GPT-6.1Sol

Predstavljamo GPT‑6.1 Sol, nadgradnjo modela GPT‑6 Sol z izjemno zmogljivostjo pri agentskem kodiranju, uporabi računalnika in strokovnem delu. Pri zahtevnih nalogah Sol približuje modelu GPT‑6 Astra, in sicer po petini standardne cene vhodnih in izhodnih žetonov Astre. Razvijalcem tako omogoča, da z istim proračunom ustvarijo in poganjajo več zmogljivih agentov.

GPT‑6.1 Sol ponuja zmogljivost blizu Astre po cenah modela Sol, s čimer je trenutno model z najboljšim razmerjem med zmogljivostjo in ceno. Predpomnjeni vhod stane le 0,10 $ na milijon žetonov – 95 % manj od standardne cene vhoda. Zato je cenovno ugodnejši za agentske delovne obremenitve, ki zahtevajo ponovno uporabo konteksta pri ponavljajočih se zahtevah.

GPT‑6 Astra ostaja naš na splošno najzmogljivejši prelomni model. GPT‑6.1 Sol ponuja novo razmerje med zmogljivostjo in stroški za pomembno delo, ki ga uporabniki želijo opravljati pogosteje, ter za stranke API-ja, ki razvijajo in poganjajo aplikacije v velikem obsegu.

GPT‑6.1 Sol prinaša občutne izboljšave v primerjavi z modelom GPT‑6 Sol pri zahtevnem strokovnem delu, od pisanja in razhroščevanja kode do razumevanja dokumentov in izvajanja večstopenjskih poslovnih delovnih tokov. Pri več teh ocenjevanjih se približa zmogljivosti modela GPT‑6 Astra ob bistveno nižjih stroških.

Na preizkusu DeepSWE v1.1, ki ocenjuje zahtevne naloge programskega inženirstva v resničnih zbirkah kode, se GPT‑6.1 Sol izenači z modelom GPT‑6 Astra ob približno petini stroškov. Obenem najboljši rezultat modela GPT‑6 Sol preseže za 6,4 odstotne točke, in to ob nižji ravni napora pri sklepanju in nižjih stroških.

Na preizkusu GDP.pdf, ki meri, kako natančno modeli odgovarjajo na strokovna vprašanja na podlagi zahtevnih dokumentov PDF, vključno s tabelami, grafikoni, diagrami in podrobnostmi v drobnem tisku, GPT‑6.1 Sol dosega boljši rezultat od modela Opus 5.5 z rezervnimi modeli ob manj kot polovici stroškov na nalogo pri preizkušenih nastavitvah sklepanja. Približa se tudi vrhunski zmogljivosti modela GPT‑6 Astra ob približno petini stroškov na nalogo.

Na preizkusu AutomationBench, ki meri, ali agenti pravilno opravijo večstopenjske poslovne delovne tokove, GPT‑6.1 Sol pri srednji ravni napora pri sklepanju dosega za 2,2 odstotne točke boljši rezultat od modela Opus 5.5 ob približno tretjini stroškov. Ta rezultat je tudi za 4,8 odstotne točke višji od rezultata modela GPT‑6 Sol pri isti nastavitvi.

GPT‑6.1 Sol občutno napreduje tudi pri nalogah, ki zahtevajo interakcijo z računalniškimi aplikacijami. Na naboru brez povezave preizkusa OSWorld 2.0, ki agente ocenjuje pri zahtevnih delovnih tokovih z uporabo računalnika, GPT‑6.1 Sol pri najvišji ravni napora pri sklepanju preseže GPT‑6 Sol za sedem odstotnih točk ob manj kot polovici stroškov. Pri najvišji ravni napora pri sklepanju za rezultatom Astre zaostane le za 2,1 odstotne točke ob približno sedmini stroškov na nalogo.

Na preizkusu Terminal-Bench Science 0.1, ki ocenjuje znanstvene delovne tokove, vključno z analizo podatkov, simulacijami in dokazovanjem izrekov, GPT‑6.1 Sol pri najvišji ravni napora pri sklepanju doseže več kot dvakratnik rezultata modela GPT‑6 Sol ob manj kot polovici stroškov na nalogo. Pri najvišji ravni napora GPT‑6.1 Sol v povprečju stane 5,47 $ na nalogo, v primerjavi s 23,21 $ za Opus 5.5 in 23,80 $ za Astro. Tako zagotavlja visoko zmogljivost pri znanstvenih nalogah ob več kot 75 % nižjih stroških od obeh modelov.

GPT‑6 Astra z 68,1 % še vedno dosega najvišji rezultat med preizkušenimi modeli in je priporočena izbira za najzahtevnejše znanstvenoraziskovalne naloge.

GPT‑6.1 Sol izboljšuje tudi stvarno pravilnost pri zahtevnih pozivih. Pri zelo visoki ravni napora pri sklepanju je njegov delež stvarnih napak 4,1 %, kar je manj od 4,5 % pri modelu GPT‑6 Sol in bližje 4,0 % pri Astri z isto nastavitvijo, pri čemer so stroški na nalogo približno 83 % nižji kot pri Astri.

To ocenjevanje meri delež odgovorov z vsaj eno stvarno napako v pogovorih z odstranjenimi identifikacijskimi podatki, v katerih so uporabniki označili napako prejšnjega modela. Ti namerno zahtevni pozivi niso reprezentativni za običajno uporabo.

GPT‑6.1 Sol pri naših ocenjevanjih usklajenosti kaže občutne izboljšave glede na GPT‑6 Sol in se tako približuje modelu GPT‑6 Astra.

GPT‑6.1 Sol bolj odkrito razkriva svoje omejitve ter zanesljiveje upošteva uporabnikov namen in varnostne omejitve. Pri zahtevnih ocenjevanjih ima nižje deleže napak kot GPT‑6 Sol pri razkrivanju težav z nedelujočimi iskalnimi orodji, upoštevanju izrecnih omejitev in preprečevanju nepooblaščenih izidov med agentskimi nalogami. Nismo opazili nobenega poskusa izogibanja samodejnemu varnostnemu pregledovalniku, enako kot pri modelih GPT‑6 Astra in GPT‑6 Sol.

Spodnja ocenjevanja namerno preizkušajo zahtevne situacije in ne merijo deležev napak pri običajni uporabi.

GPT‑6.1 Sol je od danes na voljo vsem uporabnikom paketov Plus, Pro, Business, Enterprise in Edu v načinu ChatGPT Work in orodju Codex. Ti modeli še niso na voljo v načinu Chat. Razvijalci lahko do njega dostopajo tudi prek API-ja OpenAI kot gpt-6.1-sol. Njegove standardne cene v API-ju so 2 $ na milijon vhodnih žetonov, 0,10 $ na milijon predpomnjenih vhodnih žetonov in 10 $ na milijon izhodnih žetonov.

Obenem uvajamo GPT‑6 Astra Ultrafast, najhitrejši prelomni model na svetu, ki je do 8-krat hitrejši od modela GPT‑6 Astra, ter GPT‑6.1 Sol Ultrafast. Na voljo sta prek API-ja ter v načinu ChatGPT Work in orodju Codex uporabnikom naše nove ravni paketa Pro z najvišjimi omejitvami uporabe za 500 $ na mesec. Z modelom GPT‑6.1 Sol Ultrafast lahko razvijalci dobijo inteligentnost blizu Astre z do 8-kratno hitrostjo za približno enake stroške API-ja kot prej pri modelu GPT‑6 Astra.