GPT-6.2ని పరిచయం చేస్తున్నాము Astra మరియు Sol
వృత్తిపరమైన పని కోసం ఒక కొత్త ప్రమాణం
ChatGPT వర్క్లో ప్రయత్నించండి(కొత్త విండోలో తెరుచుకుంటుంది)మీ అత్యంత క్లిష్టమైన ప్రాజెక్ట్ల కోసం మా కొత్త అత్యాధునిక మోడల్ GPT‑6.2 Astraను, రోజువారీ పనుల కోసం సమర్థవంతంగా, బహుముఖంగా పనిచేసే మా మోడల్ GPT‑6.2 Solను పరిచయం చేస్తున్నాం. రెండు మోడల్లు కఠినమైన పనుల్లో తక్కువ అవుట్పుట్ టోకెన్లతో మెరుగైన ఫలితాలను అందిస్తాయి. అందువల్ల మీ వినియోగ పరిమితుల్లోనే మరింత పని పూర్తిచేయవచ్చు. వ్యాపారాలు, డెవలపర్లకు దీని అర్థం—భారీ స్థాయిలో వినియోగించినా అనువైన ఖర్చుతో అత్యాధునిక పనితీరు.
సంక్లిష్టమైన వృత్తిపరమైన పనుల్లో AI నాణ్యతకు GPT‑6.2 Astra కొత్త ప్రమాణాన్ని నెలకొల్పుతుంది. ఇది రూపొందించే స్లైడ్లు, స్ప్రెడ్షీట్లు, పత్రాల్లో AI రాసినట్లుగా అనిపించే ధోరణి తక్కువగా ఉంటుంది. మీరు అందించే నమూనాలను, మీ రంగంలోని సంప్రదాయ పద్ధతులను ఇవి మరింత దగ్గరగా అనుసరిస్తాయి. ఇది మరింత సువ్యవస్థితమైన కోడ్ను రాస్తుంది. ముఖ్యంగా వెబ్సైట్లు, గేమింగ్, త్రిమితీయ రూపకల్పన కోసం చూడటానికి, పనిచేయడానికి మెరుగ్గా ఉండే ఫ్రంట్ఎండ్లను రూపొందిస్తుంది.
బహుళ దశల వృత్తిపరమైన పనులను పరీక్షించే Agents’ Last Examలో GPT‑6.2 Astra కొత్త గరిష్ఠాన్ని నమోదు చేసింది. GPT‑6 Astra ఖర్చులో మూడో వంతు కంటే తక్కువతో దానికంటే 5.2 పాయింట్లు ఎక్కువ స్కోర్ సాధించింది. అలాగే Claude Fable 5.2 ఖర్చులో కేవలం 5%తో దానికంటే 5.5 పాయింట్లు ముందుంది.
Agents’ Last Exam సుదీర్ఘ వృత్తిపరమైన పని ప్రక్రియల్లో మోడల్లను మూల్యాంకనం చేస్తుంది. Fable 5.2 కోసం దీని ర్యాంకింగ్ ఫలితాల్లో ప్రత్యామ్నాయ మోడల్ను ఉపయోగించిన తొమ్మిది పనులను మినహాయించారు.
శాస్త్రవేత్తల కోసం ప్రపంచంలోనే అత్యుత్తమ మోడల్ GPT-6.2 Astra అని మేము విశ్వసిస్తున్నాం. టెర్మినల్లో శాస్త్రీయ పనులను మోడల్లు ఎంత బాగా నిర్వహించగలవో పరీక్షించే Terminal-Bench-Science 0.1లో ఇది కొత్త గరిష్ఠాన్ని నమోదు చేసింది. GPT-6 Astra ఖర్చులో మూడో వంతు కంటే తక్కువతో GPT-6.2 Astra దానికంటే 9 శాతం పాయింట్లు ఎక్కువ స్కోర్ సాధించింది. వాస్తవ జీవశాస్త్ర డేటాను అర్థం చేసుకుని, అనుకరణ వ్యవస్థ ఎలా పనిచేస్తుందో నిర్ధారించేందుకు ప్రయోగాలు నిర్వహించమని మోడల్లను కోరే Vals Science Indexలో కూడా ఇది కొత్త గరిష్ఠాన్ని నమోదు చేసింది.
