Prezantimi i GPT-6.2 Astra dhe Sol
Një standard i ri për punën profesionale
Provo në ChatGPT Work(hapet në një dritare të re)Ju prezantojmë GPT‑6.2 Astra, modelin tonë të ri avangardë për projektet tuaja më të vështira, dhe GPT‑6.2 Sol, modelin tonë efikas e të gjithanshëm për punën e përditshme. Të dy modelet japin rezultate më të mira në detyra kërkuese me më pak tokenë dalës, që të mund të bëni më shumë brenda kufijve tuaj të përdorimit. Për bizneset dhe zhvilluesit, kjo do të thotë performancë avangardë me kosto të arsyeshme edhe në shkallë të gjerë.
GPT‑6.2 Astra vendos një standard të ri cilësie për IA-në në punë profesionale komplekse. Diapozitivat, fletëllogaritë dhe dokumentet e tij duken më pak si përmbajtje e krijuar nga IA dhe ndjekin më me përpikëri shabllonet që jepni dhe praktikat e fushës suaj. Ai shkruan kod më të pastër dhe ndërton ndërfaqe që duken dhe funksionojnë më mirë, veçanërisht për faqe interneti, lojëra dhe dizajn 3D.
Në Agents’ Last Exam, që teston punën profesionale me shumë hapa, GPT‑6.2 Astra vendos një rekord të ri, duke marrë 5,2 pikë më shumë se GPT‑6 Astra me më pak se një të tretën e kostos dhe 5,5 pikë më shumë se Claude Fable 5.2 me vetëm 5% të kostos.
Agents’ Last Exam vlerëson modelet në procese profesionale pune me shtrirje të gjatë. Rezultatet e Fable 5.2 në renditjen e tij përjashtojnë nëntë detyra ku u përdor një model rezervë.
Ne besojmë se GPT-6.2 Astra është modeli më i mirë në botë për shkencëtarët. Ai vendos një rekord të ri në Terminal-Bench-Science 0.1, që teston sa mirë mund të kryejnë modelet punë shkencore në një terminal. GPT-6.2 Astra merr 9 pikë përqindjeje më shumë se GPT-6 Astra me më pak se një të tretën e kostos. Ai vendos gjithashtu një rekord të ri në Vals Science Index, ku modeleve u kërkohet të interpretojnë të dhëna biologjike reale dhe të kryejnë eksperimente për të nxjerrë përfundime se si funksionon një sistem i simuluar.
Në API, çmimet e tokenëve hyrës dhe dalës të GPT‑6.2 Astra janë 20% më të ulëta se ato të GPT‑6 Astra, me një ulje prej 60% për hyrjet e ruajtura në cache (8 $ për hyrjet, 0,40 $ për hyrjet në cache dhe 40 $ për daljet, të gjitha për një milion tokenë). GPT‑6.2 Sol ruan çmimet e tokenëve të GPT‑6.1 Sol në API. Në disa teste krahasuese, të dy modelet u afrohen ose i tejkalojnë modelet e tjera kryesuese me vetëm një pjesë të vogël të kostos për detyrë.
GPT-6.2 Sol: modeli ynë i preferuar për punën e përditshme
Krahasuar me GPT‑6.1 Sol, GPT‑6.2 Sol është më inteligjent, më efikas dhe ju lejon të përfundoni më shumë detyra me të njëjtin plan me pagesë. Ai përballon me lehtësi rrjedha pune agjentike me shumë hapa, shkruan qartë e natyrshëm dhe bashkëpunimi me të është intuitiv. Shumë punonjës të OpenAI e përdorin si modelin e tyre të parazgjedhur si për detyra teknike, ashtu edhe për ato joteknike.
Në FrontierCode 2.0 të Cognition, GPT‑6.2 Sol i afrohet GPT‑6.2 Astra me një diferencë prej vetëm 0,5 pikësh, me rreth një të pestën e kostos (të dyja në nivelin Max).
FrontierCode 2.0 vlerëson nëse ndryshimet në baza reale kodi përmbushin standardet e mirëmbajtësve për integrim.
