V7 AI ਏਜੰਟਾਂ ਨੂੰ ਸੰਸਥਾਗਤ ਮੈਮੋਰੀ ਕਿਵੇਂ ਪ੍ਰਦਾਨ ਕਰਦਾ ਹੈ
V7 ਕੰਪਨੀ ਦੀਆਂ ਫ਼ਾਈਲਾਂ ਨੂੰ ਏਜੰਟ ਸੰਦਰਭ ਵਿੱਚ ਬਦਲ ਦਿੰਦਾ ਹੈ, ਜਿਸ ਵਿੱਚ GPT‑6 Astra ਆਪਣੇ ਸਭ ਤੋਂ ਔਖੇ ਗ੍ਰਾਫ਼-ਪੁੱਛਗਿੱਛ ਟੈਸਟਾਂ 'ਤੇ 89% ਸਟੀਕਤਾ ਤੱਕ ਪਹੁੰਚ ਜਾਂਦਾ ਹੈ।
ਨਤੀਜੇ
89%
ਸਭ ਤੋਂ ਔਖੀਆਂ ਪੁੱਛਗਿੱਛਾਂ 'ਤੇ GPT-6 Astra ਦੀ ਸ਼ੁੱਧਤਾ
ਨਤੀਜੇ
78%
GPT-5.6 Luna ਨਾਲ ਪ੍ਰਤੀ ਦਸਤਾਵੇਜ਼ ਘੱਟ ਲਾਗਤ
ਨਤੀਜੇ
+11.6 ਅੰਕ
GPT-5.6 Luna ਨਾਲ ਹਾਈ ਸਟੀਕਤਾ
ਅੱਜ ਦੇ ਮਾਡਲ ਗੁੰਝਲਦਾਰ ਕੰਮਾਂ ਨੂੰ ਰੀਜ਼ਨਿੰਗ ਨਾਲ ਹੱਲ ਕਰ ਸਕਦੇ ਹਨ, ਪਰ ਉਹ ਉਨ੍ਹਾਂ ਕੰਮਾਂ ਦੇ ਮੂਲ ਕਾਰੋਬਾਰੀ ਸੰਦਰਭ ਨੂੰ ਆਪਣੇ ਆਪ ਨਹੀਂ ਸਮਝਦੇ। ਕਿਹੜੀ ਫੰਡ ਰਿਪੋਰਟ ਮੌਜੂਦਾ ਹੈ? ਤਿੰਨਾਂ ਸਿਸਟਮਾਂ ਵਿੱਚ ਇੱਕੋ ਇਕਾਈ ਨੂੰ ਵੱਖ-ਵੱਖ ਨਾਵਾਂ ਨਾਲ ਕਿਵੇਂ ਦਰਸਾਇਆ ਗਿਆ ਹੈ?
ਉਹ ਸੰਦਰਭ ਦਸਤਾਵੇਜ਼ਾਂ, ਡੇਟਾ ਰੂਮਾਂ, ਸਪ੍ਰੈਡਸ਼ੀਟਾਂ, ਈਮੇਲਾਂ ਅਤੇ ਅੰਦਰੂਨੀ ਟੂਲਾਂ ਵਿੱਚ ਖਿੰਡਿਆ, ਅਣਸੁਲਝਿਆ ਅਤੇ ਏਜੰਟਾਂ ਦੀ ਨਜ਼ਰ ਤੋਂ ਲੁਕਿਆ ਰਹਿੰਦਾ ਹੈ। ਵਿੱਤ, ਬੀਮੇ ਅਤੇ ਰੀਅਲ ਅਸਟੇਟ ਦੀਆਂ ਟੀਮਾਂ ਲਈ ਕਾਰਜ-ਪ੍ਰਵਾਹਾਂ ਅੰਦਰ ਜਾਣਕਾਰੀ ਪ੍ਰਾਪਤੀ ਦੀ ਸ਼ੁੱਧਤਾ ਨਾਲ ਕੋਈ ਸਮਝੌਤਾ ਨਹੀਂ ਹੋ ਸਕਦਾ ਹੈ।
ਵਿਆਪਕ ਤੌਰ 'ਤੇ ਵਰਤੀ ਜਾਣ ਵਾਲੀ ਕੰਪਿਊਟਰ ਵਿਜ਼ਨ ਐਕਸੈੱਸਬਿਲਟੀ ਐਪ ਨੂੰ ਸਾਂਝੇ ਤੌਰ 'ਤੇ ਬਣਾਉਣ ਤੋਂ ਬਾਅਦ, ਰਿਜ਼ੋਲੀ ਅਤੇ ਐਡਵਰਡਸਨ ਨੇ 2018 ਵਿੱਚ V7(ਨਵੀਂ ਵਿੰਡੋ ਵਿੱਚ ਖੁੱਲ੍ਹਦਾ ਹੈ) ਦੀ ਸ਼ੁਰੂਆਤ ਕੀਤੀ ਤਾਂ ਜੋ ਕੰਪਨੀਆਂ ਨੂੰ ਇਹ ਸਿਖਾਉਣ ਵਿੱਚ ਮਦਦ ਮਿਲ ਸਕੇ ਕਿ ਉਨ੍ਹਾਂ ਦੇ ਕਾਰੋਬਾਰ ਕਿਵੇਂ ਕੰਮ ਕਰਦੇ ਹਨ। V7 Go ਮਿਸ਼ਨ-ਕ੍ਰਿਟੀਕਲ ਕਾਰਜ-ਪ੍ਰਵਾਹ ਤਿਆਰ ਕਰਨ ਅਤੇ ਲੁਕੇ ਹੋਏ ਸੰਦਰਭ ਨੂੰ ਅਜਿਹੀ ਮੈਮੋਰੀ ਵਿੱਚ ਵਿਵਸਥਿਤ ਕਰਨ ਲਈ ਇੱਕ ਏਜੰਟ-ਆਧਾਰਿਤ ਪਲੇਟਫਾਰਮ ਹੈ, ਜਿਸ ਵਿੱਚ ਏਜੰਟ ਪੁੱਛਗਿੱਛ ਕਰਕੇ ਉਸ 'ਤੇ ਕਾਰਵਾਈ ਕਰ ਸਕਦੇ ਹਨ।
