ਅਸੀਂ ਆਪਣੇ ਸੀਮਿਤ ਪ੍ਰੀਵਿਊ ਤੋਂ ਬਾਅਦ GPT‑5.6 ਮਾਡਲਾਂ ਦੀ ਫੈਮਿਲੀ ਨੂੰ ਆਮ ਉਪਲਬਧਤਾ ਲਈ ਲਾਂਚ ਕਰ ਰਹੇ ਹਾਂ: ਸਾਡਾ ਨਵਾਂ ਫਲੈਗਸ਼ਿਪ, Sol, ਇਸ ਦੇ ਨਾਲ Terra, ਰੋਜ਼ਾਨਾ ਕੰਮ ਲਈ ਇੱਕ ਸੰਤੁਲਿਤ ਮਾਡਲ, ਅਤੇ Luna, ਸਾਡਾ ਸਭ ਤੋਂ ਵੱਧ ਲਾਗਤ-ਕੁਸ਼ਲ ਮਾਡਲ।
GPT‑5.6 Sol ਇੰਟੈਲੀਜੈਂਸ ਅਤੇ ਕੁਸ਼ਲਤਾ ਦੋਵਾਂ ਲਈ ਇੱਕ ਨਵਾਂ ਮਿਆਰ ਸਥਾਪਤ ਕਰਦਾ ਹੈ, ਜੋ ਕੋਡਿੰਗ, ਗਿਆਨ-ਅਧਾਰਿਤ ਕੰਮ, ਸਾਈਬਰਸੁਰੱਖਿਆ ਅਤੇ ਵਿਗਿਆਨ ਵਿੱਚ ਸਰਬੋਤਮ-ਪੱਧਰੀ ਨਤੀਜੇ ਹਾਸਲ ਕਰਦਾ ਹੈ, ਨਾਲ ਹੀ ਘੱਟ ਟੋਕਨਾਂ ਅਤੇ ਘੱਟ ਅੰਦਾਜ਼ਨ ਲਾਗਤ ਨਾਲ ਪਿਛਲੇ ਅਤੇ ਮੁਕਾਬਲੇ ਵਾਲੇ ਅਤਿ-ਆਧੁਨਿਕ ਮਾਡਲਾਂ ਨਾਲੋਂ ਬਿਹਤਰ ਪ੍ਰਦਰਸ਼ਨ ਕਰਦਾ ਹੈ। ਨਤੀਜਾ ਪ੍ਰਤੀ ਡਾਲਰ ਹੋਰ ਮਜ਼ਬੂਤ ਪ੍ਰਦਰਸ਼ਨ ਹੈ: ਉਸੇ ਖਰਚ ਵਿੱਚ ਵਧੇਰੇ ਸਫਲ ਕੰਮ, ਜਾਂ ਘੱਟ ਕੁੱਲ ਲਾਗਤ 'ਤੇ ਤੁਲਨਾਯੋਗ ਨਤੀਜੇ। ਅਸੀਂ ਸਭ ਤੋਂ ਚੁਨੌਤੀਪੂਰਨ ਕੰਮ ਨੂੰ ਤੇਜ਼ ਕਰਨ ਦਾ ਇੱਕ ਨਵਾਂ ਤਰੀਕਾ ਵੀ ਪੇਸ਼ ਕਰਦੇ ਹਾਂ: ultra ਸਾਡੀ ਹਾਈ-ਸਮਰੱਥਾ ਵਾਲੀ ਸੈਟਿੰਗ ਹੈ, ਜੋ ਜਟਿਲ ਕੰਮਾਂ ਨੂੰ ਤੇਜ਼ੀ ਨਾਲ ਪੂਰਾ ਕਰਨ ਲਈ ਸਮਾਂਤਰ ਵਰਕਸਟ੍ਰੀਮਾਂ ਵਿੱਚ ਕਈ ਏਜੰਟਾਂ ਵਿੱਚ ਤਾਲਮੇਲ ਬਿਠਾਉਂਦੀ ਹੈ। ਕੰਪਿਊਟਰ ਦੀ ਵਧੇਰੇ ਮਜ਼ਬੂਤ ਵਰਤੋਂ ਅਤੇ ਡਿਜ਼ਾਈਨ ਸੰਬੰਧੀ ਬਿਹਤਰ ਫ਼ੈਸਲਾ GPT‑5.6 ਨੂੰ ਬਣਾਉਂਦੇ ਹਨ Sol ਸਾਡਾ ਹੁਣ ਤੱਕ ਦਾ ਸਭ ਤੋਂ ਬਿਹਤਰੀਨ ਸਹਿਯੋਗੀ, ਜੋ ਇਸਨੂੰ ਨਿਰੀਖਣ ਕਰਨ, ਸੁਧਾਰਨ ਅਤੇ ਵਰਤੋਂ ਲਈ ਤਿਆਰ ਨਤੀਜੇ ਦੇਣ ਵਿੱਚ ਮਦਦ ਕਰਦਾ ਹੈ।
ਅਸੀਂ GPT‑5.6 ਨੂੰ ਇਸ ਤਰ੍ਹਾਂ ਟ੍ਰੇਨ ਕੀਤਾ ਕਿ ਹਰੇਕ ਟੋਕਨ ਤੋਂ ਵਧੇਰੇ ਉਪਯੋਗੀ ਕੰਮ ਲਿਆ ਜਾ ਸਕੇ। Agents’ Last Exam(ਨਵੀਂ ਵਿੰਡੋ ਵਿੱਚ ਖੁੱਲ੍ਹਦਾ ਹੈ) ’ਤੇ, ਜੋ 55 ਖੇਤਰਾਂ ਵਿੱਚ ਲੰਬੇ ਸਮੇਂ ਤੱਕ ਚੱਲਣ ਵਾਲੇ ਪੇਸ਼ਾਵਰ ਵਰਕਫਲੋਜ਼ ਦਾ ਮੁਲਾਂਕਣ ਹੈ, ਜੋ GPT‑5.6 Sol 53.6 ਦਾ ਨਵਾਂ ਹਾਈ ਸੈੱਟ ਕਰਦਾ ਹੈ, ਅਤੇ Claude Fable 5 (ਅਡੈਪਟਿਵ ਰੀਜ਼ਨਿੰਗ) ਨੂੰ 13.1 ਅੰਕਾਂ ਨਾਲ ਪਛਾੜਦਾ ਹੈ। ਮੀਡੀਅਮ ਰੀਜ਼ਨਿੰਗ 'ਤੇ ਵੀ, ਇਹ ਅੰਦਾਜ਼ਨ ਲਾਗਤ ਦੇ ਲਗਭਗ ਇੱਕ-ਚੌਥਾਈ 'ਤੇ Fable 5 ਨੂੰ 11.4 ਪੁਆਇੰਟਾਂ ਨਾਲ ਪਛਾੜਦਾ ਹੈ। ਉਹ ਕੁਸ਼ਲਤਾ ਛੋਟੇ ਮਾਡਲਾਂ ਤੱਕ ਵੀ ਫੈਲਦੀ ਹੈ, ਜੋ ਇੰਟੈਲੀਜੈਂਸ ਨੂੰ ਹੋਰ ਵਧੇਰੇ ਉਪਲਬਧ ਅਤੇ ਕਿਫਾਇਤੀ ਬਣਾਉਣ ਲਈ ਜ਼ਰੂਰੀ ਹਨ: GPT‑5.6 Terra ਅਤੇ GPT‑5.6 Luna, Fable 5 ਨਾਲੋਂ ਲਾਗਤ ਦੇ ਲਗਭਗ ਇੱਕ-ਸੋਲ੍ਹਵੇਂ ਹਿੱਸੇ ’ਤੇ ਬਿਹਤਰ ਕਾਰਗੁਜ਼ਾਰੀ ਦਿਖਾਉਂਦੇ ਹਨ। Artificial Analysis Intelligence Index(ਨਵੀਂ ਵਿੰਡੋ ਵਿੱਚ ਖੁੱਲ੍ਹਦਾ ਹੈ) 'ਤੇ, ਜੋ ਏਜੰਟ ਵਾਲਾ ਕੰਮ, ਕੋਡਿੰਗ, ਵਿਗਿਆਨਕ ਰੀਜ਼ਨਿੰਗ ਅਤੇ ਆਮ ਸਮਰੱਥਾਵਾਂ ਨੂੰ ਕਵਰ ਕਰਨ ਵਾਲਾ ਇੰਟੈਲੀਜੈਂਸ ਦਾ ਇੱਕ ਵਿਆਪਕ ਮਾਪ ਹੈ, max ਰੀਜ਼ਨਿੰਗ ਦੇ ਨਾਲ GPT‑5.6 Sol, Fable 5 ਤੋਂ ਇੱਕ ਅੰਕ ਦੇ ਅੰਦਰ ਆਉਂਦਾ ਹੈ, ਜਦਕਿ ਕਾਰਜਾਂ ਨੂੰ 61% ਘੱਟ ਸਮੇਂ ਵਿੱਚ ਅਤੇ ਅਨੁਮਾਨਿਤ ਲਾਗਤ ਦੇ ਲਗਭਗ ਅੱਧੇ 'ਤੇ ਪੂਰਾ ਕਰਦਾ ਹੈ।
ਏਜੰਟਾਂ ਦੀ ਆਖਰੀ ਪ੍ਰੀਖਿਆ(ਨਵੀਂ ਵਿੰਡੋ ਵਿੱਚ ਖੁੱਲ੍ਹਦਾ ਹੈ): ਪੇਸ਼ਾਵਰ ਖੇਤਰਾਂ ਵਿੱਚ ਲੰਬੀ ਮਿਆਦ ਵਾਲੇ ਏਜੰਟਿਕ ਕਾਰਜ-ਪ੍ਰਵਾਹ।
GPT‑5.6 ਨੂੰ ਹੁਣ ਤੱਕ ਦੇ ਸਾਡੇ ਸਭ ਤੋਂ ਮਜ਼ਬੂਤ ਸੁਰੱਖਿਆ ਉਪਾਵਾਂ ਨਾਲ ਲਾਂਚ ਕੀਤਾ ਜਾ ਰਿਹਾ ਹੈ, ਜਿਨ੍ਹਾਂ ਨੂੰ ਜਾਇਜ਼ ਕੰਮ ਨੂੰ ਵਿਆਪਕ ਤੌਰ ’ਤੇ ਸੀਮਿਤ ਕੀਤੇ ਬਿਨ੍ਹਾਂ ਦ੍ਰਿੜ ਅਤੇ ਅਨੁਕੂਲਨਸ਼ੀਲ ਦੁਰਵਰਤੋਂ ਦਾ ਮਜ਼ਬੂਤੀ ਨਾਲ ਮੁਕਾਬਲਾ ਕਰਨ ਲਈ ਡਿਜ਼ਾਈਨ ਕੀਤਾ ਗਿਆ ਹੈ। ਆਮ ਉਪਲਬਧਤਾ ਤੋਂ ਪਹਿਲਾਂ, ਅਸੀਂ ਮਾਡਲਾਂ ਅਤੇ ਸੁਰੱਖਿਆ ਉਪਾਵਾਂ ਨੂੰ ਹੁਣ ਤੱਕ ਦੀ ਆਪਣੀ ਸਭ ਤੋਂ ਵਿਸ਼ਾਲ ਮੁਲਾਂਕਣ ਮਿਆਦ ਵਿੱਚੋਂ ਲੰਘਾਇਆ, ਜਿਸ ਵਿੱਚ ਮਨੁੱਖੀ ਰੈਡ ਟੀਮਿੰਗ ਨੂੰ ਵੱਡੇ ਪੱਧਰ ਦੀ ਆਟੋਮੇਟਡ ਟੈਸਟਿੰਗ ਨਾਲ ਜੋੜਿਆ ਗਿਆ। ਪ੍ਰੀਵਿਊ ਦੌਰਾਨ, ਅਸੀਂ ਵਿਆਪਕ ਲਾਂਚ ਤੋਂ ਪਹਿਲਾਂ ਸੁਰੱਖਿਆ ਪ੍ਰਣਾਲੀਆਂ ਦੀ ਸਖ਼ਤ ਜਾਂਚ ਕਰਨ ਅਤੇ ਸੁਰੱਖਿਆ ਉਪਾਵਾਂ ਨੂੰ ਮਜ਼ਬੂਤ ਕਰਨ ਲਈ ਮਾਹਰ ਸੰਸਥਾਵਾਂ ਅਤੇ ਭਰੋਸੇਯੋਗ ਭਾਗੀਦਾਰਾਂ ਨਾਲ ਮਿਲ ਕੇ ਕੰਮ ਕੀਤਾ। ਇਸ ਤਰ੍ਹਾਂ ਬਣਿਆ ਸਿਸਟਮ ਮਾਡਲ ਵਿੱਚ ਸਿਖਲਾਈ ਰਾਹੀਂ ਸ਼ਾਮਲ ਕੀਤੀਆਂ ਸੁਰੱਖਿਆਵਾਂ ਨੂੰ ਰੀਅਲ-ਟਾਈਮ ਜਾਂਚਾਂ, ਨਿਗਰਾਨੀ, ਅਤੇ ਭਰੋਸੇ ਤੇ ਜੋਖਮ ਦੇ ਅਨੁਸਾਰ ਕੈਲੀਬਰੇਟ ਕੀਤੀ ਪਹੁੰਚ ਨਾਲ ਪਰਤਾਂ ਵਜੋਂ ਜੋੜਦਾ ਹੈ।
GPT‑5.6 Sol ਸਾਡਾ ਹੁਣ ਤੱਕ ਦਾ ਸਭ ਤੋਂ ਵਧੀਆ ਕੋਡਿੰਗ ਮਾਡਲ ਹੈ। Artificial Analysis Coding Agent Index, 'ਤੇ GPT‑5.6 Sol max ਰੀਜ਼ਨਿੰਗ ਨਾਲ 80 'ਤੇ ਨਵਾਂ ਸਰਵੋਤਮ ਮਾਪਦੰਡ ਕਾਇਮ ਕਰਦਾ ਹੈ, ਜੋ Fable 5 ਤੋਂ 2.8 ਪੌਇੰਟ ਵੱਧ ਹੈ, ਜਦਕਿ ਅੱਧੇ ਤੋਂ ਵੀ ਘੱਟ ਆਉਟਪੁੱਟ ਟੋਕਨ ਵਰਤਦਾ ਹੈ, ਅੱਧੇ ਤੋਂ ਵੀ ਘੱਟ ਸਮਾਂ ਲੈਂਦਾ ਹੈ, ਅਤੇ ਲਾਗਤ ਲਗਭਗ ਇੱਕ-ਤਿਹਾਈ ਘੱਟ ਹੁੰਦੀ ਹੈ। ਇਹ ਲਾਭ ਪੂਰੇ ਪਰਿਵਾਰ ਵਿੱਚ ਦੇਖਿਆ ਜਾ ਸਕਦਾ ਹੈ: Terra, Fable 5 ਨਾਲੋਂ ਥੋੜ੍ਹਾ ਉੱਪਰ ਪ੍ਰਦਰਸ਼ਨ ਕਰਦਾ ਹੈ, ਜਦਕਿ Luna, Opus 4.8 ਨਾਲੋਂ ਬਿਹਤਰ ਪ੍ਰਦਰਸ਼ਨ ਕਰਦਾ ਹੈ; ਹਰੇਕ ਇਹ ਤਕਰੀਬਨ ਇਕ-ਤਿਹਾਈ ਸਮੇਂ ਵਿੱਚ, ਲਗਭਗ ਅੱਧੇ ਆਉਟਪੁੱਟ ਟੋਕਨ ਨਾਲ, ਅਤੇ ਅਨੁਮਾਨਿਤ ਲਾਗਤ ਦੇ ਤਕਰੀਬਨ ਇਕ-ਚੌਥਾਈ ਹਿੱਸੇ 'ਤੇ ਕਰਦਾ ਹੈ। ਇਹ Terminal‑Bench 2.1 ਅਤੇ DeepSWE ’ਤੇ ਨਵੇਂ ਅਤਿ-ਆਧੁਨਿਕ ਨਤੀਜੇ ਵੀ ਸਥਾਪਤ ਕਰਦਾ ਹੈ, ਜੋ ਅਸਲ ਕੋਡਬੇਸਾਂ ਵਿੱਚ ਜਟਿਲ ਕਮਾਂਡ-ਲਾਈਨ ਵਰਕਫ਼ਲੋਜ਼ ਅਤੇ ਲੰਬੀ-ਅਵਧੀ ਵਾਲੀ ਇੰਜੀਨੀਅਰਿੰਗ ਦੀ ਜਾਂਚ ਕਰਦੇ ਹਨ।
