OpenAI

Prezentăm GPT-6.2 Astra și Sol

Prezentăm GPT‑6.2 Astra, noul nostru model de vârf pentru cele mai dificile proiecte ale tale, și GPT‑6.2 Sol, modelul nostru eficient și versatil pentru activitatea de zi cu zi. Ambele modele oferă rezultate mai bune la sarcini solicitante folosind mai puțini tokeni de ieșire, astfel încât să poți face mai multe în limitele tale de utilizare. Pentru companii și dezvoltatori, asta înseamnă performanță de vârf la costuri viabile pentru utilizarea la scară largă.

GPT‑6.2 Astra stabilește un nou standard de calitate pentru IA în activitățile profesionale complexe. Diapozitivele, foile de calcul și documentele sale au un conținut care pare mai puțin generat de IA și respectă mai îndeaproape șabloanele pe care le furnizezi și convențiile domeniului tău. Scrie cod mai curat și construiește interfețe frontend care arată și funcționează mai bine, în special pentru site-uri web, jocuri și design 3D.

La Agents’ Last Exam, care testează activități profesionale cu mai mulți pași, GPT‑6.2 Astra stabilește un nou record, cu un scor cu 5,2 puncte mai mare decât GPT‑6 Astra la mai puțin de o treime din cost și cu 5,5 puncte peste Claude Fable 5.2 la doar 5% din cost.

Agents’ Last Exam evaluează modelele pe fluxuri de lucru profesionale de lungă durată. Rezultatele din clasament pentru Fable 5.2 exclud nouă sarcini la care s-a folosit un model de rezervă.

Considerăm că GPT-6.2 Astra este cel mai bun model din lume pentru oamenii de știință. Acesta stabilește un nou record la Terminal-Bench-Science 0.1, care testează cât de bine pot modelele să desfășoare activități științifice într-un terminal. GPT-6.2 Astra obține un scor cu 9 puncte procentuale mai mare decât GPT-6 Astra la mai puțin de o treime din cost. De asemenea, stabilește un nou record la Vals Science Index, care le cere modelelor să interpreteze date biologice reale și să efectueze experimente pentru a deduce modul de funcționare al unui sistem simulat.

În API, prețurile tokenilor de intrare și de ieșire pentru GPT‑6.2 Astra sunt cu 20% mai mici decât cele pentru GPT‑6 Astra, iar prețul datelor de intrare din cache este redus cu 60% (8 USD pentru intrare, 0,40 USD pentru intrare din cache și 40 USD pentru ieșire, toate la un milion de tokeni). GPT‑6.2 Sol păstrează prețurile tokenilor din API ale GPT‑6.1 Sol. La mai multe teste de referință, ambele modele se apropie de performanța altor modele de top sau o depășesc, la o mică fracțiune din costul pe sarcină.

GPT-6.2 Sol: modelul nostru preferat pentru activitățile de zi cu zi

Comparativ cu GPT‑6.1 Sol, GPT‑6.2 Sol este mai inteligent, mai eficient și îți permite să finalizezi mai multe sarcini cu același abonament plătit. Execută cu ușurință fluxuri de lucru agentice în mai multe etape, scrie clar și natural, iar colaborarea cu el este intuitivă. Mulți angajați OpenAI îl folosesc ca model implicit atât pentru sarcini tehnice, cât și pentru cele non-tehnice.

La FrontierCode 2.0 de la Cognition, GPT‑6.2 Sol se apropie la 0,5 puncte de GPT‑6.2 Astra, la aproximativ o cincime din cost (ambele la Max).

FrontierCode 2.0 evaluează dacă modificările aduse unor baze de cod reale îndeplinesc standardele de integrare ale responsabililor de mentenanță.

Viteza și inteligența sa îl fac ideal și pentru sarcinile importante pentru care oamenii apelează la AI în afara serviciului. La evaluarea noastră LifeVal⁠, lansată recent, care măsoară performanța la sarcini cotidiene dificile, GPT‑6.2 Sol obține un scor mai mare decât GPT‑6 Astra la aproximativ o șeptime din cost.

