OpenAI

Predstavljamo GPT-6.2 Astra in Sol

Predstavljamo GPT‑6.2 Astra, naš novi prelomni model za vaše najzahtevnejše projekte, in GPT‑6.2 Sol, naš učinkoviti in vsestranski model za vsakodnevno delo. Oba modela pri zahtevnih nalogah dosegata boljše rezultate z manj izhodnimi žetoni, zato lahko v okviru svojih omejitev uporabe opravite več. Za podjetja in razvijalce to pomeni prelomno zmogljivost ob stroških, ki so smiselni tudi pri obsežni uporabi.

GPT‑6.2 Astra postavlja novo merilo kakovosti za umetno inteligenco pri zahtevnem strokovnem delu. Njegovi diapozitivi, preglednice in dokumenti delujejo manj kot umetna inteligenca ter bolje sledijo predlogam, ki jih priložite, in uveljavljenim praksam na vašem področju. Piše čistejšo kodo ter ustvarja uporabniške vmesnike, ki so videti bolje in bolje delujejo, zlasti za spletna mesta, igre in 3D-oblikovanje.

Na preizkusu Agents’ Last Exam, ki preverja strokovno delo v več korakih, GPT‑6.2 Astra dosega nov rekord: GPT‑6 Astra presega za 5,2 točke ob manj kot tretjini stroškov, Claude Fable 5.2 pa za 5,5 točke ob zgolj 5 % stroškov.

Agents’ Last Exam ocenjuje modele pri dolgotrajnih strokovnih delovnih procesih. Rezultati modela Fable 5.2 na njegovi lestvici ne vključujejo devetih nalog, pri katerih je bil uporabljen nadomestni model.

Menimo, da je GPT-6.2 Astra najboljši model na svetu za znanstvenike. Dosega nov rekord na preizkusu Terminal-Bench-Science 0.1, ki preverja, kako dobro modeli opravljajo znanstveno delo v terminalu. GPT-6.2 Astra dosega za 9 odstotnih točk boljši rezultat kot GPT-6 Astra ob manj kot tretjini stroškov. Nov rekord dosega tudi na preizkusu Vals Science Index, pri katerem morajo modeli interpretirati resnične biološke podatke in izvajati poskuse, da ugotovijo, kako deluje simulirani sistem.

V API-ju so cene vhodnih in izhodnih žetonov modela GPT‑6.2 Astra za 20 % nižje kot pri modelu GPT‑6 Astra, cena predpomnjenih vhodnih žetonov pa je nižja za 60 % (8 USD za vhodne, 0,40 USD za predpomnjene vhodne in 40 USD za izhodne žetone, vse na milijon žetonov). GPT‑6.2 Sol ohranja cene žetonov v API-ju modela GPT‑6.1 Sol. Na več primerjalnih preizkusih se oba modela približata drugim vodilnim modelom ali jih presegata ob le majhnem deležu njihovih stroškov na nalogo.

GPT-6.2 Sol: naša prva izbira za vsakodnevno delo

V primerjavi z GPT‑6.1 Sol je GPT‑6.2 Sol pametnejši in učinkovitejši ter vam omogoča, da z istim plačljivim paketom opravite več nalog. Suvereno izvaja večstopenjske agentske delovne postopke, piše jasno in naravno, sodelovanje z njim pa je intuitivno. Številni zaposleni v OpenAI ga uporabljajo kot privzeti model za tehnične in netehnične naloge.

Na preizkusu FrontierCode 2.0 podjetja Cognition GPT‑6.2 Sol za modelom GPT‑6.2 Astra zaostaja za manj kot 0,5 točke ob približno petini stroškov (oba pri nastavitvi Najvišje).

FrontierCode 2.0 ocenjuje, ali spremembe v resničnih zbirkah kode izpolnjujejo merila vzdrževalcev za združitev.

Zaradi hitrosti in inteligentnosti je idealen tudi za pomembne naloge, pri katerih se ljudje na UI obračajo zunaj službe. Na našem nedavno objavljenem preizkusu LifeVal⁠, ki meri uspešnost pri zahtevnih vsakodnevnih nalogah, GPT‑6.2 Sol presega GPT‑6 Astra ob približno sedmini stroškov.

