GPT‑5.6 உருவாக்குநர் வழிகாட்டி

GPT‑5.6 மாடல் குடும்பம் அதிநவீன நிலையிலான ஏஜென்ட் செயல்திறனைப் பெருமளவு மலிவாக்குவதுடன், சாத்தியங்களின் எல்லையையும் விரிவுபடுத்துகிறது.

ரீஸனிங் தொடர்ச்சி, பல ஏஜென்ட் ஒருங்கிணைப்பு, நிரலாக்கக் கருவி அழைப்பு ஆகியவற்றுக்கு உதவும் நுணுக்கமான மாடல் தேர்வையும் புதிய API கட்டுப்பாடுகளையும் பயன்படுத்தி, செலவில் ஒரு சிறு பகுதியிலேயே வேகமான, அதிகத் திறனுள்ள ஏஜென்ட்களைத் தொடக்க நிறுவனங்கள் எவ்வாறு உருவாக்குகின்றன என்பதை இந்த வழிகாட்டியில் விளக்குகிறோம்.

GPT‑5 முதல், ஒவ்வொரு மாடல் தலைமுறையும் குறைவான டோக்கன்களுடன் நீண்டகாலப் பணிகளைக் கையாள முயன்றுள்ளது. அந்தப் பாதையில் GPT‑5.6 தொடர்கிறது: அடிப்படைச் சூழல் பணி அமைவில் மிகக் குறைந்த மாற்றங்களுடன், வலுவான ஏஜென்ட் செயல்திறனையும் குறைந்த செலவையும் வழங்குகிறது.

ஒட்டுமொத்தச் செலவுத் திறனில் கிடைத்த மேம்பாடுகளுடன், குறைந்த ரீஸனிங் முயற்சியிலேயே துல்லியமும் அதிகரித்துள்ளது. எடுத்துக்காட்டாக, சூழல் பணி அமைவை மாற்றாமல் வைத்தபோது, ஏஜென்ட்களுக்கான முந்தைய தேர்வில் “குறைந்த” ரீஸனிங்குடன் GPT‑5.6 Sol, “அதிக” ரீஸனிங் கொண்ட GPT‑5.5‑ஐவிடச் சிறப்பாகச் செயல்பட்டது. முந்தைய இயல்புநிலை ரீஸனிங் முயற்சியைக் குறைத்ததன் மூலம் பல்வேறு பணிப்பாய்வுகளில் செலவு குறிப்பிடத்தக்க அளவில் மேம்பட்டதாகத் தொடக்க நிறுவனங்கள் தெரிவித்த உற்பத்திச் சோதனைகளிலும் இதேபோன்ற வெற்றிகளைக் கண்டுள்ளோம்.

நீண்டகாலப் பயன்பாடுகளுக்கு, கிடைக்கக்கூடிய அதிகபட்ச ரீஸனிங் கொண்ட ஃப்ளாக்ஷிப் மாடலுக்கு மேம்படுத்துவதே வழக்கமாகச் சிறந்த தேர்வாக இருந்துள்ளது. நீண்ட சூழல்களையும் கருவி அழைப்பையும் கையாளுவதில், செலவுக்கேற்ப மேம்படுத்தப்பட்ட மாடல்களைவிட இம்மாடல்கள் கணிசமாக அதிகத் திறன் கொண்டிருந்ததே இதற்குப் பெரும் காரணம் ஆகும். 5.6 குடும்பத்துடன் இது மாறியுள்ளது: சோதனை நேரக் கணக்கீட்டை அதிகரிக்கும்போது, Luna மற்றும் Terra பெரும்பாலும் GPT‑5.4, GPT‑5.5 போன்றே செயல்பட்டாலும் கணிசமாக மலிவானவை.

BrowseComp பணிகளை எடுத்துக்கொள்ளுங்கள்: அரிதான உண்மைகளைத் தேடிக் கண்டறியும் மாடலின் திறனைச் சோதிக்கும் தேடல் சார்ந்த அளவுகோல் இதுவாக்கும். மூன்று மாதங்களுக்கு முன்பு, இந்த அளவுகோலில் GPT‑5.5 (மிக அதிகம்) மொத்தம் $33.27 செலவில் 84.36% மதிப்பெண் பெற்றது. வெளியீட்டின்போது, GPT‑5.6 Luna (மிக அதிகம்) $1.33 செலவில் 84.04% மதிப்பெண் பெற்று, ஏறக்குறைய அதே செயல்திறனை வழங்குகிறது. அதன்பின் விலைகளை மேலும் குறைத்துள்ளோம். எங்களின் சமீபத்திய விலைக் குறைப்புகள் குறித்து மேலும் அறிக.

