GPT-6.1Sol

Prezentăm GPT‑6.1 Sol, o versiune îmbunătățită a GPT‑6 Sol, cu performanțe excepționale în codare agentivă, precum și în utilizarea computerului și activități profesionale. Acesta aduce Sol mai aproape de GPT‑6 Astra în sarcini solicitante, la o cincime din prețurile standard Astra pentru tokenuri de intrare și de ieșire, oferind dezvoltatorilor mai multă libertate de a crea și rula agenți capabili cu același buget.

GPT‑6.1 Sol oferă performanțe apropiate de Astra la prețurile Sol, având astfel cel mai bun raport performanță-cost dintre modelele disponibile în prezent. Intrarea din cache costă doar 0,10 $ per milion de tokenuri — o reducere de 95% față de prețul standard de intrare — ceea ce îl face mai accesibil pentru sarcinile agentive care necesită reutilizarea contextului în solicitări repetate.

GPT‑6 Astra rămâne, per ansamblu, cel mai capabil model de vârf al nostru. GPT‑6.1 Sol oferă un nou echilibru între capacități și cost, atât pentru activitățile importante pe care utilizatorii vor să le realizeze mai des, cât și pentru clienții API care dezvoltă și rulează aplicații la scară largă.

GPT‑6.1 Sol aduce îmbunătățiri substanțiale față de GPT‑6 Sol în activități profesionale complexe, de la scrierea și depanarea codului la înțelegerea documentelor și executarea fluxurilor de lucru de afaceri în mai mulți pași. În mai multe dintre aceste evaluări, se apropie de performanța GPT‑6 Astra la un cost considerabil mai mic.

În DeepSWE v1.1, care evaluează sarcini complexe de inginerie software în baze de cod reale, GPT‑6.1 Sol egalează GPT‑6 Astra la aproximativ o cincime din cost și depășește cel mai bun scor al GPT‑6 Sol cu 6,4 puncte procentuale, cu un efort de raţionament și un cost mai mici.

În GDP.pdf, care măsoară cât de corect răspund modelele la întrebări profesionale folosind documente PDF complexe, cu tabele, grafice, diagrame și detalii scrise cu caractere mici, GPT‑6.1 Sol obține scoruri mai mari decât Opus 5.5 cu variante de rezervă, la mai puțin de jumătate din costul pe sarcină, pentru toate setările de raţionament testate. De asemenea, se apropie de performanța de ultimă generație a GPT‑6 Astra la aproximativ o cincime din costul pe sarcină.

În AutomationBench, care măsoară dacă agenții finalizează corect fluxuri de lucru de afaceri în mai mulți pași, GPT‑6.1 Sol obține un scor cu 2,2 puncte procentuale peste Opus 5.5 la un efort de raţionament mediu, la aproximativ o treime din cost. Acest scor este și cu 4,8 puncte procentuale mai mare decât cel al GPT‑6 Sol la aceeași setare.

GPT‑6.1 Sol înregistrează progrese substanțiale și în sarcinile care necesită interacțiunea cu aplicații pe computer. Pe setul offline al OSWorld 2.0, care evaluează agenții în fluxuri de lucru solicitante ce implică utilizarea computerului, GPT‑6.1 Sol depășește GPT‑6 Sol cu șapte puncte procentuale la efort maxim de raţionament, la mai puțin de jumătate din cost. Se apropie la 2,1 puncte procentuale de scorul Astra la efort maxim de raţionament, la aproximativ o șeptime din costul pe sarcină.

În Terminal-Bench Science 0.1, care evaluează fluxuri de lucru științifice, inclusiv analiza datelor, simularea și demonstrarea teoremelor, GPT‑6.1 Sol obține un scor de peste două ori mai mare decât GPT‑6 Sol la efort maxim de raţionament, la mai puțin de jumătate din costul pe sarcină. La efort maxim, GPT‑6.1 Sol costă în medie 5,47 $ pe sarcină, comparativ cu 23,21 $ pentru Opus 5.5 și 23,80 $ pentru Astra, oferind capacități științifice substanțiale la un cost cu peste 75% mai mic decât oricare dintre cele două modele.

GPT‑6 Astra obține în continuare cel mai mare scor dintre modelele testate, de 68,1%, și ar trebui folosit pentru cele mai dificile sarcini de cercetare științifică.

GPT‑6.1 Sol îmbunătățește și corectitudinea factuală a răspunsurilor la prompturi dificile. La un efort de raţionament foarte ridicat, rata sa de erori factuale este de 4,1%, în scădere față de 4,5% pentru GPT‑6 Sol și mai aproape de valoarea de 4,0% a Astra la aceeași setare, în timp ce costul pe sarcină este cu aproximativ 83% mai mic decât cel al Astra.

Această evaluare măsoară ponderea răspunsurilor care conțin cel puțin o eroare factuală, folosind conversații din care au fost eliminate datele de identificare și în care utilizatorii au semnalat o eroare a unui model anterior. Aceste prompturi intenționat dificile nu sunt reprezentative pentru utilizarea obișnuită.

GPT‑6.1 Sol înregistrează îmbunătățiri substanțiale față de GPT‑6 Sol în evaluările noastre de aliniere, apropiindu-se de GPT‑6 Astra.

GPT‑6.1 Sol este mai transparent cu privire la propriile limitări și mai fiabil în respectarea intenției utilizatorului și a constrângerilor de siguranță. În evaluări dificile, prezintă rate de eșec mai mici decât GPT‑6 Sol în ceea ce privește transparența despre instrumentele de căutare nefuncționale, respectarea restricțiilor explicite și evitarea rezultatelor neautorizate în sarcini agentive. Nu am observat nicio încercare de eludare a unui evaluator automat de siguranță, la fel ca în cazul GPT‑6 Astra și GPT‑6 Sol.

Evaluările de mai jos testează în mod deliberat situații dificile și nu măsoară ratele de eșec în utilizarea obișnuită.

GPT‑6.1 Sol este disponibil de astăzi pentru toți utilizatorii Plus, Pro, Business, Enterprise și Edu în ChatGPT Work și Codex. Aceste modele nu sunt încă disponibile în Chat. Dezvoltatorii îl pot accesa și prin API-ul OpenAI sub numele gpt-6.1-sol. Prețurile sale standard în API sunt de 2 $ per milion de tokenuri de intrare, 0,10 $ per milion de tokenuri de intrare din cache și 10 $ per milion de tokenuri de ieșire.

Totodată, lansăm GPT‑6 Astra Ultrafast, cel mai rapid model de vârf din lume, de până la 8 ori mai rapid decât GPT‑6 Astra, precum și GPT‑6.1 Sol Ultrafast. Acestea sunt disponibile în API, precum și în ChatGPT Work și Codex pentru utilizatorii noului nostru nivel Pro, cu cele mai mari limite de utilizare, la 500 $/lună. Cu GPT‑6.1 Sol Ultrafast, dezvoltatorii pot obține inteligență apropiată de Astra la o viteză de până la 8 ori mai mare, cu aproximativ aceleași cheltuieli API ca înainte pentru GPT‑6 Astra.