ఐరన్‌క్లాడ్‌తో కంప్యూటర్ వినియోగాన్ని మెరుగుపరచడం

మేము GPT‑6 ఆస్ట్రాను పరిచయం చేసినప్పుడు, పత్రాల తయారీ నుంచి వెబ్‌సైట్‌ల పరీక్ష వరకు వృత్తిపరమైన పనులకు కంప్యూటర్లను ఉపయోగించడంలో మా మోడళ్లు ఎంత పురోగతి సాధించాయో చూపించాం. ప్రత్యేక సాఫ్ట్‌వేర్‌ను ఉపయోగించి సంక్లిష్ట వ్యాపార సమస్యలను పరిష్కరించడంలో ఏజెంట్ల సామర్థ్యాన్ని, సామర్థ్య వినియోగాన్ని మెరుగుపరచడం మా తదుపరి లక్ష్యం. కంపెనీ వ్యాపార నియమాలను అర్థం చేసుకోవడానికి, బహుళ దశల కార్యప్రవాహాలను అమలు చేయడానికి, తమ పని అసలు అవసరాలను నెరవేర్చిందో లేదో తనిఖీ చేయడానికి మోడళ్లకు ఎలా శిక్షణ ఇవ్వాలో పరిశీలిస్తున్నాం.

ఈ పరిశోధనను వేగవంతం చేయడానికి, ఈ కార్యప్రవాహాలపై అత్యుత్తమ అవగాహన ఉన్న కొద్ది సాఫ్ట్‌వేర్ కంపెనీలతో నేరుగా భాగస్వామ్యం కుదుర్చుకుంటున్నాం. మేము కలిసి సవాలుతో కూడిన, అధిక విలువనిచ్చే పనులను గుర్తించి, మా మోడళ్ల శిక్షణ, మూల్యాంకనానికి ఉపయోగపడే పరిశోధన సమస్యలుగా మారుస్తున్నాం. తద్వారా వాస్తవ వ్యాపార వినియోగాల్లో మా మోడళ్ల సామర్థ్యాన్ని, ఉపయోగాన్ని పెంచుతున్నాం.

ఏఐ ఆధారిత ఒప్పందాల నిర్వహణలో అగ్రగామి అయిన ఐరన్‌క్లాడ్ మా తొలి భాగస్వామి. ఐరన్‌క్లాడ్ బృందంతో సన్నిహితంగా పనిచేసి, ఏజెంట్లు ఒప్పందాలు, ఆమోదాలు, పునర్వినియోగ న్యాయ నిబంధనలను అమర్చాల్సిన పనులను రూపొందించాం. ఈ సంక్లిష్ట కార్యప్రవాహాల్లో పురోగతిని ప్రదర్శించాం. విజయాన్ని ఎలా నిర్వచించాలో నిర్ణయించడంలోనూ, కస్టమర్ల వాస్తవ అవసరాలను నేరుగా అత్యాధునిక మోడల్ అభివృద్ధిలోకి తీసుకురావడంలోనూ ఐరన్‌క్లాడ్ నైపుణ్యం కీలకంగా నిలిచింది. వారి భాగస్వామ్యానికి కృతజ్ఞతలు. మేము కలిసి సాధించిన ఫలితాలను పంచుకోవడం ఆనందంగా ఉంది.

ఐరన్‌క్లాడ్ పనులపై శిక్షణ పొందిన మా తొలి అత్యాధునిక మోడల్ GPT‑6 ఆస్ట్రా. మా పరిశోధన మూల్యాంకనంలో, దాని సగటు స్కోరు GPT‑5.6 సోల్ కంటే 32% ఎక్కువగా ఉండగా, ఒక్కో ప్రయత్నానికి పట్టే అంచనా సమయం 48% తక్కువగా ఉంది.¹

సాఫ్ట్‌వేర్ కొనుగోలుకు ఒక ప్రక్రియను ఏర్పాటు చేస్తున్న న్యాయ కార్యకలాపాల బృందాన్ని ఊహించుకోండి. నిర్దిష్ట మొత్తం మించిన కొనుగోళ్లకు ఆర్థిక విభాగం ఆమోదం అవసరం కావచ్చు. కొన్ని అభ్యర్థనలను భద్రతా విభాగం, ప్రామాణికం కాని నిబంధనలను న్యాయ విభాగం సమీక్షించాల్సి రావచ్చు. ప్రక్రియను ఏర్పాటు చేసే వ్యక్తి ఆ చిన్న జాబితాను అభ్యర్థన స్వీకరణ ఫారం, పత్రాల నమూనాలు, ఆమోద నియమాలు, తుది ఒప్పందపు రికార్డుగా మలచాలి.