சிறிய 5.6 குடும்ப மாடல்கள், அதிக அளவிலான பணிச்சுமைகள், தாமதத்தால் பாதிக்கப்படும் உரையாடல்கள், ஏஜென்ட் சார்ந்த பணிப்பாய்வுகளின் தொடர் படிகள் ஆகியவற்றுக்கு மிகவும் பொருத்தமானவை. எடுத்துக்காட்டாக, ஏஜென்ட் சார்ந்த பகுப்பாய்வுக்கு முன் கையால் எழுதப்பட்ட குறிப்புகளைப் பகுத்தறியும் சட்டத் தொழில்நுட்பத் தொடக்க நிறுவனத்தை நீங்கள் நடத்தினால், முழுப் பயன்பாட்டுக்கும் அதிநவீன மாடலைப் பயன்படுத்துவதற்குப் பதிலாக, தரவெடுப்புக்கு Terra அல்லது Luna-ஐப் பயன்படுத்தி கணிசமான செலவைச் சேமிக்கலாம்.

GPT‑5.6‑இன் இயல்புநிலை செயல்திறனை உயர்த்தியதுடன், மேலும் மேம்பாடுகளைப் பெற மறுமொழிகள் API-க்குப் புதிய அடிப்படைக் கூறுகளையும் வழங்கினோம். ஏஜென்ட்கள் மேலும் திறனுடன் செயல்பட உதவும் ஒன்றையொன்று நிறைவுசெய்யும் மூன்று கட்டமைப்பு மாற்றங்களுடன் GPT‑5.6‑ஐ தொடக்கம் முதல் முடிவுவரை பயிற்றுவித்தோம்:

1. ஏற்கெனவே செய்த பணியை மீண்டும் பயன்படுத்துதல்: மாடல் சுற்றுகளுக்கு இடையே ரீஸனிங்கைத் தக்கவைக்க⁠(புதிய சாளரத்தில் திறக்கும்) அனுமதிப்பதாலும், நீண்டகால உரையாடல்களைச் சுருக்க உள்ளமைந்த சுருக்குதலைப்⁠(புதிய சாளரத்தில் திறக்கும்) பயன்படுத்துவதாலும், குழப்பமடையாமலும் முந்தைய சூழலை மீண்டும் உருவாக்க வேண்டிய அவசியமில்லாமலும் நீண்ட பணிக்காலம் முழுவதும் மாடல் தனது பணியின் தொடர்ச்சியைப் பேண முடியும்.
2. பொருத்தமான இடங்களில் இணையாகப் பிரித்தல்: உள்ளமைந்த பல ஏஜென்ட் ஒருங்கிணைப்பைப்⁠(புதிய சாளரத்தில் திறக்கும்) பயன்படுத்துவது, சிக்கலான பணிகளை விரைவாக முடிக்க பல ஏஜென்ட்களை இணையான பணித்தடங்களில் ஒருங்கிணைக்க உதவுகிறது.
3. முன்னரே தீர்மானிக்கக்கூடிய பணியை நிரலுக்கு மாற்றுதல்: மாடலின் சூழல் சாளரத்திற்கு வெளியே கருவி வெளியீடுகளை வடிகட்டவும், திரட்டவும், ஒருங்கிணைக்கவும் நிரலாக்கக் கருவி அழைப்பைப்⁠(புதிய சாளரத்தில் திறக்கும்) பயன்படுத்துவதால், மாடல் டோக்கன்களைத் தீர்மானத்திற்காக ஒதுக்கி, செலவு, தாமதம், சூழல் சிதைவு ஆகியவற்றைக் குறைக்கலாம்.

இவற்றை ஒன்றாகப் பயன்படுத்தும்போது, மாற்றம் வியத்தகு அளவில் இருக்கலாம். எடுத்துக்காட்டாக, ARC-AGI-3-இல் நிலையான சூழல் பணி அமைவுடன் GPT‑5.6 Sol 13.3% மதிப்பெண் பெற்றது. ஆனால், தக்கவைக்கப்பட்ட ரீஸனிங் மற்றும் சுருக்குதலைச் செயல்படுத்தியதும், சுமார் 6 மடங்கு குறைவான வெளியீட்டு டோக்கன்களைப் பயன்படுத்தியே மதிப்பெண் 38.3%-ஆக உயர்ந்தது. மாடலில் எந்த மாற்றமும் இல்லை; ஆனால் செயல்திறன் ஏறக்குறைய மூன்று மடங்கு ஆகும். எங்கள் ARC-AGI-3 சூழல் பணி அமைவு ஆய்வு குறித்து இங்கே மேலும் படிக்கலாம்.

ஏஜென்ட் சார்ந்த பணிப்பாய்வுகளில் பொதுவாக இருவகைப் பணிகள் இடம்பெறும்:

1. தீர்மானம் தேவைப்படும் பணிகள்
2. தரவை நகர்த்துதல், வடிகட்டுதல், ஒன்றிணைத்தல் ஆகியவையே பெரும்பாலும் தேவைப்படும் பணி

ஓர் ஏஜென்ட் 100 தாக்கல்களை மீட்டெடுத்து, தேதியின்படி வடிகட்டி, தொடர்புடைய பரிவர்த்தனைகளைக் கண்டறியும்போது, ஒவ்வொரு இடைநிலை முடிவையும் தனது சூழல் சாளரத்தில் வைத்து மாடல் ரீஸனிங் செய்ய வேண்டியதில்லை. கருவிகளை ஒருங்கிணைக்கவும், ஒன்றையொன்று சாராத அழைப்புகளை இணையாக இயக்கவும், அவற்றின் வெளியீடுகளைச் சூழல் சாளரத்திற்கு வெளியே செயலாக்கவும் JavaScript-ஐ GPT‑5.6 எழுத நிரலாக்கக் கருவி அழைப்பு உதவுகிறது. இதனால், நுண்ணறிவு தேவைப்படும் தீர்மானத்தில் மாடல் கவனம் செலுத்த முடியும்.