ਆਰਟੀਫ਼ਿਸ਼ੀਅਲ ਐਨਾਲਿਸਿਸ ਕੋਡਿੰਗ ਏਜੰਟ ਇੰਡੈਕਸ: ਅਮਲੀਕਰਨ, ਟਰਮੀਨਲ ਦੀ ਵਰਤੋਂ ਅਤੇ ਅਸਲੀ ਕੋਡਬੇਸਾਂ ਵਿੱਚ ਕੋਡਿੰਗ ਏਜੰਟਾਂ ਦੇ ਪ੍ਰਦਰਸ਼ਨ ਦਾ ਇੱਕ ਸੁਤੰਤਰ ਇੰਡੈਕਸ।
GPT‑5.6 ਹਲਕੇ ਪ੍ਰੋਗਰਾਮ ਲਿਖ ਅਤੇ ਚਲਾ ਸਕਦਾ ਹੈ ਜੋ ਟੂਲਾਂ ਦਾ ਤਾਲਮੇਲ ਕਰਦੇ ਹਨ, ਵਿਚਕਾਰਲੇ ਨਤੀਜਿਆਂ ਨੂੰ ਪ੍ਰੋਸੈਸ ਕਰਦੇ ਹਨ, ਪ੍ਰਗਤੀ ਦੀ ਨਿਗਰਾਨੀ ਕਰਦੇ ਹਨ, ਅਤੇ ਜਿਵੇਂ-ਜਿਵੇਂ ਕੰਮ ਅੱਗੇ ਵਧਦਾ ਹੈ, ਅਗਲੇ ਐਕਸ਼ਨ ਨੂੰ ਚੁਣਦੇ ਹਨ। ਇਸ ਨਾਲ ਟੂਲ-ਹੈਵੀ ਟਾਸਕ ਘੱਟ ਟੋਕਨਾਂ, ਮਾਡਲ ਦੇ ਘੱਟ ਰਾਊਂਡ ਟ੍ਰਿਪਾਂ ਅਤੇ ਘੱਟ ਮਾਰਗਦਰਸ਼ਨ ਨਾਲ ਅੱਗੇ ਵੱਧ ਸਕਦੇ ਹਨ। ਡਿਵੈਲਪਰਾਂ ਤੋਂ ਹਰ ਕਦਮ ਲਈ ਸਕ੍ਰਿਪਟ ਲਿਖਵਾਉਣ ਜਾਂ ਹਰ ਟੂਲ ਜਵਾਬ ਨੂੰ ਮਾਡਲ ਰਾਹੀਂ ਵਾਪਸ ਪਾਸ ਕਰਨ ਦੀ ਬਜਾਏ, Responses API ਵਿੱਚ ਪ੍ਰੋਗਰਾਮੇਟਿਕ ਟੂਲ ਕਾਲਿੰਗ(ਨਵੀਂ ਵਿੰਡੋ ਵਿੱਚ ਖੁੱਲ੍ਹਦਾ ਹੈ) ਦਰਮਿਆਨੀ ਡਾਟਾ ਦੀ ਵੱਡੀ ਮਾਤਰਾ ਨੂੰ ਫਿਲਟਰ ਕਰ ਸਕਦੀ ਹੈ, ਸਿਰਫ਼ ਉਹੀ ਰੱਖ ਸਕਦੀ ਹੈ ਜੋ ਮਹੱਤਵਪੂਰਨ ਹੈ, ਅਤੇ ਰਾਹ ਵਿੱਚ ਆਪਦੇ ਵਰਕਫ਼ਲੋ ਨੂੰ ਅਨੁਕੂਲਿਤ ਕਰ ਸਕਦੀ ਹੈ।
ਉਹਨਾਂ ਸਮੱਸਿਆਵਾਂ ਲਈ, ਜਿੱਥੇ ਸਮੇਂ ਅਤੇ ਕੰਪਿਊਟ ਸਰੋਤਾਂ ਵਿੱਚ ਵੱਧ ਨਿਵੇਸ਼ ਨਾਲ ਬਿਹਤਰ ਨਤੀਜੇ ਮਿਲਦੇ ਹਨ, GPT‑5.6 ਇਸ ਕੁਸ਼ਲ ਡਿਫਾਲਟ ਤੋਂ ਅੱਗੇ ਵੱਧ ਸਕਦਾ ਹੈ। max GPT‑5.6 ਨੂੰ xhigh ਨਾਲੋਂ ਵੀ ਵੱਧ ਸਮਾਂ ਦਿੰਦਾ ਹੈ ਤਾਂ ਜੋ ਇਹ ਤਰਕ ਕਰ ਸਕੇ, ਵਿਕਲਪਾਂ ਦੀ ਪੜਚੋਲ ਕਰ ਸਕੇ, ਜਾਂਚਾਂ ਚਲਾ ਸਕੇ, ਅਤੇ ਆਪਣੀ ਪਹੁੰਚ ਵਿੱਚ ਸੋਧ ਕਰ ਸਕੇ। ਡਿਫੌਲਟ ਤੌਰ 'ਤੇ ਚਾਰ ਏਜੰਟਾਂ ਨੂੰ ਸਮਾਂਤਰ ਤਰੀਕੇ ਨਾਲ ਤਾਲਮੇਲ ਕਰਕੇ ਹੋਰ ਅੱਗੇ ਜਾਂਦਾ ਹੈ, ਜੋ ਚੁਣੌਤੀਪੂਰਨ ਕੰਮਾਂ 'ਤੇ ਮਜ਼ਬੂਤ ਨਤੀਜਿਆਂ ਅਤੇ ਤੇਜ਼ ਨਤੀਜਾ-ਪ੍ਰਾਪਤੀ ਸਮੇਂ ਲਈ ਹਾਈ ਟੋਕਨ ਵਰਤੋਂ ਦੇ ਬਦਲੇ ਵਿੱਚ ਕੰਮ ਕਰਦਾ ਹੈ। ਹੇਠਾਂ ਦਿੱਤੇ ਚਾਰਟ BrowseComp, SEC-Bench Pro, ਅਤੇ Terminal-Bench 2.1 ਵਿੱਚ ultra ਦੇ ਡਿਫ਼ਾਲਟ ਚਾਰ-ਏਜੰਟ ਸੈਟਅੱਪ ਦੀ ਤੁਲਨਾ ਇੱਕ-ਏਜੰਟ ਬੇਸਲਾਈਨ ਨਾਲ ਕਰਦੇ ਹਨ; BrowseComp ਅਤੇ SEC-Bench Pro ਵਿੱਚ 16-ਏਜੰਟ ਕਨਫਿਗਰੇਸ਼ਨਾਂ ਵੀ ਵਿਖਾਈਆਂ ਗਈਆਂ ਹਨ। ਤਿੰਨਾਂ ਮੁਲਾਂਕਣਾਂ ਵਿੱਚ, ਸਮਾਂਤਰ ਏਜੰਟ ਜੋੜਨ ਨਾਲ ਸਕੋਰ-ਦੇਰੀ ਦੀ ਅਤਿ-ਆਧੁਨਿਕ ਸੀਮਾ ਉੱਪਰ ਅਤੇ ਖੱਬੇ ਵੱਲ ਖਿਸਕਦੀ ਹੈ, ਜਿਸ ਨਾਲ ਘੱਟ ਸਮੇਂ ਵਿੱਚ ਹੋਰ ਮਜ਼ਬੂਤ ਨਤੀਜੇ ਮਿਲਦੇ ਹਨ। API ਵਿੱਚ, ਡਿਵੈਲਪਰ Responses API ਵਿੱਚ ਬਹੁ-ਏਜੰਟ ਬੀਟਾ ਦੀ ਵਰਤੋਂ ਕਰਕੇ ultra ਵਰਗੇ ਅਨੁਭਵ ਤਿਆਰ ਕਰ ਸਕਦੇ ਹਨ।
GPT‑5.6 ਡਿਜ਼ਾਈਨ ਸੰਬੰਧੀ ਸੂਝਵਾਨਤਾ ਵਿੱਚ ਇੱਕ ਵੱਡੀ ਛਾਲ ਲਿਆਉਂਦਾ ਹੈ। ਕੇਵਲ ਹਾਈ-ਲੇਵਲ ਦੀ ਦਿਸ਼ਾ-ਨਿਰਦੇਸ਼ ਨਾਲ, GPT‑5.6 ਸੁਚੱਜੇ, ਐਰਗੋਨੋਮਿਕ ਅਤੇ ਕਾਰਗਰ ਇੰਟਰਫੇਸ ਬਣਾਉਂਦਾ ਹੈ। ਇਸ ਦੀਆਂ ਕੰਪਿਊਟਰ ਦੀ ਵਰਤੋਂ ਕਰਨ ਦੀਆਂ ਹੋਰ ਮਜ਼ਬੂਤ ਸਮਰੱਥਾਵਾਂ ਇਸਨੂੰ ਰੈਂਡਰ ਕੀਤੇ ਨਤੀਜੇ ਦੀ ਜਾਂਚ ਅਤੇ ਸੁਧਾਰ ਕਰਨ ਦਿੰਦੀਆਂ ਹਨ—ਸਿਰਫ਼ ਬੁਨਿਆਦੀ ਕੋਡ ਜਾਂ ਸਮੱਗਰੀ ਬਣਾਉਣ ਤੱਕ ਹੀ ਸੀਮਿਤ ਨਹੀਂ—ਤਾਂ ਜੋ ਇਹ ਕੰਮ ਵਾਪਸ ਸੌਂਪਣ ਤੋਂ ਪਹਿਲਾਂ ਦ੍ਰਿਸ਼ਟੀਗਤ ਅਤੇ ਕਾਰਜਾਤਮਕ ਸਮੱਸਿਆਵਾਂ ਨੂੰ ਪਛਾਣ ਸਕੇ ਅਤੇ ਅੰਤਿਮ ਸੁਧਾਰ ਲਾਗੂ ਕਰ ਸਕੇ।
ਪ੍ਰੌੰਪਟ: ਕੀ ਤੁਸੀਂ ਮੇਰੇ ਲਈ ਇੱਕ 3D ਸੇਲਿੰਗ ਗੇਮ ਬਣਾ ਸਕਦੇ ਹੋ? ਅਜਿਹੀ ਕਿਸੇ ਵੀ ਚੀਜ਼ ਲਈ ਜਿਸਨੂੰ ਬਿਟਮੈਪ/ਟੈਕਸਚਰ/ਸਪ੍ਰਾਈਟਸ ਦੀ ਲੋੜ ਹੈ (ਜਾਂ ਜੇਕਰ ਇਹ ਤੁਹਾਡੇ ਦੁਆਰਾ ਬਣਾਏ ਗਏ ਕਿਸੇ ਵੀ 3D ਮਾਡਲ ਲਈ ਮੌਕਅੱਪ ਰੈਫਰੈਂਸ ਵਜੋਂ ਮਦਦਗਾਰ ਹੈ) ਤਾਂ ਇਮੇਜ ਜਨਰੇਸ਼ਨ ਦੀ ਵਰਤੋਂ ਕਰਨ ਲਈ ਸੁਤੰਤਰ ਮਹਿਸੂਸ ਕਰੋ।
GPT‑5.6 ਦੀਆਂ ਫਰੰਟਐਂਡ ਸਮਰੱਥਾਵਾਂ ChatGPT ਕੰਮ ਦੇ ਅੰਦਰ ਕੁਦਰਤੀ-ਭਾਸ਼ਾ ਬੇਨਤੀਆਂ ਨੂੰ ਸੁਚੱਜੀਆਂ, ਸੰਚਾਰਾਤਮਕ ਵਿਆਖਿਆਵਾਂ ਅਤੇ ਵਿਜ਼ੁਅਲਾਈਜ਼ੇਸ਼ਨਾਂ ਵਿੱਚ ਵੀ ਤਬਦੀਲ ਕਰਦੀਆਂ ਹਨ।
ਪ੍ਰੌਂਪਟ: ਇਹ ਕਿਵੇਂ ਕੰਮ ਕਰਦਾ ਹੈ, ਇਹ ਸਮਝਾਉਣ ਲਈ ਇੱਕ ਇੰਟਰਐਕਟਿਵ ਸਪਾਇਰੋਗ੍ਰਾਫ ਬਣਾਓ।
GPT‑5.6 ਪੇਸ਼ੇਵਰ ਕੰਮਾਂ ਲਈ ਬਿਹਤਰ ਨਤੀਜੇ ਪ੍ਰਦਾਨ ਕਰਦਾ ਹੈ। ਇਹ ਤੁਹਾਡੇ ਦਸਤਾਵੇਜ਼ਾਂ ਅਤੇ ਰੋਜ਼ਾਨਾ ਵਰਕਫਲੋ ਜਿਵੇਂ ਕਿ Slack, Notion, Microsoft 365, ਅਤੇ Google Drive ਤੋਂ ਉਲਝੇ ਹੋਏ ਡੈਟਾ ਨੂੰ ਲੈਂਦਾ ਹੈ, ਅਤੇ ਇਸਨੂੰ ਮਾਹਰ-ਪੱਧਰ ਦੇ, ਸਾਂਝੇ ਕਰਨ ਯੋਗ ਦਸਤਾਵੇਜ਼ਾਂ ਵਿੱਚ ਬਦਲ ਦਿੰਦਾ ਹੈ।