LifeVal preverja, kako dobro modeli opravljajo vsakodnevne naloge, prilagojene potrebam posameznika, na primer ožji izbor vrtcev po selitvi, iskanje doma, ki ustreza družinskemu proračunu in vožnji na delo, ali načrtovanje obrokov za starša, ki se prilagaja novi diagnozi.

Strokovni izdelki, ki ustrezajo panožnim standardom

GPT‑6.2 Astra smo učili ustvarjati jasnejše in bolje oblikovane diapozitive, preglednice in dokumente, ki bolj upoštevajo ustaljene prakse strokovnjakov na področjih, kot so pravo, prodaja, finance in računovodstvo. Besedila so bolj neposredna in konkretna, z manj splošnimi zaključki in manj odvečnega besedičenja.

Harvey LAB‑AA v1.1 s pravnimi nalogami preverja, ali lahko modeli v izvornih dokumentih najdejo ustrezna dejstva, jih uporabijo v skladu s podrobnimi navodili in pripravijo natančen izdelek, ki izpolnjuje vse zahteve. GPT‑6.2 Astra postavlja nov standard: njegova stopnja uspešnosti je več kot dvakrat višja kot pri modelu Claude Fable 5.2, stroški pa znašajo približno šestino. OpenAI za pravne strokovnjake⁠, naša konfiguracija modela GPT-6.2 Astra za pravnike, na tem primerjalnem preizkusu dosega še višji rezultat.

Harvey LAB‑AA preverja pravno delo, kot je pregledovanje pogodbenih določil. Pri glavni oceni se izdelek šteje kot uspešen le, če izpolnjuje vsa ocenjevalna merila in ne vsebuje bistvenih halucinacij.

Naš interni primerjalni preizkus GDPval v2 je naslednja različica preizkusa GDPval⁠, ki meri uspešnost pri zapletenih, dolgotrajnih delovnih procesih iz resničnih projektov na področjih, kot so svetovanje, finance in oblikovanje. GPT‑6.2 Astra je vodilni med preizkušenimi modeli: rezultat modela GPT‑6 Astra presega za 6,2 odstotne točke, pri tem pa porabi 22 % manj izhodnih žetonov. GPT‑6.2 Sol rezultat modela GPT‑6.1 Sol izboljša za 5,3 točke.

GDPval v2 sestavljajo dolgotrajne naloge umskega dela iz resničnih projektov na področjih, kot so finance, podatkovna znanost, biotehnologija in trženje.

Delovni zvezki in memorandumi

Izdelava delovnega zvezka za vrednotenje ali pisanje investicijskega memoranduma se začne z iskanjem ustreznih številčnih podatkov v izvornih datotekah in ugotavljanjem, kako so med seboj povezani. AA‑AnalystAgent organizacije Artificial Analysis to delo preverja na resničnih preglednicah in poročilih. Pri eni od nalog modeli na podlagi poročil o izdatkih kalifornijskega programa Medicaid izračunajo, koliko je program porabil za zdravstvene prevoze. GPT‑6.2 Astra dosega nov rekord: na 62,5 % vprašanj pravilno odgovori v vseh petih neodvisnih poskusih.

Predstavitve

GPT‑6.2 Astra je naš doslej najboljši model za oblikovanje diapozitivov in upoštevanje predlog, ne glede na to, ali mu priložite izvirno datoteko ali zgolj posnetek zaslona. Posnema lahko postavitev, barve in tipografijo vse do natančne velikosti pisave ter prenese slog pisanja iz predloge na nove diapozitive. Prvi preizkuševalci so ugotovili, da je predstavitve lažje neposredno uporabiti z manj popravki, saj naslovi izpostavijo glavno ugotovitev, jedrnato besedilo pa se osredotoča na podrobnosti, ki jih bralci potrebujejo.

1 od 4
“

GPT-6.2 Astra smo ocenili pri pretvarjanju obsežnih, zgoščenih informacij v berljive povzetke in infografike za tehnično in netehnično občinstvo. Primeri so vključevali povzetke za trgovanje in diagrame agentskih delovnih postopkov.