LifeVal testează cât de bine gestionează modelele sarcini cotidiene adaptate nevoilor unei persoane, cum ar fi selectarea unor grădinițe după o mutare, găsirea unei locuințe potrivite bugetului și navetei unei familii sau planificarea meselor pentru un părinte care se adaptează unui diagnostic nou.

Rezultate profesionale la standardele domeniului

Am antrenat GPT‑6.2 Astra să creeze diapozitive, foi de calcul și documente mai clare și mai bine concepute, care respectă mai îndeaproape convențiile folosite de profesioniști în domenii precum dreptul, vânzările, finanțele și contabilitatea. Textele sunt mai directe și mai concrete, cu mai puține concluzii generice și mai puțin conținut de umplutură.

Harvey LAB‑AA v1.1 folosește sarcini juridice pentru a testa dacă modelele pot găsi faptele relevante în documentele-sursă, le pot aplica conform unor instrucțiuni detaliate și pot produce un material corect, care îndeplinește toate cerințele. GPT‑6.2 Astra stabilește un nou nivel de performanță, cu o rată de reușită de peste două ori mai mare decât cea a Claude Fable 5.2, la aproximativ o șesime din cost. OpenAI pentru domeniul juridic⁠, configurația noastră GPT-6.2 Astra pentru avocați, obține un scor și mai mare la acest test de referință.

Harvey LAB‑AA testează activități juridice precum analiza clauzelor contractuale. Scorul său principal acordă punctaj numai atunci când un material îndeplinește toate criteriile de evaluare și nu conține halucinații semnificative.

Testul nostru intern de referință GDPval v2 este următoarea versiune a GDPval⁠ și evaluează fluxuri de lucru complexe, de lungă durată, din proiecte reale din sectoare precum consultanța, finanțele și designul. GPT‑6.2 Astra se clasează pe primul loc între modelele testate, cu 6,2 puncte procentuale peste GPT‑6 Astra, folosind totodată cu 22% mai puțini tokeni de ieșire. GPT‑6.2 Sol înregistrează o îmbunătățire de 5,3 puncte față de GPT‑6.1 Sol.

GDPval v2 constă în sarcini de muncă intelectuală de lungă durată, din proiecte reale din sectoare precum finanțele, știința datelor, biotehnologia și marketingul.

Registre de calcul și note de informare

Crearea unui registru de calcul pentru evaluare financiară sau redactarea unui memorandum de investiții începe cu identificarea cifrelor relevante din fișierele-sursă și înțelegerea modului în care se corelează. AA‑AnalystAgent de la Artificial Analysis testează această activitate pe foi de calcul și rapoarte reale. Într-una dintre sarcini, modelele folosesc rapoartele de cheltuieli ale programului Medicaid din California pentru a calcula cât a cheltuit programul pentru transport medical. GPT‑6.2 Astra stabilește un nou record, răspunzând corect la 62,5% dintre întrebări în toate cele cinci încercări independente.

Prezentări

GPT‑6.2 Astra este cel mai bun model al nostru de până acum pentru crearea diapozitivelor și respectarea șabloanelor acestora, indiferent dacă primește un fișier original sau chiar o captură de ecran. Poate reproduce aspectul, culorile și tipografia până la dimensiunea exactă a fontului și poate prelua stilul de redactare al șablonului în diapozitive noi. Primii testeri au constatat că prezentările puteau fi folosite direct mai ușor, cu mai puține modificări, datorită titlurilor care exprimă concluzia principală și textelor concise, axate pe detaliile de care cititorii au nevoie.

1 din 4
“

Am evaluat GPT-6.2 Astra în privința transformării informațiilor dense în sinteze și infografice ușor de citit, atât pentru publicul tehnic, cât și pentru cel non-tehnic. Exemplele au inclus sinteze de tranzacționare și diagrame ale fluxurilor de lucru agentice.

