GPT-6.1Sol

GPT-6 Solకు మెరుగైన రూపమైన GPT-6.1 Solను పరిచయం చేస్తున్నాం. Astra ప్రామాణిక ఇన్‌పుట్, అవుట్‌పుట్ టోకెన్ ధరల్లో ఐదో వంతుకే, ఏజెంటిక్ కోడింగ్, కంప్యూటర్ వినియోగం, వృత్తిపరమైన పనుల్లో GPT-6 Astra ఇంటెలిజెన్స్‌కు దాదాపు సరితూగే పనితీరును ఇది అందిస్తుంది. కాష్ చేసిన ఇన్‌పుట్‌కు పది లక్షల టోకెన్‌లకు కేవలం $0.10ఖర్చవుతుంది—ప్రామాణిక ఇన్‌పుట్ ధర కంటే 95% తక్కువ, GPT-6 Sol కాష్ చేసిన ఇన్‌పుట్ ధర కంటే 50% తక్కువ. అభ్యర్థనల మధ్య సందర్భాన్ని తిరిగి వాడుకునే సమర్థవంతమైన ఏజెంట్లను రూపొందించి నడిపేందుకు డెవలపర్లకు ఇది మరింత వెసులుబాటు ఇస్తుంది.

వివిధ పనుల్లో మరింత సమర్థవంతమైన Sol

ముఖ్యమైన రోజువారీ పనులకు GPT-6.1 Sol సామర్థ్యం, ఖర్చు మధ్య కొత్త సమతుల్యతను అందిస్తుంది. కోడ్ రాయడం, లోపాలను సరిచేయడం నుంచి డాక్యుమెంట్లను అర్థం చేసుకోవడం, పలు దశల బిజినెస్ కార్యప్రవాహాలను అమలు చేయడం వరకు, సంక్లిష్ట వృత్తిపరమైన పనుల్లో GPT-6 Sol కంటే ఇది గణనీయంగా మెరుగుపడింది. ఈ మూల్యాంకనాల్లో అనేక చోట్ల, ఎంతో తక్కువ ఖర్చుతో GPT-6 Astra పనితీరుకు చేరువైంది.

కోడింగ్

వాస్తవ కోడ్‌బేస్‌లలో సంక్లిష్ట సాఫ్ట్‌వేర్ ఇంజినీరింగ్ పనులను మూల్యాంకనం చేసే DeepSWE v1.1లో, సుమారు ఐదో వంతు ఖర్చుతోనే GPT-6.1 Sol, GPT-6 Astraతో సమానంగా నిలిచింది. తక్కువ రీజనింగ్ ప్రయత్నం, ఖర్చుతోనే GPT-6 Sol అత్యుత్తమ స్కోర్‌ను 6.4 శాతం పాయింట్లతో అధిగమించింది.

వృత్తిపరమైన పని

పట్టికలు, చార్ట్‌లు, రేఖాచిత్రాలు, చిన్న అక్షరాల్లోని వివరాలతో కూడిన సంక్లిష్ట PDF డాక్యుమెంట్లను ఉపయోగించి వృత్తిపరమైన ప్రశ్నలకు మోడళ్లు ఎంత కచ్చితంగా జవాబిస్తాయో GDP.pdf కొలుస్తుంది. పరీక్షించిన రీజనింగ్ సెట్టింగ్‌లలో, ప్రత్యామ్నాయాలతో కూడిన Opus 5.5 కంటే GPT-6.1 Sol అధిక స్కోర్ సాధించింది; ఒక్కో పనికి ఖర్చు సగం కంటే తక్కువే. అలాగే, ఒక్కో పనికి సుమారు ఐదో వంతు ఖర్చుతో GPT-6 Astra అత్యుత్తమ పనితీరుకు చేరువైంది.

ఏజెంట్లు పలు దశల బిజినెస్ కార్యప్రవాహాలను సరిగ్గా పూర్తి చేస్తాయో లేదో కొలిచే AutomationBenchలో, మీడియం రీజనింగ్ ప్రయత్న స్థాయిలో GPT-6.1 Sol, Opus 5.5 కంటే 2.2 శాతం పాయింట్లు అధిక స్కోర్ సాధించింది. ఖర్చు సుమారు మూడో వంతే. అదే సెట్టింగ్‌లో GPT-6 Sol కంటే కూడా ఈ స్కోర్ 4.8 శాతం పాయింట్లు ఎక్కువ.

కంప్యూటర్ వినియోగం

కంప్యూటర్ అప్లికేషన్‌లతో పనిచేయాల్సిన పనుల్లోనూ GPT-6.1 Sol గణనీయమైన పురోగతి సాధించింది. కఠినమైన కంప్యూటర్ వినియోగ కార్యప్రవాహాలపై ఏజెంట్లను మూల్యాంకనం చేసే OSWorld 2.0 ఆఫ్‌లైన్ సమితిలో, గరిష్ఠ రీజనింగ్ ప్రయత్న స్థాయిలో GPT-6.1 Sol, GPT-6 Solను ఏడు శాతం పాయింట్లతో అధిగమించింది. ఖర్చు సగం కంటే తక్కువే. గరిష్ఠ రీజనింగ్ ప్రయత్న స్థాయిలో Astra స్కోర్‌కు కేవలం 2.1 శాతం పాయింట్ల తేడాలో నిలిచింది. ఒక్కో పనికి ఖర్చు సుమారు ఏడో వంతే.