అదే పని చేసే ఏఐ ఏజెంట్, సాఫ్ట్‌వేర్‌లో పనిచేస్తున్నంతసేపూ ఆ అవసరాలను గుర్తుంచుకోవాలి. ఉదాహరణకు, ఖర్చు పరిమితి మించినప్పుడు ఆర్థిక విభాగం ఆమోదం అవసరమయ్యేలా అమర్చాలి. పరిమితికి పైన, కింద ఉన్న అభ్యర్థనలు సరైన మార్గాల్లో వెళ్తున్నాయో తనిఖీ చేయాలి. విడివిడి దశలను సరిగ్గా పూర్తి చేస్తే సరిపోదు: పూర్తయిన ప్రక్రియ, దేని కోసం రూపొందించామో ఆ అన్ని పరిస్థితుల్లోనూ పనిచేయాలి.

ఐరన్‌క్లాడ్ ఉద్యోగులు, OpenAIలో ఐరన్‌క్లాడ్‌ను ఉపయోగించేవారు కలిసి న్యాయ, వాణిజ్య, సేకరణ పనుల్లో 11 పనులను గుర్తించడంలో మా పరిశోధకులకు సహకరించారు. వీటిలో గోప్యతా ఒప్పందాలను ఏర్పాటు చేయడం, సేకరణ ఆమోద ప్రక్రియలను రూపొందించడం, అభ్యర్థి ఎంచుకున్న న్యాయ పరిధికి అనుగుణంగా పునర్వినియోగ న్యాయ నిబంధనను నవీకరించడం వంటి పనులు ఉన్నాయి. అనుభవజ్ఞుడైన వినియోగదారుకు ఈ పనుల్లో ఒక్కోదాన్ని పూర్తి చేయడానికి సగటున 30 నుంచి 40 నిమిషాలు పడుతుందని మా అంచనా.

ప్రతి పని సంక్లిష్టతను బట్టి 8 నుంచి 50 ప్రమాణాల ఆధారంగా మూల్యాంకనం చేశాం. దీంతో మోడల్ ఏ భాగాలను సరిగ్గా చేసిందో, ఎక్కడ వెనుకబడిందో తెలుసుకోగలిగాం. మోడళ్లు ఈ పనులను అభ్యసించేందుకు ఐరన్‌క్లాడ్ తన ఉత్పత్తికి సంబంధించిన హోస్ట్ చేసిన సాఫ్ట్‌వేర్ వాతావరణాలను కూడా అందించింది. ప్రాతినిధ్య కార్యప్రవాహాల ఆధారంగా మా పరిశోధకులు కృత్రిమ శిక్షణ పనులను² రూపొందించారు. అభ్యాసం, ఫీడ్‌బ్యాక్ ద్వారా మోడళ్లు మెరుగుపడేందుకు రీఇన్‌ఫోర్స్‌మెంట్ లెర్నింగ్‌ను ఉపయోగించారు. పని తెలిసిన వ్యక్తులతో కలిసి ఎంచుకున్న పనులు, వివరణాత్మక ప్రమాణాలు, మోడళ్లు అభ్యసించేందుకు ఒక వేదిక—ఈ కలయికతో మా కస్టమర్లకు అత్యంత ముఖ్యమైన వాస్తవ పనుల్లో మెరుగుదల సాధిస్తున్నామని నిర్ధారించుకోగలుగుతున్నాం.

ఆస్ట్రాకు మ్యాక్స్ రీజనింగ్, సోల్‌కు హై రీజనింగ్ ఉపయోగించి ఆస్ట్రా, GPT‑5.6 సోల్‌లను పోల్చాం. ఇవి ఆయా మోడళ్లు అత్యధిక స్కోరు సాధించిన సెట్టింగ్‌లు. 11 పరిశోధన పనుల్లో ఆస్ట్రా సగటు స్కోరు 55.0% కాగా, GPT‑5.6 సోల్ స్కోరు 41.6%. ఒక్కో ప్రయత్నానికి అంచనా సగటు సమయం సోల్‌కు 37.0 నిమిషాల నుంచి ఆస్ట్రాకు 19.2 నిమిషాలకు తగ్గింది.³ ఆస్ట్రా అభివృద్ధిలో ఉపయోగించిన అంతర్గత మోడల్ ఈ పనుల్లో మరింత మెరుగైన 63.7% సాధించింది. ఈ అదనపు మెరుగుదలలను భవిష్యత్ మోడళ్లకు అందించడం మా లక్ష్యం.

