ప్రధాన కంటెంట్‌కి దాటండి
OpenAI

10 ఆగస్టు, 2026

స్టార్ట్‌అప్

GPT‑5.6 Solతో Model ML ఆర్థిక పనిని వేగంగా పూర్తి చేస్తుంది

సవరించగల PowerPoint, Excel ఫైళ్లను సృష్టించే కార్యప్రవాహాల్లో Model ML GPT‑5.6 Solను ఉపయోగిస్తుంది. ఒక్కో డెక్‌కు Fable 5 కంటే 21% తక్కువ టోకెన్లు అవసరమవుతాయి.

కంపెనీ పరిమాణం: స్టార్టప్
ప్రాంతం: గ్లోబల్
పరిశ్రమ: ఫైనాన్స్, టెక్నాలజీ
ప్రోడక్ట్స్: API

ఫలితాలు

21%

ఒక్కో PowerPoint డెక్‌కు Fable 5 కంటే తక్కువ టోకెన్లు

ఫలితాలు

16.6

వృత్తిపరమైన సంసిద్ధతలో Opus 5 కంటే శాతాంశాల ఆధిక్యం

ఫలితాలు

36%

ఒక్కో Excel వర్క్‌బుక్‌కు Opus 5 కంటే తక్కువ టోకెన్లు

ఫలితాలు

5

సుమారు గంట నుంచి ప్రత్యేక సమాచార పత్రాన్ని రూపొందించే సమయం నిమిషాల్లో

లోడ్ అవుతోంది…

ఆర్థిక విశ్లేషణను క్లయింట్లు లేదా సీనియర్ నిర్ణయాధికారుల ముందుంచడానికి ముందు, బృందాలు కఠినమైన చివరి దశను పూర్తి చేయాలి: ఆధారాలను సరిపోల్చడం, ఫైల్‌ను రూపొందించి ఆకృతీకరించడం, ప్రతి సంఖ్యను తనిఖీ చేయడం, ప్రతి వాదనను దాని మూలంతో అనుసంధానించడం. పూర్తయిన PowerPoint డెక్ లేదా Excel వర్క్‌బుక్ సవరించగలిగేలా, క్షుణ్ణ పరిశీలనకు సిద్ధంగా ఉండాలి.

రెండు సంస్థల నుంచి విజయవంతంగా నిష్క్రమించిన తర్వాత ప్రైవేట్ కుటుంబ కార్యాలయం ద్వారా పెట్టుబడులు పెట్టడం ప్రారంభించిన Model ML సహవ్యవస్థాపకులు, సోదరులు ఆర్నీ మరియు చాజ్ ఇంగ్లాండర్‌కు దీనికి ఎంత శ్రమ అవసరమో తెలిసింది. నిర్మాణకర్తల సహజ ధోరణితో వారు తమకు సహాయపడే సాఫ్ట్‌వేర్‌ను రూపొందించారు.

ఆ సాఫ్ట్‌వేర్ నుంచి అభివృద్ధి చెందిన Model ML ఏజెంట్లు, ప్రారంభ అభ్యర్థన నుంచి పరిశోధన, విశ్లేషణ మీదుగా పూర్తయిన డెక్ లేదా వర్క్‌బుక్ వరకు కార్యప్రవాహాన్ని నిర్వహించడంలో ఆర్థిక నిపుణులకు సహాయపడతాయి. దీని కేంద్రంలో ఒక ప్రధాన ఏజెంట్ పనిని ప్రణాళిక చేస్తుంది, సరైన సాధనాలను ఎంచుకుంటుంది, ఆధారాలను సరిపోల్చి లెక్కలు నిర్వహిస్తుంది. ప్రతి దశను దానికి అత్యంత అనువైన మోడల్‌కు పంపుతుంది; అది తరచుగా GPT‑5.6 Sol అవుతుంది. ఆ సాధనాల్లో, మూలాలను గుర్తించగల స్థానిక PowerPoint, Excel ఫైళ్లను సృష్టించే Model ML సొంత పత్ర సాధనాలు కూడా ఉన్నాయి.