APIలో GPT‑6.2 Astra ఇన్పుట్, అవుట్పుట్ టోకెన్ ధరలు GPT‑6 Astra కంటే 20% తక్కువ. క్యాష్ చేసిన ఇన్పుట్పై 60% తగ్గింపు ఉంటుంది (ప్రతి పది లక్షల టోకెన్లకు ఇన్పుట్కు $8, క్యాష్ చేసిన ఇన్పుట్కు $0.40, అవుట్పుట్కు $40). GPT‑6.2 Solలో GPT‑6.1 Sol API టోకెన్ ధరలే కొనసాగుతాయి. పలు బెంచ్మార్క్లలో ఈ రెండు మోడల్లు, ఒక్కో పనికి ఇతర ప్రముఖ మోడల్ల ఖర్చులో అతి కొద్ది భాగంతోనే వాటికి దగ్గరగా లేదా వాటికంటే మెరుగ్గా పనిచేస్తాయి.
GPT-6.2 Sol: రోజువారీ పనులకు మేము ఎంచుకునే మోడల్
GPT‑6.1 Solతో పోలిస్తే GPT‑6.2 Sol మరింత తెలివిగా, సమర్థవంతంగా పనిచేస్తుంది. అదే చెల్లింపు ప్లాన్లో మరిన్ని పనులు పూర్తిచేయడానికి వీలు కల్పిస్తుంది. ఇది బహుళ దశల ఏజెంట్ ఆధారిత పని ప్రక్రియలను వేగంగా నిర్వహిస్తుంది, స్పష్టంగా, సహజంగా రాస్తుంది. దీనితో కలిసి పనిచేయడం కూడా సులభంగా ఉంటుంది. OpenAIలోని అనేక మంది ఉద్యోగులు సాంకేతిక, సాంకేతికేతర పనుల కోసం దీన్నే తమ ప్రధాన మోడల్గా ఉపయోగిస్తున్నారు.
Cognition రూపొందించిన FrontierCode 2.0లో GPT‑6.2 Astra ఖర్చులో దాదాపు ఐదో వంతుతో GPT‑6.2 Sol దాని స్కోర్కు 0.5 పాయింట్ల లోపలే నిలిచింది (రెండూ మ్యాక్స్లో).
వాస్తవ కోడ్బేస్లలో చేసిన మార్పులు విలీనం చేయడానికి నిర్వహణదారులు నిర్దేశించిన ప్రమాణాలను చేరుకున్నాయో లేదో FrontierCode 2.0 మూల్యాంకనం చేస్తుంది.
దీని వేగం, తెలివితేటలు వృత్తిపరమైన పనులకు వెలుపల ప్రజలు AI సహాయం కోరే ముఖ్యమైన పనులకు కూడా దీన్ని అనువైనదిగా చేస్తాయి. కఠినమైన రోజువారీ పనుల్లో పనితీరును కొలిచే, ఇటీవల మేము విడుదల చేసిన LifeVal మూల్యాంకనంలో GPT‑6 Astra ఖర్చులో దాదాపు ఏడో వంతుతో GPT‑6.2 Sol దానికంటే ఎక్కువ స్కోర్ సాధించింది.
ఇల్లు మారిన తర్వాత కిండర్గార్టెన్లను ఎంపిక చేయడం, కుటుంబ బడ్జెట్కు, రాకపోకలకు అనువైన ఇల్లు కనుగొనడం, లేదా కొత్తగా నిర్ధారణైన అనారోగ్యానికి అనుగుణంగా అలవాట్లు మార్చుకుంటున్న తల్లి లేదా తండ్రి కోసం భోజనాలను ప్రణాళిక చేయడం వంటి వ్యక్తిగత అవసరాలకు తగిన రోజువారీ పనులను మోడల్లు ఎంత బాగా నిర్వహిస్తాయో LifeVal పరీక్షిస్తుంది.