Shpejtësia dhe inteligjenca e tij e bëjnë gjithashtu ideal për detyrat e rëndësishme jashtë punës, për të cilat njerëzit i drejtohen IA-së. Në vlerësimin tonë LifeVal, të publikuar së fundmi, që mat performancën në detyra të vështira të përditshme, GPT‑6.2 Sol merr më shumë pikë se GPT‑6 Astra me rreth një të shtatën e kostos.
LifeVal teston sa mirë modelet trajtojnë detyra të përditshme të përshtatura me nevojat e një personi, si përzgjedhja e kopshteve pas një zhvendosjeje, gjetja e një shtëpie që përputhet me buxhetin dhe udhëtimin e përditshëm të një familjeje, ose planifikimi i vakteve për një prind që po përshtatet me një diagnozë të re.
Rezultate profesionale që përmbushin standardet e industrisë
E trajnuam GPT‑6.2 Astra të krijojë diapozitiva, fletëllogaritëse dhe dokumente më të qarta e më të mirëprojektuara, që ndjekin më nga afër praktikat e profesionistëve në fusha si drejtësia, shitjet, financa dhe kontabiliteti. Teksti është më i drejtpërdrejtë dhe konkret, me më pak përfundime të përgjithshme dhe përmbajtje të tepërt.
Harvey LAB‑AA v1.1 përdor detyra juridike për të testuar nëse modelet mund të gjejnë faktet përkatëse në dokumentet burimore, t’i zbatojnë sipas udhëzimeve të hollësishme të detyrës dhe të prodhojnë një material të saktë që përmbush çdo kërkesë. GPT‑6.2 Astra vendos një standard të ri performance, duke arritur një normë kalueshmërie më shumë se dyfishin e asaj të Claude Fable 5.2 me rreth një të gjashtën e kostos. OpenAI for Law, konfigurimi ynë i GPT-6.2 Astra për avokatët, merr edhe më shumë pikë në këtë test krahasues.
Harvey LAB‑AA teston punën juridike, si shqyrtimi i dispozitave kontraktore. Rezultati i tij kryesor jep pikë vetëm kur materiali i dorëzuar përmbush çdo kriter vlerësimi dhe nuk përmban halucinacione me rëndësi thelbësore.
Testi ynë i brendshëm krahasues GDPval v2 është versioni i radhës i GDPval, që mat procese pune komplekse dhe me shtrirje të gjatë nga projekte reale në sektorë si konsulenca, financa dhe dizajni. GPT‑6.2 Astra kryeson mes modeleve që testuam, me 6,2 pikë përqindjeje më shumë se GPT‑6 Astra, ndërkohë që përdor 22% më pak tokenë dalës. GPT‑6.2 Sol shënon një përmirësim prej 5,3 pikësh ndaj GPT‑6.1 Sol.
GDPval v2 përbëhet nga detyra pune të bazuara në njohuri, me shtrirje të gjatë, nga projekte reale në sektorë si financa, shkenca e të dhënave, bioteknologjia dhe marketingu.
Libra pune dhe memorandume
Krijimi i një libri pune për vlerësimin financiar ose hartimi i një memorandumi investimi nis me gjetjen e shifrave përkatëse në skedarët burimorë dhe përcaktimin e lidhjeve mes tyre. AA‑AnalystAgent i Artificial Analysis e teston këtë punë në fletëllogaritëse dhe raporte reale. Në një nga detyrat, modelet përdorin raportet e shpenzimeve të Medicaid në Kaliforni për të llogaritur sa ka shpenzuar programi për transport mjekësor. GPT‑6.2 Astra vendos një rekord të ri, duke iu përgjigjur saktë 62,5% të pyetjeve në të pesta përpjekjet e pavarura.
Prezantime me diapozitiva
GPT‑6.2 Astra është modeli ynë më i mirë deri më sot për projektimin e diapozitivave dhe ndjekjen e shablloneve të tyre, qoftë kur i jepet një skedar origjinal apo edhe një pamje ekrani. Ai mund të riprodhojë paraqitjen, ngjyrat dhe tipografinë deri te madhësia e saktë e shkronjave dhe të ruajë stilin e shkrimit të shabllonit në diapozitivat e rinj. Testuesit e hershëm i gjetën prezantimet më të lehta për t'u përdorur drejtpërdrejt, me më pak redaktime, falë titujve që shprehin mesazhin kryesor dhe tekstit të përmbledhur që përqendrohet te detajet që u duhen lexuesve.