“మునుపటి మోడళ్లు విశ్లేషకుడి పనిని చేయగలిగేవి. కానీ ఫలితం నిర్దిష్టంగా ఎలా కనిపించాలో సహా వినియోగదారు పనిని స్పష్టంగా విభజించి వివరించాల్సి వచ్చేది. GPT-5.6 Solతో ఏజెంట్ తుది ఫలితానికి చాలా దగ్గరగా చేరుతోందని మేము గుర్తిస్తున్నాం.”
—చాజ్ ఇంగ్లాండర్, Model ML సహవ్యవస్థాపకుడు, ముఖ్య కార్యనిర్వహణ అధికారి

ఆర్థిక పని చివరి దశను పరిష్కరించడం

ఆర్థిక కార్యప్రవాహాలను మొదటి నుంచి చివరి వరకు స్వయంచాలకం చేయడం ద్వారా Model ML ఆర్థిక బృందాలకు సహాయపడుతుంది. సంక్షిప్త వివరణ, మూల సమాచారం ఆధారంగా ఏజెంట్ ఒక పనిని పరిశోధన, నమూనా రూపకల్పన మీదుగా క్లయింట్లు లేదా ఒప్పంద బృందాలకు అవసరమైన తుది పత్రాల వరకు తీసుకెళ్లగలదు. పనిని పంచుకునే ముందు ఆర్థిక నిపుణుడు అంచనాలు, మూలాలు, సందేశాన్ని తనిఖీ చేస్తారు.

Model ML ఈ ఉత్పత్తిని “వేదికతో సంబంధం లేనిది” అని పిలుస్తుంది. ఆర్థిక నిపుణుడు ఇమెయిల్‌లో లేదా Model ML అనువర్తనంలో పనిని ప్రారంభించి, మళ్లీ వివరించకుండానే దాని Microsoft Office అనుబంధాల్లో కొనసాగించవచ్చు.

ఆ కొనసాగింపు పూర్తయిన పనిలోనూ ఉంటుంది. పెట్టుబడి కమిటీ డెక్ కోసం, Model ML సంక్షిప్త వివరణను, మూల సమాచారాన్ని సవరించగల PowerPointగా మార్చగలదు. Excel పని కోసం ఏజెంట్ క్లయింట్ మూస లేదా ఖాళీ వర్క్‌బుక్‌తో ప్రారంభించి, అవసరమైన డేటాను సేకరించి, అనేక ట్యాబ్‌లలో సూత్రాలు, తర్కాన్ని రూపొందించగలదు. ఆపై ఆర్థిక రంగానికి ప్రత్యేకమైన ఆకృతీకరణను వర్తింపజేసి పూర్తి స్ప్రెడ్‌షీట్ లేదా ఆర్థిక మోడల్‌ను అందించగలదు.

ఆర్థిక సేవల్లో కృత్రిమ మేధకు కంపెనీ రూపొందించిన మూల్యాంకన ప్రమాణమైన Model ML Compositeలో, Excel కార్యప్రవాహంలో GPT‑5.6 Sol ఒక్కో వర్క్‌బుక్‌కు Opus 5 కంటే 36% తక్కువ టోకెన్లను ఉపయోగించింది.

“వినియోగదారు విశ్లేషణను మళ్లీ నిర్మించడం మీద కాకుండా, అంచనాలను మెరుగుపరచడం లేదా సందేశాన్ని మరింత పదునుపెట్టడం వంటి నిర్ణయాత్మక అంశాలపై దృష్టి పెట్టాలి.”
—చాజ్ ఇంగ్లాండర్, Model ML సహవ్యవస్థాపకుడు, ముఖ్య కార్యనిర్వహణ అధికారి

పనిని ఆ చివరి దశ వరకు తీసుకెళ్లడం ద్వారా ఏజెంట్ ఒక్కో ఫలితాన్ని సిద్ధం చేసే సమయాన్ని ఆదా చేయడంతో పాటు, భారీ పరిమాణంలోని మూల సమాచారాన్ని ప్రాసెస్ చేయడంలో బృందాలకు సహాయపడగలదు. ఒక అంతర్జాతీయ ఆస్తి నిర్వహణ సంస్థలో, విశ్లేషకుడు రూపొందించడానికి సుమారు గంట పట్టిన ప్రత్యేక సమాచార పత్రం ఇప్పుడు దాదాపు ఐదు నిమిషాల్లో సిద్ధమవుతోంది. మరొక కార్యప్రవాహంలో, 100,000కుపైగా వరుసలు, వందలాది ఫైళ్లు ఉన్న వర్చువల్ డేటా గదులను Model ML ఏజెంట్లు ఒకే ప్రయత్నంలో ప్రాసెస్ చేశాయి.

తక్కువ టోకెన్లతో సమీక్షకు మరింత సిద్ధమైన ఆర్థిక ఫలితాలను GPT‑5.6 Sol అందిస్తుంది

వివిధ ఆర్థిక కార్యప్రవాహాల్లో ఇతర ప్రముఖ మోడళ్లతో పాటు GPT‑5.6 Solను Model ML మూల్యాంకనం చేసింది. దాని Composite మూల్యాంకనాలు ఒక పనిని ప్రారంభ ఆర్థిక సంక్షిప్త వివరణ నుంచి పరిశోధన, లెక్కల మీదుగా సవరించగల డెక్ లేదా స్ప్రెడ్‌షీట్ వరకు అనుసరిస్తాయి. తర్వాత సంఖ్యలు, మూలాలు, సూత్రాలు, నిర్మాణంతో పాటు ప్రదర్శనల దృశ్య నాణ్యతను కూడా తనిఖీ చేస్తాయి.