పరిశ్రమ ప్రమాణాలకు సరిపోయే వృత్తిపరమైన ఫలితాలు
న్యాయ, అమ్మకాలు, ఆర్థిక, అకౌంటింగ్ వంటి రంగాల్లో నిపుణులు అనుసరించే సంప్రదాయ పద్ధతులకు మరింత దగ్గరగా ఉండేలా, స్పష్టమైన, మెరుగైన రూపకల్పనతో కూడిన స్లైడ్లు, స్ప్రెడ్షీట్లు, పత్రాలను రూపొందించేందుకు GPT‑6.2 Astraకు శిక్షణ ఇచ్చాం. దీని రచన మరింత సూటిగా, నిర్దిష్టంగా ఉంటుంది. సాధారణీకరించిన నిర్ధారణలు, అనవసరమైన విషయాలు తక్కువగా ఉంటాయి.
మూల పత్రాల్లో సంబంధిత వాస్తవాలను కనుగొని, వాటిని వివరణాత్మక పని సూచనలకు అన్వయించి, ప్రతి అవసరాన్నీ తీర్చే ఖచ్చితమైన తుది ఫలితాన్ని మోడల్లు రూపొందించగలవా అని పరీక్షించేందుకు Harvey LAB‑AA v1.1 న్యాయపరమైన పనులను ఉపయోగిస్తుంది. GPT‑6.2 Astra కొత్త అత్యుత్తమ స్థాయిని నెలకొల్పింది. Claude Fable 5.2 ఖర్చులో దాదాపు ఆరో వంతుతో, దాని ఉత్తీర్ణత రేటుకు రెట్టింపు కంటే ఎక్కువ సాధించింది. న్యాయవాదుల కోసం మేము ప్రత్యేకంగా కాన్ఫిగర్ చేసిన GPT-6.2 Astra రూపమైన న్యాయపరమైన పనుల కోసం OpenAI ఈ బెంచ్మార్క్లో ఇంకా ఎక్కువ స్కోర్ సాధించింది.
Harvey LAB‑AA ఒప్పంద నిబంధనలను సమీక్షించడం వంటి న్యాయపరమైన పనులను పరీక్షిస్తుంది. తుది ఫలితం ప్రతి మూల్యాంకన ప్రమాణాన్నీ తీర్చి, అందులో ప్రభావవంతమైన కల్పిత సమాచారం ఏదీ లేనప్పుడే దీని ప్రధాన స్కోర్లో పాయింట్లు లభిస్తాయి.
మా అంతర్గత GDPval v2 బెంచ్మార్క్ అనేది GDPval యొక్క తదుపరి రూపం. ఇది కన్సల్టింగ్, ఆర్థిక సేవలు, రూపకల్పన వంటి రంగాల్లోని వాస్తవ ప్రాజెక్టులకు సంబంధించిన సంక్లిష్టమైన, సుదీర్ఘ కార్యప్రవాహాలను అంచనా వేస్తుంది. మేము పరీక్షించిన మోడళ్లలో GPT‑6.2 Astra అగ్రస్థానంలో ఉంది. ఇది 22% తక్కువ అవుట్పుట్ టోకెన్లను ఉపయోగిస్తూనే GPT‑6 Astra కంటే 6.2 శాతం పాయింట్లు ఎక్కువ సాధించింది. GPT‑6.2 Sol, GPT‑6.1 Sol కంటే 5.3 పాయింట్లు మెరుగైన ఫలితాన్ని సాధించింది.
GDPval v2లో ఆర్థిక సేవలు, డేటా సైన్స్, జీవసాంకేతికత, మార్కెటింగ్ వంటి రంగాల్లోని వాస్తవ ప్రాజెక్టుల నుంచి తీసుకున్న, విజ్ఞానం ఆధారంగా చేసే సుదీర్ఘ పని అప్పగింతలు ఉంటాయి.