Documentele GPT-6.2 Astra au reprezentat un progres semnificativ față de cele ale GPT-6 Astra. Textele și graficele au făcut mult mai ușoară identificarea punctelor-cheie ale unei informări, iar diagramele au clarificat sistemele complexe, arătând cum funcționează împreună componentele acestora.

”
Marquis Wong, inginer principal IA, IMC

Utilizarea computerului și design web interactiv

Utilizarea mai precisă a computerului îi permite modelului GPT‑6.2 Astra să lucreze până la nivelul pieselor și conexiunilor individuale în instrumentele CAD și de simulare. Inginerii pot folosi acest nivel suplimentar de detaliu pentru a verifica îmbinarea componentelor, a vedea cum se redistribuie sarcinile mecanice când un mecanism se mișcă și a testa modificări înainte de a construi un prototip.

Simularea condusului

I-am cerut modelului GPT‑6.2 Astra să vizualizeze dinamica șasiului unei mașini pe un drum de munte. Astra a creat modelul 3D și a scris un solver în Python pentru a simula dinamica complexă dintre anvelope și suspensie, apoi a animat rezultatele în Blender. Acest lucru le permite inginerilor să testeze rapid proiecte noi și să îmbunătățească în timp precizia simulărilor.

Proiectare și asamblare mecanică

GPT‑6.2 Astra poate modela un sistem mecanic piesă cu piesă, oferindu-le inginerilor o modalitate de a arăta cum se asamblează și de a testa efectele modificărilor de proiectare asupra comportamentului său.

De la CAD la o lampă din hârtie

Echipa noastră a folosit GPT‑6.2 Astra pentru a transforma balcoanele cu margini ondulate ale turnurilor Marina City din Chicago într-o lampă. Videoclipul urmărește evoluția proiectului, de la fotografiile de referință, trecând prin revizuirile CAD, până la o lampă fizică asamblată manual. Site-ul, generat de GPT-6.2 Astra, poate fi folosit pentru a-ți crea propria lampă din hârtie.

GPT‑6.2 Astra aduce capacități mai bune de raţionament vizual în designul web, alegând machete și imagini care conferă fiecărui site un aspect distinct și construind elemente în funcție de obiectivul concret al site-ului.

Aceste îmbunătățiri ale raţionamentului vizual și ale utilizării computerului se regăsesc și în designul 3D. GPT‑6.2 Astra și Sol pot transforma o descriere scrisă într-o experiență interactivă în browser, de la o masă de pinball la care poți juca până la o reconstituire a Colosseumului pe care o poți explora din diferite unghiuri. La AA‑3D de la Artificial Analysis, evaluatori umani încearcă două experiențe create pornind de la aceeași solicitare, fără să știe ce model le-a creat, și votează pentru cea pe care o preferă. GPT‑6.2 Astra se clasează pe primul loc cu 1.318 puncte Elo, urmat de Claude Fable 5.2 cu 1.271 și de GPT‑6.2 Sol cu 1.259.

“

GPT-6.2 Astra reprezintă un salt uriaș pentru munca creativă. Face posibilă tehnologia Higgsfield Miracle, susținând editarea video în timp real cu precizie la nivel de pixel și oferindu-le creatorilor control creativ deplin. În evaluările noastre interne de generare 3D, a obținut rezultatul dorit din prima încercare în 73% dintre cazuri, în timp ce GPT-6 Astra a avut nevoie de trei sau mai multe iterații. Acest lucru economisește mult timp pentru echipa noastră de creație și permite fluxuri de lucru integral agentice mai eficiente.

”
Alex Mashrabov, director general și cofondator, Higgsfield AI

Fluxuri de lucru eficiente, cu un stil de cod mai curat

GPT‑6.2 Astra ia decizii mai bune privind modul de executare a unei sarcini, inclusiv adaptarea instrumentelor și a efortului la fluxul de lucru și alegerea momentelor potrivite pentru folosirea pluginurilor în locul interacțiunii directe cu computerul.

În programare, GPT-6.2 Astra implementează și testează mai bine modificări complexe în baze de cod existente. Primii testeri au raportat un stil de cod mai curat și teste mai bine focalizate, cu mai puține runde de revizuire.