GPT‑5.6 ਦੀ ਗਿਆਨ-ਆਧਾਰਿਤ ਕੰਮ ਵਿੱਚ ਸਮਰੱਥਾ ਲੰਬੇ ਸਮੇਂ ਵਾਲੇ ਪੇਸ਼ੇਵਰ ਵਿਸ਼ਲੇਸ਼ਣ, ਬ੍ਰਾਊਜ਼ਿੰਗ, ਟੂਲ ਵਰਤੋਂ ਅਤੇ ਕੰਪਿਊਟਰ ਵਰਤੋਂ ਨੂੰ ਕਵਰ ਕਰਨ ਵਾਲੇ ਮੁਲਾਂਕਣਾਂ ਵਿੱਚ ਸਾਫ਼ ਵਿਖਾਈ ਦਿੰਦੀ ਹੈ। GPT‑5.6 Sol BrowseComp 'ਤੇ 92.2% ਅਤੇ OSWorld 2.0 'ਤੇ 62.6% ਨਾਲ ਨਵੇਂ ਅਤਿ-ਆਧੁਨਿਕ ਨਤੀਜੇ ਸਥਾਪਤ ਕਰਦਾ ਹੈ; OSWorld 'ਤੇ, ਇਹ 85% ਘੱਟ ਆਉਟਪੁੱਟ ਟੋਕਨ ਵਰਤਦਿਆਂ Opus 4.8 ਤੋਂ ਅੱਗੇ ਨਿਕਲ ਜਾਂਦਾ ਹੈ। ਇੱਥੇ, ਪ੍ਰਤੀ ਡਾਲਰ ਪ੍ਰਦਰਸ਼ਨ ਵਿੱਚ ਸੁਧਾਰ GPT‑5.6 ਪਰਿਵਾਰ ਵਿੱਚ ਫੈਲਿਆ ਹੋਇਆ ਹੈ। Luna, ਅਨੁਮਾਨਿਤ API ਲਾਗਤ ਦੇ ਅੱਧੇ ਤੋਂ ਵੀ ਬਹੁਤ ਘੱਟ ਖਰਚੇ 'ਤੇ GPT‑5.5 ਅਨੁਮਾਨਿਤ ਲਾਗਤ ਦੇ ਅੱਧ ਤੋਂ ਵੀ ਘੱਟ 'ਤੇ ਸਿਖਰ ਪ੍ਰਦਰਸ਼ਨ, ਜਦੋਂ ਕਿ Terra ਇਸ ਤੋਂ ਵੀ ਘੱਟ ਲਾਗਤ 'ਤੇ ਇਸ ਨੂੰ ਪਛਾੜ ਦਿੰਦਾ ਹੈ।
BrowseComp: GPT‑5.6 Sol BrowseComp 'ਤੇ ਏਜੰਟਿਕ ਬ੍ਰਾਊਜ਼ਿੰਗ ਟਾਸਕਾਂ ਵਾਲੇ ਨਵੇਂ ਸਰਵੋਤਮ ਪ੍ਰਦਰਸ਼ਨ ਨੂੰ ਹਾਸਲ ਕਰਦਾ ਹੈ।
GPT‑5.6 Sol ਪੇਸ਼ਕਾਰੀਆਂ, ਦਸਤਾਵੇਜ਼ਾਂ ਅਤੇ ਸਪ੍ਰੈਡਸ਼ੀਟਾਂ ਵਿੱਚ ਗੁਣਵੱਤਾ ਵਿੱਚ ਸੁਧਾਰ ਕਰਦਾ ਹੈ, ਅਜਿਹੇ ਆਉਟਪੁੱਟ ਤਿਆਰ ਕਰਦਾ ਹੈ ਜੋ ਹੋਰ ਸੁਧਰੇ ਹੋਏ ਅਤੇ ਸਟੀਕ ਹੁੰਦੇ ਹਨ। ਇਹ ਬਿਲਕੁਲ ਸ਼ੁਰੂਆਤ ਤੋਂ ਪੂਰੀ ਤਰ੍ਹਾਂ ਐਡਿਟ ਹੋਣ ਯੋਗ ਪ੍ਰੈਜ਼ੈਂਟੇਸ਼ਨਾਂ ਬਣਾ ਸਕਦਾ ਹੈ ਅਤੇ ਕਿਸੇ ਪ੍ਰੌੰਪਟ ਅਤੇ ਸਰੋਤ ਸਮੱਗਰੀ ਨੂੰ ਬਿਹਤਰੀਨ ਲੇਆਉਟ, ਹਾਇਰਾਰਕੀ ਅਤੇ ਡਿਜ਼ਾਈਨ ਦੇ ਨਾਲ ਇੱਕ ਸੁਸੰਗਤ ਵਿਜ਼ੂਅਲ ਕਹਾਣੀ ਵਿੱਚ ਬਦਲ ਸਕਦਾ ਹੈ।
ਇਹ ਸੁਧਾਰ ਖਾਸ ਤੌਰ 'ਤੇ ਉਦੋਂ ਸਪੱਸ਼ਟ ਹੁੰਦਾ ਹੈ ਜਦੋਂ ਟੈਂਪਲੇਟਾਂ ਅਤੇ ਸੰਦਰਭ ਡੈੱਕਾਂ ਦੀ ਪਾਲਣਾ ਕੀਤੀ ਜਾਂਦੀ ਹੈ।GPT‑5.6 ਕਿਸੇ ਪ੍ਰੈਜ਼ੈਂਟੇਸ਼ਨ ਡੈੱਕ ਦੇ ਡਿਜ਼ਾਈਨ ਸਿਸਟਮ—ਲੇਆਊਟ, ਟਾਈਪੋਗ੍ਰਾਫੀ, ਸਪੇਸਿੰਗ, ਰੰਗਾਂ ਅਤੇ ਦੁਹਰਾਏ ਜਾਣ ਵਾਲੇ ਸਮੱਗਰੀ ਪੈਟਰਨਾਂ, ਜਿਸ ਵਿੱਚ ਸਲਾਈਡ ਮਾਸਟਰ ਵਿੱਚ ਸ਼ਾਮਲ ਨਿਯਮ ਵੀ ਸ਼ਾਮਲ ਹਨ—ਦਾ ਅਨੁਮਾਨ ਲਗਾ ਸਕਦਾ ਹੈ ਅਤੇ ਉਹਨਾਂ ਰਵਾਇਤਾਂ ਨੂੰ ਨਵੀਂ ਸਮੱਗਰੀ ’ਤੇ ਲਗਾਤਾਰ ਲਾਗੂ ਕਰ ਸਕਦਾ ਹੈ। ਇਸ ਉਦਾਹਰਨ ਵਿੱਚ, ਜਦੋਂ ਰੈਫਰੈਂਸ ਫਾਈਲ ਦੇ ਆਧਾਰ ’ਤੇ ਨੰਬਰ ਅੱਪਡੇਟ ਕਰਨ ਲਈ ਕਿਹਾ ਜਾਂਦਾ ਹੈ, ਤਾਂ GPT‑5.5 ਦੇ ਨਤੀਜੇ ਵਿੱਚ ਮਾਸਟਰ ਸਲਾਈਡ ਦੇ ਅਹਿਮ ਹਿੱਸੇ ਗਾਇਬ ਹਨ, ਜਦਕਿ GPT‑5.6 ਰੈਫਰੈਂਸ ਢਾਂਚੇ ਦੀ ਵਧੇਰੇ ਸਟੀਕਤਾ ਨਾਲ ਪਾਲਣਾ ਕਰਦਾ ਹੈ।
ਰੈਫ਼ਰੈਂਸ ਫ਼ਾਈਲ

GPT‑5.5 ਆਉਟਪੁੱਟ

GPT‑5.5 ਵਿੱਚ ਮਾਸਟਰ ਸਲਾਈਡ ਦੇ ਅਹਿਮ ਹਿੱਸੇ ਗਾਇਬ ਹਨ
GPT‑5.6 ਆਉਟਪੁੱਟ

GPT‑5.6 ਵਧੇਰੇ ਆਕਰਸ਼ਕ ਅਤੇ ਵਧੀਆ ਦਸਤਾਵੇਜ਼ ਅਤੇ ਸਪ੍ਰੈਡਸ਼ੀਟਾਂ ਵੀ ਬਣਾਉਂਦਾ ਹੈ। ਇਹ ਗੁੰਝਲਦਾਰ ਰੈਫਰੈਂਸ ਫਾਰਮੈਟਾਂ ਦੀ ਵਧੇਰੇ ਸਟੀਕਤਾ ਨਾਲ ਪਾਲਣਾ ਕਰਦਾ ਹੈ, ਜੋ ਕਿ ਵਾਰ-ਵਾਰ ਕੀਤੇ ਜਾਣ ਵਾਲੇ ਗਿਆਨ-ਆਧਾਰਿਤ ਕੰਮਾਂ ਲਈ ਬਹੁਤ ਜ਼ਰੂਰੀ ਹੈ। ਇਹ ਸਮੀਕਰਨਾਂ ਅਤੇ ਵਿੱਤੀ ਮਾਡਲਾਂ ਨੂੰ ਬਹੁਤ ਸਟੀਕਤਾ ਨਾਲ ਸੰਭਾਲਦਾ ਹੈ, ਅਤੇ ਟਾਈਪੋਗ੍ਰਾਫੀ, ਸਪੇਸਿੰਗ, ਹਾਇਰਾਰਕੀ, ਅਤੇ ਪੇਜ ਜਾਂ ਵਰਕਸ਼ੀਟ ਲੇਆਉਟ ਦੀ ਬਹੁਤ ਵਧੀਆ ਵਰਤੋਂ ਕਰਦਾ ਹੈ।
GPT‑5.6 ਦੀ ਜਾਂਚ ਕਰ ਰਹੇ ਸ਼ੁਰੂਆਤੀ ਗਾਹਕਾਂ ਨੇ ਵੱਖ-ਵੱਖ ਖੇਤਰਾਂ ਵਿੱਚ ਗਿਆਨ-ਅਧਾਰਿਤ ਕੰਮ ਦੇ ਨਤੀਜਿਆਂ ਵਿੱਚ ਸੁਧਾਰ ਦੇਖੇ।
GPT‑5.6 ਸਾਡਾ ਹੁਣ ਤੱਕ ਦਾ ਸਭ ਤੋਂ ਮਜ਼ਬੂਤ ਸਾਈਬਰ ਸੁਰੱਖਿਆ ਮਾਡਲ ਹੈ, ਜੋ ਕਾਫ਼ੀ ਘੱਟ ਟੋਕਨਾਂ ਨਾਲ ਅਤਿ-ਆਧੁਨਿਕ ਪ੍ਰਦਰਸ਼ਨ ਕਰਦਾ ਹੈ। ExploitBench2, 'ਤੇ, ਜੋ ਕਮਜ਼ੋਰ ਕੋਡ ਤੱਕ ਪਹੁੰਚਣ ਤੋਂ ਲੈ ਕੇ ਮਨਮਾਨੇ ਕੋਡ ਦੇ ਐਗਜ਼ੀਕਿਊਸ਼ਨ ਤੱਕ ਦੀ ਪ੍ਰਗਤੀ ਨੂੰ ਮਾਪਦਾ ਹੈ, ਇਹ GPT‑5.5 ਦੇ ਮੁਕਾਬਲੇ 73.5% ਸਕੋਰ ਕਰਦਾ ਹੈ ਤੁਲਨਾਤਮਕ ਆਉਟਪੁੱਟ-ਟੋਕਨ ਬਜਟ 'ਤੇ 47.9%। ExploitGym3, ਜੋ ਏਜੰਟਾਂ ਨੂੰ ਅਸਲ-ਦੁਨੀਆ ਦੀਆਂ ਕਮਜ਼ੋਰੀਆਂ ਨੂੰ ਕਾਰਜਸ਼ੀਲ ਐਕਸਪਲੋਇਟਾਂ ਵਿੱਚ ਬਦਲਣ ਲਈ ਕਹਿੰਦਾ ਹੈ, ਇਹ GPT‑5.5 ਦੇ ਦੋ-ਘੰਟੇ ਦੀ ਸੀਮਾ ਦੇ ਅਧੀਨ ਸਭ ਤੋਂ ਉੱਚੀ ਪਾਸ ਦਰ, 15.1% ਤੋਂ 24.9% ਤੱਕ; ਛੇ ਘੰਟਿਆਂ ਨਾਲ, ਇਹ 33.7% ਤੱਕ ਪਹੁੰਚ ਜਾਂਦੀ ਹੈ। SEC-Bench Pro 'ਤੇ, ਜੋ ਗੁੰਝਲਦਾਰ ਸੌਫਟਵੇਅਰ 'ਤੇ ਪ੍ਰੂਫ਼-ਆਫ਼-ਕਾਂਸੈਪਟ ਜਨਰੇਸ਼ਨ ਦੀ ਜਾਂਚ ਕਰਦਾ ਹੈ, ਇਹ GPT‑5.5 ਦੇ ਮੁਕਾਬਲੇ 71.2% ਸਕੋਰ ਕਰਦਾ ਹੈ ਸੁਧਰੀ ਹੋਈ ਦੇਰੀ 'ਤੇ 45.8%।
GPT‑5.6 ਮਹੱਤਵਪੂਰਨ ਰੱਖਿਆਤਮਕ ਕਾਰਜਾਂ ਦਾ ਸਮਰਥਨ ਕਰਦਾ ਹੈ, ਜਿਵੇਂ ਕਿ ਸੁਰੱਖਿਅਤ ਕੋਡ ਸਮੀਖਿਆ, ਪੈਚਿੰਗ, ਖ਼ਤਰਾ ਮਾਡਲਿੰਗ, ਅਤੇ ਬਲੂ ਟੀਮਿੰਗ। OpenAI Daybreak’s Trusted Access for Cyber ਪ੍ਰੋਗਰਾਮ ਵਿੱਚ ਯੋਗ ਵਿਅਕਤੀ ਅਤੇ ਸੰਸਥਾਵਾਂ ਅਧਿਕ੍ਰਿਤ ਵਾਤਾਵਰਨਾਂ ਵਿੱਚ ਪ੍ਰਮਾਣਿਤ ਕੰਮ ਲਈ ਹੋਰ ਸਟੀਕ ਸੁਰੱਖਿਆ ਉਪਾਵਾਂ ਰਾਹੀਂ ਇਸ ਦੀ ਹੋਰ ਰੱਖਿਆਤਮਕ ਸਮਰੱਥਾ ਤੱਕ ਪਹੁੰਚ ਕਰ ਸਕਦੇ ਹਨ, ਜਿਸ ਵਿੱਚ ਕਮਜ਼ੋਰੀਆਂ ਟ੍ਰਾਇਏਜ ਅਤੇ ਪ੍ਰਮਾਣਿਕਤਾ, ਮਾਲਵੇਅਰ ਵਿਸ਼ਲੇਸ਼ਣ, ਡਿਟੈਕਸ਼ਨ ਇੰਜੀਨੀਅਰਿੰਗ, ਅਤੇ ਪੈਚ ਪ੍ਰਮਾਣਿਕਤਾ ਸ਼ਾਮਲ ਹਨ।