PowerPoint కోసం Model ML Composite మూల్యాంకనం వాస్తవ కార్యప్రవాహాలను కలిగి, వివరణాత్మక మార్కుల ప్రమాణంతో రూపొందించిన వందలాది డెక్‌లను పరిశీలిస్తుంది.

పరీక్షల్లో GPT‑5.6 Sol PowerPoint కార్యప్రవాహాన్ని 100% సందర్భాల్లో పూర్తి చేయగా, Opus 5 దాన్ని 76% సందర్భాల్లో పూర్తి చేసింది. ఫలితం లోతైన సమీక్షకు సిద్ధంగా ఉందో లేదో కొలిచే Model ML వృత్తిపరమైన సంసిద్ధత ప్రమాణాన్ని GPT‑5.6 Sol 43.3% సందర్భాల్లో దాటగా, Opus 5 26.7% సందర్భాల్లో దాటింది. డెక్ నాణ్యత, సంక్షిప్త వివరణకు అనుగుణత, శ్రేణీకరణ, స్థిరత్వంలోనూ ఇది Opus 5 కంటే ముందుంది.

Native PowerPoint creation model benchmark, Model ML’s Composite eval
MetricGPT 5.6 SolΔ Sol–O5Opus 5Fable 5Opus 4.8GPT 5.6 TerraGPT-5.5
Deck quality — Overall score, readiness-gated59.9%+3.256.7%59.3%58.7%52.5%44.4%
Deliverability — Professional-readiness rate (gate)43.3%+16.626.7%32.0%17.3%17.3%16.0%
Deck produced — Items yielding a .pptx100.0%+24.076.0%82.0%80.0%80.0%74.0%
Brief adherence — Instruction following78.8%+0.977.9%78.5%78.4%74.1%79.6%
Visual quality — Aggregate visual judge — components below77.9%−1.479.3%78.9%75.1%74.4%68.5%
Layout — Layout & composition75.9%−2.978.8%78.7%76.2%76.1%67.8%
Hierarchy — Visual hierarchy87.2%+0.586.7%85.5%85.5%85.6%83.7%
Data viz — Chart legibility78.8%−4.383.1%79.7%73.3%74.6%68.4%
Consistency — Design coherence97.8%+4.593.3%95.8%97.5%75.0%90.0%
Efficiency — Tokens per deck (lower = better)1.10M+144K953K1.40M1.16M720K1.01M

Model ML స్థానిక PowerPoint సృష్టి ప్రమాణం GPT‑5.6 Solను Opus 5తో, ఇతర ప్రముఖ మోడళ్లతో పోలుస్తుంది.

Native Excel creation model benchmark, Model ML’s Composite eval
MetricGPT 5.6 SolΔ Sol–O5Opus 5Fable 5Opus 4.8GPT 5.6 TerraGPT-5.5
Key outputs correct — Headline accuracy vs golden model83.3%+0.582.8%80.6%74.4%82.2%83.3%
Fully correct models — Items with every key output right50.0%−10.060.0%60.0%40.0%53.3%60.0%
Outputs located — Expected outputs found in workbook100.0%±0100.0%100.0%92.2%98.9%100.0%
Workbook contract — Structure / no-errors / no-placeholder gates100.0%±0100.0%100.0%100.0%100.0%100.0%
Efficiency — Tokens per workbook (lower = better)2.44M−1.40M3.83M2.59M2.91M1.64M1.16M
Wall clock — Minutes per workbook (lower = better)7.0 min−0.5 min7.5 min8.4 min11.5 min4.2 min3.9 min

Model ML స్థానిక Excel సృష్టి ప్రమాణం GPT‑5.6 Solను Opus 5తో, ఇతర ప్రముఖ మోడళ్లతో పోలుస్తుంది.

పైన చూపిన Composite ఫలితాలు మొత్తంగా, గతంలో Opus 4.8 నిర్వహించిన కొన్ని కార్యప్రవాహాలతో సహా ఉత్పత్తి వాతావరణంలో GPT‑5.6 Sol వినియోగాన్ని విస్తరించడానికి Model MLకు అవసరమైన ఆధారాలను అందించాయి. PowerPoint కార్యప్రవాహాల్లో GPT‑5.6 Sol పోటీతత్వ డెక్ నాణ్యతను అందించడంతో పాటు, Opus 5, Fable 5 కంటే ఎక్కువ శాతం పూర్తి చేసిన, సమీక్షకు సిద్ధమైన డెక్‌లను అందించింది. అలాగే Fable 5 కంటే సుమారు 21% తక్కువ టోకెన్లను ఉపయోగించింది.