Capacități de securitate cibernetică

GPT‑6.2 Astra și GPT-6.2 Sol marchează un nou salt semnificativ al capacităților cibernetice. Identifică și exploatează vulnerabilități mai eficient, scriu cod mai sigur și produc patch-uri mai bune, cu îmbunătățiri substanțiale ale eficienței utilizării tokenurilor în mai multe evaluări. La fel ca GPT‑6 Astra⁠, 6.2 Astra și Sol ating pragul Critic pentru securitatea cibernetică în Cadrul nostru de pregătire⁠.

Având în vedere capacitățile lor sporite, lansăm GPT‑6.2 Astra și Sol cu măsuri de protecție mai stricte pentru asistența în securitate cibernetică cu risc ridicat. Aceste măsuri de protecție reduc riscul de utilizare abuzivă, dar restricționează și unele fluxuri de lucru legitime de cercetare a vulnerabilităților și testare a securității. Prin OpenAI Daybreak⁠, specialiștii în apărare cibernetică pot accesa în prezent GPT‑6 Sol cu mai puține refuzuri în domeniul securității cibernetice pe Daybreak Blue, pe lângă versiunea noastră alfa pentru GPT-6 Astra, precum și GPT‑6 Cyber⁠ pentru teste de securitate avansate și autorizate pe Daybreak Red. Vom depune eforturi pentru a aduce modelele GPT‑6.2 în Daybreak.

Mai jos evidențiem rezultatele-cheie ale benchmarkurilor, obținute cu configurații interne de testare în care măsurile de protecție și clasificatoarele de securitate cibernetică au fost dezactivate. Consultă fișa de sistem aferentă⁠(se deschide într-o fereastră nouă) pentru rezultatele complete și metodologie.

Un avantaj pentru specialiștii în apărare cibernetică

Dezvoltatorii se bazează tot mai mult pe agenți de programare pentru a scrie software destinat producției, chiar în timp ce agenții mai capabili fac mai accesibilă găsirea și exploatarea vulnerabilităților. PHP2Shell⁠(se deschide într-o fereastră nouă) a arătat cum poate IA să ajute cercetătorii să descopere defecte critice. Pentru GPT‑6.2 Astra și Sol, am acordat prioritate capacităților defensive, introducând noi semnale de instruire pentru a ajuta dezvoltatorii să prevină și să remedieze aceste defecte, scriind cod sigur de la început și producând patch-uri care păstrează comportamentul prevăzut.

Siguranță și aliniere

Implementăm GPT-6.2 Astra și Sol cu cele mai puternice măsuri de protecție ale noastre de până acum. Am înăsprit restricțiile și am consolidat sistemele pe care le folosim pentru a monitoriza modelele⁠ și a interveni când este necesar⁠.

La fel ca GPT-6 Astra, pe lângă atingerea pragului Critic pentru securitatea cibernetică, atât GPT-6.2 Astra, cât și Sol ating pragul Ridicat pentru capacitățile biologice și chimice, conform Cadrului nostru de pregătire⁠. Am implementat măsuri de protecție pentru a atenua riscurile asociate, precum și restricții sporite pentru un set de solicitări cu potențială dublă utilizare din domeniul biologiei și al securității cibernetice.

Mai multe detalii despre măsurile noastre de protecție și testare sunt disponibile în fișa de sistem GPT-6.2⁠(se deschide într-o fereastră nouă).

Capacități de cercetare IA și măsuri de protecție

GPT-6.2 Astra este primul nostru model lansat pentru utilizare externă care atinge pragul Ridicat pentru autoîmbunătățirea AI, categorie care măsoară capacitatea unui model de a accelera cercetarea în domeniul AI. Încadrarea la nivelul „Ridicat” reflectă evaluarea noastră potrivit căreia impactul modelului este echivalent cu a-i oferi fiecărui cercetător OpenAI, ca asistent suplimentar, un inginer de cercetare foarte capabil, raportat la nivelul de referință din 2024. Monitorizăm această capacitate deoarece modelele care pot ajuta la dezvoltarea viitoarelor sisteme AI ar putea introduce și noi riscuri pentru siguranță, de exemplu prin accelerarea progresului într-un ritm mai rapid decât cel în care se pot adapta măsurile de protecție sau supravegherea umană.