Dokumenti modela GPT-6.2 Astra so bili občutno boljši od dokumentov modela GPT-6 Astra. Besedilo in grafikoni so močno olajšali prepoznavanje ključnih točk povzetka, diagrami pa so pojasnili kompleksne sisteme s prikazom sodelovanja njihovih delov.

”
Marquis Wong, glavni inženir za UI, IMC

Uporaba računalnika in interaktivno spletno oblikovanje

Natančnejša uporaba računalnika modelu GPT‑6.2 Astra omogoča delo na ravni posameznih delov in povezav v orodjih CAD ter simulacijskih orodjih. Inženirji lahko s to dodatno natančnostjo preverijo prileganje komponent, vidijo, kam se pri gibanju zasnove prenesejo obremenitve, ter preizkusijo popravke pred izdelavo prototipa.

Simulacija vožnje

GPT‑6.2 Astra smo prosili, naj vizualizira dinamiko podvozja avtomobila na gorski cesti. Astra je ustvaril 3D-model in napisal numerični reševalnik v Pythonu za simulacijo kompleksne dinamike med pnevmatikami in vzmetenjem, nato pa rezultate animiral v Blenderju. To inženirjem omogoča hitro preizkušanje novih zasnov in postopno izboljševanje natančnosti simulacij.

Strojno konstruiranje in sestavljanje

GPT‑6.2 Astra lahko mehanski sistem modelira del za delom, s čimer inženirjem omogoča, da prikažejo njegovo sestavljanje in preverijo, kako spremembe zasnove vplivajo na njegovo delovanje.

Od CAD-a do papirnate svetilke

Naša ekipa je z modelom GPT‑6.2 Astra valovito zaobljene balkone čikaških stolpnic Marina City preoblikovala v svetilko. Videoposnetek spremlja razvoj zasnove od referenčnih fotografij prek popravkov v CAD-u do fizične, ročno sestavljene svetilke. Na spletnem mestu, ki ga je ustvaril GPT-6.2 Astra, lahko izdelate svojo papirnato svetilko.

GPT‑6.2 Astra pri spletnem oblikovanju uporablja boljše vizualno sklepanje: izbira postavitve in slikovno gradivo, ki vsakemu spletnemu mestu dajejo prepoznaven videz, ter elemente gradi glede na dejanski namen spletnega mesta.

Te izboljšave vizualnega sklepanja in uporabe računalnika se odražajo tudi pri 3D-oblikovanju. GPT‑6.2 Astra in Sol lahko pisna navodila pretvorita v interaktivno izkušnjo v brskalniku – od fliperja, ki ga lahko igrate, do poustvaritve Koloseja, ki jo lahko raziskujete z različnih zornih kotov. Pri preizkusu AA‑3D organizacije Artificial Analysis človeški ocenjevalci preizkusijo dve izkušnji, ustvarjeni z istim pozivom, ne da bi vedeli, kateri model ju je ustvaril, in glasujejo za tisto, ki jim je ljubša. GPT‑6.2 Astra je na prvem mestu s 1.318 točkami Elo, sledita pa mu Claude Fable 5.2 s 1.271 in GPT‑6.2 Sol s 1.259 točkami.

“

GPT-6.2 Astra pomeni velikanski preskok pri ustvarjalnem delu. Omogoča Higgsfield Miracle, saj poganja sprotno urejanje videoposnetkov z natančnostjo na ravni slikovnih pik in ustvarjalcem daje popoln ustvarjalni nadzor. Pri naših internih vrednotenjih ustvarjanja 3D-vsebin je v 73 % primerov dosegel ciljni rezultat v prvem poskusu, GPT-6 Astra pa je potreboval tri ali več ponovitev. To naši ustvarjalni ekipi prihrani veliko časa in omogoča učinkovitejše, v celoti agentske delovne postopke.

”
Alex Mashrabov, izvršni direktor in soustanovitelj, Higgsfield AI

Učinkoviti delovni postopki s čistejšim slogom kode

GPT‑6.2 Astra bolje presoja, kako izvesti nalogo: orodja in vloženi napor prilagaja delovnemu postopku ter prepozna, kdaj uporabiti dodatke in kdaj neposredno upravljati računalnik.

Pri kodiranju je GPT-6.2 Astra boljši pri implementaciji in preizkušanju kompleksnih sprememb v obstoječih zbirkah kode. Prvi preizkuševalci so poročali o čistejšem slogu kode in bolj usmerjenih testih ter manj krogih popravkov.