V7 Go ਲੱਖਾਂ ਫ਼ਾਈਲਾਂ ਵਿੱਚੋਂ ਜਾਣਕਾਰੀ ਕੱਢਣ ਅਤੇ ਉਸ ਨੂੰ ਸੰਦਰਭ ਗ੍ਰਾਫ਼ ਵਿੱਚ ਵਿਵਸਥਿਤ ਕਰਨ ਲਈ GPT‑5.6 Luna ਦੀ ਵਰਤੋਂ ਕਰਦਾ ਹੈ, ਜੋ ਇਕਾਈਆਂ, ਸੰਬੰਧਾਂ ਅਤੇ ਹਵਾਲੇ ਵਾਲੇ ਸਬੂਤਾਂ ਨੂੰ ਜੋੜਦਾ ਹੈ ਅਤੇ MCP ਖੋਜ ਤੇ ਸੈਂਕੜੇ ਪੜਾਵਾਂ ਤੱਕ ਫੈਲ ਸਕਣ ਵਾਲੇ ਦੁਹਰਾਉਣਯੋਗ ਕਾਰਜ-ਪ੍ਰਵਾਹਾਂ ਨੂੰ ਸਮਰੱਥ ਬਣਾਉਂਦਾ ਹੈ। ਕਾਰਜ-ਪ੍ਰਵਾਹਾਂ ਲਈ, V7 Go ਗੁੰਝਲਦਾਰ, ਕਈ ਪੜਾਵਾਂ ਵਾਲੀਆਂ ਹਦਾਇਤਾਂ ਵਿੱਚ ਰੀਜ਼ਨਿੰਗ ਅਤੇ ਟੂਲ ਵਰਤੋਂ ਕਰਨ ਲਈ GPT‑5.6 Terra ਅਤੇ Sol ਦੀ ਵਰਤੋਂ ਕਰਦਾ ਹੈ, ਜਿਨ੍ਹਾਂ ਨੂੰ ਇਨਸਾਨਾਂ ਨੂੰ ਪੂਰਾ ਕਰਨ ਵਿੱਚ ਦਰਜਨਾਂ ਘੰਟੇ ਲੱਗ ਜਾਂਦੇ ਹਨ। V7 ਸਭ ਤੋਂ ਵੱਧ ਮੰਗ ਵਾਲੀਆਂ ਸੰਦਰਭ ਗ੍ਰਾਫ਼ ਪੁੱਛਗਿੱਛਾਂ 'ਤੇ GPT‑6 Astra ਦੀ ਵਰਤੋਂ ਕਰਨੀ ਵੀ ਸ਼ੁਰੂ ਕਰ ਰਿਹਾ ਹੈ, ਜਿਸ ਵਿੱਚ ਹਜ਼ਾਰਾਂ ਦਸਤਾਵੇਜ਼ਾਂ ਵਿੱਚ ਵਿੱਤੀ ਵਿਸ਼ਲੇਸ਼ਣ ਵੀ ਸ਼ਾਮਲ ਹੈ।
ਸੰਦਰਭ, ਮਾਡਲਾਂ ਅਤੇ ਟੂਲਾਂ ਦੇ ਸਹਿਯੋਗ ਨਾਲ, V7 ਦਾ ਕਹਿਣਾ ਹੈ ਕਿ ਏਜੰਟ ਮਿੰਟਾਂ ਵਿੱਚ 50–100 ਕਦਮਾਂ ਵਾਲੇ ਕਾਰਜ-ਪ੍ਰਵਾਹਾਂ ਨੂੰ ਪੂਰਾ ਕਰਦੇ ਹਨ, 99.9% ਸਟੀਕਤਾ ਤੱਕ ਪਹੁੰਚਦੇ ਹਨ, ਅਤੇ ਹਰ ਫ਼ੈਸਲੇ ਦਾ ਆਡਿਟ ਕਰਨ ਯੋਗ ਰਿਕਾਰਡ ਵੀ ਕਾਇਮ ਰੱਖਦੇ ਹਨ।
“ਵਿੱਤ ਅਤੇ ਬੀਮਾ ਖੇਤਰਾਂ ਵਿੱਚ ਮੁਸ਼ਕਲ ਕਾਰੋਬਾਰੀ ਮਾਮਲਿਆਂ ਨੂੰ ਹੱਲ ਕਰਨ ਲਈ AI ਨੂੰ ਇਹ ਸਿੱਖਣ ਦੀ ਲੋੜ ਹੈ ਕਿ ਤੁਹਾਡਾ ਕਾਰੋਬਾਰ ਕਿਵੇਂ ਕੰਮ ਕਰਦਾ ਹੈ, ਬਿਲਕੁਲ ਉਸੇ ਤਰ੍ਹਾਂ ਜਿਵੇਂ ਇਸ ਨੇ ਇੰਟਰਨੈੱਟ ਤੋਂ ਸਿੱਖਿਆ ਹੈ।”
