அதிநவீன நுண்ணறிவையும் அதிநவீன செயல்திறனையும் GPT‑5.6 எவ்வாறு இணைப்பது

மக்கள் எங்கள் மாடல்களைப் பயன்படுத்தும் பல்வேறு பணிகளிலும் திறனையும் செலவையும் சமநிலைப்படுத்தும் வகையில் GPT‑5.6 மாடல் குடும்பத்தை வடிவமைத்தோம். எங்கள் ஃப்ளாக்ஷிப் மாடலான GPT‑5.6 Sol, Max ரீஸனிங்குடன், பாதிக்கும் குறைவான செலவில் Artificial Analysis Coding Agent Index-இல் Claude Fable 5-ஐ விஞ்சுகிறது. நுண்ணறிவு அளவுகோல்களில் Terra, பாதி விலையில் GPT‑5.5-க்கு இணையாகச் செயல்படுகிறது. Luna எங்களின் மிக வேகமான, மிகவும் மலிவான மாடல்; இதன் விலை Sol-இன் செலவைவிட 80% குறைவு. இந்தச் செயல்திறன்களை வழங்க, எங்கள் ஆராய்ச்சி மற்றும் தொழில்நுட்பக் குழுக்கள் தொழில்நுட்ப அடுக்கின் ஒவ்வொரு முக்கிய நிலையிலும் குறிப்பிடத்தக்க உகப்பாக்கங்களைச் செய்துள்ளன. இந்த மேம்பாடுகள் எங்கள் மாடல்கள், அனுமானம் (வெளியீட்டை உருவாக்க மாடல்களை இயக்கும் முறை), Codex மற்றும் ChatGPT Work இரண்டிலும் பயன்படுத்தப்படும் எங்கள் ஏஜென்ட் சார்ந்த சூழல் பணி அமைவு ஆகியவற்றை உள்ளடக்குகின்றன.

கடந்த நான்கு ஆண்டுகளில் எங்கள் மாடல்களை 100 கோடி செயலில் உள்ள பயனர்களுக்கும் 20 லட்சத்திற்கும் மேற்பட்ட வணிகங்களுக்கும் விரிவுபடுத்தியுள்ளோம். நுண்ணறிவின் பலன்களை அனைவருக்கும் பகிர்வதில் செயல்திறன் மையமாக இருந்து வந்துள்ளது. ஆர்டிஃபிஷியல் ஜெனரல் இன்டெலிஜென்ஸ் மனிதகுலம் முழுவதற்கும் பயனளிப்பதை உறுதிசெய்வதே எங்கள் நோக்கம். இந்த ஆண்டுகளில், செலவு-நுண்ணறிவு வளைவின் ஒவ்வொரு நிலையிலும் மிகச் சிறப்பாகச் செயல்படும் மாடல்களை வழங்க, எங்கள் தொழில்நுட்ப அடுக்கு முழுவதிலும் தொடர்ந்து பெரிய உகப்பாக்கங்களைச் சாத்தியமாக்க உழைத்துள்ளோம். ஒவ்வொரு டோக்கனிலும் அதிகப் பணியைச் செய்யப் பயிற்சியளிக்கப்பட்ட GPT‑5.6 மூலம், இதுவரையிலான எங்களின் சிறந்த டோக்கனுக்கான நுண்ணறிவுச் செயல்திறனை அடைந்தோம். பயிற்சியின்போது, பணியின் வெற்றி மற்றும் செயல்திறன் இரண்டையும் உகப்பாக்கி, ஒரு பணியை மாடல் நேரடியான வழியில் நிறைவேற்றுமாறு வடிவமைக்கிறோம்.