Zmogljivosti na področju kibernetske varnosti

GPT‑6.2 Astra in GPT-6.2 Sol pomenita nov pomemben preskok v kibernetskih zmogljivostih. Učinkoviteje odkrivata in izkoriščata ranljivosti, pišeta varnejšo kodo in pripravljata boljše popravke, pri več vrednotenjih pa dosegata občutno učinkovitejšo porabo žetonov. Tako kot GPT‑6 Astra⁠ tudi 6.2 Astra in Sol dosegata kritični prag za kibernetsko varnost po našem Okviru pripravljenosti⁠.

Zaradi povečanih zmogljivosti GPT‑6.2 Astra in Sol uvajamo s strožjimi zaščitnimi ukrepi za pomoč pri kibernetski varnosti, ki vključuje večje tveganje. Ti zaščitni ukrepi zmanjšujejo tveganje zlorabe, vendar omejujejo tudi nekatere legitimne delovne procese raziskovanja ranljivosti in varnostnega preizkušanja. V okviru pobude OpenAI Daybreak⁠ imajo strokovnjaki za kibernetsko obrambo poleg naše različice alfa modela GPT-6 Astra trenutno dostop do modela GPT‑6 Sol z manj zavrnitvami zahtev s področja kibernetske varnosti v storitvi Daybreak Blue ter do modela GPT‑6 Cyber⁠ za napredno, pooblaščeno varnostno preizkušanje v storitvi Daybreak Red. Prizadevali si bomo, da modele GPT‑6.2 vključimo v Daybreak.

Spodaj izpostavljamo ključne rezultate primerjalnih preizkusov, izvedenih z internimi testnimi konfiguracijami z izklopljenimi zaščitnimi ukrepi in klasifikatorji za kibernetsko varnost. Celotni rezultati in metodologija so na voljo v spremljajočem sistemskem dokumentu⁠(odpre se v novem oknu).

Prednost za strokovnjake za kibernetsko obrambo

Razvijalci se pri pisanju produkcijske programske opreme vse bolj zanašajo na agente za kodiranje, obenem pa zmogljivejši agenti olajšujejo odkrivanje in izkoriščanje ranljivosti. PHP2Shell⁠(odpre se v novem oknu) je pokazal, kako lahko umetna inteligenca raziskovalcem pomaga odkriti kritične pomanjkljivosti. Pri modelih GPT‑6.2 Astra in Sol smo obrambne zmogljivosti postavili v središče pozornosti ter uvedli nove učne signale, ki razvijalcem pomagajo preprečevati in odpravljati te pomanjkljivosti – s pisanjem varne kode že od začetka in pripravo popravkov, ki ohranijo predvideno delovanje.

Varnost in usklajenost

GPT-6.2 Astra in Sol uvajamo z našimi doslej najmočnejšimi zaščitnimi ukrepi. Zaostrili smo omejitve in okrepili sisteme, s katerimi spremljamo modele⁠ ter ukrepamo po potrebi⁠.

Tako kot GPT-6 Astra tudi GPT-6.2 Astra in Sol poleg kritičnega praga za kibernetsko varnost dosegata visok prag za biološke in kemijske zmogljivosti v skladu z našim Okvirom pripravljenosti⁠. Uvedli smo zaščitne ukrepe za zmanjšanje s tem povezanih tveganj in strožje omejitve za nabor zahtev s področij biologije in kibernetske varnosti, ki bi lahko imele dvojno rabo.

Več podrobnosti o naših zaščitnih ukrepih in preizkušanju je na voljo v sistemskem dokumentu GPT-6.2⁠(odpre se v novem oknu).

Zmogljivosti za raziskovanje umetne inteligence in zaščitni ukrepi

GPT-6.2 Astra je naš prvi model, dostopen zunanjim uporabnikom, ki dosega visok prag za samoizboljševanje UI, s katerim merimo sposobnost modela za pospeševanje raziskav UI. Oznaka »visoko« odraža našo oceno, da je učinek modela enakovreden temu, da bi vsakemu raziskovalcu pri OpenAI glede na njegovo izhodiščno stanje leta 2024 kot pomočnika dodelili dodatnega, zelo sposobnega raziskovalnega inženirja. To zmogljivost spremljamo, ker bi modeli, ki lahko pomagajo razvijati prihodnje sisteme UI, lahko prinesli tudi nova varnostna tveganja, denimo pospešili napredek onkraj hitrosti, s katero se lahko prilagajajo zaščitni ukrepi ali človeški nadzor.