ਵਿਅਕਤੀ ਆਪਣੀ ਪਛਾਣ ਦੀ ਤਸਦੀਕ ਕਰ ਸਕਦੇ ਹਨ ਅਤੇ ਭਰੋਸੇਯੋਗ ਪਹੁੰਚ ਲਈ ਬੇਨਤੀ ਕਰ ਸਕਦੇ ਹਨ(ਨਵੀਂ ਵਿੰਡੋ ਵਿੱਚ ਖੁੱਲ੍ਹਦਾ ਹੈ), ਅਤੇ ਸੰਸਥਾਵਾਂ ਆਪਣੀਆਂ ਟੀਮਾਂ ਲਈ ਅਰਜ਼ੀ ਦੇ ਸਕਦੀਆਂ ਹਨ। ਵਿਅਕਤੀਗਤ ਮੈਂਬਰਾਂ ਨੂੰ ਸਾਡੇ ਸਭ ਤੋਂ ਵੱਧ ਸਾਈਬਰ-ਸਮਰੱਥ ਅਤਿ-ਆਧੁਨਿਕ ਮਾਡਲਾਂ ਤੱਕ ਪਹੁੰਚ ਬਰਕਰਾਰ ਰੱਖਣ ਲਈ 1 ਸਤੰਬਰ ਤੱਕ ਹਾਰਡਵੇਅਰ-ਸਮਰਥਿਤ ਪਾਸਕੀਜ਼ ਦੇ ਨਾਲ ਉੱਨਤ ਖਾਤਾ ਸੁਰੱਖਿਆ(ਨਵੀਂ ਵਿੰਡੋ ਵਿੱਚ ਖੁੱਲ੍ਹਦਾ ਹੈ) ਨੂੰ ਚਾਲੂ ਕਰਨਾ ਪਵੇਗਾ; ਜਿਹੜੇ ਅਜਿਹਾ ਨਹੀਂ ਕਰਨਗੇ, ਉਹਨਾਂ ਦੀ ਪਹੁੰਚ ਮੁੜ ਤੋਂ ਡਿਫੌਲਟ ਪਹੁੰਚ 'ਤੇ ਆ ਜਾਵੇਗੀ। ਜਿਨ੍ਹਾਂ ਵਰਤੋਂਕਾਰਾਂ ਕੋਲ ਪਹਿਲਾਂ ਹੀ ਹਾਰਡਵੇਅਰ-ਸਮਰਥਿਤ ਪਾਸਕੀਜ਼ ਨਹੀਂ ਹਨ, ਉਹ ਸਾਡੇ ਭਾਗੀਦਾਰ Yubico ਤੋਂ ਪਸੰਦੀਦਾ ਕੀਮਤ(ਨਵੀਂ ਵਿੰਡੋ ਵਿੱਚ ਖੁੱਲ੍ਹਦਾ ਹੈ) ਪ੍ਰਾਪਤ ਕਰ ਸਕਦੇ ਹਨ। ਅਸੀਂ ਹਾਈ-ਰਿਸਕ ਵਾਲੀਆਂ ਸੰਸਥਾਵਾਂ ਅਤੇ ਉੱਚ-ਜੋਖਮ ਵਾਲੇ ਅਧਿਕਾਰ ਖੇਤਰਾਂ ਵਿੱਚ ਪਹੁੰਚ ਨੂੰ ਸੀਮਤ ਕਰਨ ਲਈ ਵਾਧੂ ਕਦਮ ਵੀ ਚੁੱਕ ਰਹੇ ਹਾਂ।
ExploitBench: ਕ੍ਰਮਵਾਰ ਹੋਰ ਸਮਰੱਥ V8 ਐਕਸਪਲੋਇਟਸ ਬਣਾਉਣਾ; GPT‑5.6, GPT‑5.5 ਨਾਲੋਂ ਵੱਡਾ ਸੁਧਾਰ ਦਿਖਾਉਂਦਾ ਹੈ। ਲੇਟੈਂਸੀ ਚਾਰਟ ਨਹੀਂ ਦਿਖਾਇਆ ਗਿਆ ਹੈ ਕਿਉਂਕਿ ਇਸ ਬੈਂਚਮਾਰਕ ਲਈ ਲੇਟੈਂਸੀ ਦਾ ਅੰਦਾਜ਼ਾ ਭਰੋਸੇਯੋਗ ਨਹੀਂ ਹੈ।
GPT‑5.6 Sol ਵਿਗਿਆਨਕ ਖੋਜ ਵਿੱਚ ਵੀ ਵਿਆਪਕ ਸੁਧਾਰ ਦਰਸਾਉਂਦਾ ਹੈ। ਜੀਵਨ ਵਿਗਿਆਨ ਮੁਲਾਂਕਣਾਂ ਵਿੱਚ, GPT‑5.6 ਅਸਲ-ਦੁਨੀਆ ਦੇ ਜੀਵ ਵਿਗਿਆਨ, ਜੀਵਨ ਵਿਗਿਆਨ ਖੋਜ ਕਾਰਜ-ਪ੍ਰਵਾਹਾਂ, ਅਤੇ ਰਸਾਇਣ ਵਿਗਿਆਨ ਵਿੱਚ GPT‑5.5 ਦੇ ਮੁਕਾਬਲੇ ਪਰੇਟੋ ਸੁਧਾਰ ਦਰਸਾਉਂਦਾ ਹੈ।
GeneBench Pro: ਲੰਬੇ ਸਮੇਂ ਦੇ ਜੀਨੋਮਿਕਸ ਅਤੇ ਮਾਤਰਾਤਮਕ-ਜੀਵ ਵਿਗਿਆਨ ਵਿਸ਼ਲੇਸ਼ਣ; GPT‑5.6 ਘੱਟ ਟੋਕਨਾਂ ਅਤੇ ਘੱਟ ਸਮੇਂ ਵਿੱਚ ਬਿਹਤਰ ਨਤੀਜੇ ਪ੍ਰਾਪਤ ਕਰਦਾ ਹੈ। Claude Fable 5 ਸ਼ਾਮਲ ਨਹੀਂ ਕੀਤਾ ਗਿਆ ਹੈ, ਕਿਉਂਕਿ ਇਹ ਉੱਚ-ਸਤ੍ਹਾ ਜੀਵ ਵਿਗਿਆਨ ਸਵਾਲਾਂ ਦਾ ਜਵਾਬ ਨਹੀਂ ਦਿੰਦਾ(ਨਵੀਂ ਵਿੰਡੋ ਵਿੱਚ ਖੁੱਲ੍ਹਦਾ ਹੈ) ਅਤੇ ਇਸ ਮੁਲਾਂਕਣ ਵਿੱਚ ਜ਼ਿਆਦਾਤਰ ਸਵਾਲਾਂ ਤੋਂ ਇਨਕਾਰ ਕਰ ਦਿੰਦਾ ਹੈ।
AI ਰਿਸਰਚ ਵਿੱਚ ਤੇਜ਼ੀ ਲਿਆਉਣ ਲਈ GPT‑5.6 ਸਾਡਾ ਹੁਣ ਤੱਕ ਦਾ ਸਭ ਤੋਂ ਸ਼ਕਤੀਸ਼ਾਲੀ ਮਾਡਲ ਹੈ। OpenAI ਦੇ ਅੰਦਰ, ਖੋਜਕਰਤਾ ਵਿਕਾਸ ਪ੍ਰਕਿਰਿਆ ਦੇ ਹਰ ਪੜਾਅ 'ਤੇ ਇਸਦੀ ਵਰਤੋਂ ਕਰਦੇ ਹਨ: ਅਸਫਲਤਾਵਾਂ ਦੀ ਪਛਾਣ ਕਰਨ, ਟ੍ਰੇਨਿੰਗ ਸਿਸਟਮਾਂ ਨੂੰ ਬਿਹਤਰ ਬਣਾਉਣ, ਤਜਰਬੇ ਕਰਨ, ਅਤੇ ਨਤੀਜਿਆਂ ਨੂੰ ਸਮਝਣ ਲਈ। ਅਸੀਂ GPT‑5.6 ਦੀ ਅੰਦਰੂਨੀ ਟੈਸਟਿੰਗ ਅਵਧੀ ਦੌਰਾਨ ਹੀ ਉਹ ਤੇਜ਼ੀ ਅਤੇ ਵਧੇਰੇ ਮਜ਼ਬੂਤ ਅਪਣਾਉਣ ਦੇਖ ਲਿਆ ਸੀ, ਕਿਉਂਕਿ ਪ੍ਰਤੀ ਸਰਗਰਮ ਖੋਜਕਰਤਾ ਰੋਜ਼ਾਨਾ ਔਸਤ ਆਉਟਪੁੱਟ ਟੋਕਨ ਦੀ ਗਿਣਤੀ GPT‑5.5 ਲਈ ਦੇਖੇ ਗਏ ਸਭ ਤੋਂ ਹਾਈ ਪੱਧਰ ਨਾਲੋਂ ਦੁੱਗਣੀ ਤੋਂ ਵੀ ਵੱਧ ਸੀ।
ਕੰਮ ਕਰਨ ਦਾ ਇਹ ਤਰੀਕਾ ਤੇਜ਼ੀ ਨਾਲ ਇੱਕ ਸਟੈਂਡਰਡ ਬਣਦਾ ਜਾ ਰਿਹਾ ਹੈ। ਪਿਛਲੇ ਛੇ ਮਹੀਨਿਆਂ ਵਿੱਚ, ਅੰਦਰੂਨੀ ਕੋਡਿੰਗ ਇਨਫਰੈਂਸ ਲਈ ਸਮਰਪਿਤ ਰਿਸਰਚ ਕੰਪਿਊਟ ਦਾ ਹਿੱਸਾ 100 ਗੁਣਾ ਵੱਧ ਗਿਆ ਹੈ, ਜਦਕਿ ਅੰਦਰੂਨੀ ਏਜੰਟ ਟੋਕਨ ਦੀ ਵਰਤੋਂ ਵਿੱਚ ਲਗਭਗ 22 ਗੁਣਾ ਵਾਧਾ ਹੋਇਆ ਹੈ। ਇਹ ਅਪਣਾਉਣ ਦੇ ਮਾਪਦੰਡ ਆਪਣੇ ਆਪ ਵਿੱਚ ਖੋਜ ਦੀ ਪ੍ਰਗਤੀ ਨੂੰ ਨਹੀਂ ਮਾਪਦੇ, ਪਰ ਇਹ ਦਿਖਾਉਂਦੇ ਹਨ ਕਿ ਖੋਜ ਲਈ ਅਤੇ ਸੇਲਜ਼, ਮਾਰਕੀਟਿੰਗ, ਯੂਜ਼ਰ ਓਪਰੇਸ਼ਨ, ਫਾਇਨੈਂਸ ਅਤੇ ਹੋਰ ਟੀਮਾਂ ਵਿੱਚ AI ਸਹਾਇਤਾ ਕਿੰਨੀ ਤੇਜ਼ੀ ਨਾਲ ਵਧ ਰਹੀ ਹੈ।
ਇਸ ਸਮਰੱਥਾ ਨੂੰ ਸਿੱਧੇ ਤੌਰ 'ਤੇ ਮਾਪਣ ਲਈ, ਅਸੀਂ ਅਸਲ AI ਖੋਜ ਟਾਸਕਾਂ 'ਤੇ ਆਧਾਰਿਤ ਮੁਲਾਂਕਣਾਂ ਦਾ ਇੱਕ ਅੰਦਰੂਨੀ ਸੂਟ ਵਿਕਸਿਤ ਕੀਤਾ ਹੈ, ਜਿਸ ਵਿੱਚ ਖੋਜ ਸਿਸਟਮਾਂ ਦੀ ਡੀਬੱਗਿੰਗ, ਕਰਨਲਾਂ ਅਤੇ ਟ੍ਰੇਨਿੰਗ ਰੈਸਿਪੀਆਂ ਨੂੰ ਔਪਟੀਮਾਈਜੇਸ਼ਨ ਕਰਨਾ, ਮਸ਼ੀਨ-ਲਰਨਿੰਗ ਪ੍ਰਯੋਗਾਂ ਨੂੰ ਚਲਾਉਣਾ ਅਤੇ ਕਿਸੇ ਹੋਰ ਮਾਡਲ ਨੂੰ ਬਿਹਤਰ ਬਣਾਉਣਾ ਸ਼ਾਮਲ ਹੈ।
ਸਮੁੱਚੀ RSI ਸਮਰੱਥਾ: ਪੁਨਰਾਵਰਤੀ ਸਵੈ-ਸੁਧਾਰ ਵੱਲ ਤਰੱਕੀ ਨੂੰ ਮਾਪਣ ਵਾਲੇ ਮੁਲਾਂਕਣਾਂ ਦੇ ਇੱਕ ਸਮੂਹ ਵਿੱਚ, ਅਸੀਂ ਦੇਖਦੇ ਹਾਂ ਕਿ GPT‑5.6 Sol, GPT‑5.5 ਨਾਲੋਂ 16.2 ਅੰਕਾਂ ਦਾ ਸੁਧਾਰ ਹੈ, ਜੋ ਹਰ ਪੱਧਰ ’ਤੇ ਅੰਦਰੂਨੀ ਖੋਜ ਨੂੰ ਤੇਜ਼ ਕਰ ਰਿਹਾ ਹੈ।
ਜਿਵੇਂ-ਜਿਵੇਂ ਮਾਡਲ ਦੀਆਂ ਸਮਰੱਥਾਵਾਂ ਵਧਦੀਆਂ ਹਨ, ਅਸੀਂ ਆਪਣੇ ਸੁਰੱਖਿਆ ਸਟੈਕ ਨੂੰ ਮਜ਼ਬੂਤ ਕਰਦੇ ਹਾਂ ਤਾਂ ਜੋ ਉੱਨਤ ਇੰਟੈਲੀਜੈਂਸ ਵਿਆਪਕ ਤੌਰ 'ਤੇ ਲਾਭਦਾਇਕ ਬਣ ਸਕੇ, ਨਾਲ ਹੀ ਸਭ ਤੋਂ ਹਾਈ-ਰਿਸਕ ਵਰਤੋਂ 'ਤੇ ਵਧੇਰੇ ਜਾਂਚ-ਪੜਤਾਲ ਲਾਗੂ ਕੀਤੀ ਜਾ ਸਕੇ। GPT‑5.6 ਲਈ, ਅਸੀਂ ਅੱਜ ਤੱਕ ਦੀ ਆਪਣੀ ਸਭ ਤੋਂ ਮਜ਼ਬੂਤ ਸੁਰੱਖਿਆ ਪ੍ਰਣਾਲੀ ਬਣਾਈ ਗਈ ਹੈ, ਜਿਸ ਨੂੰ ਹਰੇਕ ਮਾਡਲ ਦੀਆਂ ਸਮਰੱਥਾਵਾਂ ਅਨੁਸਾਰ ਕੈਲੀਬਰੇਟ ਕੀਤਾ ਗਿਆ ਹੈ ਅਤੇ ਜੋ ਪਹਿਲਾਂ ਨਾਲੋਂ ਕਿਤੇ ਵੱਧ ਕੰਪਿਊਟਿੰਗ ਸਰੋਤਾਂ ਦੁਆਰਾ ਸੰਚਾਲਿਤ ਹੈ।