వర్క్బుక్లు, మెమోలు
మూల్యాంకన వర్క్బుక్ రూపొందించాలన్నా, పెట్టుబడి నివేదిక రాయాలన్నా, ముందుగా మూల ఫైల్లలో సంబంధిత గణాంకాలను కనుగొని వాటి మధ్య సంబంధాన్ని అర్థం చేసుకోవాలి. Artificial Analysis రూపొందించిన AA‑AnalystAgent వాస్తవ స్ప్రెడ్షీట్లు, నివేదికలపై ఈ పనిని పరీక్షిస్తుంది. ఒక పనిలో, వైద్య రవాణాపై కార్యక్రమం ఎంత ఖర్చు చేసిందో లెక్కించడానికి మోడల్లు California Medicaid వ్యయ నివేదికలను ఉపయోగిస్తాయి. ఐదు స్వతంత్ర ప్రయత్నాలన్నింటిలోనూ 62.5% ప్రశ్నలకు సరిగ్గా సమాధానమిస్తూ GPT‑6.2 Astra కొత్త గరిష్ఠాన్ని నమోదు చేసింది.
స్లైడ్ ప్రదర్శనలు
అసలు ఫైల్ ఇచ్చినా, కేవలం స్క్రీన్షాట్ ఇచ్చినా, స్లైడ్లను రూపొందించడంలో, స్లైడ్ నమూనాలను అనుసరించడంలో GPT‑6.2 Astra ఇప్పటివరకు మా అత్యుత్తమ మోడల్. ఇది అమరిక, రంగులు, అక్షరాల రూపాన్ని ఖచ్చితమైన అక్షర పరిమాణం వరకు సరిపోల్చగలదు. నమూనాలోని రచనా శైలిని కొత్త స్లైడ్లలోనూ కొనసాగించగలదు. ప్రధాన సందేశాన్ని చెప్పే శీర్షికలు, పాఠకులకు అవసరమైన వివరాలపై దృష్టి పెట్టే సంక్షిప్త వివరణల వల్ల, తక్కువ సవరణలతోనే ఈ స్లైడ్ ప్రదర్శనలను నేరుగా ఉపయోగించడం సులభమైందని తొలిదశ పరీక్షకులు గుర్తించారు.
కంప్యూటర్ వినియోగం, పరస్పర చర్యలతో కూడిన వెబ్ రూపకల్పన
కంప్యూటర్ను మరింత ఖచ్చితంగా ఉపయోగించే సామర్థ్యం వల్ల GPT‑6.2 Astra, CAD, అనుకరణ సాధనాల్లో విడి భాగాలు, అనుసంధానాల స్థాయి వరకు పనిచేయగలదు. భాగాలు ఎలా అమరుతాయో తనిఖీ చేయడానికి, రూపొందించిన వ్యవస్థ కదులుతున్నప్పుడు భారాలు ఎక్కడికి మారుతాయో చూడడానికి, నమూనా నిర్మించకముందే సవరణలను పరీక్షించడానికి ఇంజినీర్లు ఈ అదనపు వివరాలను ఉపయోగించవచ్చు.
వాహన చోదన అనుకరణ
పర్వత రహదారిపై ప్రయాణిస్తున్న కారు చాసిస్ గతిశీలతను దృశ్యరూపంలో చూపమని GPT‑6.2 Astraను కోరాం. Astra త్రిమితీయ నమూనాను రూపొందించి, టైర్లు, సస్పెన్షన్ మధ్య సంక్లిష్ట గతిశీలతను అనుకరించడానికి Python సాల్వర్ను రాసింది. ఆ తర్వాత ఫలితాలను Blenderలో యానిమేట్ చేసింది. దీనివల్ల ఇంజినీర్లు కొత్త రూపకల్పనలను వేగంగా పరీక్షించవచ్చు, కాలక్రమేణా అనుకరణ ఖచ్చితత్వాన్ని మెరుగుపరచవచ్చు.
యాంత్రిక రూపకల్పన, భాగాల అమరిక
GPT‑6.2 Astra ఒక యాంత్రిక వ్యవస్థను భాగాల వారీగా నమూనాగా రూపొందించగలదు. భాగాలు ఎలా కలుస్తాయో చూపడానికి, రూపకల్పన మార్పులు దాని పనితీరును ఎలా ప్రభావితం చేస్తాయో పరీక్షించడానికి ఇంజినీర్లకు ఇది వీలు కల్పిస్తుంది.