இந்தப் பதிவு எங்கள் மாடல்களைத் தாண்டி, தொழில்நுட்ப அடுக்கின் மற்ற இரண்டு முக்கியப் பகுதிகளில் ஏற்பட்ட முன்னேற்றங்கள் மூலம் செயல்திறனை எவ்வாறு வடிவமைத்தோம் என்பதை விளக்குகிறது. 1) அதே வன்பொருளிலிருந்து அதிக வெளியீட்டைப் பெற, சுமைச் சமநிலைப்படுத்தல், ஊக அடிப்படையிலான குறியீடாக்கம், தற்காலிகச் சேமிப்பு, கருநிரல் உகப்பாக்கம் போன்ற செயல்முறைகளை உகப்பாக்கும் அனுமானம். 2) சூழல் வீக்கம், கருவிப் பயன்பாடு மற்றும் தொடர்ச்சியான பணியைச் சிறப்பாக நிர்வகிப்பது உள்ளிட்ட எங்கள் ஏஜென்ட் சார்ந்த சூழல் பணி அமைவு. இந்தப் பலன்களில் பலவற்றைத் தன்னிச்சையாக நடைமுறைப்படுத்துவதில் GPT‑5.6 Sol வகித்த பங்கையும் பகிர்வோம். தனிப்பட்ட எந்த மேம்பாடும் சிறியதாகத் தோன்றலாம். ஆனால் இந்த வெற்றிகள் ஒன்றோடொன்று சேர்ந்து, நுண்ணறிவு மற்றும் செயல்திறன் இரண்டிலும் அதிநவீன நிலையை எட்ட உதவுகின்றன.

திறனைவிட மாடல்களுக்கான தேவை வேகமாக வளரும், கணிப்பீடு கட்டுப்பாடுள்ள உலகில், ஒவ்வொரு முறைமை வடிவமைப்புக்கும் செயல்திறனே மையமாகும். பதில்களை உருவாக்கப் பயிற்சியளிக்கப்பட்ட மாடல்களை இயக்கும் எங்கள் அனுமானத் தொழில்நுட்ப அடுக்கில் இது குறிப்பாகப் பொருந்தும். பயனர்கள் எதிர்பார்க்கும் நுண்ணறிவு, மறுமொழித் தாமதம், கிடைக்கும் தன்மை மற்றும் நம்பகத்தன்மையைப் பாதுகாத்தபடி, அதே வன்பொருளில் அதிக டோக்கன்களை வழங்குவதே எங்கள் முதன்மை நோக்கம்.

இதை அடைய முழு முறைமையையும் உகப்பாக்க வேண்டும். தனியாகப் பார்க்கும்போது ஒரு மாடல் மிகுந்த செயல்திறன் கொண்டதாக இருக்கலாம். ஆனால் கோரிக்கைகள் முறையாகப் பகிரப்படாவிட்டால், வன்பொருள் செயலற்று இருந்தால் அல்லது கணக்கீட்டை தரவு நகர்வு மெதுவாக்கினால், அதை வழங்குவது செலவுமிக்கதாகவே இருக்கும். ஒவ்வோர் அடுக்கிலும் ஏற்படும் மேம்பாடுகள் ஒன்றோடொன்று சேர்ந்து பலனளிக்கின்றன. வழிப்படுத்தல் (கோரிக்கைகள் எங்கு அனுப்பப்படுகின்றன), கால அட்டவணையிடல் (அவை எப்போது அனுப்பப்படுகின்றன), கருநிரல்கள் (GPU-களில் இயங்கும் மென்பொருள்), தற்காலிகச் சேமிப்பு (சேமித்து மறுபயன்படுத்தப்படும் பணி), மாடல் செயலாக்கம் (GPU குறியீட்டின் வரிசை) ஆகியவற்றின் உகப்பாக்கங்களிலிருந்து இந்தப் பலன்கள் கிடைக்கின்றன. இந்த உகப்பாக்கங்கள் அனைத்திலும் Codex-இல் உள்ள GPT‑5.6 Sol முக்கியப் பங்காற்றியது.