Pentru a gestiona aceste riscuri, am integrat mai multă supraveghere și mai multe mecanisme de control în modul în care antrenăm și implementăm modelele noastre. Înainte de a extinde accesul intern la GPT-6.2 Astra, i-am evaluat alinierea și am verificat dacă măsurile de protecție necesare erau implementate în fiecare etapă. Am consolidat măsurile de izolare din mediile noastre de cercetare⁠ și am testat aceste măsuri de protecție cu cele mai capabile modele ale noastre. Am creat și Control Room⁠, un sistem care urmărește procesele de cercetare și poate opri generarea de conținut de către model atunci când este necesară o intervenție. Monitorizarea noastră extinsă⁠ examinează raţionamentul și acțiunile modelelor în cadrul proceselor interne și al implementărilor externe compatibile. Aceasta poate semnala automat comportamentele neautorizate și, acolo unde funcționalitatea este disponibilă, poate suspenda procese sau conversații.

Aliniere

Ambele modele au avut performanțe similare cu GPT-6 Astra la majoritatea evaluărilor de aliniere și au întreprins mai puține acțiuni necorespunzătoare în sarcini simulate de la locul de muncă. Totuși, în două teste, au avut o probabilitate mai mare de a omite menționarea obstacolelor care le blocau activitatea, precum un fișier lipsă sau un instrument de căutare indisponibil. Am adăugat în Codex instrucțiuni care reduc substanțial aceste omisiuni și continuăm să investigăm acest comportament.

Prețuri și disponibilitate

Începând de astăzi, GPT-6.2 Astra și Sol sunt disponibile pentru toți utilizatorii Plus, Pro, Enterprise și Edu în ChatGPT Work și Codex. Abonații Pro 500 pot folosi Ultrafast cu oricare dintre cele două modele. Pentru prima dată, le oferim Ultrafast și abonaților Pro 200, începând cu GPT-6.2 Sol. Utilizatorii Enterprise și Edu eligibili beneficiază de același acces după ce administratorul spațiului de lucru îl activează. Dezvoltatorii pot accesa și gpt-6.2-astra și gpt-6.2-sol prin API-ul OpenAI, cu Ultrafast disponibil pentru ambele modele de la lansare.

GPT‑6.2 Astra are un cost pe sarcină semnificativ mai mic decât GPT‑6 Astra, datorită utilizării mai eficiente a tokenilor, unei reduceri de 20% pentru tokenii de intrare și de ieșire și unei reduceri mai mari, de 60%, pentru tokenii de intrare din cache. Tarifele standard ale API-ului, la un milion de tokeni, sunt de 8 USD pentru intrare, 0,40 USD pentru intrare din cache și 40 USD pentru ieșire. GPT‑6.2 Sol păstrează tarifele GPT‑6.1 Sol: 2 USD pentru intrare, 0,10 USD pentru intrare din cache și 10 USD pentru ieșire, la un milion de tokeni.

Pentru GPT-6.2 Astra și Sol, pentru a îmbunătăți reutilizarea memoriei cache, a contribui la reducerea costurilor și a latenței și a păstra raționamentul între runde, recomandăm păstrarea neschimbată a prefixelor solicitărilor și adăugarea de instrucțiuni noi⁠(se deschide într-o fereastră nouă) la conversație.

Autor

OpenAI

Footnotes

  1. 1

    Rezultatele Fable 5.2 la Terminal-Bench-Science 0.1 sunt cele raportate de Artificial Analysis⁠(se deschide într-o fereastră nouă) în cadrul de testare mini-swe-agent. Anthropic a raportat pentru Fable 5.2 un scor de 74,6% la nivel maxim de raţionament în Claude Code.