GPT-6.1Sol

Prezentăm GPT-6.1 Sol, o versiune îmbunătățită a GPT-6 Sol, care se apropie de inteligența GPT-6 Astra în codare agentivă, utilizarea calculatorului și activități profesionale, la o cincime din prețurile standard Astra pentru tokenurile de intrare și de ieșire. Intrarea memorată în cache costă doar 0,10 $ pe milion de tokenuri, cu 95% mai puțin decât prețul standard de intrare și cu 50% mai puțin decât prețul pentru intrarea memorată în cache al GPT-6 Sol, oferind dezvoltatorilor mai multă libertate de a crea și rula agenți capabili care reutilizează contextul între solicitări.

Un Sol mai capabil în diverse sarcini

GPT-6.1 Sol oferă un nou echilibru între capacități și cost pentru activitățile cotidiene importante. Aduce îmbunătățiri substanțiale față de GPT-6 Sol în sarcini 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.

Programare

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.

Activități profesionale

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.

Utilizarea computerului

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.

Cercetare științifică

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.

Corectitudine factuală

GPT-6.1 Sol îmbunătățește și corectitudinea factuală a răspunsurilor la solicitări dificile. Cea mai mare îmbunătățire a factualității față de GPT-6 Sol apare la un efort scăzut de raționament, când reduce proporția răspunsurilor care conțin o eroare factuală de la 11,4% la 7,7%, și anume o reducere de aproximativ 32%. În toate setările de raționament testate, rata sa de eroare rămâne la o diferență de cel mult 1,9 puncte procentuale față de cea a GPT-6 Astra, la mai puțin de o cincime din costul per sarcină.

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.

Implementarea în siguranță a GPT-6.1 Sol

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 agentice. 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. Detaliile complete pot fi găsite în suplimentul la fișa de sistem GPT-6.1 Sol⁠(se deschide într-o fereastră nouă).

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

Prețuri și disponibilitate

GPT-6.1 Sol este disponibil începând de astăzi pentru toți utilizatorii Plus, Pro, Business, Enterprise și Edu din ChatGPT Work și Codex. GPT-6.1 Sol nu este încă disponibil în Chat. Dezvoltatorii îl pot accesa și prin API-ul OpenAI sub denumirea gpt-6.1-sol. Prețurile sale standard în API sunt de 2 $ pe milion de tokenuri de intrare, 0,10 $ pe milion de tokenuri de intrare din cache și 10 $ pe milion de tokenuri de ieșire. În zilele următoare, vom oferi și GPT-6.1 Sol Ultrarapid⁠, cu o generare de tokenuri de până la 8 ori mai rapidă decât viteza sa standard în Codex.