முதல் முக்கியமான எடுத்துக்காட்டு சுமைச் சமநிலைப்படுத்தல். உலகளவில், புவியியல் பகுதி, கிடைக்கும் திறன் மற்றும் முடுக்கி வகை (மாடலை இயக்கும் GPU அல்லது சிறப்புச் சிப்பின் வகை) போன்ற காரணிகளின் அடிப்படையில் கோரிக்கைகளை வழிப்படுத்துகிறோம். ஒரு திரளுக்குள், சுமை, சூழலின் நீளம், தற்காலிகச் சேமிப்பின் கிடைக்கும் தன்மை மற்றும் பிற கோரிக்கைப் பண்புகளின் அடிப்படையில் மாடல் நிகழ்வுகளுக்கிடையே பணியைப் பகிர்கிறோம். பின்னர் ஒவ்வொரு நிகழ்வுக்குள்ளும், முடுக்கிகள், மாடலின் துணை வலையமைப்புகள் மற்றும் கணிப்பு மையங்களுக்கிடையே பணி திறம்படப் பிரிக்கப்பட வேண்டும். Codex-இல் உள்ள GPT‑5.6 Sol, உற்பத்திப் போக்குவரத்தைப் பகுப்பாய்வு செய்யவும், முன்பு கவனிக்கப்படாத சமநிலையின்மையின் மூலங்களைக் கண்டறியவும், புதிய வழிப்படுத்தல் உத்திகளைச் சோதிக்கவும், இந்த அனுபவ விதிகளைத் தொடர்ந்து செம்மைப்படுத்தவும் உதவுகிறது. இந்தச் சுமைச் சமநிலைப்படுத்தல் மேம்பாடுகள் மட்டுமே எங்கள் மாடல்களை வழங்கும் செலவைப் பெருமளவில் குறைத்தன.

உள்ளீடுகளை அடுத்த டோக்கன் கணிப்புகளாக மாற்றும் கணக்கீடான மாடலின் முன்னோக்குச் செலுத்தலையும் உகப்பாக்க GPT‑5.6 Sol-ஐப் பயன்படுத்தினோம். தனித்தனி செயல்பாடுகள் வேகமாக இருந்தாலும், அளவுக்கு அதிகமான நினைவக நகர்வு, ஒத்திசைவு மற்றும் செயல்திறனற்ற தரவுத் தளவமைப்புகள் GPUகளைச் செயலற்ற நிலையில் வைக்கலாம். இதைத் தவிர்க்க, முன்கூட்டியே கணக்கிடக்கூடிய, தவிர்க்கக்கூடிய அல்லது இணையாகச் செயல்படுத்தக்கூடிய பணிகளை GPT‑5.6 Sol கண்டறிந்தது. மாடலை உருவாக்கும் கணிதச் செயல்பாடுகளை நிறைவேற்றும் மையக் குறியீடான எங்கள் உற்பத்திக் கருநிரல்களை, Codex உடன் GPT‑5.6 Sol தன்னிச்சையாக மீண்டும் எழுதி உகப்பாக்கியது. OpenAI பராமரிக்கும் திறந்த மூல GPU நிரலாக்க மொழிகளான Triton⁠(புதிய சாளரத்தில் திறக்கும்) மற்றும் Gluon⁠(புதிய சாளரத்தில் திறக்கும்) ஆகியவற்றில் கருநிரல்களை எழுதவும் மேம்படுத்தவும் GPT‑5.6 திறம்படச் செயல்படுமாறு பயிற்சியளித்திருப்பது இதன் வெற்றிக்கு ஒரு காரணம். GPT‑5.6 Sol வழங்கிய விரிவான கருநிரல் முன்னேற்றங்களுடன் இணைந்த இந்த முயற்சிகள், தொடக்கம் முதல் முடிவு வரையிலான வழங்கல் செலவுகளை 20% குறைத்தன. GPT‑5.6 Sol எழுதிய கருநிரல்கள் சரியானவை என்பதைச் சரிபார்க்க உதவும் வகையில், திறந்த மூலக் கருவியான FpSan⁠(புதிய சாளரத்தில் திறக்கும்) (மிதவைப் புள்ளி பிழைநீக்கி) போன்ற சரிபார்ப்புக் கருவிகளிலும் நாங்கள் பெருமளவு முதலீடு செய்துள்ளோம்.