Përdorimi i kompjuterit dhe dizajni ndërveprues i faqeve të internetit
Përdorimi më i saktë i kompjuterit nga GPT‑6.2 Astra i lejon të punojë deri në nivelin e pjesëve dhe lidhjeve individuale në mjetet CAD dhe të simulimit. Inxhinierët mund ta përdorin këtë hollësi shtesë për të kontrolluar si përshtaten komponentët, për të parë ku zhvendosen ngarkesat gjatë lëvizjes së mekanizmit të projektuar dhe për të testuar ndryshimet përpara ndërtimit të një prototipi.
Simulimi i drejtimit të automjetit
I kërkuam GPT‑6.2 Astra të vizualizonte dinamikën e shasisë së një makine në një rrugë malore. Astra krijoi modelin 3D dhe shkroi një zgjidhës numerik në Python për të simuluar dinamikën komplekse mes gomave dhe sistemit të amortizimit, më pas i animoi rezultatet në Blender. Kjo u mundëson inxhinierëve të testojnë shpejt dizajne të reja dhe të përmirësojnë saktësinë e simulimit me kalimin e kohës.
Projektimi mekanik dhe montimi
GPT‑6.2 Astra mund të modelojë një sistem mekanik pjesë pas pjese, duke u dhënë inxhinierëve mundësinë të tregojnë si montohet dhe të testojnë se si ndryshimet në projektim ndikojnë në sjelljen e tij.
Nga CAD te një llambë prej letre
Ekipi ynë përdori GPT‑6.2 Astra për t’i shndërruar ballkonet me harqe të përsëritura të kullave Marina City në Çikago në një llambë. Videoja ndjek projektin nga fotot e referencës, përmes rishikimeve në CAD, deri te një llambë fizike e montuar me dorë. Faqja, e gjeneruar nga GPT-6.2 Astra, mund të përdoret për të krijuar llambën tuaj prej letre.
GPT‑6.2 Astra sjell arsyetim vizual më të fortë në dizajnin e faqeve të internetit, duke zgjedhur organizime dhe imazhe që i japin çdo faqeje një pamje të veçantë dhe duke ndërtuar elemente në funksion të qëllimit real të saj.
Këto përmirësime në arsyetimin vizual dhe përdorimin e kompjuterit shtrihen edhe në dizajnin 3D. GPT‑6.2 Astra dhe Sol mund ta kthejnë një përshkrim të shkruar të kërkesave në një përvojë ndërvepruese në shfletues, nga një tavolinë pinball ku mund të luani deri te një rikrijim i Koloseut që mund ta eksploroni nga kënde të ndryshme. Në AA‑3D të Artificial Analysis, vlerësues njerëzorë provojnë dy përvoja të ndërtuara nga e njëjta kërkesë, pa e ditur cili model i ka krijuar, dhe votojnë për atë që preferojnë. GPT‑6.2 Astra renditet i pari me 1 318 pikë Elo, i ndjekur nga Claude Fable 5.2 me 1 271 dhe GPT‑6.2 Sol me 1 259.
Rrjedha pune efikase me stil më të pastër kodi
GPT‑6.2 Astra gjykon më mirë se si ta kryejë një detyrë, duke i përshtatur mjetet dhe përpjekjen me rrjedhën e punës dhe duke ditur kur të përdorë shtojca e kur të veprojë drejtpërdrejt në kompjuter.
Në kodim, GPT-6.2 Astra është më i mirë në zbatimin dhe testimin e ndryshimeve komplekse në baza ekzistuese kodi. Testuesit e hershëm raportuan stil më të pastër kodi dhe teste më të fokusuara, me më pak raunde rishikimi.
Aftësitë në sigurinë kibernetike
GPT‑6.2 Astra dhe GPT-6.2 Sol shënojnë një tjetër përparim të ndjeshëm në aftësitë kibernetike. Ata gjejnë dhe shfrytëzojnë dobësitë më me efektivitet, shkruajnë kod më të sigurt dhe prodhojnë korrigjime më të mira, me përmirësime të konsiderueshme në efikasitetin e tokenëve në disa vlerësime. Ashtu si GPT‑6 Astra, 6.2 Astra dhe Sol arrijnë pragun Kritik për sigurinë kibernetike sipas Preparedness Framework tonë.