CAD నుంచి కాగితపు దీపం వరకు
షికాగోలోని మెరీనా సిటీ టవర్ల అర్ధవృత్తాకార వంపుల బాల్కనీలను దీపం రూపకల్పనగా మార్చడానికి మా బృందం GPT‑6.2 Astraను ఉపయోగించింది. సూచన ఫొటోల నుంచి CAD సవరణల మీదుగా చేతితో భాగాలు అమర్చి తయారుచేసిన భౌతిక దీపం వరకు రూపకల్పన ప్రయాణాన్ని ఈ వీడియో చూపిస్తుంది. GPT-6.2 Astra రూపొందించిన ఈ సైట్ను ఉపయోగించి మీ సొంత కాగితపు దీపాన్ని తయారుచేసుకోవచ్చు.
GPT‑6.2 Astra వెబ్ రూపకల్పనలో మరింత బలమైన దృశ్య రీజనింగ్ను ఉపయోగిస్తుంది. ప్రతి సైట్కు ప్రత్యేక రూపాన్ని ఇచ్చే అమరికలు, చిత్రాలను ఎంచుకుని, సైట్ అసలు లక్ష్యానికి అనుగుణంగా అంశాలను నిర్మిస్తుంది.
దృశ్య రీజనింగ్, కంప్యూటర్ వినియోగంలోని ఈ మెరుగుదలలు త్రిమితీయ రూపకల్పనకూ వర్తిస్తాయి. మీరు ఆడగల పిన్బాల్ బల్ల నుంచి, విభిన్న కోణాల్లో అన్వేషించగల కొలోసియం పునఃసృష్టి వరకు, రాతపూర్వక సంక్షిప్త సూచనలను పరస్పర చర్యలతో కూడిన బ్రౌజర్ అనుభవాలుగా GPT‑6.2 Astra, Sol మార్చగలవు. Artificial Analysis రూపొందించిన AA‑3Dలో, ఒకే ప్రాంప్ట్ నుంచి నిర్మించిన రెండు అనుభవాలను ఏ మోడల్ రూపొందించిందో తెలియకుండా మానవ నిర్ణేతలు ప్రయత్నించి, తమకు నచ్చినదానికి ఓటు వేస్తారు. GPT‑6.2 Astra 1,318 Eloతో మొదటి స్థానంలో ఉంది. తర్వాత Claude Fable 5.2 1,271తో, GPT‑6.2 Sol 1,259తో ఉన్నాయి.
సువ్యవస్థితమైన కోడ్ శైలితో సమర్థవంతమైన పని ప్రక్రియలు
పనిని ఎలా నిర్వహించాలో నిర్ణయించడంలో GPT‑6.2 Astraకు మెరుగైన విచక్షణ ఉంది. పని ప్రక్రియకు తగిన సాధనాలు, శ్రమను ఎంచుకోవడం, కంప్యూటర్ వినియోగానికి బదులుగా ప్లగిన్లను ఎప్పుడు ఉపయోగించాలో తెలుసుకోవడం ఇందులో భాగం.
కోడింగ్లో, ఇప్పటికే ఉన్న కోడ్బేస్లలో సంక్లిష్ట మార్పులను అమలు చేయడంలో, పరీక్షించడంలో GPT-6.2 Astra మెరుగ్గా పనిచేస్తుంది. కోడ్ శైలి మరింత సువ్యవస్థితంగా, పరీక్షలు మరింత లక్ష్యపూర్వకంగా ఉన్నాయని, సవరణ దశలు తక్కువగా అవసరమయ్యాయని తొలిదశ పరీక్షకులు తెలిపారు.
సైబర్ భద్రతా సామర్థ్యాలు
GPT‑6.2 Astra, GPT-6.2 Sol సైబర్ సామర్థ్యాల్లో మరో గణనీయమైన ముందడుగును సూచిస్తున్నాయి. ఇవి భద్రతా లోపాలను మరింత సమర్థవంతంగా గుర్తించి, ఉపయోగించుకుంటాయి; మరింత సురక్షితమైన కోడ్ను రాస్తాయి; మెరుగైన ప్యాచ్లను రూపొందిస్తాయి. పలు మూల్యాంకనాల్లో టోకెన్ వినియోగ సామర్థ్యం కూడా గణనీయంగా మెరుగుపడింది. GPT‑6 Astra మాదిరిగానే, మా ప్రిపేర్డ్నెస్ ఫ్రేమ్వర్క్ ప్రకారం 6.2 Astra, Sol సైబర్ భద్రతకు సంబంధించిన అత్యంత తీవ్ర స్థాయి పరిమితిని చేరుకుంటాయి.