வேகத்தையும் செயல்திறனையும் மேம்படுத்துவதற்கான மற்றொரு வழி ஊக அடிப்படையிலான குறியீடாக்கம். இந்த நுட்பத்தில், முதன்மை மாடலுடன் சிறிய வரைவுக் குறிப்பு மாடல் அல்லது “ஊகிப்பான்” இயக்கப்பட்டு, முதன்மை மாடல் இணையாகச் சரிபார்க்கப் பல டோக்கன்களை முன்மொழிகிறது. அந்த முன்மொழிவுகள் ஏற்கப்படும்போது, முதன்மை மாடலின் ஒரே செலுத்தலில் முறைமை பல வெளியீட்டு டோக்கன்களை உருவாக்கி, செலவுமிக்க தொடர்ச்சிக் கணக்கீட்டின் அளவைக் குறைக்கலாம். GPT‑5.6 Sol தனது கட்டமைப்பில் நூற்றுக்கணக்கான பரிசோதனைகளை வடிவமைத்து இயக்கி, அளவு, கட்டமைப்பு மற்றும் அம்சங்களில் மாற்றங்களைச் சோதித்து, தனது வரைவுக் குறிப்பு மாடலை மேம்படுத்தியது. கூடுதலாக, ஊகிப்பான் பயிற்சி செயல்முறையை GPT‑5.6 Sol தொடங்கி, கண்காணித்தது. வன்பொருள் செயலிழப்புகள், பயிற்சியின் நிலையற்ற தன்மை உள்ளிட்ட சிக்கல்கள் ஏற்பட்டபோது அது தன்னிச்சையாகத் தலையிட்டது. இதன் விளைவான மேம்பாடுகள் டோக்கன் உருவாக்கச் செயல்திறனை 15%-க்கும் மேல் அதிகரித்தன.

தற்காலிகச் சேமிப்பில் இல்லாத உள்ளீட்டு டோக்கன்களைச் செயலாக்கும்போது, கணிப்பீடு மிகுந்த ஒரே செலுத்தலில் மாடல் திறவுகோல்-மதிப்பு (KV) தற்காலிகச் சேமிப்பை உருவாக்குகிறது. வெளியீட்டை உருவாக்கும்போது, அந்தச் சேமிப்பிலிருந்து மீண்டும் மீண்டும் படித்து அதை விரிவாக்குகிறது. தொகுப்பாக்கம், துண்டாக்கம், KV மேலாண்மை போன்ற வழங்கலுக்கான சிறந்த உள்ளமைவு, பணிச்சுமையைப் பெரிதும் சார்ந்துள்ளது. ப்ராம்ப்ட் மற்றும் வெளியீட்டு நீளம், தொகுதி அளவு, தற்காலிகச் சேமிப்பக வெற்றி விகிதம், வினவல் பண்புகள் உள்ளிட்டவை இதில் அடங்கும். ஆனால், உள்ளமைவுகளின் பரப்பு முன்பு முறையாகச் செம்மைப்படுத்த முடியாத அளவுக்குப் பெரிதாக இருந்ததால், பொறியாளர்கள் பொதுவான அனுபவ விதிகளை நம்ப வேண்டியிருந்தது. Codex-இல் உள்ள GPT‑5.6 Sol மூலம் உற்பத்திப் பணிச்சுமைகளைப் பகுப்பாய்வு செய்யவும், சாத்தியமான உள்ளமைவுகளை உருவாக்கி மதிப்பிடவும், ஒவ்வொரு சூழலுக்கும் இயந்திரமும் மாடலும் உள்ளமைக்கப்படும் முறையை மிக நுணுக்கமாக உகப்பாக்கவும் முடிந்தது. இதனால், பணிச்சுமைக்கேற்ற புதிய அளவிலான உகப்பாக்கம் நடைமுறைச் சாத்தியமாகி, அதே வன்பொருளிலிருந்து அதிகப் பயனுள்ள அனுமானத்தைப் பெற முடிகிறது.

