Parallel halverade forskningstid och kostnad med GPT‑6 Astra
Med GPT‑6 Astra kunde Parallels agenter undersöka och sammanställa arbetsmarknadsdata på halva tiden och till halva kostnaden jämfört med tidigare modeller.
50 %
Kortare tid för att slutföra forskningsuppgifter
50 %
Minskad kodkostnad
Parallel(öppnas i ett nytt fönster) bygger utvecklarinfrastruktur för AI-agenter som utför kunskapsarbete på webben. Verktygen stöder allt från förankring i webbdata för röststyrda agenter till research för finansinstitut och juridiska kunder, genom att kombinera banbrytande modeller med webbsökning.
För Parallels mest tidskrävande researchuppgifter krävdes vanligtvis en större modell med utökat resonemang för att få ett svar av hög kvalitet, vilket tog mer tid och resurser. Med GPT‑6 Astra har företaget sett stora förbättringar av både tidsåtgång och kostnad.
”Med Astra har vi visat att det går att få research av samma höga kvalitet mycket, mycket snabbare, med färre researchanrop och färre token.”
I ett test av GPT‑6 Astra bad Parallel sin agent att undersöka sex olika arbetsmarknadsstatistikmått i fyra delstater under sex månader. Agenten behövde söka på flera webbplatser, samla in information och sammanställa resultaten i en enda rapport.
GPT‑6 Astra kunde slutföra arbetet på halva tiden jämfört med tidigare modeller, med omkring 50 % lägre kodkostnad och samma kvalitet på researchen.
Parallel såg också att GPT‑6 Astra gjorde mer fokuserade sökningar och behövde färre steg för att nå ett användbart resultat.
”Astra gjorde mer riktade sökningar och fokuserade bättre på slutmålet genom att använda sin kunskap om världen, jämfört med tidigare modeller.”
Den ökade effektiviteten gör det också mer praktiskt för Parallel att fördela researchen mellan flera agenter. GPT‑6 Astra kan delegera specifika researchuppgifter till underagenter, så att arbetet kan utföras parallellt och mindre tid går åt till att följa en enda söksekvens.
Parallel har nu en bättre väg från en komplex fråga till ett underbyggt svar, med kortare väntetid, lägre kostnader och större utrymme att hantera krävande researchuppgifter i stor skala.