Për shkak të aftësive të tyre të shtuara, po i lançojmë GPT‑6.2 Astra dhe Sol me masa mbrojtëse më të rrepta për ndihmën në sigurinë kibernetike që paraqet rrezik më të lartë. Këto masa mbrojtëse ulin rrezikun e keqpërdorimit, por kufizojnë edhe disa procese legjitime pune për kërkimin e cenueshmërive dhe testimin e sigurisë. Përmes OpenAI Daybreak, mbrojtësit kibernetikë aktualisht mund të përdorin GPT‑6 Sol me më pak refuzime të kërkesave kibernetike në Daybreak Blue, krahas versionit tonë alfa të GPT-6 Astra, si dhe GPT‑6 Cyber për testime të avancuara dhe të autorizuara të sigurisë në Daybreak Red. Do të punojmë për t’i sjellë modelet GPT‑6.2 në Daybreak.
Më poshtë paraqesim rezultatet kryesore të testeve krahasuese, duke përdorur konfigurime të brendshme testimi ku masat mbrojtëse të sigurisë kibernetike dhe klasifikuesit janë çaktivizuar. Për rezultatet e plota dhe metodologjinë, shihni kartën shoqëruese të sistemit(hapet në një dritare të re).
Duke u dhënë epërsi mbrojtësve kibernetikë
Zhvilluesit mbështeten gjithnjë e më shumë tek agjentët e kodimit për të shkruar softuer për prodhim, ndërkohë që agjentët më të aftë e bëjnë më të lehtë gjetjen dhe shfrytëzimin e dobësive. PHP2Shell(hapet në një dritare të re) tregoi se si IA mund t'i ndihmojë kërkuesit të zbulojnë mangësi kritike. Me GPT‑6.2 Astra dhe Sol, i vendosëm aftësitë mbrojtëse në qendër të vëmendjes, duke futur sinjale të reja trajnimi për t'i ndihmuar zhvilluesit t'i parandalojnë dhe korrigjojnë këto mangësi — duke shkruar kod të sigurt që në fillim dhe duke prodhuar korrigjime që ruajnë sjelljen e synuar.
Siguria dhe përputhja me synimet njerëzore
Po i vëmë në përdorim GPT-6.2 Astra dhe Sol me masat tona mbrojtëse më të forta deri më sot. Kemi shtrënguar kufizimet dhe kemi forcuar sistemet që përdorim për të monitoruar modelet dhe për të ndërhyrë kur është e nevojshme.
Ashtu si GPT-6 Astra, përveçse arrijnë pragun Kritik për sigurinë kibernetike, si GPT-6.2 Astra ashtu edhe Sol arrijnë pragun e Lartë për aftësitë biologjike dhe kimike sipas Preparedness Framework. Kemi zbatuar masa mbrojtëse për të zbutur rreziqet përkatëse, krahas kufizimeve më të rrepta për një grup kërkesash biologjike dhe të sigurisë kibernetike që mund të kenë përdorim të dyfishtë.
Më shumë hollësi për masat tona mbrojtëse dhe testimet gjenden në kartën e sistemit të GPT-6.2(hapet në një dritare të re).
Aftësitë kërkimore në IA dhe masat mbrojtëse
GPT-6.2 Astra është modeli ynë i parë i vënë në dispozicion jashtë organizatës që arrin pragun e Lartë për Vetëpërmirësimin e IA-së, i cili mat aftësinë e një modeli për të përshpejtuar kërkimin në IA. Klasifikimi si ‘i Lartë’ pasqyron vlerësimin tonë se ndikimi i modelit është i barasvlershëm me t’i dhënë çdo kërkuesi të OpenAI një inxhinier kërkimor shtesë, shumë të aftë, si asistent, krahasuar me bazën e tyre të referencës të vitit 2024. Ne e ndjekim këtë aftësi sepse modelet që mund të ndihmojnë në zhvillimin e sistemeve të ardhshme të IA-së mund të sjellin edhe rreziqe të reja për sigurinë, si përshpejtimi i përparimit përtej ritmit me të cilin mund të përshtaten masat mbrojtëse ose mbikëqyrja njerëzore.