వాటి సామర్థ్యాలు పెరిగినందున, అధిక ప్రమాదం ఉన్న సైబర్భద్రతా సహాయానికి మరింత కఠినమైన రక్షణ చర్యలతో GPT‑6.2 Astra, Solలను విడుదల చేస్తున్నాము. ఈ రక్షణ చర్యలు దుర్వినియోగ ప్రమాదాన్ని తగ్గిస్తాయి, అయితే భద్రతా లోపాలపై కొన్ని చట్టబద్ధమైన పరిశోధనలను, భద్రతా పరీక్షల కార్యప్రవాహాలను కూడా పరిమితం చేస్తాయి. OpenAI Daybreak ద్వారా సైబర్ రక్షకులు ప్రస్తుతం GPT-6 Astra కోసం మా ఆల్ఫా వెర్షన్తో పాటు, సైబర్ సంబంధిత అభ్యర్థనలను తక్కువగా తిరస్కరించే GPT‑6 Solను Daybreak Blueలో ఉపయోగించవచ్చు. అలాగే, అధునాతనమైన, అనుమతితో నిర్వహించే భద్రతా పరీక్షల కోసం Daybreak Redలో GPT‑6 Cyberను ఉపయోగించవచ్చు. GPT‑6.2 మోడళ్లను Daybreakలో అందుబాటులోకి తెచ్చేందుకు కృషి చేస్తాము.
సైబర్ భద్రతా రక్షణలు, వర్గీకరణ వ్యవస్థలను నిలిపివేసిన అంతర్గత పరీక్షా కాన్ఫిగరేషన్లతో పొందిన ముఖ్యమైన బెంచ్మార్క్ ఫలితాలను కింద చూపిస్తున్నాం. పూర్తి ఫలితాలు, పరీక్షా విధానం కోసం దీనితోపాటు అందించిన సిస్టమ్ కార్డ్(కొత్త విండోలో తెరుచుకుంటుంది) చూడండి.
సైబర్ రక్షకులకు పైచేయి కల్పించడం
మరింత సామర్థ్యం గల ఏజెంట్లు భద్రతా లోపాలను కనుగొని, ఉపయోగించుకోవడాన్ని సులభతరం చేస్తున్నప్పటికీ, వాస్తవ వినియోగానికి సాఫ్ట్వేర్ రాయడానికి డెవలపర్లు కోడింగ్ ఏజెంట్లపై ఎక్కువగా ఆధారపడుతున్నారు. తీవ్రమైన లోపాలను వెలికితీయడంలో AI పరిశోధకులకు ఎలా సహాయపడగలదో PHP2Shell(కొత్త విండోలో తెరుచుకుంటుంది) చూపించింది. GPT‑6.2 Astra, Solలో రక్షణ సామర్థ్యాలపై ప్రధానంగా దృష్టి పెట్టాం. మొదటి నుంచే సురక్షితమైన కోడ్ను రాయడం, ఉద్దేశించిన పనితీరును అలాగే ఉంచే ప్యాచ్లను రూపొందించడం ద్వారా ఆ లోపాలను నివారించడానికి, సరిచేయడానికి డెవలపర్లకు సహాయపడే కొత్త శిక్షణ సంకేతాలను ప్రవేశపెట్టాం.
భద్రత, మానవ ఉద్దేశాలకు అనుగుణత
ఇప్పటివరకు మా అత్యంత బలమైన రక్షణ చర్యలతో GPT-6.2 Astra, Solను అందుబాటులోకి తెస్తున్నాం. పరిమితులను కఠినతరం చేసి, మోడల్లను పర్యవేక్షించడానికి, అవసరమైనప్పుడు జోక్యం చేసుకోవడానికి ఉపయోగించే వ్యవస్థలను బలోపేతం చేశాం.
