦੀ ਵਰਤੋਂ ਸ਼ੁਰੂ ਕਰ ਸਕਦੀਆਂ ਹਨ। ChatGPT ਵਿੱਚ Ultra ਸਮਰੱਥਾ ਸੈਟਿੰਗ ਵੀ ਇਸੇ ਤਰ੍ਹਾਂ ਕੰਮ ਕਰਦੀ ਹੈ।
“Qualia ਖੁੱਲ੍ਹੇ ਅੰਤ ਵਾਲੀਆਂ ਖੋਜ ਸਮੱਸਿਆਵਾਂ ਉੱਤੇ ਏਜੰਟਾਂ ਦੀਆਂ ਟੀਮਾਂ ਚਲਾਉਂਦਾ ਹੈ, ਅਤੇ GPT‑5.6 Sol ਇਸ ਕੰਮ ਲਈ ਬਿਲਕੁਲ ਸਹੀ ਸਾਬਤ ਹੋਇਆ। ਇਸ ਨੇ GPT‑5.5 ਨਾਲੋਂ ਸਪਸ਼ਟ ਸੁਧਾਰ ਦਿਖਾਇਆ, ਸਾਡੇ ਵੱਲੋਂ ਜਾਂਚੇ ਲਗਭਗ ਹਰ ਹੋਰ ਮਾਡਲ ਨਾਲੋਂ ਜਲਦੀ ਕੰਮ ਪੂਰਾ ਕੀਤਾ ਅਤੇ ਛੇਤੀ ਹੀ ਸਾਡਾ ਪਸੰਦੀਦਾ OpenAI ਮਾਡਲ ਬਣ ਗਿਆ।”
“GPT‑5.6, OpenAI ਦਾ ਹੁਣ ਤੱਕ ਦਾ ਸਭ ਤੋਂ ਵਧੀਆ ਤਾਲਮੇਲਕਰਤਾ ਹੈ। ਅਸੀਂ ਇਸ ਨੂੰ ਇੱਕੋ ਵੇਲੇ ਛੇ ਵਿਸ਼ੇਸ਼ਤਾਵਾਂ ਦਿੱਤੀਆਂ—(ਉਨ੍ਹਾਂ ਸਾਰਿਆਂ ਨੂੰ ਲਿਖਣਾ, ਬਣਾਉਣਾ ਅਤੇ ਸਮਝਾਉਣਾ)—ਅਤੇ ਇਸ ਨੇ ਗੁਣਵੱਤਾ ਘਟਣ ਦਿੱਤੇ ਬਿਨਾਂ ਹਰ ਚੀਜ਼ ਦਾ ਧਿਆਨ ਰੱਖਿਆ।”
ਭਾਵੇਂ GPT‑5.6 ਨੂੰ ਉਪ-ਏਜੰਟਾਂ ਦੀ ਢੁਕਵੀਂ ਗਿਣਤੀ ਅਤੇ ਉਨ੍ਹਾਂ ਨੂੰ ਕਦੋਂ ਸ਼ੁਰੂ ਕਰਨਾ ਹੈ, ਇਸ ਦੀ ਚੰਗੀ ਸਮਝ ਹੈ, ਫਿਰ ਵੀ ਬਹੁ-ਏਜੰਟ ਵਿਹਾਰ ਨੂੰ ਬਹੁਤ ਹੱਦ ਤੱਕ ਨਿਰਦੇਸ਼ਿਤ ਕੀਤਾ ਜਾ ਸਕਦਾ ਹੈ। ਮਾਡਲ ਨੂੰ ਇਹ ਨਿਰਦੇਸ਼ ਦੇਣ ਨਾਲ ਕਿ ਉਪ-ਏਜੰਟਾਂ ਨੂੰ ਕਦੋਂ ਵਰਤਣਾ ਹੈ, ਇਹ ਸੰਭਾਵਨਾ ਵਧ ਸਕਦੀ ਹੈ ਕਿ ਏਜੰਟ ਸਿਰਫ਼ ਉਨ੍ਹਾਂ ਸਥਿਤੀਆਂ ਵਿੱਚ ਬਣਾਏ ਜਾਣ ਜਿੱਥੇ ਵਾਧੂ ਟੋਕਨ ਖ਼ਰਚ ਨਾਲ ਬਿਹਤਰ ਕਾਰਗੁਜ਼ਾਰੀ ਮਿਲੇਗੀ।
ਮਾਡਲਾਂ ਦੇ ਪੂਰੇ ਪਰਿਵਾਰ ਵਿੱਚ ਪ੍ਰੌਂਪਟ ਕੈਸ਼ ਦੀ ਮਿਆਦ (TTL) ਘੱਟੋ-ਘੱਟ 30 ਮਿੰਟ ਤੱਕ ਵਧਾ ਦਿੱਤੀ ਗਈ ਹੈ ਅਤੇ ਹੁਣ ਮਾਡਲ ਦੀ ਸੰਦਰਭ ਸੀਮਾ ਅੰਦਰ ਕੈਸ਼ ਬ੍ਰੇਕਪੁਆਇੰਟ ਨਿਸ਼ਚਿਤ ਢੰਗ ਨਾਲ ਸੈੱਟ ਕੀਤੇ ਜਾ ਸਕਦੇ ਹਨ। ਇਸ ਨਾਲ ਸਟਾਰਟਅੱਪ ਆਪਣੀ ਕੈਸ਼ ਹਿੱਟ ਦਰ ਵਿੱਚ ਕਾਫ਼ੀ ਸੁਧਾਰ ਕਰ ਸਕੇ ਹਨ।