GPT‑5.6 ਮਾਡਲ ਜੀਵ ਵਿਗਿਆਨ ਅਤੇ ਸਾਈਬਰ ਸੁਰੱਖਿਆ ਦੋਹਾਂ ਵਿੱਚ ਸਾਡੇ ਪਹਿਲਾਂ ਦੇ ਮਾਡਲਾਂ ਨਾਲੋਂ ਵਧੇਰੇ ਸਮਰੱਥ ਹਨ, ਪਰ ਕਿਸੇ ਵੀ ਸ਼੍ਰੇਣੀ ਵਿੱਚ ਕ੍ਰਿਟਿਕਲ ਸੀਮਾ ਨੂੰ ਪਾਰ ਨਹੀਂ ਕਰਦੇ। ਸਾਈਬਰ ਸੁਰੱਖਿਆ ਵਿੱਚ, ਸਾਡੀ ਟੈਸਟਿੰਗ ਤੋਂ ਪਤਾ ਲੱਗਦਾ ਹੈ ਕਿ GPT‑5.6 ਮਜ਼ਬੂਤ ਕੀਤੇ ਟੀਚਿਆਂ ਵਿਰੁੱਧ ਭਰੋਸੇਯੋਗ ਢੰਗ ਨਾਲ ਖੁਦਮੁਖਤਿਆਰਤਾ ਨਾਲ, ਸ਼ੁਰੂ ਤੋਂ ਅੰਤ ਤੱਕ ਹਮਲੇ ਕਰਨ ਦੀ ਤੁਲਨਾ ਵਿੱਚ ਕਮਜ਼ੋਰੀਆਂ ਲੱਭਣ ਅਤੇ ਠੀਕ ਕਰਨ ਵਿੱਚ ਬਿਹਤਰ ਹੈ—ਇਸ ਨਾਲ ਡਿਫੈਂਡਰਾਂ ਨੂੰ ਕਮਜ਼ੋਰੀਆਂ ਦਾ ਫਾਇਦਾ ਚੁੱਕਣ ਤੋਂ ਪਹਿਲਾਂ ਸਿਸਟਮਾਂ ਨੂੰ ਮਜ਼ਬੂਤ ਕਰਨ ਦਾ ਮੌਕਾ ਮਿਲਦਾ ਹੈ। ਜੀਵ ਵਿਗਿਆਨ ਵਿੱਚ, ਸਾਡੀ ਟੈਸਟਿੰਗ ਤੋਂ ਪਤਾ ਲੱਗਦਾ ਹੈ ਕਿ GPT‑5.6 ਜਾਇਜ਼ ਖੋਜ ਦਾ ਸਮਰਥਨ ਕਰ ਸਕਦਾ ਹੈ, ਪਰ ਇਹ ਕਿਸੇ ਬਹੁਤ ਹੀ ਖ਼ਤਰਨਾਕ ਨਵੇਂ ਖ਼ਤਰੇ ਨੂੰ ਬਣਾਉਣ, ਇੰਜੀਨੀਅਰ ਕਰਨ ਜਾਂ ਸੰਸ਼ਲੇਸ਼ਿਤ ਕਰਨ ਲਈ ਲੋੜੀਂਦੀ ਸ਼ੁਰੂ ਤੋਂ ਅੰਤ ਤੱਕ ਦੀ ਸਮਰੱਥਾ ਪ੍ਰਦਾਨ ਨਹੀਂ ਕਰਦਾ।
ਦੋਵੇਂ ਖੇਤਰ ਮੂਲ ਰੂਪ ਵਿੱਚ ਦੋਹਰੀ ਵਰਤੋਂ ਵਾਲੇ ਹਨ। ਸਾਇਬਰ ਸੁਰੱਖਿਆ ਵਿੱਚ, ਉਹੀ ਸਮਰੱਥਾਵਾਂ ਜੋ ਕਿਸੇ ਹਮਲਾਵਰ ਨੂੰ ਕਮਜ਼ੋਰੀ ਦਾ ਫਾਇਦਾ ਚੁੱਕਣ ਵਿੱਚ ਮਦਦ ਕਰ ਸਕਦੀਆਂ ਹਨ, ਕਿਸੇ ਰੱਖਿਆਕਰਤਾ ਨੂੰ ਉਸਨੂੰ ਲੱਭਣ, ਦੁਹਰਾਉਣ ਅਤੇ ਇੱਕ ਭਰੋਸੇਯੋਗ ਸੁਧਾਰ ਤਿਆਰ ਕਰਨ ਵਿੱਚ ਵੀ ਮਦਦ ਕਰ ਸਕਦੀਆਂ ਹਨ। ਇਸ ਲਈ, ਜ਼ਰੂਰਤ ਤੋਂ ਵੱਧ ਬਲੌਕ ਕਰਨਾ ਆਪਣੇ ਆਪ ਵਿੱਚ ਇੱਕ ਸੁਰੱਖਿਆ ਜੋਖਮ ਪੈਦਾ ਕਰਦਾ ਹੈ। ਇਹ ਰੱਖਿਆਕਰਤਾਵਾਂ ਨੂੰ ਸਿਸਟਮਾਂ ਦੀ ਜਾਂਚ ਕਰਨ ਅਤੇ ਪੈਚ ਤੈਨਾਤ ਕਰਨ ਤੋਂ ਰੋਕ ਸਕਦਾ ਹੈ, ਜਦੋਂ ਕਿ ਖ਼ਤਰਨਾਕ ਤੱਤ ਹੋਰ ਮਾਡਲਾਂ—ਜਿਨ੍ਹਾਂ ਵਿੱਚ ਵਧਦੀ ਸਮਰੱਥਾ ਵਾਲੇ ਓਪਨ-ਸੋਰਸ ਮਾਡਲ ਵੀ ਸ਼ਾਮਲ ਹਨ—ਦੇ ਨਾਲ-ਨਾਲ ਪਹਿਲਾਂ ਤੋਂ ਉਪਲਬਧ ਸਥਾਪਿਤ ਸਾਧਨਾਂ ਦੀ ਵਰਤੋਂ ਕਰਦੇ ਰਹਿੰਦੇ ਹਨ। ਪ੍ਰਭਾਵਸ਼ਾਲੀ ਸੁਰੱਖਿਆ ਉਪਾਅ ਕਿਸੇ ਬੇਨਤੀ ਦੇ ਸੰਦਰਭ ਅਤੇ ਸੰਭਾਵਿਤ ਨਤੀਜਿਆਂ ਨੂੰ ਧਿਆਨ ਵਿੱਚ ਰੱਖਦੇ ਹਨ, ਵੈਧ ਰੱਖਿਆਤਮਕ ਕੰਮ ਨੂੰ ਬਰਕਰਾਰ ਰੱਖਦੇ ਹੋਏ, ਜਿੱਥੇ ਸਬੂਤ ਗੰਭੀਰ ਨੁਕਸਾਨ ਦੇ ਖਤਰੇ ਵੱਲ ਇਸ਼ਾਰਾ ਕਰਦੇ ਹਨ ਉੱਥੇ ਹੋਰ ਮਜ਼ਬੂਤ ਨਿਯੰਤਰਣ ਲਾਗੂ ਕਰਦੇ ਹਨ।
GPT‑5.6 ਦੇ ਸੁਰੱਖਿਆ ਉਪਾਅ ਵਧੇਰੀ ਸਟੀਕਤਾ ਅਤੇ ਰਿਡੰਡੈਂਸੀ ਲਈ ਬਹੁ-ਪਰਤੀ ਹਨ, ਅਤੇ ਨਵੇਂ ਹਮਲੇ ਸਾਹਮਣੇ ਆਉਂਦੇ ਹੀ ਤੇਜ਼ੀ ਨਾਲ ਉਹਨਾਂ ਦੇ ਅਨੁਕੂਲ ਹੋਣ ਲਈ ਡਿਜ਼ਾਈਨ ਕੀਤੇ ਗਏ ਹਨ। ਮਾਡਲ ਵਿੱਚ ਟ੍ਰੇਨ ਕੀਤੀਆਂ ਸੁਰੱਖਿਆਵਾਂ ਰੀਅਲ-ਟਾਈਮ ਜਾਂਚਾਂ, ਲਗਾਤਾਰ ਨਿਗਰਾਨੀ ਅਤੇ ਖਾਤਾ-ਪੱਧਰੀ ਲਾਗੂਕਰਨ ਦੇ ਨਾਲ ਮਿਲ ਕੇ ਕੰਮ ਕਰਦੀਆਂ ਹਨ, ਤਾਂ ਜੋ ਕਿਸੇ ਖਾਸ ਪਰਤ ਦੇ ਇਰਾਦੇ ਅਨੁਸਾਰ ਕੰਮ ਨਾ ਕਰਨ ਦੇ ਬਾਵਜੂਦ ਵੀ ਸਿਸਟਮ ਸੁਰੱਖਿਅਤ ਰਹੇ। ਬਹੁਤ ਸਾਰੇ ਸਿਸਟਮਾਂ ਵਿੱਚ, ਕੇਵਲ ਕਲਾਸੀਫਾਇਰ ਫਲੈਗ ਹੀ ਇਹ ਤੈਅ ਕਰਦੇ ਹਨ ਕਿ ਕੀ ਬਲੌਕ ਕਰਨਾ ਹੈ, ਜੋ ਕਿ ਘੱਟ ਇੰਟੈਲੀਜੈਂਸ ਮਾਡਲਾਂ 'ਤੇ ਨਿਰਭਰ ਕਰਦੇ ਹਨ ਜਿਨ੍ਹਾਂ ਨੂੰ ਨੁਕਸਾਨ ਤੋਂ ਬਚਾਉਣ ਲਈ ਬਦਲਣਾ ਔਖਾ ਹੁੰਦਾ ਹੈ। ਸਾਡੀ ਪਹੁੰਚ ਇੱਕ ਰੀਜ਼ਨਿੰਗ ਮੌਨੀਟਰ ਜੋੜਦੀ ਹੈ, ਜੋ ਇਹ ਨਿਰਧਾਰਤ ਕਰਨ ਲਈ ਗੱਲਬਾਤ ਦੀ ਸਮੀਖਿਆ ਕਰਦਾ ਹੈ ਕਿ ਕੀ ਨੁਕਸਾਨ ਦੀ ਕੋਈ ਸੰਭਾਵਨਾ ਹੈ। ਇਹ ਡਿਜ਼ਾਈਨ ਗੰਭੀਰ ਦੁਰਵਰਤੋਂ ਨੂੰ ਰੋਕਦੇ ਹੋਏ ਰੱਖਿਆਤਮਕ ਕੰਮ ਨੂੰ ਸਮਰੱਥ ਬਣਾਉਣ ਲਈ ਤਿਆਰ ਕੀਤਾ ਗਿਆ ਹੈ, ਜਿਸ ਵਿੱਚ ਸਭ ਤੋਂ ਸੰਵੇਦਨਸ਼ੀਲ ਸਮਰੱਥਾਵਾਂ ਭਰੋਸੇਯੋਗ ਪਹੁੰਚ ਰਾਹੀਂ ਤਸਦੀਕਸ਼ੁਦਾ ਵਰਤੋਂਕਾਰਾਂ ਲਈ ਰਾਖਵੀਆਂ ਹਨ। ਕਿਉਂਕਿ ਕੁਝ ਸੁਰੱਖਿਆ ਉਪਾਅ ਟੈਸਟ-ਟਾਈਮ ਰੀਜ਼ਨਿੰਗ ਦੀ ਵਰਤੋਂ ਕਰਦੇ ਹਨ, ਅਸੀਂ ਕਲਾਸੀਫਾਇਰਾਂ ਨੂੰ ਸ਼ੁਰੂ ਤੋਂ ਮੁੜ ਟ੍ਰੇਨ ਕੀਤੇ ਬਿਨ੍ਹਾੰ ਖਾਮੀਆਂ ਨੂੰ ਦੂਰ ਕਰਨ ਲਈ ਉਨ੍ਹਾਂ ਨੂੰ ਤੇਜ਼ੀ ਨਾਲ ਅੱਪਡੇਟ ਕਰ ਸਕਦੇ ਹਾਂ।
ਜਿਵੇਂ ਕਿ ਅਸੀਂ ਸਿਸਟਮ ਨੂੰ ਅਨੁਕੂਲੀ ਹਮਲਿਆਂ ਦੇ ਵਿਰੁੱਧ ਹੋਰ ਮਜ਼ਬੂਤ ਕਰ ਰਹੇ ਹਾਂ, ਅਸੀਂ ਵਧੇਰੇ ਸਾਵਧਾਨੀ ਵਾਲੀ ਪਹੁੰਚ ਅਪਣਾ ਰਹੇ ਹਾਂ। ਪਿਛਲੇ ਮਾਡਲਾਂ ਦੇ ਮੁਕਾਬਲੇ, ਸਾਡਾ GPT‑5.6 Sol ਦੇ ਸਾਈਬਰ ਸੁਰੱਖਿਆ ਉਪਾਅ ਸੰਭਾਵਿਤ ਤੌਰ 'ਤੇ ਹਾਨੀਕਾਰਕ ਗਤੀਵਿਧੀ ਨੂੰ ਲਗਭਗ ਦੱਸ ਗੁਣਾ ਵੱਧ ਰੋਕਦੇ ਹਨ। ਕਿਉਂਕਿ ਇਹ ਉਪਾਅ ਜਾਇਜ਼ ਵਰਤੋਂ ਦੌਰਾਨ ਰੁਕਾਵਟ ਪੈਦਾ ਕਰ ਸਕਦੇ ਹਨ, ਇਸ ਲਈ ਅਸੀਂ ChatGPT ਅਤੇ Codex ਵਿੱਚ ਇੱਕ ਅਜਿਹਾ ਵਿਕਲਪ ਮੁਹੱਈਆ ਕਰਵਾਉਂਦੇ ਹਾਂ, ਜਿਸ ਰਾਹੀਂ ਪ੍ਰੋਂਪਟਾਂ ਨੂੰ ਘੱਟ ਸਮਰੱਥਾ ਵਾਲੇ ਮਾਡਲਾਂ 'ਤੇ ਆਸਾਨੀ ਨਾਲ ਦੁਬਾਰਾ ਅਜ਼ਮਾਇਆ ਜਾ ਸਕਦਾ ਹੈ। ਨਾਲ ਹੀ, ਅਸੀਂ ਆਪਣੇ ਸੁਰੱਖਿਆ ਉਪਾਵਾਂ ਦੇ ਜਾਇਜ਼ ਵਰਤੋਂ 'ਤੇ ਪੈਣ ਵਾਲੇ ਪ੍ਰਭਾਵ ਨੂੰ ਲਗਾਤਾਰ ਘਟਾਉਂਦੇ ਰਹਾਂਗੇ, ਜਦਕਿ ਉਨ੍ਹਾਂ ਦੀ ਮਜ਼ਬੂਤੀ ਲਈ ਉੱਚ ਮਿਆਰ ਨੂੰ ਕਾਇਮ ਰੱਖਾਂਗੇ। ਇਹ ਸਾਡੀ ਦੁਹਰਾਵਾਂ ਵਾਲੀ ਤੈਨਾਤੀ ਪਹੁੰਚ ਨੂੰ ਦਰਸਾਉਂਦਾ ਹੈ: ਸਾਵਧਾਨੀ ਨਾਲ ਸ਼ੁਰੂ ਕਰਨਾ ਅਤੇ ਅਸਲ ਦੁਨੀਆ ਵਿੱਚ ਵਰਤੋਂ ਤੋਂ ਜੋ ਅਸੀਂ ਸਿੱਖਦੇ ਹਾਂ, ਉਸ ਦੇ ਆਧਾਰ 'ਤੇ ਸੁਧਾਰ ਕਰਨਾ।
ਸਾਧਾਰਨ ਉਪਲਬਧਤਾ ਤੋਂ ਪਹਿਲਾਂ, ਅਸੀਂ ਅੱਜ ਤੱਕ ਦੇ ਆਪਣੇ ਸਭ ਤੋਂ ਗਹਿਰੇ ਸੁਰੱਖਿਆ ਮੁਲਾਂਕਣ ਕੀਤੇ, ਜਿਨ੍ਹਾਂ ਵਿੱਚ ਵਿਸਤ੍ਰਿਤ ਰੈਡ ਟੀਮਿੰਗ, ਬਾਹਰੀ ਮਾਹਿਰਾਂ ਨਾਲ ਮਜ਼ਬੂਤ ਸਮਰੱਥਾ ਅਤੇ ਸੁਰੱਖਿਆ-ਉਪਾਅ ਟੈਸਟਿੰਗ, ਅਤੇ ਬਲੈਕ-ਬੌਕਸ ਆਟੋਮੈਟਡ ਰੈਡ ਟੀਮਿੰਗ ਦੇ ਲਗਭਗ 700,000 A100e GPU ਘੰਟੇ ਸ਼ਾਮਲ ਸਨ। ਇਸ ਨੇ ਸਾਨੂੰ ਸੰਭਾਵੀ ਕਮਜ਼ੋਰ ਪੁਆਇੰਟਾਂ ਦੀ ਯੋਜਨਾਬੱਧ ਤਰੀਕੇ ਨਾਲ ਜਾਂਚ ਕਰਨ, ਜੇਲ੍ਹਬ੍ਰੇਕ ਨੂੰ ਸਾਹਮਣੇ ਲਿਆਉਣ, ਅਤੇ ਲਾਂਚ ਤੋਂ ਪਹਿਲਾਂ ਸਿਸਟਮ ਨੂੰ ਮਜ਼ਬੂਤ ਕਰਨ ਵਿੱਚ ਮਦਦ ਕੀਤੀ।