GPT-6 Astra మాదిరిగానే, GPT-6.2 Astra, Sol రెండూ సైబర్ భద్రతకు సంబంధించిన అత్యంత తీవ్ర స్థాయి పరిమితిని చేరుకోవడంతోపాటు, మా ప్రిపేర్డ్నెస్ ఫ్రేమ్వర్క్ ప్రకారం జీవ, రసాయన సామర్థ్యాలకు సంబంధించిన అధిక స్థాయి పరిమితిని కూడా చేరుకుంటాయి. వాటికి సంబంధించిన ప్రమాదాలను తగ్గించడానికి రక్షణ చర్యలను అమలు చేశాం. అలాగే మేలు, హాని రెండింటికీ ఉపయోగపడే అవకాశం ఉన్న కొన్ని జీవశాస్త్ర, సైబర్ భద్రతా అభ్యర్థనలపై పరిమితులను పెంచాం.
మా రక్షణ చర్యలు, పరీక్షల గురించి మరిన్ని వివరాలు GPT-6.2 సిస్టమ్ కార్డ్(కొత్త విండోలో తెరుచుకుంటుంది)లో అందుబాటులో ఉన్నాయి.
AI పరిశోధన సామర్థ్యాలు, రక్షణ చర్యలు
AI పరిశోధనను వేగవంతం చేసే మోడల్ సామర్థ్యాన్ని కొలిచే AI స్వీయ మెరుగుదల విభాగంలో అధిక స్థాయి పరిమితిని చేరుకున్న, మేము బాహ్య వినియోగానికి విడుదల చేసిన మొదటి మోడల్ GPT-6.2 Astra. ప్రతి OpenAI పరిశోధకుడి 2024 నాటి ప్రాథమిక స్థితితో పోలిస్తే, అదనంగా అత్యంత సామర్థ్యం గల పరిశోధనా ఇంజినీర్ను సహాయకుడిగా ఇచ్చినంత ప్రభావం ఈ మోడల్కు ఉందనే మా అంచనాను ‘అధిక’ స్థాయి గుర్తింపు సూచిస్తుంది. భవిష్యత్ AI వ్యవస్థల అభివృద్ధికి సహాయపడగల మోడల్లు భద్రతకు కొత్త ప్రమాదాలను కూడా కలిగించవచ్చు కాబట్టి ఈ సామర్థ్యాన్ని మేము పర్యవేక్షిస్తాం. ఉదాహరణకు, రక్షణ చర్యలు లేదా మానవ పర్యవేక్షణ సర్దుబాటు చేసుకోగల వేగం కంటే వేగంగా పురోగతిని నడిపించవచ్చు.
ఈ ప్రమాదాలను ఎదుర్కోవడానికి, మా మోడల్లకు శిక్షణ ఇచ్చే, వాటిని వినియోగంలోకి తెచ్చే విధానంలో మరింత పర్యవేక్షణను, నియంత్రణలను చేర్చాం. GPT-6.2 Astra అంతర్గత వినియోగాన్ని విస్తరించడానికి ముందు, దాని మానవ ఉద్దేశాలకు అనుగుణతను మూల్యాంకనం చేసి, ప్రతి దశలో అవసరమైన రక్షణ చర్యలు అమల్లో ఉన్నాయని నిర్ధారించాం. మేము మా పరిశోధనా వాతావరణాల్లో నిర్బంధ నియంత్రణలను బలోపేతం చేశాం. మా అత్యంత సామర్థ్యం గల మోడల్లతో ఆ రక్షణలను పరీక్షించాం. పరిశోధనా పనిభారాలను పర్యవేక్షిస్తూ, జోక్యం అవసరమైనప్పుడు మోడల్ తదుపరి అవుట్పుట్ను నిలిపివేయగల Control Room వ్యవస్థను కూడా నిర్మించాం. మా విస్తరించిన పర్యవేక్షణ అంతర్గత పనిభారాలు, మద్దతు ఉన్న బాహ్య వినియోగాల్లో మోడల్ల రీజనింగ్ను, చర్యలను పరిశీలిస్తుంది. ఇది అనుమతి లేని ప్రవర్తనను స్వయంచాలకంగా గుర్తించి హెచ్చరించగలదు. మద్దతు ఉన్న చోట పనిభారాలు లేదా సంభాషణలను తాత్కాలికంగా నిలిపివేయగలదు.