ਸੰਦਰਭ ਗ੍ਰਾਫ਼ ਇੱਕ ਖ਼ਾਸ ਸਮੱਸਿਆ ਦਾ ਹੱਲ ਕਰਦਾ ਹੈ। ਏਜੰਟਾਂ ਨੂੰ ਹਰ ਬੇਨਤੀ 'ਤੇ ਨਵੇਂ ਸਿਰੇ ਤੋਂ ਸੰਦਰਭ ਲੱਭਣਾ ਪੈਂਦਾ ਹੈ, ਜਿਸ ਨਾਲ ਦਰਜਨਾਂ ਖੋਜ ਕਰਨ ਵਿੱਚ ਸਮਾਂ ਅਤੇ ਟੋਕਨ ਖਰਚ ਹੁੰਦੇ ਹਨ, ਅਤੇ ਅਕਸਰ ਆਪਸੀ ਸਬੰਧਾਂ ਵਿੱਚ ਲੁਕੀ ਅਹਿਮ ਜਾਣਕਾਰੀ ਖੁੰਝ ਜਾਂਦੀ ਹੈ।
ਜਦੋਂ ਡਾਟਾ ਆਉਂਦਾ ਹੈ, ਤਾਂ V7 Go SharePoint ਅਤੇ Google Drive ਵਰਗੀਆਂ ਰਿਪੋਜ਼ਟਰੀਆਂ ਨਾਲ ਜੁੜ ਜਾਂਦਾ ਹੈ, ਇਕਾਈਆਂ, ਆਪਸੀ ਸਬੰਧਾਂ, ਤੱਥਾਂ, ਵਿਸ਼ੇਸ਼ਤਾਵਾਂ ਅਤੇ ਮੈਟ੍ਰਿਕਸ ਲਈ ਉਨ੍ਹਾਂ ਨੂੰ ਸਕੈਨ ਕਰਦਾ ਹੈ, ਅਤੇ ਇੱਕ ਅਜਿਹਾ ਗ੍ਰਾਫ਼ ਤਿਆਰ ਕਰਦਾ ਹੈ ਜਿਸ ਨੂੰ ਲੰਬੇ-ਸੰਦਰਭ ਤਰੀਕਿਆਂ ਦੇ ਮੁਕਾਬਲੇ ਪਾਰ ਕਰਨਾ ਕਈ ਗੁਣਾ ਸਸਤਾ ਅਤੇ ਤੇਜ਼ ਹੁੰਦਾ ਹੈ।
ਸੰਦਰਭ ਗ੍ਰਾਫ਼ ਏਜੰਟਾਂ ਨੂੰ ਅਜਿਹਾ ਸੰਰਚਿਤ ਅਤੇ ਅੱਪ-ਟੂ-ਡੇਟ ਰਿਕਾਰਡ ਪ੍ਰਦਾਨ ਕਰਦਾ ਹੈ ਜਿਸ ਤੋਂ ਉਹ ਸਿੱਧੀ ਪੁੱਛਗਿੱਛ ਕਰ ਸਕਦੇ ਹਨ। ਜਦੋਂ ਕੋਈ ਨਵੀਂ ਫ਼ਾਈਲ ਆਉਂਦੀ ਹੈ, ਤਾਂ V7 Go ਕਿਸੇ ਓਂਟੋਲੋਜੀ ਵਿੱਚ ਸ਼ਾਮਲ ਕੰਪਨੀਆਂ, ਫੰਡਾਂ, ਵਿਅਕਤੀਆਂ ਜਾਂ ਕਿਸੇ ਵੀ ਇਕਾਈ ਦੀ ਪਛਾਣ ਕਰਦਾ ਹੈ, ਫਿਰ ਹਰ ਤੱਥ ਨੂੰ ਇੱਕ ਨਵੇਂ ਜਾਂ ਮੌਜੂਦਾ ਰਿਕਾਰਡ ਨਾਲ ਜੋੜਦਾ ਹੈ, ਅਤੇ ਅਸਲ ਸਰੋਤ ਦੇ ਹਵਾਲੇ ਵਜੋਂ ਦਿੱਤੇ ਗਏ ਸਬੂਤ ਨੂੰ ਸੁਰੱਖਿਅਤ ਰੱਖਦਾ ਹੈ। ਜੇ ਗ੍ਰਾਫ਼ ਵਿੱਚ ਲੋੜੀਂਦੀ ਜਾਣਕਾਰੀ ਮੌਜੂਦ ਨਾ ਹੋਵੇ, ਤਾਂ ਵੀ V7 Go RAG ਰਾਹੀਂ ਮੂਲ ਦਸਤਾਵੇਜ਼ਾਂ ਵਿੱਚ ਖੋਜ ਕਰ ਸਕਦਾ ਹੈ।