அனுமான உகப்பாக்கம் என்பது தொடர்ச்சியான பின்னூட்டச் சுழற்சி. உற்பத்தி செயல்பாட்டை அளவிடுகிறோம், மிகப் பெரிய இடைவெளிகளைக் கண்டறிகிறோம், மாற்றங்களைச் செயல்படுத்துகிறோம், தனிப்பட்ட அளவுகோலை மட்டும் அல்லாமல் முழு முறைமையும் அவை மேம்படுத்துகின்றனவா என்பதைச் சரிபார்க்கிறோம். GPT‑5.6 Sol மற்றும் Codex அந்தச் சுழற்சியின் ஒவ்வொரு பகுதியையும் விரைவுபடுத்துகின்றன. இதனால் எங்கள் குழு அதிக யோசனைகளை ஆராயவும், மாறும் பணிச்சுமைகளுக்கு விரைவாகப் பதிலளிக்கவும், பயனர்களுக்குக் குறைந்த தாமதம், அதிகத் திறன் மற்றும் குறைந்த செலவைக் கொண்ட அனுமானத் தொழில்நுட்ப அடுக்கை உருவாக்கவும் முடிகிறது.

ChatGPT Work மற்றும் Codex ஆகியவை தொடர்ச்சியான மாடல் கோரிக்கைகள் மற்றும் கருவி அழைப்புகள் மூலம் சிக்கலான பணிகளை நிறைவேற்றுகின்றன. பயனரின் கோரிக்கையிலிருந்து இறுதிப் பதில் வரையிலான ஒரே முறையில், மூல நிரலை Codex ஆய்வு செய்யலாம், நிறுவல் வரலாற்றைத் தேடலாம், நிகழ்வு அறிக்கைகளைப் படிக்கலாம், கோப்பைத் திருத்தலாம், சோதனைகளை இயக்கலாம். ஒவ்வொரு படிக்கும் ஒரு கோரிக்கை தேவைப்படலாம்.

சூழலைத் தயாரித்தல், தரவை அனுப்புதல், அனுமானத்தை இயக்குதல், கருவிகளை அழைத்தல் மற்றும் செயல்முறைகளைத் தொடங்குதல் ஆகிய அனைத்துக்கும் நேரமும் கணிப்பீடும் தேவை. ஒரு பணிக்கு 30 மாடல் கோரிக்கைகள் தேவைப்பட்டால், ஒவ்வொரு கோரிக்கைக்கும் கூடுதலாகும் ஒரு வினாடியும் மொத்தத்தில் பெரிதாகும். ஒட்டுமொத்தச் செயல்திறனை மேம்படுத்த, மாடலை மட்டும் வேகமாக்காமல் முறைமை முழுவதிலும் தொடர்ச்சியாகச் செய்யப்படும் பணியைக் குறைக்க வேண்டும்.

இந்தப் பெருக்க விளைவுகளின் அடிப்படையிலேயே எங்கள் ஏஜென்ட் சார்ந்த சூழல் பணி அமைவை வடிவமைத்தோம். இது எங்கள் மாடல்கள், கருவிகள் மற்றும் பயனரின் சூழலை இணைக்கும் Rust ஒருங்கிணைப்பு அடுக்கு. அடுத்து, சூழல் வீக்கத்தைத் தவிர்த்தல், கருவிகளை ஏற்றுதல் மற்றும் பணியை மறுபயன்படுத்துதல் ஆகியவை ஒவ்வொரு கோரிக்கையையும் எவ்வாறு அதிகச் செயல்திறன் மிக்கதாக மாற்றுகின்றன என்பதைப் பார்ப்போம்.

ஏஜென்ட்களுக்கு அதிகமான கருவிகள், திறன்கள், செருகுநிரல்கள் மற்றும் உரையாடல் வரலாற்றை அணுக அனுமதி வழங்கப்படும்போது, சூழல் சாளரங்கள் எளிதில் விரிவடையலாம். இது செலவை அதிகரித்து, மாடலின் கவனத்தைச் சிதறடித்து, தேவையற்ற ரீஸனிங்கைத் தூண்டுகிறது. தேவைப்படும் போது மட்டுமே ஒருங்கிணைப்புகள், தனிப்பயன் MCP கருவிகள், திறன்கள் மற்றும் செருகுநிரல்கள் தெரியுமாறு செய்யும் தாமதித்த கண்டறிதல் மூலம், சூழல் பணி அமைவு இந்தக் கூடுதல் சுமையைக் குறைக்கலாம். தனிப்பட்ட கருவிகளும் MCP ஒருங்கிணைப்புகளும் எதிர்பாராத விதமாகச் சூழல் சாளரத்தை நிரப்புவதையும் சூழல் பணி அமைவு தடுக்கிறது. மாடல் வேறொரு வரம்பைக் கோராத வரை, கருவி வெளியீடு இயல்பாக 10,000 டோக்கன்களுக்கு வரம்பிடப்படும்.