అనుకరణలో ఒక్కో ప్రయత్నానికి తక్కువ సమయంతోనే ఆస్ట్రా పనికి సంబంధించిన మరిన్ని అవసరాలను నెరవేర్చింది. దిగువ రెండు వీడియోలు ఒకే పరిశోధన పనిని ఈ మోడళ్లు ఎలా నిర్వహించాయో చూపిస్తాయి. ఆస్ట్రా (మొదటిది) అంచనా ప్రకారం 20 నిమిషాల్లో పనికి సంబంధించిన ప్రమాణాల్లో దాదాపు 94% నెరవేర్చింది; GPT‑5.6 సోల్ (రెండోది) అంచనా ప్రకారం 32 నిమిషాల్లో దాదాపు 85% నెరవేర్చింది.

ఈ పనిలో ఐరన్‌క్లాడ్ పాత్ర, దాని కస్టమర్లకు బాగా తెలిసిన ఒక సవాలును ప్రతిబింబిస్తుంది: ఒప్పందాల ప్రక్రియ అసాధారణ సందర్భాలను నిర్వహిస్తూనే, వ్యాపారం ఆధారపడే నియమాలను కాపాడాలి. పని మధ్యలో ఏజెంట్ ఆ నియమాల్లో ఒకదాన్ని మరిచిపోతే, సాఫ్ట్‌వేర్ కంపెనీ నమ్మకంగా దానికి అప్పగించగల పనులు పరిమితమవుతాయి. ఒప్పందాల సంక్లిష్ట పనుల్లో ఏజెంట్లు మెరుగవుతున్నా, మానవ పర్యవేక్షణ ఎందుకు ముఖ్యమో, సమగ్ర ఒప్పందాల వేదిక ఎందుకు అవసరమో ఇది స్పష్టం చేస్తుంది. మా పరిశోధకులతో కలిసి పనిచేయడం ద్వారా ఐరన్‌క్లాడ్ ఈ సమస్యలను మూల మోడల్ అభివృద్ధిలో భాగం చేయగలుగుతుంది. అక్కడ మేము వాటిని కలిసి అధ్యయనం చేయవచ్చు.

మోడళ్ల సామర్థ్యం పెరిగే కొద్దీ, వాటిని తన ఉత్పత్తుల్లో మరిన్నింటిలో ఉపయోగించుకునే అవకాశం ఐరన్‌క్లాడ్‌కు లభిస్తుంది. దీంతో న్యాయ, వ్యాపార బృందాలు ఆధారపడే నియంత్రణలను కాపాడుతూనే, సంక్లిష్ట ఒప్పందాల పనిభారంలో మరింత భాగాన్ని ఏఐ చేపట్టవచ్చు.

నేటి ఏజెంట్లు ఇప్పటికీ విశ్వసనీయంగా పూర్తి చేయలేని ముఖ్యమైన వృత్తిపరమైన పనులపై మా పరిశోధన, ఇంజినీరింగ్ బృందాలతో నేరుగా కలిసి పనిచేయడానికి కొద్ది సాఫ్ట్‌వేర్ కంపెనీలను ఆహ్వానిస్తున్నాం. మీ బృందం వద్ద అలాంటి పని ఉంటే, ఒక స్పష్టమైన ఉదాహరణను చూడాలనుకుంటున్నాం: ఏజెంట్‌ను ఏం చేయమని అడుగుతున్నారు, అది ఎక్కడ విఫలమవుతోందనే ఆధారాలు, ఫలితం విజయవంతమైందని ఎలా నిర్ధారిస్తారు. భాగస్వాములు ఆ పనిపై లోతైన అవగాహన ఉన్న వ్యక్తులను, పరీక్షలకు సురక్షిత వాతావరణాన్ని, పరిశోధనకు సురక్షితంగా ఉపయోగించగల డేటాను కూడా అందించగలగాలి. ఇది వైఫల్యాన్ని పరిశోధించడానికి, మోడల్ మెరుగుపడుతుందో లేదో కొలవడానికి మాకు ప్రారంభ బిందువును అందిస్తుంది.

మీ బృందం ఈ అవసరాలకు సరిపోతే, పరిశోధనలో కలిసి పనిచేసే అవకాశాన్ని పరిశీలించేందుకు దరఖాస్తు చేయండి.