V7 ਨੇ ਇਹ ਵੀ ਪਰਖ ਕੀਤੀ ਹੈ ਕਿ ਉਸ ਸੰਦਰਭ ਦਾ ਢਾਂਚਾ ਕਿੰਨਾ ਮਾਇਨੇ ਰੱਖਦਾ ਹੈ। ਐਂਟਰਪ੍ਰਾਈਜ਼ ਸਿਸਟਮਾਂ ਵਿੱਚ ਖਿੰਡੀ ਹੋਈ ਜਾਣਕਾਰੀ ਨੂੰ ਲੱਭਣ ਅਤੇ ਆਪਸ ਵਿੱਚ ਜੋੜਨ ਲਈ ਬਣਾਏ ਗਏ ਬੈਂਚਮਾਰਕ 'ਤੇ V7 ਦੇ ਸਿਰਫ਼ ਜਾਣਕਾਰੀ ਪ੍ਰਾਪਤੀ ਵਾਲੇ ਸਿਸਟਮ ਨੇ ਅਧਿਕਾਰਤ ਬੇਸਲਾਈਨ ਨਾਲੋਂ 69% ਬਿਹਤਰ ਪ੍ਰਦਰਸ਼ਨ ਕੀਤਾ ਅਤੇ ਬਿਨਾਂ-ਉੱਤਰ ਵਾਲੇ ਸਵਾਲਾਂ 'ਤੇ ਭੁਲੇਖਿਆਂ ਨੂੰ 38% ਤੱਕ ਘਟਾ ਦਿੱਤਾ। V7 Go ਉਸ ਸਰੋਤ-ਲਿੰਕਡ ਸੰਦਰਭ ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਗੁੰਝਲਦਾਰ ਕਾਰਜ-ਪ੍ਰਵਾਹਾਂ ਨੂੰ ਹਰ ਕੰਪਨੀ ਦੀ ਆਪਣੀ ਜਾਣਕਾਰੀ ਨਾਲ ਜੋੜ ਕੇ ਰੱਖਦਾ ਹੈ।
V7 Go ਇਸ ਸੰਗਠਿਤ ਸੰਦਰਭ ਦੀ ਵਰਤੋਂ ਪ੍ਰਾਈਵੇਟ ਇਕੁਇਟੀ ਡੀਲ ਸਕ੍ਰੀਨਿੰਗ ਅਤੇ ਬੀਮਾ ਅੰਡਰਰਾਈਟਿੰਗ ਵਰਗੇ ਕਾਰਜ-ਪ੍ਰਵਾਹਾਂ ਵਿੱਚ ਕਰਦਾ ਹੈ। ਹੇਠਾਂ ਦਿੱਤੇ ਡੈਮੋ ਵਿੱਚ, ਇੱਕ ਕਾਰਜ-ਪ੍ਰਵਾਹ ਗੁਪਤ ਜਾਣਕਾਰੀ ਮੈਮੋਰੈਂਡਮ (CIM) ਨਾਮਕ ਸੌਦਾ ਦਸਤਾਵੇਜ਼ ਵਿੱਚੋਂ ਜਾਣਕਾਰੀ ਕੱਢਦਾ ਹੈ, ਮੁੱਖ ਵਿੱਤੀ ਅੰਕੜੇ, ਸੌਦੇ ਦੀਆਂ ਸ਼ਰਤਾਂ ਅਤੇ ਪ੍ਰਬੰਧਨ ਵੇਰਵੇ ਦਿੰਦਾ ਹੈ ਅਤੇ ਜੋਖਮ ਖੇਤਰਾਂ ਲਈ ਹਵਾਲੇ ਜੋੜਦਾ ਹੈ, ਜਿਸ ਤੋਂ ਬਾਅਦ V7 Go ਸਕ੍ਰੀਨਿੰਗ ਨੋਟ ਤਿਆਰ ਕਰਦਾ ਹੈ।
ਸੰਦਰਭ ਗ੍ਰਾਫ਼ ਮਾਡਲ ਨੂੰ ਕਿਸੇ ਕੰਪਨੀ ਦੇ ਇਤਿਹਾਸ ਨੂੰ ਹਰ ਵਾਰ ਮੁੜ ਸਿੱਖੇ ਬਿਨਾਂ ਉਸ ਨਾਲ ਕੰਮ ਕਰਨ ਦੇ ਯੋਗ ਬਣਾਉਂਦਾ ਹੈ। ਲੰਬੇ ਸਮੇਂ ਤੱਕ ਚੱਲਣ ਵਾਲੇ ਏਜੰਟਾਂ ਲਈ, V7 Go ਤਾਜ਼ਾ ਗੱਲਬਾਤ ਨੂੰ ਮਾਡਲ ਦੇ ਸਰਗਰਮ ਸੰਦਰਭ ਵਿੱਚ ਰੱਖਦਾ ਹੈ ਅਤੇ ਪੁਰਾਣੀ ਸਮੱਗਰੀ ਨੂੰ ਲੋੜ ਪੈਣ 'ਤੇ ਮੁੜ ਪ੍ਰਾਪਤ ਕਰਨ ਲਈ ਗ੍ਰਾਫ਼ ਵਿੱਚ ਸੁਰੱਖਿਅਤ ਕਰਦਾ ਹੈ।
ਉਹ ਸਾਂਝਾ ਸੰਦਰਭ ਪਹਿਲਾਂ ਹੀ V7 ਦੇ ਗਾਹਕਾਂ ਲਈ ਦਸਤਾਵੇਜ਼ਾਂ ਦੀ ਵੱਧ ਵਰਤੋਂ ਵਾਲੇ ਕੰਮ ਨੂੰ ਤੇਜ਼ ਕਰ ਰਿਹਾ ਹੈ:
ਸੰਪਤੀ ਪ੍ਰਬੰਧਕ ਸੌਦਿਆਂ ਦੀ ਸਕ੍ਰੀਨਿੰਗ ਪਹਿਲਾਂ ਨਾਲੋਂ 21 ਗੁਣਾ ਤੇਜ਼ੀ ਨਾਲ ਕਰ ਸਕਦੇ ਹਨ, ਜਿਸ ਨਾਲ ਪੂਰੇ ਦਿਨ ਦੀ ਪ੍ਰਕਿਰਿਆ ਸਿਰਫ਼ 15 ਮਿੰਟਾਂ ਵਿੱਚ ਸਿਮਟ ਜਾਂਦੀ ਹੈ
ਇੱਕ ਵਿੱਤੀ ਸੇਵਾਵਾਂ ਵਾਲੀ ਟੀਮ ਨੇ ਸਮੀਖਿਆ ਦਾ ਸਮਾਂ 100 ਘੰਟਿਆਂ ਤੋਂ ਵੱਧ ਤੋਂ ਘਟਾ ਕੇ 10 ਘੰਟਿਆਂ ਤੋਂ ਵੀ ਘੱਟ ਕਰ ਦਿੱਤਾ, ਜਿਸ ਨਾਲ ਪ੍ਰਤੀ ਕੰਮ ਮਾਹਰਾਂ ਦੇ ਖਰਚੇ ਵਿੱਚ $12,000 ਦੀ ਬਚਤ ਹੋਈ
ਆਪਣੇ ਏਜੰਟਾਂ ਨੂੰ ਪਿਛਲੇ ਸਾਰੇ ਦਾਅਵਿਆਂ ਅਤੇ ਮੌਜੂਦਾ ਪਾਲਿਸੀਆਂ ਦਾ ਇਤਿਹਾਸਕ ਗਿਆਨ ਦੇਣ ਤੋਂ ਬਾਅਦ, ਬੀਮਾ ਟੀਮਾਂ ਨੇ ਮੈਨੂਅਲ ਬੇਸਲਾਈਨ ਦੇ ਮੁਕਾਬਲੇ ਦਾਅਵਿਆਂ ਦੀ ਪ੍ਰਕਿਰਿਆ ਵਿੱਚ ਗਲਤੀਆਂ ਨੂੰ 13.5% ਤੱਕ ਘਟਾ ਦਿੱਤਾ
“GPT-5.6 Terra ਨਾਲ, ਅਸੀਂ ਬਹੁਤ ਸਾਰੇ ਵਿਚਕਾਰਲੇ ਕਾਰਜ-ਪ੍ਰਵਾਹ ਪੜਾਵਾਂ ਨੂੰ ਹਟਾਉਣ ਦੇ ਯੋਗ ਹੋ ਗਏ ਹਾਂ ਜੋ ਪਹਿਲਾਂ ਸਿਰਫ਼ ਮਾਡਲ ਲਈ ਕੰਮ ਨੂੰ ਆਸਾਨ ਬਣਾਉਣ ਵਾਸਤੇ ਮੌਜੂਦ ਸਨ। ਇਸ ਨੇ ਡਿਲਿਵਰੀ ਦੇ ਕਈ ਦਿਨਾਂ ਦਾ ਕੰਮ ਬਚਾਇਆ ਹੈ ਅਤੇ ਮਜ਼ਬੂਤ ਮਾਡਲ ਅਤੇ ਵਧੇਰੇ ਸੰਦਰਭ ਤੱਕ ਪਹੁੰਚ ਕਰਕੇ ਇਹ ਅਕਸਰ ਕਾਰਜ-ਪ੍ਰਵਾਹ ਦੇ ਪਹਿਲੇ ਹੀ ਬਿਲਡ ਵਿੱਚ ਚੀਜ਼ਾਂ ਨੂੰ ਬਿਲਕੁਲ ਸਹੀ ਕਰ ਦਿੰਦਾ ਹੈ।”
ਗੁੰਝਲਦਾਰ ਅਤੇ ਕਈ ਪੜਾਵਾਂ ਵਾਲੇ ਕਾਰਜ-ਪ੍ਰਵਾਹ ਇਸ ਗੱਲ 'ਤੇ ਨਿਰਭਰ ਕਰਦੇ ਹਨ ਕਿ ਇੱਕ ਮਾਡਲ ਲੰਬੀਆਂ ਹਦਾਇਤਾਂ ਦੀ ਭਰੋਸੇਯੋਗ ਢੰਗ ਨਾਲ ਪਾਲਣਾ ਕਰੇ, ਟੂਲ ਚਲਾਵੇ, ਨਤੀਜਿਆਂ ਦੀ ਵਿਆਖਿਆ ਕਰੇ, ਅਤੇ ਪੜਾਵਾਂ ਦੀ ਲੰਬੀ ਲੜੀ ਵਿੱਚੋਂ ਲੰਘੇ। ਇੱਕ ਵੀ ਸ਼ੁਰੂਆਤੀ ਗਲਤੀ ਦੇ ਮਹਿੰਗੇ ਨਤੀਜੇ ਨਿਕਲ ਸਕਦੇ ਹਨ ਅਤੇ AI ਪ੍ਰਣਾਲੀਆਂ ਵਿੱਚ ਵਿਸ਼ਵਾਸ ਟੁੱਟ ਸਕਦਾ ਹੈ। V7 Go ਮਾਡਲਾਂ ਨੂੰ ਨਿਰਧਾਰਤ ਕੋਡ, ਛੋਟੇ ਮਾਡਲਾਂ ਨੂੰ ਕੰਮ ਸੌਂਪਣ, ਫ਼ਾਈਲ ਬਣਾਉਣ ਦੇ ਪੜਾਵਾਂ ਅਤੇ ਏਕੀਕਰਨ ਤੱਕ ਫੈਲੇ ਲੰਬੇ ਸਮੇਂ ਦੇ ਕੰਮਾਂ ਵਿੱਚ ਮਾਰਗਦਰਸ਼ਨ ਕਰਦਾ ਹੈ, ਜਿਸ ਵਿੱਚ ਹਰ ਸੰਚਾਲਨ ਦਾ ਜਾਂਚਯੋਗ ਰਿਕਾਰਡ ਮੌਜੂਦ ਹੁੰਦਾ ਹੈ।