ਪੂਰਨ ਸੁਰੱਖਿਆ ਵਰਗੀ ਕੋਈ ਚੀਜ਼ ਨਹੀਂ ਹੁੰਦੀ, ਅਤੇ ਲਗਾਤਾਰ ਹੋਰ ਸਮਰੱਥ ਹੋ ਰਹੇ ਮਾਡਲਾਂ ਨੂੰ ਸੁਰੱਖਿਅਤ ਕਰਨ ਲਈ ਸਾਡਾ ਕੰਮ ਜਾਰੀ ਹੈ। ਨਵੀਆਂ ਕਮਜ਼ੋਰੀਆਂ ਦਾ ਪਤਾ ਲਗਾਇਆ ਜਾਵੇਗਾ, ਨਾਲ ਹੀ ਮੌਜੂਦਾ ਸੁਰੱਖਿਆ ਉਪਾਵਾਂ ਨੂੰ ਬਾਈਪਾਸ ਕਰਨ ਵਾਲੇ ਨਵੇਂ ਜੇਲ੍ਹਬ੍ਰੇਕ ਵੀ ਖੋਜੇ ਜਾਣਗੇ। ਮਾਡਲ ਦੀ ਹਰ ਨਵੀਂ ਪੀੜ੍ਹੀ ਹਮਲੇ ਅਤੇ ਦੁਰਵਰਤੋਂ ਲਈ ਨਵੇਂ ਰਸਤੇ ਵੀ ਪੈਦਾ ਕਰੇਗੀ। ਅਸੀਂ ਉਸ ਹਕੀਕਤ ਨੂੰ ਧਿਆਨ ਵਿੱਚ ਰੱਖਦਿਆਂ ਪਰਤਦਾਰ ਸੁਰੱਖਿਆ ਉਪਾਵਾਂ, ਲਗਾਤਾਰ ਨਿਗਰਾਨੀ, ਤੇਜ਼ ਸੁਧਾਰਾਤਮਕ ਕਾਰਵਾਈ ਅਤੇ ਰੱਖਿਆ ਭਾਈਚਾਰੇ ਵਿੱਚ ਸਹਿਯੋਗ ਰਾਹੀਂ ਕੰਮ ਕਰਦੇ ਹਾਂ। GPT‑5.6 ਲਈ, ਅਸੀਂ ਆਪਣੇ ਮੌਜੂਦਾ ਸੁਰੱਖਿਆ(ਨਵੀਂ ਵਿੰਡੋ ਵਿੱਚ ਖੁੱਲ੍ਹਦਾ ਹੈ) ਅਤੇ ਜੀਵ ਵਿਗਿਆਨ ਬੱਗ ਬਾਊਂਟੀ ਪ੍ਰੋਗਰਾਮਾਂ ਨੂੰ ਇੱਕ ਨਵੀਂ ਤੇਜ਼-ਨਿਵਾਰਣ ਪ੍ਰਕਿਰਿਆ ਅਤੇ ਅੱਜ ਤੱਕ ਦੀ ਸਾਡੀ ਸਭ ਤੋਂ ਮਜ਼ਬੂਤ ਨਿਗਰਾਨੀ ਵਾਲੀ ਕੋਸ਼ਿਸ਼ ਨਾਲ ਜੋੜਿਆ ਹੈ। ਖੋਜਕਾਰਾਂ, ਨਿਗਰਾਨੀ, ਅਤੇ ਅਸਲੀ ਦੁਨੀਆ ਵਿੱਚੋਂ ਦੁਰਵਰਤੋਂ ਸੰਬੰਧੀ ਮਿਲਣ ਵਾਲੀਆਂ ਜਾਣਕਾਰੀਆਂ ਲਗਾਤਾਰ ਨਵੇਂ ਮੁਲਾਂਕਣਾਂ ਅਤੇ ਹੋਰ ਮਜ਼ਬੂਤ ਸੁਰੱਖਿਆ ਉਪਾਅ ਵਿੱਚ ਸ਼ਾਮਲ ਕੀਤੀਆਂ ਜਾਣਗੀਆਂ।
ਅੱਪਡੇਟ ਕੀਤੇ GPT‑5.6 ਸਿਸਟਮ ਕਾਰਡ(ਨਵੀਂ ਵਿੰਡੋ ਵਿੱਚ ਖੁੱਲ੍ਹਦਾ ਹੈ) ਵਿੱਚ ਸਾਡੇ ਸੁਰੱਖਿਆ ਉਪਾਵਾਂ ਬਾਰੇ ਹੋਰ ਪੜ੍ਹੋ।
GPT‑5.6 ਤਿੰਨ ਮਾਡਲ ਪੱਧਰਾਂ ਵਿੱਚ ਫੈਲਿਆ ਹੋਇਆ ਹੈ: Sol, ਸਾਡਾ ਫਲੈਗਸ਼ਿਪ; Terra, ਇੱਕ ਘੱਟ ਲਾਗਤ ਵਾਲਾ ਮਾਡਲ ਜਿਸਦਾ ਪ੍ਰਦਰਸ਼ਨ GPT‑5.5 ਦੇ ਮੁਕਾਬਲੇ ਦਾ ਹੈ; ਅਤੇ Luna, ਸਾਡਾ ਸਭ ਤੋਂ ਤੇਜ਼ ਅਤੇ ਸਭ ਤੋਂ ਕਿਫ਼ਾਇਤੀ ਮਾਡਲ। ਨੰਬਰ ਪੀੜ੍ਹੀ ਦੀ ਪਛਾਣ ਕਰਦਾ ਹੈ, ਜਦਕਿ Sol, Terra ਅਤੇ Luna ਟਿਕਾਊ ਸਮਰੱਥਾ ਪੱਧਰ ਹਨ ਜੋ ਆਪਣੀ-ਆਪਣੀ ਗਤੀ ਅਨੁਸਾਰ ਅੱਗੇ ਵੱਧ ਸਕਦੇ ਹਨ।
GPT‑5.6 ਅੱਜ ਤੋਂ ChatGPT, Codex, ਅਤੇ OpenAI API 'ਤੇ ਉਪਲਬਧ ਹੈ। ਇਸ ਨੂੰ ਹੁਣ ਦੁਨੀਆ ਭਰ ਵਿੱਚ ਪੜਾਅਵਾਰ ਜਾਰੀ ਕੀਤਾ ਜਾ ਰਿਹਾ ਹੈ ਅਤੇ ਅਗਲੇ 24 ਘੰਟਿਆਂ ਦੌਰਾਨ ਇਸਨੂੰ ਹੌਲੀ-ਹੌਲੀ ਪੂਰੀ ਤਰ੍ਹਾਂ ਉਪਲਬਧ ਕਰਵਾ ਦਿੱਤਾ ਜਾਵੇਗਾ।
- ਚੈਟ: Plus, Pro, Business, ਅਤੇ Enterprise ਵਰਤੋਂਕਾਰਾਂਂ ਨੂੰ ਮੀਡੀਅਮ ਅਤੇ ਹਾਇਰ ਕੋਸ਼ਿਸ ਸੈਟਿੰਗਾਂ ਰਾਹੀਂ GPT‑5.6 Sol ਤੱਕ ਪਹੁੰਚ ਮਿਲਦੀ ਹੈ। Pro ਅਤੇ Enterprise ਵਰਤੋਂਕਾਰ ਗੁੰਝਲਦਾਰ ਕੰਮਾਂ ਲਈ ਹਾਈ-ਗੁਣਵੱਤਾ ਵਾਲੇ ਨਤੀਜੇ ਲਈ GPT‑5.6 Sol Pro ਵੀ ਚੁਣ ਸਕਦੇ ਹਨ।
- ChatGPT ਕੰਮ ਅਤੇ Codex: Free ਅਤੇ Go ਵਰਤੋਂਕਾਰ GPT‑5.6 Terra ਤੱਕ ਪਹੁੰਚ ਸਕਦੇ ਹਨ। Plus, Pro, Business, ਅਤੇ Enterprise ਉਪਭੋਗਤਾ GPT‑5.6 ਵਿੱਚੋਂ ਚੋਣ ਕਰ ਸਕਦੇ ਹਨ Sol, Terra, ਅਤੇ Luna, ਅਤੇ ਹਰੇਕ ਲਈ ਇੱਕ ਯਤਨ ਪੱਧਰ ਸੈੱਟ ਕਰੋ।
maxਉਹਨਾਂ ਸਾਰੇ ਵਰਤੋਂਕਾਰਾਂ ਲਈ ਉਪਲਬਧ ਹੈ ਜਿਨ੍ਹਾਂ ਕੋਲ ChatGPT ਕੰਮ ਅਤੇ Codex ਵਿੱਚ GPT‑5.6 ਤੱਕ ਪਹੁੰਚ ਹੈ, ਅਤੇ ਇਸਨੂੰ ਸੈਟਿੰਗਾਂ ਵਿੱਚ ਚਾਲੂ ਕੀਤਾ ਜਾ ਸਕਦਾ ਹੈ। ChatGPT ਕੰਮ ਵਿੱਚ,ultraPro ਅਤੇ Enterprise ਵਰਤੋਂਕਾਰਾਂ ਲਈ ਉਪਲਬਧ ਹੈ। Codex ਵਿੱਚ, ਇਹ Plus ਅਤੇ ਇਸ ਤੋਂ ਉੱਪਰ ਵਾਲੇ ਪਲਾਨਾਂ ਲਈ ਉਪਲਬਧ ਹੈ। - API: ਡਿਵੈਲਪਰ OpenAI API ਰਾਹੀਂ Sol, Terra ਅਤੇ Luna ਤੱਕ ਪਹੁੰਚ ਕਰ ਸਕਦੇ ਹਨ। Responses API ਵਿੱਚ, ਪ੍ਰੋਗਰਾਮੈਟਿਕ ਟੂਲ ਕਾਲਿੰਗ GPT‑5.6 ਨੂੰ ਮੈਮੋਰੀ ਵਿੱਚ ਹੀ ਅਜਿਹੇ ਪ੍ਰੋਗਰਾਮ ਲਿਖਣ ਅਤੇ ਚਲਾਉਣ ਦੀ ਸਮਰੱਥਾ ਦਿੰਦੀ ਹੈ, ਜੋ ਟੂਲਾਂ ਦਾ ਤਾਲਮੇਲ ਕਰਦੇ ਹਨ ਅਤੇ ਵਿਚਕਾਰਲੇ ਨਤੀਜਿਆਂ ਦੀ ਪ੍ਰਕਿਰਿਆ ਕਰਦੇ ਹਨ, ਜਿਸ ਨਾਲ ਇਹ ਜ਼ੀਰੋ ਡਾਟਾ ਰਿਟੇਨਸ਼ਨ (Zero Data Retention, ZDR) ਦੇ ਅਨੁਕੂਲ ਬਣ ਜਾਂਦੀ ਹੈ। ਮਲਟੀ-ਏਜੰਟ, ਜੋ ਸ਼ੁਰੂ ਵਿੱਚ ਬੀਟਾ ਵਿੱਚ ਉਪਲਬਧ ਹੁੰਦਾ ਹੈ, ਜੋ GPT‑5.6 ਨੂੰ ਇੱਕੋ ਬੇਨਤੀ ਵਿੱਚ ਉਸੇ ਸਮੇਂ ਸਬ-ਏਜੰਟ ਚਲਾਉਣ ਅਤੇ ਉਨ੍ਹਾਂ ਦੇ ਕੰਮ ਨੂੰ ਸੰਸ਼ਲੇਸ਼ਿਤ ਕਰਨ ਦਿੰਦਾ ਹੈ।
GPT‑5.6 ਦੀ ਕੀਮਤ ਤਿੰਨ ਮਾਡਲ ਆਕਾਰਾਂ ਵਿੱਚ ਪ੍ਰਤੀ 1M ਟੋਕਨ ਹੈ: Sol $5 ਇਨਪੁੱਟ / $30 ਆਊਟਪੁੱਟ ਹੈ; Terra $2.50 ਇਨਪੁੱਟ / $15 ਆਊਟਪੁੱਟ ਹੈ; ਅਤੇ Luna $1 ਇਨਪੁੱਟ / $6 ਆਊਟਪੁੱਟ ਹੈ। GPT‑5.6 ਹੋਰ ਵੱਧ ਅਨੁਮਾਨਯੋਗ ਪ੍ਰੌਂਪਟ ਕੈਸ਼ਿੰਗ ਵੀ ਪੇਸ਼ ਕਰਦਾ ਹੈ, ਜਿਸ ਵਿੱਚ ਸਪੱਸ਼ਟ ਕੈਸ਼ ਬ੍ਰੇਕਪੁਆਇੰਟਸ(ਨਵੀਂ ਵਿੰਡੋ ਵਿੱਚ ਖੁੱਲ੍ਹਦਾ ਹੈ) ਲਈ ਸਹਾਇਤਾ ਅਤੇ 30-ਮਿੰਟ ਦੀ ਘੱਟੋ-ਘੱਟ ਕੈਸ਼ ਲਾਈਫ਼ ਸ਼ਾਮਲ ਹੈ। GPT‑5.6 ਅਤੇ ਇਸ ਤੋਂ ਬਾਅਦ ਦੇ ਮਾਡਲਾਂ ਲਈ, ਕੈਸ਼ ਰਾਈਟਸ ਦਾ ਬਿਲ ਮਾਡਲ ਦੀ ਬਿਨ੍ਹਾਂ ਕੈਸ਼ ਕੀਤੀ ਇਨਪੁੱਟ ਦਰ ਦੇ 1,25x 'ਤੇ ਲਗਾਇਆ ਜਾਂਦਾ ਹੈ, ਜਦਕਿ ਕੈਸ਼ ਰੀਡਸ ਨੂੰ 90% ਕੈਸ਼ ਕੀਤੀ-ਇਨਪੁੱਟ ਛੂਟ ਮਿਲਦੀ ਰਹਿੰਦੀ ਹੈ।
ਪੇਸ਼ੇਵਰ
| Eval | GPT‑5.6 Sol | GPT‑5.6 Terra | GPT‑5.6 Luna | GPT‑5.5 | Claude Fable 5 | Claude Opus 4.8 | Gemini 3.1 Pro ਪੂਰਵ-ਝਲਕ | Gemini 3.5 Flash | |