మానవ ఉద్దేశాలకు అనుగుణత
మానవ ఉద్దేశాలకు అనుగుణతను పరీక్షించే చాలా మూల్యాంకనాల్లో రెండు మోడల్లు GPT-6 Astra మాదిరిగానే పనిచేశాయి. అనుకరించిన కార్యాలయ పనుల్లో తక్కువ అనుచిత చర్యలు తీసుకున్నాయి. అయితే రెండు పరీక్షల్లో, ఫైల్ లేకపోవడం లేదా శోధన సాధనం అందుబాటులో లేకపోవడం వంటి తమ పనిని అడ్డుకున్న ఆటంకాలను ప్రస్తావించకుండా ఉండే అవకాశం ఎక్కువగా కనిపించింది. ఇలా ప్రస్తావించకుండా వదిలేయడాన్ని గణనీయంగా తగ్గించే సూచనలను Codexలో చేర్చాం. ఈ ప్రవర్తనను ఇంకా పరిశీలిస్తున్నాం.
ధరలు, లభ్యత
ఈ రోజు నుంచి, Plus, Pro, Enterprise, Edu వినియోగదారులందరికీ ChatGPT వర్క్, Codexలో GPT-6.2 Astra, Sol అందుబాటులో ఉన్నాయి. Pro 500 చందాదారులు ఏ మోడల్తోనైనా Ultrafastను ఉపయోగించవచ్చు. మొదటిసారిగా Pro 200 చందాదారులకు కూడా GPT-6.2 Solతో ప్రారంభించి Ultrafastను అందిస్తున్నాం. తమ వర్క్స్పేస్ నిర్వాహకుడు దీన్ని ప్రారంభించిన తర్వాత, అర్హులైన Enterprise, Edu వినియోగదారులకు కూడా ఇదే వినియోగ సౌలభ్యం లభిస్తుంది. డెవలపర్లు OpenAI API ద్వారా gpt-6.2-astra, gpt-6.2-solను కూడా ఉపయోగించవచ్చు. విడుదల సమయం నుంచే రెండు మోడల్లకూ Ultrafast అందుబాటులో ఉంటుంది.
మెరుగైన టోకెన్ వినియోగ సామర్థ్యం, ఇన్పుట్, అవుట్పుట్ టోకెన్లపై 20% తగ్గింపు, క్యాష్ చేసిన ఇన్పుట్ టోకెన్లపై మరింత ఎక్కువైన 60% తగ్గింపు వల్ల, GPT‑6 Astraతో పోలిస్తే GPT‑6.2 Astraలో ఒక్కో పనికి ఖర్చు గణనీయంగా తక్కువ. ప్రామాణిక API ధరలు ప్రతి పది లక్షల టోకెన్లకు ఇన్పుట్కు $8, క్యాష్ చేసిన ఇన్పుట్కు $0.40, అవుట్పుట్కు $40. GPT‑6.2 Solలో GPT‑6.1 Sol ధరలే కొనసాగుతాయి: ప్రతి పది లక్షల టోకెన్లకు ఇన్పుట్కు $2, క్యాష్ చేసిన ఇన్పుట్కు $0.10, అవుట్పుట్కు $10.
GPT-6.2 Astra, Solలో క్యాష్ పునర్వినియోగాన్ని మెరుగుపరచడానికి, ఖర్చులు, జాప్యాన్ని తగ్గించడానికి, సంభాషణ దశల మధ్య రీజనింగ్ను కొనసాగించడానికి, ప్రాంప్ట్ ప్రారంభ భాగాలను మార్చకుండా ఉంచి, సంభాషణ చివర కొత్త సూచనలను జోడించాలని(కొత్త విండోలో తెరుచుకుంటుంది) సిఫార్సు చేస్తున్నాం.
రచయిత
Footnotes
- 1
Fable 5.2 కోసం Terminal-Bench-Science 0.1 ఫలితాలు, mini-swe-agent హార్నెస్లో Artificial Analysis(కొత్త విండోలో తెరుచుకుంటుంది) నివేదించినవే. Claude Codeలో మ్యాక్స్ రీజనింగ్ వద్ద Fable 5.2 స్కోర్ 74.6%గా Anthropic నివేదించింది.