முன்பு குறிப்பிட்டபடி, ஓர் ஏஜென்ட் சுழற்சி ஒரே முறைக்குள் அதே வழிமுறைகள், உரையாடல் வரலாறு, கருவி வரையறைகள் மற்றும் முந்தைய முடிவுகளை GPUகளுக்குப் பல முறை அனுப்பலாம். இந்தத் தொடர்ச்சியான உள்ளீடுகளைச் செயலாக்குவது செலவுமிக்கது. எனவே, ப்ராம்ப்ட் தற்காலிகச் சேமிப்பு முன்பு செயலாக்கப்பட்ட ப்ராம்ப்ட் முன்னொட்டுடன் தொடர்புடைய கணக்கீட்டை மீண்டும் பயன்படுத்துகிறது. அந்த முன்னொட்டைப் பாதுகாக்க, மாடலுக்குத் தெரியும் அனைத்து வரலாற்றையும் சூழல் பணி அமைவு சேர்ப்பதற்கு மட்டுமே அனுமதிக்கிறது. முந்தைய சூழலில் புதிய செய்திகள், கருவி முடிவுகள் மற்றும் சூழல் புதுப்பிப்புகள் செருகப்படாமல் இறுதியில் சேர்க்கப்படுகின்றன. கருவிகளும் நிர்ணயிக்கப்பட்ட வரிசையில் வழங்கப்படுகின்றன. கருவி வரையறைகளில் ஒப்புதல் கொள்கைகள் போன்ற இயக்கநேர அமைப்புகள் உட்பொதிக்கப்படாமல், செயல்படுத்தும்போது பயன்படுத்தப்படுகின்றன. Codex மற்றும் ChatGPT Work ஆகியவற்றின் ஒட்டுமொத்த ப்ராம்ப்ட் தற்காலிகச் சேமிப்பக வெற்றி விகிதங்கள் அதிகமாக இருப்பதற்கு இந்த வடிவமைப்புத் தேர்வு பங்களிக்கிறது.

GPT‑5.6 மூலம் நாங்கள் வழங்கிய செயல்திறன் மேம்பாடுகள், ஆராய்ச்சி, அனுமானம் மற்றும் எங்கள் ஏஜென்ட் சார்ந்த சூழல் பணி அமைவு உட்பட முழுத் தொழில்நுட்ப அடுக்கிலும் பல ஆண்டுகளாகத் திரண்ட மேம்பாடுகளின் விளைவாகும். இந்த மேம்பாடுகளில் பலவற்றை வழங்குவதில் GPT‑5.6 வகிக்கும் பங்கு, உகப்பாக்கங்களின் வேகம் மேலும் அதிகரிக்கும் என்ற நம்பிக்கையை எங்களுக்கு அளிக்கிறது. எங்கள் தொழில்நுட்ப அடுக்கின் அடிப்படை மேம்பாடுகளுடன், கருநிரல் உகப்பாக்கம் போன்ற துறைகளிலும் இன்னும் பெரிய உகப்பாக்கங்களைத் தொடர்ந்து செய்வோம். பின்னணியில் தொடர்ந்து நடைபெறும் இந்த மேம்பாடுகளை, அதிகம் கிடைக்கக்கூடியதும் செலவுச் சிக்கனமானதுமான நுண்ணறிவாகப் பயனர்களுக்கும் வாடிக்கையாளர்களுக்கும் வழங்க ஆவலுடன் உள்ளோம்.

இந்தப் பதிவுக்குப் பங்களித்த தொழில்நுட்பப் பணியாளர்களான மேத்யூ ஃபெராரி, பிலிப் டில்லெட், அகமது இப்ராஹிம், ஜோ கெர்ஷென்சன் மற்றும் ஸ்டீவ் காஃபே ஆகியோருக்குச் சிறப்பு நன்றி.