| Agents' Last Exam | 52.7% | 50.4% | 50.3% | 46.9% | 40.5% | 45.2% | 32.1% | — | |
| GDPval-AA v2 | 1,747.8 | Elo" | 1,593 Elo | 1,591.8 Elo | 1,493.7 Elo | 1,759.6 Elo | 1,600.1 Elo | 962.3 Elo | 1,348.8 Elo |
| ਪ੍ਰਬੰਧਨ ਸਲਾਹਕਾਰ ਕਾਰਜ (ਅੰਦਰੂਨੀ) | 43.2% | 37.2% | 35.4% | 31.3% | 35.5% | 31.6% | 13.2% | — | |
| ਬਿਗ ਫਾਈਨੈਂਸ ਬੈਂਚ | 53% | 51% | 36% | 49% | — | 44% | — | — | |
| ਆਰਟੀਫੀਸ਼ੀਅਲ ਐਨਾਲਿਸਿਸ ਇੰਟੈਲੀਜੈਂਸ ਇੰਡੈਕਸ v4.1 | 58.9 ਇੰਡੈਕਸ ਸਕੋਰ | 55 ਇੰਡੈਕਸ ਸਕੋਰ | 51.2 ਇੰਡੈਕਸ ਸਕੋਰ | 54.8 ਇੰਡੈਕਸ ਸਕੋਰ | 59.9 ਇੰਡੈਕਸ ਸਕੋਰ | 55.7 ਇੰਡੈਕਸ ਸਕੋਰ | 46.5 ਇੰਡੈਕਸ ਸਕੋਰ | 50.2 ਇੰਡੈਕਸ ਸਕੋਰ |
ਕੋਡਿੰਗ
| Eval | GPT‑5.6 Sol | GPT‑5.6 Sol Ultra | GPT‑5.6 Terra | GPT‑5.6 Luna | GPT‑5.5 | Claude Mythos 5 | Claude Mythos ਪ੍ਰੀਵਿਊ | Claude Fable 5 | Claude Opus 4.8 | Gemini 3.1 Pro ਪ੍ਰੀਵਿਊ |
| ਆਰਟੀਫੀਸ਼ੀਅਲ ਐਨਾਲਿਸਿਸ ਕੋਡਿੰਗ ਏਜੰਟ ਇੰਡੈਕਸ v1.1 | 80 ਇੰਡੈਕਸ ਸਕੋਰ | — | 77.4 ਇੰਡੈਕਸ ਸਕੋਰ | 74.6 ਇੰਡੈਕਸ ਸਕੋਰ | 76.4 ਇੰਡੈਕਸ ਸਕੋਰ | — | — | 77.2 ਇੰਡੈਕਸ ਸਕੋਰ | 72.5 ਇੰਡੈਕਸ ਸਕੋਰ | 42.7 ਸੂਚਕਾਂਕ ਸਕੋਰ |
| SWE-Bench Pro | 64.6% | — | 63.4% | 62.7% | 59.4% | 80.3% | 77.8% | 80% | 69.2% | 54.2% |
| DeepSWE v1.1 | 72.7% | — | 69.6% | 67.2% | 67% | — | — | 69.7% | 59% | 11.8% |
| Terminal-Bench 2.1 | 88.8% | 91.9% | 87.4% | 84.7% | 85.6% | 88% | — | 83.1% | 78.9% | 70.7% |
ਸੁਰੱਖਿਆ
| Eval | GPT‑5.6 Sol | GPT‑5.6 Terra | GPT‑5.6 Luna | GPT‑5.5 | GPT‑5.4 | Claude Opus 4.8 | Claude Mythos 5 | Claude Mythos Preview |
| Healthbench Professional | 60.5% | 57.7% | 55.7% | 51.8% | 48.1% | 52.6% | 66% | 64.7% |
ਕੰਪਿਊਟਰ ਦੀ ਵਰਤੋਂ
| Eval | GPT‑5.6 Sol | GPT‑5.6 Sol Ultra | GPT‑5.6 Terra | GPT‑5.6 Luna | GPT‑5.5 | Claude Mythos 5 | Claude Mythos ਪ੍ਰੀਵਿਊ | Claude Opus 4.8 | Gemini 3.1 Pro ਪ੍ਰੀਵਿਊ |
| OSWorld 2.0 | 62.6% | — | 50.2% | 45.6% | 47.5% | — | — | 54.8% | — |
| BrowseComp | 90.4% | 92.2% | 87.5% | 83.3% | 84.4% | 88% | 87.9% | 84.3% | 85.9% |
| BenchCAD | 70.6% | — | 62.3% | 63.1% | 44.4% | 38.4% | 35.5% | 27.3% | — |
| BenchCAD (ਪਾਈਥਨ ਟੂਲ) | 83.4% | — | 78.2% | 73.9% | 55.8% | 65% | 61% | 51.8% | — |
ਸਾਈਬਰ ਸੁਰੱਖਿਆ
| Eval | GPT‑5.6 Sol | GPT‑5.6 Sol Ultra | GPT‑5.6 Terra | GPT‑5.6 Luna | GPT‑5.5 | Claude Mythos 5 | Claude Mythos ਪੂਰਵ-ਝਲਕ | Claude Opus 4.8 |
| ਕੈਪਚਰ-ਦ-ਫਲੈਗ ਸੰਬੰਝੀ ਚੁਣੌਤੀਆਂ | 96.7% | — | 91.8% | 85.2% | 88.1% | — | — | — |
| SEC-Bench Pro | 71.2% | 74.3% | 57.7% | 48.9% | 45.8% | — | — | — |
| CyberGym | 84.5% | — | 81.8% | 77.9% | 81.8% | 83.8% | 83% | 78.1% |
| ExploitBench | 73.5% | — | 52.9% | 33.2% | 47.9% | 78% | 74.2% | 40% |
| ExploitGym | 33.7% | — | 23.2% | 12.4% | 15.1% | — | — | — |
ਸਵੈ-ਸੁਧਾਰ
| Eval | GPT‑5.6 Sol | GPT‑5.6 Terra | GPT‑5.6 Luna | GPT‑5.5 |
| ਅੰਦਰੂਨੀ ਖੋਜ ਡੀਬੱਗਿੰਗ ਮੁਲਾਂਕਣ | 68.3% | 67.8% | 50.8% | 50% |
| KernelGen 1P | 61.1% | 49.2% | 22.4% | 29.3% |
| NanoGPT | 9.69% | 14.5% | 1.66% | 2.65% |
| PostTrainBench Lite | 50.3% | 51.5% | 29.6% | 38.8% |
| RSI ਇੰਡੈਕਸ | 57.9% | 56.3% | 41.9% | 41.7% |
ਮਲਟੀਮਾਡਲ
| Eval | GPT‑5.6 Sol | GPT‑5.6 Terra | GPT‑5.6 Luna | GPT‑5.5 | Claude Fable 5 | Claude Opus 4.8 | Gemini 3.1 Pro ਪ੍ਰੀਵਿਊ |
| MMMU Pro (ਕੋਈ ਟੂਲ ਨਹੀਂ) | 83% | 80.7% | 78.4% | 81.2% | — | — | 80.5% |
| MMMU Pro (ਟੂਲਾਂ ਨਾਲ) | 84.6% | 82% | 79.5% | 83.2% | — | — | — |
| gdp.pdf | 30.7% | 24.7% | 22.7% | 26% | 29.8% | 22.5% | 16.7% |
ਅਕਾਦਮਿਕ
| Eval | GPT‑5.6 Sol | GPT‑5.6 Terra | GPT‑5.6 Luna | GPT‑5.5 | Claude Mythos 5 | Claude Mythos ਪ੍ਰੀਵਿਊ | Claude Fable 5 | Claude Opus 4.8 | Gemini 3.1 Pro ਪ੍ਰੀਵਿਊ |