Za obvladovanje teh tveganj smo v učenje in uvajanje svojih modelov vključili več nadzora in kontrolnih mehanizmov. Preden smo razširili interni dostop do modela GPT-6.2 Astra, smo ocenili njegovo usklajenost in na vsaki stopnji preverili, ali so vzpostavljeni zahtevani zaščitni ukrepi. Okrepili smo izolacijo v svojih raziskovalnih okoljih⁠ in te zaščitne ukrepe preizkusili z našimi najzmogljivejšimi modeli. Razvili smo tudi Control Room⁠, sistem, ki spremlja raziskovalna opravila in lahko ustavi nadaljnje ustvarjanje izhodov modela, kadar je potrebno posredovanje. Naše razširjeno spremljanje⁠ preučuje sklepanje in dejanja modelov pri internih opravilih in podprtih zunanjih uvedbah. Samodejno lahko označi nepooblaščeno vedenje in, kjer je to podprto, začasno ustavi opravila ali pogovore.

Usklajenost

Oba modela sta pri večini vrednotenj usklajenosti dosegla podobne rezultate kot GPT-6 Astra in pri simuliranih delovnih nalogah izvedla manj neustreznih dejanj. Vendar sta pri dveh preizkusih pogosteje zamolčala ovire, ki so jima preprečile delo, na primer manjkajočo datoteko ali nedostopno iskalno orodje. V Codex smo dodali navodila, ki občutno zmanjšajo te opustitve, to vedenje pa še naprej raziskujemo.

Cene in razpoložljivost

Od danes sta GPT-6.2 Astra in Sol na voljo vsem uporabnikom paketov Plus, Pro, Enterprise in Edu v ChatGPT Work in Codex. Naročniki paketa Pro 500 lahko Ultrafast uporabljajo z obema modeloma. Ultrafast prvič omogočamo tudi naročnikom paketa Pro 200, za začetek z modelom GPT-6.2 Sol. Upravičeni uporabniki paketov Enterprise in Edu dobijo enak dostop, ko ga omogoči skrbnik njihovega delovnega prostora. Razvijalci lahko do gpt-6.2-astra in gpt-6.2-sol dostopajo tudi prek API-ja OpenAI, pri čemer je Ultrafast za oba modela na voljo že ob uvedbi.

Strošek na nalogo pri modelu GPT‑6.2 Astra je bistveno nižji kot pri modelu GPT‑6 Astra, zahvaljujoč učinkovitejši porabi žetonov, 20-odstotnemu znižanju cen vhodnih in izhodnih žetonov ter še večjemu, 60-odstotnemu znižanju cen predpomnjenih vhodnih žetonov. Standardne cene API-ja na milijon žetonov so 8 USD za vhodne, 0,40 USD za predpomnjene vhodne in 40 USD za izhodne žetone. GPT‑6.2 Sol ohranja cene modela GPT‑6.1 Sol: 2 USD za vhodne, 0,10 USD za predpomnjene vhodne in 10 USD za izhodne žetone na milijon žetonov.

Pri modelih GPT-6.2 Astra in Sol za boljšo ponovno uporabo predpomnilnika, nižje stroške in zakasnitev ter ohranitev sklepanja med izmenjavami priporočamo, da predpone pozivov pustite nespremenjene in nova navodila dodajate⁠(odpre se v novem oknu) na konec pogovora.

Avtorji

OpenAI

Footnotes

  1. 1

    Rezultati modela Fable 5.2 na preizkusu Terminal-Bench-Science 0.1 so povzeti po poročanju organizacije Artificial Analysis⁠(odpre se v novem oknu) z uporabo ogrodja mini-swe-agent. Anthropic je poročal, da je Fable 5.2 pri najvišji stopnji sklepanja v Claude Code dosegel rezultat 74,6 %.