AI-ਉਤਪੰਨ ਕਾਰਜ-ਪ੍ਰਵਾਹਾਂ ਵਿੱਚ, V7 Go ਹਰ ਪੜਾਅ ਨੂੰ ਤੇਜ਼, ਮੀਡੀਅਮ ਅਤੇ ਸਮਾਰਟ ਟੀਅਰਾਂ ਵਿੱਚ ਵੰਡਦਾ ਹੈ। GPT‑5.6 Luna ਡਾਟਾ ਐਕਸਟ੍ਰੈਕਸ਼ਨ ਅਤੇ ਹੋਰ ਹਾਈ ਪੱਧਰ ਦੇ ਕੰਮਾਂ ਨੂੰ ਸੰਭਾਲਦਾ ਹੈ, ਜਦੋਂ ਕਿ GPT‑5.6 Terra ਜਾਂ Sol ਚੈਟ, Go ਏਜੰਟ ਮਾਰਗ, ਅਤੇ ਉਨ੍ਹਾਂ ਪੜਾਵਾਂ ਨੂੰ ਚਲਾਉਂਦੇ ਹਨ ਜਿਨ੍ਹਾਂ ਲਈ ਵਧੇਰੇ ਰੀਜ਼ਨਿੰਗ ਜਾਂ ਟੂਲ ਦੀ ਵਰਤੋਂ ਦੀ ਲੋੜ ਹੁੰਦੀ ਹੈ।
V7 ਲਗਾਤਾਰ ਅੱਪਡੇਟ ਕੀਤੇ ਜਾਂਦੇ ਬੈਂਚਮਾਰਕ ਸੂਟ 'ਤੇ ਨਵੇਂ ਮਾਡਲਾਂ ਦੀ ਪਰਖ ਕਰਦਾ ਹੈ, ਜਿਸ ਵਿੱਚ ਹਵਾਲਿਆਂ ਦੀ ਸ਼ੁੱਧਤਾ, ਸੈਂਕੜੇ ਦਸਤਾਵੇਜ਼ ਕਿਸਮਾਂ ਵਿੱਚ ਡਾਟਾ ਐਕਸਟ੍ਰੈਕਸ਼ਨ ਦੀ ਗੁਣਵੱਤਾ, ਜਵਾਬਾਂ ਦੀ ਸ਼ੁੱਧਤਾ, ਹਦਾਇਤਾਂ ਦੀ ਪਾਲਣਾ, ਲੇਟੈਂਸੀ, ਲਾਗਤ ਅਤੇ ਅਸਲ-ਸੰਸਾਰ ਦੇ ਐਂਟਰਪ੍ਰਾਈਜ਼ ਕਾਰਜ-ਪ੍ਰਵਾਹ ਸ਼ਾਮਲ ਹਨ। V7 ਜਿਨ੍ਹਾਂ ਵਿਵਹਾਰਾਂ ਨੂੰ ਸਭ ਤੋਂ ਵੱਧ ਮਹੱਤਵ ਦਿੰਦਾ ਹੈ, ਉਨ੍ਹਾਂ ਵਿੱਚ OpenAI ਜ਼ਿਆਦਾਤਰ ਮਾਡਲਾਂ ਨਾਲੋਂ ਬਿਹਤਰ ਪ੍ਰਦਰਸ਼ਨ ਕਰਦਾ ਹੈ। V7 ਵੱਲੋਂ ਵਰਤੇ ਜਾਂਦੇ ਹੋਰ ਪ੍ਰਦਾਤਾਵਾਂ ਨੂੰ ਹਫ਼ਤੇ ਲੱਗਣ ਦੇ ਮੁਕਾਬਲੇ OpenAI ਨੇ ਕੁਝ ਘੰਟਿਆਂ ਵਿੱਚ ਹੀ V7 ਦੀ ਸਮਰੱਥਾ ਵਧਾਉਣ ਦੀਆਂ ਲੋੜਾਂ ਨੂੰ ਮਨਜ਼ੂਰ ਕਰਕੇ ਲਾਗੂ ਕਰ ਦਿੱਤਾ।
“ਅਸੀਂ OpenAI ਨੂੰ ਆਪਣੀ ਮੂਲ ਚੋਣ ਵਜੋਂ ਇਸ ਲਈ ਚੁਣਿਆ ਕਿਉਂਕਿ ਇਹ ਕਈ ਪੜਾਵਾਂ ਵਾਲੇ ਟੂਲ ਕਾਰਜ-ਪ੍ਰਵਾਹਾਂ 'ਤੇ ਸਭ ਤੋਂ ਵਧੀਆ ਪ੍ਰਦਰਸ਼ਨ ਕਰਦਾ ਹੈ, ਜਿਨ੍ਹਾਂ 'ਤੇ V7 Go ਨਿਰਭਰ ਕਰਦਾ ਹੈ। ਸਾਡੇ ਸੰਦਰਭ ਗ੍ਰਾਫ਼ ਬੈਂਚਮਾਰਕ ਵਿੱਚ, GPT-5.6 Sol ਨੇ ਟੂਲ-ਕਾਲ ਗਲਤੀ ਦਰ GPT-5.5 ਦੇ 2.7% ਤੋਂ ਘਟਾ ਕੇ 0.2% ਕਰ ਦਿੱਤਾ।”