Për t’i trajtuar këto rreziqe, kemi shtuar mbikëqyrjen dhe kontrollet në mënyrën se si i trajnojmë dhe i vëmë në përdorim modelet tona. Para se të zgjeronim qasjen e brendshme në GPT-6.2 Astra, vlerësuam përputhjen e tij me synimet njerëzore dhe verifikuam që masat e nevojshme mbrojtëse ishin në fuqi në çdo fazë. Ne forcuam izolimin në mjediset tona kërkimore dhe i testuam këto masa mbrojtëse me modelet tona më të afta. Ndërtuam gjithashtu Control Room, një sistem që ndjek ngarkesat e punës kërkimore dhe mund të ndalojë gjenerimin e mëtejshëm nga modeli kur nevojitet ndërhyrje. Monitorimi ynë i zgjeruar shqyrton arsyetimin dhe veprimet e modeleve në ngarkesat e brendshme të punës dhe në vëniet në përdorim jashtë organizatës ku kjo mbështetet. Ai mund të sinjalizojë automatikisht sjellje të paautorizuara dhe, aty ku mbështetet, të pezullojë ngarkesat e punës ose bisedat.
Përputhja me synimet njerëzore
Të dy modelet patën performancë të ngjashme me GPT-6 Astra në shumicën e vlerësimeve të përputhjes me synimet njerëzore dhe kryen më pak veprime të papërshtatshme në detyra të simuluara të vendit të punës. Megjithatë, në dy teste, ata kishin më shumë gjasa të mos përmendnin pengesa që ua bllokonin punën, si një skedar që mungonte ose një mjet kërkimi i padisponueshëm. Shtuam udhëzime në Codex që i ulin ndjeshëm këto mospërmendje dhe po vazhdojmë ta hetojmë këtë sjellje.
Çmimet dhe disponueshmëria
Duke filluar nga sot, GPT-6.2 Astra dhe Sol janë të disponueshëm për të gjithë përdoruesit Plus, Pro, Enterprise dhe Edu në ChatGPT Work dhe Codex. Abonentët e Pro 500 mund të përdorin Ultrafast me cilindo nga dy modelet. Për herë të parë, po e sjellim Ultrafast edhe për abonentët e Pro 200, duke filluar me GPT-6.2 Sol. Përdoruesit Enterprise dhe Edu që plotësojnë kushtet marrin të njëjtën qasje sapo administratori i hapësirës së tyre të punës ta aktivizojë. Zhvilluesit mund të përdorin gjithashtu gpt-6.2-astra dhe gpt-6.2-sol përmes API-së së OpenAI, me Ultrafast të disponueshëm për të dy modelet që në lançim.
GPT‑6.2 Astra kushton dukshëm më pak për detyrë se GPT‑6 Astra, falë përdorimit më efikas të tokenëve, një uljeje prej 20% për tokenët hyrës dhe dalës dhe një uljeje më të madhe, prej 60%, për tokenët hyrës të ruajtur në cache. Tarifat standarde të API-së për një milion tokenë janë 8 $ për hyrjet, 0,40 $ për hyrjet në cache dhe 40 $ për daljet. GPT‑6.2 Sol ruan tarifat e GPT‑6.1 Sol prej 2 $ për hyrjet, 0,10 $ për hyrjet në cache dhe 10 $ për daljet, për një milion tokenë.
Për GPT-6.2 Astra dhe Sol, që të përmirësoni ripërdorimin e cache-it, të ndihmoni në uljen e kostove dhe vonesës, si dhe të ruani arsyetimin mes ndërveprimeve, rekomandojmë t'i mbani të pandryshuara prefikset e kërkesave dhe të shtoni udhëzime të reja(hapet në një dritare të re) në fund të bisedës.
Autori
Footnotes
- 1
Rezultatet e Fable 5.2 në Terminal-Bench-Science 0.1 janë ato të raportuara nga Artificial Analysis(hapet në një dritare të re) në strukturën mini-swe-agent. Anthropic raportoi rezultatin prej 74,6% të Fable 5.2 në nivelin maksimal të arsyetimit në Claude Code.