சிக்கலான, இணையாக மேற்கொள்ளக்கூடிய பணிகளில் செயல்களையும் ரீஸனிங்கையும் பல ஏஜென்ட் பணித்தடங்களில் பகிர்வது, பணிகளை வேகமாக முடிக்கவும் நுண்ணறிவை அதிகரிக்கவும் உதவுகிறது. இந்த அமைவுகளில், துணை ஏஜென்ட்களை ஒருங்கிணைத்து அவர்களுக்குப் பணிகளை ஒப்படைப்பது முதன்மை ஏஜென்ட்டின் பொறுப்பு. துணை ஏஜென்ட்கள் தங்கள் இலக்குகளை இணையாகத் தொடர்ந்துவிட்டு, இறுதித் தொகுப்புக்காகத் தங்கள் வெளியீடுகளை முதன்மை ஏஜென்ட்டிடம் திருப்பி அனுப்புகின்றன. மறுமொழிகள் API-இல் பல ஏஜென்ட் வசதியைச் செயல்படுத்துவதன்⁠(புதிய சாளரத்தில் திறக்கும்) மூலம் குழுக்கள் அதை உள்ளமைந்த முறையில் பயன்படுத்தத் தொடங்கலாம். ChatGPT‑இல் Ultra திறன் அமைவும் இவ்வாறே செயல்படுகிறது.

எத்தனை துணை ஏஜென்ட்கள் பொருத்தமானவை, அவற்றை எப்போது உருவாக்க வேண்டும் என்பதில் GPT‑5.6 வலுவான புரிதலைக் கொண்டிருந்தாலும், பல ஏஜென்ட் நடத்தையை எளிதாக வழிநடத்தலாம். துணை ஏஜென்ட்களை எப்போது அழைக்க வேண்டும் என மாடலுக்கு அறிவுறுத்துவதன் மூலம், கூடுதல் டோக்கன் செலவு சிறந்த செயல்திறனைத் தரும் சூழல்களில் மட்டும் ஏஜென்ட்கள் உருவாக்கப்படுவதற்கான வாய்ப்பை அதிகரிக்கலாம்.

முழு மாடல் குடும்பத்திலும் ப்ராம்ப்ட் தற்காலிகச் சேமிப்பின் வாழ்நாள் குறைந்தது 30 நிமிடங்களாக நீட்டிக்கப்பட்டுள்ளது; இப்போது மாடலின் சூழல் சாளரத்திற்குள் தற்காலிகச் சேமிப்பு இடைநிறுத்தப் புள்ளிகளைத் தீர்மானிக்கப்பட்ட முறையில் அமைக்கலாம். இதனால், தொடக்க நிறுவனங்கள் தங்கள் தற்காலிகச் சேமிப்புப் பொருத்த விகிதத்தைக் கணிசமாக மேம்படுத்தியுள்ளன.

தற்காலிகச் சேமிப்பு இடைநிறுத்தப் புள்ளிகளை அமைப்பதுடன், பொருத்தமான prompt_cache_key⁠(புதிய சாளரத்தில் திறக்கும்)-ஐத் தொடர்ந்து பயன்படுத்துவது, அதே முன்னொட்டுக்கு முன்பு சேவையளித்த அனுமானப் பொறியிலேயே கோரிக்கைகள் சென்றடையும் வாய்ப்பை அதிகரித்து, தாமதத்தைக் குறைக்கிறது.

இந்த எடுத்துக்காட்டுகள் அனைத்திலும் தனித்துத் தெரிவது, ஏஜென்ட்களை உருவாக்குவதற்கான பொருளாதாரம் எந்த அளவுக்கு மாறியுள்ளது என்பதே ஆகும்.

ஒருகாலத்தில் ஒவ்வொரு படியிலும் அதிநவீன மாடல் தேவைப்பட்ட பயன்பாடுகள், இப்போது சிறிய மாடல்களைப் பயன்படுத்தி, ரீஸனிங் முயற்சியைச் சீரமைத்து, திறனுள்ள கட்டமைப்புத் தேர்வுகளை மேற்கொள்வதன் மூலம் செலவில் ஒரு சிறு பகுதியிலேயே ஒப்பிடத்தக்க அல்லது சிறந்த முடிவுகளை அடையலாம்.

நீங்கள் அனைவரும் உருவாக்கப்போவதைக் காண ஆவலுடன் இருக்கிறோம்!