V7 ਦੇ ਨਵੀਨਤਮ ਜਾਂਚ-ਢਾਂਚੇ ਵਿੱਚ, ਕਈ ਬਾਹਰੀ ਕਾਲਾਂ ਵਾਲੇ ਮੁੱਖ ਕਾਰਜ-ਪ੍ਰਵਾਹ ਹੁਣ 50% ਤੱਕ ਤੇਜ਼ੀ ਨਾਲ ਪੂਰੇ ਹੁੰਦੇ ਹਨ। V7 ਨੇ GPT‑5.6 Luna ਨਾਲ ਕੁਸ਼ਲਤਾ ਵਿੱਚ ਇੱਕ ਹੋਰ ਲਾਭ ਮਾਪਿਆ: GPT‑5.4 mini ਦੇ ਮੁਕਾਬਲੇ ਪ੍ਰਤੀ ਦਸਤਾਵੇਜ਼ 78% ਘੱਟ ਲਾਗਤ। V7 ਨੇ ਦਸਤਾਵੇਜ਼ਾਂ ਦੀ ਵੱਧ ਵਰਤੋਂ ਵਾਲੇ ਆਪਣੇ V7 Go ਕਾਰਜਭਾਰ ਵੀ ਚੈਟ ਕੰਪਲੀਸ਼ਨਜ਼ API ਤੋਂ ਰਿਸਪਾਂਸਿਜ਼ API 'ਤੇ ਤਬਦੀਲ ਕਰ ਦਿੱਤੇ। ਇਸ ਦੀ ਜਾਂਚ ਵਿੱਚ, ਇਸ ਤਬਦੀਲੀ ਨੇ PDF ਦੀ ਵੱਧ ਵਰਤੋਂ ਵਾਲੇ ਕੁਝ ਕਾਰਜ-ਪ੍ਰਵਾਹਾਂ ਲਈ ਟੋਕਨ ਵਰਤੋਂ ਲਗਭਗ 5% ਘਟਾਈ ਅਤੇ ਕੈਸ਼ਿੰਗ ਦੀ ਭਰੋਸੇਯੋਗਤਾ ਸੁਧਾਰੀ ਹੈ।
V7 ਨੇ ਆਪਣੇ ਸਭ ਤੋਂ ਔਖੇ ਸਵਾਲਾਂ 'ਤੇ GPT‑6 Astra ਦੀ ਵੀ ਪਰਖ ਕੀਤੀ। GPT‑5.6 Sol ਨੇ V7 ਦੇ ਕਈ ਮੌਜੂਦਾ ਬੈਂਚਮਾਰਕਾਂ ਦੀ ਹੱਦ ਪਾਰ ਕਰ ਲਈ ਸੀ, ਇਸ ਲਈ ਕੰਪਨੀ ਨੇ ਹਜ਼ਾਰਾਂ ਦਸਤਾਵੇਜ਼ਾਂ ਵਿੱਚੋਂ ਗੜਬੜ ਵਾਲੇ ਅਤੇ ਅਸਲ-ਸੰਸਾਰ ਦੇ ਡਾਟਾ ਦੀ ਵਰਤੋਂ ਕਰਦਿਆਂ ਗ੍ਰਾਫ-ਕੁਅਰੀ ਸਵਾਲਾਂ ਦਾ ਇੱਕ ਹੋਰ ਵਧੇਰੇ ਚੁਣੌਤੀਪੂਰਨ ਸੈੱਟ ਤਿਆਰ ਕੀਤਾ। ਇਸ ਟੈਸਟ ਦਾ ਡਾਟਾਸੈੱਟ ਚਾਰ ਮੁਸ਼ਕਲ ਪੱਧਰਾਂ ਵਿੱਚ ਵੰਡਿਆ ਹੋਇਆ ਹੈ। ਸਭ ਤੋਂ ਔਖੇ ਪੱਧਰ 'ਤੇ, V7 ਮੁਤਾਬਕ GPT‑5.6 Sol ਨੇ 78% ਅੰਕ ਪ੍ਰਾਪਤ ਕੀਤੇ, ਜਦੋਂ ਕਿ GPT‑6 Astra ਨੇ 89% ਸ਼ੁੱਧਤਾ ਦਰਜ ਕੀਤੀ। ਆਸਾਨ, ਮੀਡੀਅਮ ਅਤੇ ਔਖੇ ਪੱਧਰਾਂ 'ਤੇ ਦੋਵਾਂ ਮਾਡਲਾਂ ਦਾ ਸਕੋਰ ਲਗਭਗ 100% ਰਿਹਾ।