శాస్త్రీయ పరిశోధన

డేటా విశ్లేషణ, అనుకరణ, సిద్ధాంత నిరూపణ వంటి శాస్త్రీయ కార్యప్రవాహాలను మూల్యాంకనం చేసే Terminal-Bench Science 0.1లో, గరిష్ఠ రీజనింగ్ ప్రయత్న స్థాయిలో GPT-6.1 Sol స్కోర్, GPT-6 Sol స్కోర్‌కు రెట్టింపు కంటే ఎక్కువ. ఒక్కో పనికి ఖర్చు సగం కంటే తక్కువ. గరిష్ఠ ప్రయత్న స్థాయిలో, GPT-6.1 Solకు ఒక్కో పనికి సగటున $5.47 ఖర్చవుతుంది. Opus 5.5కు $23.21, Astraకు $23.80 ఖర్చవుతుంది. ఈ రెండింటి కంటే 75%కు పైగా తక్కువ ఖర్చుతో గణనీయమైన శాస్త్రీయ సామర్థ్యాన్ని అందిస్తుంది.

పరీక్షించిన మోడళ్లలో GPT-6 Astra ఇప్పటికీ 68.1%తో అత్యధిక స్కోర్ సాధించింది. అత్యంత కఠినమైన శాస్త్రీయ పరిశోధన పనులకు దీనినే ఉపయోగించాలి.

వాస్తవ ఖచ్చితత్వం

కఠినమైన ప్రాంప్ట్‌లపై వాస్తవ ఖచ్చితత్వాన్ని కూడా GPT-6.1 Sol మెరుగుపరుస్తుంది. GPT-6 Solతో పోలిస్తే దీని అతిపెద్ద వాస్తవపరమైన మెరుగుదల తక్కువ రీజనింగ్ ప్రయత్న స్థాయిలో కనిపిస్తుంది. ఈ స్థాయిలో, వాస్తవ దోషం ఉన్న సమాధానాల వాటాను 11.4% నుంచి 7.7%కు తగ్గిస్తుంది—అంటే సుమారు 32% తగ్గుదల. పరీక్షించిన అన్ని రీజనింగ్ సెట్టింగ్‌లలో, ఒక్కో పనికి ఖర్చు ఐదో వంతు కంటే తక్కువగా ఉండగా, దీని దోషాల రేటు GPT-6 Astra కంటే 1.9 శాతం పాయింట్లలోపే ఉంటుంది.

గత మోడల్ పొరపాటును వినియోగదారులు గుర్తించిన సంభాషణల్లో గుర్తింపు వివరాలను తొలగించి, కనీసం ఒక వాస్తవపరమైన పొరపాటైనా ఉన్న సమాధానాల నిష్పత్తిని ఈ మూల్యాంకనం కొలుస్తుంది. ఉద్దేశపూర్వకంగా ఎంచుకున్న ఈ కఠినమైన ప్రాంప్ట్‌లు సాధారణ వినియోగానికి ప్రతినిధులు కావు.

GPT-6.1 Solను సురక్షితంగా అందుబాటులోకి తేవడం

మా ఉద్దేశానుగుణ ప్రవర్తన మూల్యాంకనాల్లో GPT-6 Sol కంటే GPT-6.1 Sol గణనీయంగా మెరుగై, GPT-6 Astraకు చేరువైంది.

GPT-6.1 Sol తన పరిమితుల గురించి మరింత పారదర్శకంగా ఉంటుంది. వినియోగదారు ఉద్దేశాన్ని, భద్రతా పరిమితులను గౌరవించడంలో మరింత నమ్మదగినదిగా ఉంటుంది. కఠినమైన మూల్యాంకనాల్లో, శోధన సాధనాలు పనిచేయడం లేదని వెల్లడించడం, స్పష్టమైన ఆంక్షలను గౌరవించడం, ఏజెంటిక్ పనుల్లో అనుమతి లేని ఫలితాలను నివారించడం వంటి అంశాల్లో GPT-6 Sol కంటే దీని వైఫల్యాల రేటు తక్కువ. GPT-6 Astra, GPT-6 Sol మాదిరిగానే, ఆటోమేటెడ్ భద్రతా సమీక్షకుడిని దాటవేసే ప్రయత్నాలేవీ మేము గమనించలేదు. పూర్తి వివరాల కోసం GPT-6.1 Sol సిస్టమ్ కార్డ్ అనుబంధం⁠(కొత్త విండోలో తెరుచుకుంటుంది) చూడండి.

కింది మూల్యాంకనాలు ఉద్దేశపూర్వకంగా కఠినమైన పరిస్థితులను పరీక్షిస్తాయి. ఇవి సాధారణ వినియోగంలో వైఫల్యాల రేటును కొలవవు.

ధరలు మరియు లభ్యత

నేటి నుంచి Plus, Pro, Business, Enterprise, Edu వినియోగదారులందరికీ ChatGPT వర్క్, Codexలో GPT-6.1 Sol అందుబాటులో ఉంది. GPT-6.1 Sol చాట్‌లో ఇంకా అందుబాటులో లేదు. డెవలపర్లు OpenAI API ద్వారా కూడా gpt-6.1-solగా దీన్ని ఉపయోగించవచ్చు. దీని ప్రామాణిక API ధరలు: పది లక్షల ఇన్‌పుట్ టోకెన్‌లకు $2, పది లక్షల కాష్ చేసిన ఇన్‌పుట్ టోకెన్‌లకు $0.10, పది లక్షల అవుట్‌పుట్ టోకెన్‌లకు $10. రాబోయే రోజుల్లో, Codexలో దీని ప్రామాణిక వేగంతో పోలిస్తే గరిష్ఠంగా 8x వేగవంతమైన టోకెన్ జనరేషన్‌తో GPT-6.1 Sol Ultrafast⁠ను కూడా అందిస్తాం.