ਕੈਸ਼ ਬ੍ਰੇਕਪੁਆਇੰਟ ਸੈੱਟ ਕਰਨ ਤੋਂ ਇਲਾਵਾ, ਢੁਕਵੀਂ prompt_cache_key(ਨਵੀਂ ਵਿੰਡੋ ਵਿੱਚ ਖੁੱਲ੍ਹਦਾ ਹੈ) ਦੀ ਵਰਤੋਂ ਜਾਰੀ ਰੱਖਣ ਨਾਲ ਬੇਨਤੀਆਂ ਦੇ ਉਸੇ ਅਨੁਮਾਨ ਇੰਜਣ ਤੱਕ ਪਹੁੰਚਣ ਦੀ ਸੰਭਾਵਨਾ ਵਧਦੀ ਹੈ ਜਿਸ ਨੇ ਪਹਿਲਾਂ ਉਹੀ ਅਗੇਤਰ ਸੰਭਾਲਿਆ ਸੀ, ਜਿਸ ਨਾਲ ਦੇਰੀ ਘਟਦੀ ਹੈ।
ਇਨ੍ਹਾਂ ਮਿਸਾਲਾਂ ਵਿੱਚ ਸਭ ਤੋਂ ਵੱਧ ਧਿਆਨ ਖਿੱਚਣ ਵਾਲੀ ਗੱਲ ਇਹ ਹੈ ਕਿ ਏਜੰਟ ਬਣਾਉਣ ਦਾ ਆਰਥਿਕ ਪੱਖ ਕਿੰਨਾ ਬਦਲ ਗਿਆ ਹੈ।
ਜਿਨ੍ਹਾਂ ਵਰਤੋਂ ਦੀਆਂ ਸਥਿਤੀਆਂ ਲਈ ਪਹਿਲਾਂ ਹਰ ਪੜਾਅ ਉੱਤੇ ਅਤਿ-ਆਧੁਨਿਕ ਮਾਡਲ ਦੀ ਲੋੜ ਹੁੰਦੀ ਸੀ, ਉਹ ਹੁਣ ਛੋਟੇ ਮਾਡਲਾਂ, ਰੀਜ਼ਨਿੰਗ ਮਿਹਨਤ ਦੇ ਅਨੁਕੂਲਨ ਅਤੇ ਕੁਸ਼ਲ ਢਾਂਚਾਗਤ ਚੋਣਾਂ ਨਾਲ ਲਾਗਤ ਦੇ ਇੱਕ ਛੋਟੇ ਜਿਹੇ ਹਿੱਸੇ ਉੱਤੇ ਤੁਲਨਾਤਮਕ ਜਾਂ ਬਿਹਤਰ ਨਤੀਜੇ ਹਾਸਲ ਕਰ ਸਕਦੀਆਂ ਹਨ।
ਅਸੀਂ ਇਹ ਦੇਖਣ ਲਈ ਉਤਸ਼ਾਹਿਤ ਹਾਂ ਕਿ ਤੁਸੀਂ ਸਾਰੇ ਕੀ ਬਣਾਉਂਦੇ ਹੋ!
- 2026
- API ਪਲੇਟਫਾਰਮ
ਲੇਖਕਾਂ ਬਾਰੇ
ਇਹ ਗਾਈਡ ਸਮਰਥ ਮੱਦੁਰੂ(ਨਵੀਂ ਵਿੰਡੋ ਵਿੱਚ ਖੁੱਲ੍ਹਦਾ ਹੈ), ਪ੍ਰਸ਼ਾਂਤ ਮਿੱਤਲ(ਨਵੀਂ ਵਿੰਡੋ ਵਿੱਚ ਖੁੱਲ੍ਹਦਾ ਹੈ), ਡੇਵ ਲੀਓ(ਨਵੀਂ ਵਿੰਡੋ ਵਿੱਚ ਖੁੱਲ੍ਹਦਾ ਹੈ) ਅਤੇ ਜੂਲੀਅਨ ਰਾਈਮਨ(ਨਵੀਂ ਵਿੰਡੋ ਵਿੱਚ ਖੁੱਲ੍ਹਦਾ ਹੈ) ਨੇ ਤਿਆਰ ਕੀਤੀ ਹੈ। ਇਹ ਸ਼ੁਰੂਆਤੀ ਜਾਂਚ ਤੋਂ ਉਤਪਾਦਨ ਤੱਕ GPT‑5.6 ਉੱਤੇ ਨਿਰਮਾਣ ਕਰ ਰਹੇ ਸਟਾਰਟਅੱਪਾਂ ਨਾਲ ਨੇੜਿਓਂ ਕੰਮ ਕਰਨ ਦੇ ਉਨ੍ਹਾਂ ਦੇ ਅਨੁਭਵ ਉੱਤੇ ਆਧਾਰਿਤ ਹੈ।