V7 Go ਆਪਣੇ MCP ਸਰਵਰ ਰਾਹੀਂ ਸੰਦਰਭ ਗ੍ਰਾਫ਼ ਦੀ ਪੁੱਛਗਿੱਛ ਅਤੇ ਡੇਟਾ ਇੰਜੈਸ਼ਨ ਨੂੰ ਪਹਿਲਾਂ ਹੀ ਉਪਲਬਧ ਕਰਵਾਉਂਦਾ ਹੈ, ਤਾਂ ਜੋ ਗਾਹਕ ਇਸ ਨੂੰ ChatGPT ਅਤੇ ਹੋਰ ਅਨੁਕੂਲ ਕਲਾਇੰਟਾਂ ਤੋਂ ਵਰਤ ਸਕਣ। ਉਹ Codex ਵਿੱਚ MCP ਰਾਹੀਂ V7 Go ਕਾਰਜ-ਪ੍ਰਵਾਹ ਵੀ ਤਿਆਰ ਕਰ ਸਕਦੇ ਹਨ। ਕਾਰਜ-ਪ੍ਰਵਾਹ ਦੀ ਸਰਲ ਰਚਨਾ ਦੇ ਨਾਲ, ਇਸ ਨੇ ਮੀਡੀਅਮ ਲੰਬਾਈ ਦੇ ਕਾਰਜ-ਪ੍ਰਵਾਹ ਨੂੰ ਬਣਾਉਣ ਵਿੱਚ ਲੱਗਣ ਵਾਲੇ ਸਮੇਂ ਨੂੰ ਲਗਭਗ ਇੱਕ ਘੰਟੇ ਤੋਂ ਘਟਾ ਕੇ ਕਰੀਬ 20 ਮਿੰਟ ਕਰ ਦਿੱਤਾ ਹੈ।
V7 ਦਾ ਲੰਬੇ ਸਮੇਂ ਦਾ ਟੀਚਾ ਉਸ ਸਾਂਝੀ ਮੈਮੋਰੀ ਨੂੰ ਹੋਰ ਵੱਧ ਪ੍ਰੋਐਕਟਿਵ ਬਣਾਉਣਾ ਹੈ। ਟੀਮ ਅਜਿਹੇ ਕਾਰਜ-ਪ੍ਰਵਾਹਾਂ 'ਤੇ ਕੰਮ ਕਰ ਰਹੀ ਹੈ ਜੋ ਉਦੋਂ ਸ਼ੁਰੂ ਹੁੰਦੇ ਹਨ ਜਦੋਂ ਸੰਦਰਭ ਗ੍ਰਾਫ਼ ਵਿੱਚ ਤੱਥ ਬਦਲ ਜਾਂਦੇ ਹਨ, ਅਸੰਗਤਤਾਵਾਂ ਨੂੰ ਉਜਾਗਰ ਕਰਦੇ ਹਨ, ਅਤੇ ਟੀਮਾਂ ਨੂੰ ਇਹ ਦਿਖਾਉਂਦੇ ਹਨ ਕਿ ਕਿਹੜੇ ਵਿਸ਼ਲੇਸ਼ਣਾਂ ਨੂੰ ਦੁਬਾਰਾ ਦੇਖਣ ਦੀ ਲੋੜ ਹੈ। ਉਦਾਹਰਣ ਵਜੋਂ, ਫੰਡ ਦੀ ਇੱਕ ਸੋਧੀ ਹੋਈ ਰਿਪੋਰਟ V7 Go ਨੂੰ ਅਜਿਹੇ ਕੰਮ ਨੂੰ ਚਿੰਨ੍ਹਿਤ ਕਰਨ ਲਈ ਪ੍ਰੌੰਪਟ ਕਰ ਸਕਦੀ ਹੈ ਜੋ ਹਾਲੇ ਵੀ ਪੁਰਾਣੇ ਅੰਕੜਿਆਂ 'ਤੇ ਨਿਰਭਰ ਕਰਦਾ ਹੈ।
ਰਿਜ਼ੋਲੀ ਕਹਿੰਦੇ ਹਨ, “ਸਾਡਾ ਟੀਚਾ ਅਹਿਮ ਕਾਰੋਬਾਰੀ ਕੰਮ ਹੱਲ ਕਰਨ ਵਾਲੇ ਕਾਰਜ-ਪ੍ਰਵਾਹਾਂ ਅਤੇ ਮਨੁੱਖਾਂ ਨਾਲੋਂ ਬਿਹਤਰ ਮੈਮੋਰੀ ਰਾਹੀਂ ਕਾਰੋਬਾਰਾਂ ਨੂੰ AI ਦੇ ਯੁੱਗ ਲਈ ਆਪਣੇ ਟੂਲ ਨਵੇਂ ਸਿਰੇ ਤੋਂ ਤਿਆਰ ਕਰਨ ਵਿੱਚ ਮਦਦ ਕਰਨਾ ਹੈ।” “AI ਤੋਂ ਅਸਲ ਮੁੱਲ ਹਾਸਲ ਕਰਨ ਵਾਲੀਆਂ ਵਿੱਤੀ ਫਰਮਾਂ ਉਹ ਨਹੀਂ ਹੋਣਗੀਆਂ ਜਿਨ੍ਹਾਂ ਕੋਲ ਸਭ ਤੋਂ ਵੱਧ ਏਜੰਟ ਹੋਣਗੇ, ਸਗੋਂ ਉਹ ਹੋਣਗੀਆਂ ਜਿਨ੍ਹਾਂ ਕੋਲ ਸਭ ਤੋਂ ਵਧੀਆ ਸੰਦਰਭ ਹੋਵੇਗਾ।”