| GPQA Diamond | 94.6% | 92.9% | 92.3% | 93.6% | 94.1% | 94.6% | 92.6% | 92% | 94.3% |
| FrontierMath ਟੀਅਰ 1-3 (v2) | 89% | 84.9% | 78.6% | 85.3% | — | — | 87% | 80% | 59.6% |
| FrontierMath ਟੀਅਰ 4 (v2) | 83% | 68.3% | 58.5% | 72.5% | — | — | 87.8% | 56.1% | — |
ਟੂਲ ਦੀ ਵਰਤੋਂ
| Eval | GPT‑5.6 Sol | GPT‑5.6 Terra | GPT‑5.6 Luna | GPT‑5.5 | Claude Mythos 5 | Claude Mythos ਪ੍ਰੀਵਿਊ | Claude Fable 5 | Claude Opus 4.8 | Gemini 3.1 Pro ਪ੍ਰੀਵਿਊ | Gemini 3.5 Flash |
| AutomationBench | 18.1% | 15.2% | 14.9% | 12.9% | — | — | 17.4% | 15.5% | — | 14.5% |
| Toolathlon | 58% | 53.1% | 53.4% | 55.6% | 61.7% | 61.1% | 61.7% | 59.9% | 48.8% | — |
ਲੰਬਾ ਸੰਦਰਭ
| Eval | GPT‑5.6 Sol | GPT‑5.6 Terra | GPT‑5.6 Luna | GPT‑5.5 | Claude Mythos 5 | Claude Mythos ਪ੍ਰੀਵਿਊ | Claude Opus 4.8 |
| OpenAI MRCR v2 8-needle 256K-512K | 91.5% | 89.6% | 41.3% | 81.5% | — | — | — |
| OpenAI MRCR v2 8-needle 512K-1M | 73.8% | 72.5% | 41.3% | 74% | — | — | — |
| GraphWalks BFS 256k f1 | 90.7% | 76.9% | 81.3% | 73.7% | 91.1% | 85.7% | 85.9% |
| GraphWalks BFS 1mil f1 | 77.1% | 71.2% | 51.2% | 45.4% | 79.4% | 74.3% | 68.1% |
ਅਮੂਰਤ ਰੀਜ਼ਨਿੰਗ
| Eval | GPT‑5.6 Sol | GPT‑5.6 Terra | GPT‑5.6 Luna | GPT‑5.5 | Claude Opus 4.8 | Gemini 3.1 Pro ਪੂਰਵ-ਝਲਕ |
| ARC-AGI-3⁷ | 7.78% | 0.8% | 0.18% | 0.43% | 1.5% | 0.42% |
ਲੇਖਕ
ਪਾਦ-ਟਿੱਪਣੀਆਂ
1. ਸਾਈਬਰ ਸਮਰੱਥਾਵਾਂ ਦਾ ਮੁਲਾਂਕਣ ਘਟਾਏ ਗਏ ਸੁਰੱਖਿਆ ਉਪਾਵਾਂ ਨਾਲ ਕੀਤਾ ਜਾਂਦਾ ਹੈ। ਵਰਤੋਂਕਾਰ ਰੱਖਿਆਤਮਕ ਸਾਈਬਰ ਸਮਰੱਥਾਵਾਂ ਤੱਕ ਵਧੀ ਹੋਈ ਪਹੁੰਚ ਵਾਸਤੇ OpenAI Daybreak ਦੇ ਸਾਈਬਰ ਲਈ ਭਰੋਸੇਯੋਗ ਪਹੁੰਚ ਪ੍ਰੋਗਰਾਮ ਵਿੱਚ ਸ਼ਾਮਲ ਹੋ ਸਕਦੇ ਹਨ।
2. ਸਾਰੇ ਮਾਡਲਾਂ ਦਾ ਮੁਲਾਂਕਣ 5 ਸੀਡਜ਼ ਅਤੇ ਰੀਜ਼ਨਿੰਗ ਨਿਰੰਤਰਤਾ ਦੇ ਨਾਲ ExploitBench API ਹਾਰਨੈੱਸ ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਕੀਤਾ ਜਾਂਦਾ ਹੈ।
3. ਅਸੀਂ ਆਪਣੇ ਐਲਫ਼ਾ API 'ਤੇ ExploitGym ਚਲਾਇਆ, ਜੋ ਸਾਡੇ ਪਬਲਿਕ API ਨਾਲੋਂ ਤੇਜ਼ੀ ਨਾਲ ਜਵਾਬ ਦਿੰਦਾ ਹੈ, ਅਤੇ ਫਿਰ ਸਾਡੇ ਪਬਲਿਕ API ਦੇ ਅਨੁਸਾਰ ਨਤੀਜਿਆਂ ਨੂੰ ਮੁੜ-ਸਕੇਲ ਕੀਤਾ। ਸਾਡੇ ਪਬਲਿਕ API ਲਈ ਉਮੀਦ ਕੀਤੀਆਂ ਜਾਣ ਵਾਲੀਆਂ ਰਫਤਾਰਾਂ ਦੇ ਹਿਸਾਬ ਨਾਲ ਜਦੋਂ ਦੇਰੀਆਂ ਨੂੰ ਮੁੜ-ਸਕੇਲ ਕੀਤਾ ਜਾਂਦਾ ਹੈ, ਤਾਂ ਇਸ ਕਾਰਨ ਕੁਝ ਅਨੁਮਾਨਿਤ ਦੇਰੀਆਂ ਦੋ-ਘੰਟੇ ਅਤੇ ਛੇ-ਘੰਟੇ ਦੀਆਂ ਸਮਾਂ ਸੀਮਾਵਾਂ ਤੋਂ ਵੱਧ ਜਾਂਦੀਆਂ ਹਨ, ਭਾਵੇਂ ਕਿ ਮੁਲਾਂਕਣ ਰਨ ਵਿੱਚ ਉਹਨਾਂ ਦੀ ਸਹੀ ਢੰਗ ਨਾਲ ਪਾਲਣਾ ਕੀਤੀ ਗਈ ਸੀ। ਸਮਾਂ-ਸੰਵੇਦਨਸ਼ੀਲ ਕੰਮਾਂ ਲਈ ਤੇਜ਼ ਰਫਤਾਰ ਪ੍ਰਾਪਤ ਕਰਨ ਵਾਸਤੇ, ਅਸੀਂ API ਵਿੱਚ ਤਰਜੀਹ ਅਧਾਰਿਤ ਪ੍ਰਕਿਰਿਆ ਅਤੇ Codex ਵਿੱਚ ਫਾਸਟ ਮੋਡ ਦੀ ਪੇਸ਼ਕਸ਼ ਕਰਦੇ ਹਾਂ।
4. ਅਸੀਂ ਆਪਣੇ ਮਾਡਲਾਂ ਦੇ ਪ੍ਰੋਡਕਸ਼ਨ ਵਿਵਹਾਰ ਨੂੰ ਦੇਖ ਕੇ ਅਤੇ ਔਫਲਾਈਨ ਸਿਮੂਲੇਟ ਕਰਕੇ ਦੇਰੀ ਅਤੇ API ਲਾਗਤ ਦਾ ਅੰਦਾਜ਼ਾ ਲਗਾਉਂਦੇ ਹਾਂ। ਇਹ ਅੰਦਾਜ਼ੇ ਟੂਲ ਕਾਲ ਦੇ ਵੇਰਵਿਆਂ, ਸੈਂਪਲ ਕੀਤੇ ਟੋਕਨਾਂ, ਅਤੇ ਇਨਪੁਟ ਟੋਕਨਾਂ ਨੂੰ ਧਿਆਨ ਵਿੱਚ ਰੱਖਦੇ ਹਨ। ਅਸਲ-ਦੁਨੀਆ ਦੇ ਨਤੀਜੇ ਕਾਫ਼ੀ ਵੱਖਰੇ ਹੋ ਸਕਦੇ ਹਨ, ਅਤੇ ਇਹ ਕਈ ਅਜਿਹੇ ਕਾਰਕਾਂ 'ਤੇ ਨਿਰਭਰ ਕਰਦੇ ਹਨ ਜੋ ਸਾਡੀ ਸਿਮੂਲੇਸ਼ਨ ਵਿੱਚ ਸ਼ਾਮਲ ਨਹੀਂ ਹਨ। ਅਸੀਂ ਤੇਜ਼ API ਰਫਤਾਰ 'ਤੇ ਦੇਰੀ ਦਾ ਅਤੇ ਆਮ API ਕੀਮਤਾਂ 'ਤੇ ਲਾਗਤ ਦਾ ਸਿਮੂਲੇਸ਼ਨ ਕਰਦੇ ਹਾਂ।
5. ਜਿਹੜੇ ਮਾਡਲਾਂ ਦੇ ਆਊਟਪੁਟ ਟੋਕਨਾਂ, ਦੇਰੀ ਦੀ ਜਾਂ ਲਾਗਤ ਦੀ ਰਿਪੋਰਟ ਨਹੀਂ ਦਿੱਤੀ ਗਈ ਹੈ, ਉਨ੍ਹਾਂ ਨੂੰ ਵਿਥਕਾਰੀ ਬਿੰਦੂਦਾਰ ਰੇਖਾਵਾਂ ਵਜੋਂ ਦਰਸਾਇਆ ਗਿਆ ਹੈ।
6. ਮਲਟੀ-ਏਜੰਟ ਲਈ, ਦੇਰੀ ਮਾਰਗ ਏਜੰਟ ਤੋਂ ਨਿਰਧਾਰਿਤ ਕੀਤੀ ਜਾਂਦੀ ਹੈ, ਜਦੋਂ ਕਿ ਆਊਟਪੁੱਟ ਟੋਕਨ ਅਤੇ API-ਲਾਗਤ ਦੇ ਕੁੱਲ ਜੋੜ ਵਿੱਚ ਸਾਰੇ ਟੋਕਨ ਸ਼ਾਮਲ ਹੁੰਦੇ ਹਨ। Ultra ਨੂੰ ਚਾਰ ਏਜੰਟਾਂ ਨਾਲ ਚਲਾਇਆ ਜਾਂਦਾ ਹੈ।
7. ਅਸੀਂ HealthBench Professional ਪੇਪਰ ਵਿੱਚ ਵਰਣਿਤ ਅਧਿਕਾਰਤ ਸਕੋਰਿੰਗ ਪਹੁੰਚ ਨੂੰ ਵਰਤਕੇ ਸਕੋਰਾਂ ਦੀ ਗਣਨਾ ਕਰਦੇ ਹਾਂ, ਅਤੇ ਇਹ ਸਕੋਰ Anthropic ਸਿਸਟਮ ਕਾਰਡਾਂ ਵਿੱਚ ਰਿਪੋਰਟ ਕੀਤੇ ਨਤੀਜਿਆਂ ਨਾਲ ਤੁਲਨਾਯੋਗ ਨਹੀਂ ਹਨ।
8. Opus 4.8 ਲਈ ARC-AGI-3 ਨੂੰ ਹਾਈ ਰੀਜ਼ਨਿੰਗ ਸੰਬੰਧੀ ਕੋਸ਼ੀਸ਼ 'ਤੇ ਚਲਾਇਆ ਗਿਆ ਸੀ, max ਰੀਜ਼ਨਿੰਗ ਸੰਬੰਧੀ ਕੋਸ਼ੀਸ਼ 'ਤੇ ਨਹੀਂ, ਕਿਉਂਕਿ ਇਹ ਇਕੱਲਾ ਪ੍ਰਕਾਸ਼ਿਤ ARC-AGI-3 ਨਤੀਜਾ ਹੈ।