“వాస్తవ పనికి సిద్ధమంటే, వినియోగదారు నేరుగా అసలు సమీక్షను ప్రారంభించగలగడం” అని ఇంగ్లాండర్ చెప్పారు. “సంఖ్యల మూలాలను గుర్తించవచ్చు, వర్క్‌బుక్ మళ్లీ లెక్కిస్తుంది, స్లైడ్‌ను సవరించవచ్చు.”

సమీక్షలో నిలబడగల పెట్టుబడి డెక్‌లను రూపొందించడం

GPT‑5.6 Sol వాస్తవ పనికి సిద్ధంగా ఉందో లేదో పరీక్షించడానికి PowerPoint, Model MLకు కఠినమైన పరీక్షగా నిలిచింది. డెక్ చూడటానికి మెరుగ్గా ఉన్నా, దానిలోని సంఖ్యలు తప్పుగా లేదా మూలం గుర్తించలేనివిగా ఉంటే, చార్ట్‌లు సవరించలేని చిత్రాలుగా మారితే లేదా పంచుకునే ముందు స్లైడ్‌లను మళ్లీ నిర్మించాల్సి వస్తే సమీక్షలో విఫలం కావచ్చు.

Model ML తన ఏజెంట్ హార్నెస్‌లో మోడల్‌ను అమలు చేసింది. సవరించగల గ్రాఫ్‌లు, పట్టికలతో స్లైడ్‌లను రూపొందించేందుకు ఏజెంట్‌కు వీలు కల్పించే పత్ర సృష్టి, సవరణ సాధనాలను దానికి జోడించింది. పని చేస్తున్నంతసేపూ అసలు సంక్షిప్త వివరణను సందర్భంలో ఉంచుకుని, ఫైల్‌ను తిరిగి ఇచ్చే ముందు ప్రతి స్లైడ్‌ను దృశ్యపరంగా సమీక్షిస్తుంది.

స్పష్టమైన శ్రేణీకరణ, మరింత స్థిరమైన స్లైడ్ రూపకల్పనతో సహా, Model ML PowerPoint ఫలితం GPT‑5.5 నుంచి GPT‑5.6 Solకు ఎలా మెరుగుపడిందో కింది ఉదాహరణ చూపుతుంది.

ప్రస్తుతం Model ML హార్నెస్, డేటా అనుసంధానాలు, పత్ర సవరణ సాధనాలు, నైపుణ్యాలు, కోడ్ అమలు వాతావరణాలను పొందేందుకు అవసరమైన సాధన సముదాయాలను ఏజెంట్‌కు అందిస్తుంది. అవసరమైనప్పుడు వాటిని ఏజెంట్ లోడ్ చేసుకోగలదు. ఇది ఏజెంట్ దృష్టి మరలకుండా ఉంచి, వినియోగదారు పత్రాలతో పనిచేయడానికి దానికి అవసరమైన సాధనాలను మాత్రమే అందిస్తుంది.

OpenAIతో ప్రత్యక్ష కార్యసమావేశాల ద్వారా Model ML ఈ అమరికను రూపొందించింది. ఏజెంట్ ప్రదర్శనలను ఎలా ప్రణాళిక చేసింది, సాధనాలను ఎలా ఎంచుకుంది, సందర్భాన్ని ఎలా కొనసాగించిందో బృందాలు విశ్లేషించాయి. ఆ అవగాహనతో ఏజెంట్ సూచనలను మెరుగుపరిచి, ప్రతి సాధన సముదాయాన్ని ఎప్పుడు లోడ్ చేయాలో నిర్ణయించాయి.

మారుతున్న ఆర్థిక పనితీరుకు అనుగుణంగా నిర్మించడం

Model ML వినియోగదారులు, వాటి వెనుక ఉన్న మోడళ్లు, మూల సమాచారంతో అనుసంధానమై ఉండే బ్రౌజర్ ఆధారిత ఫలితాల వైపు మళ్లుతున్నారు.

Model ML వేదిక నిరంతరం నవీకరించగల లేదా నిర్దిష్ట సమయ స్థితిలో స్థిరపరచగల సురక్షిత, పరస్పర చర్యల ఫలితాలను రూపొందించగలదు. సమీక్షకుడు పెట్టుబడి సారాంశాన్ని తెరిచి, ఒక సంఖ్య వెనుక ఉన్న ఆర్థిక మోడల్‌కు వెళ్లి, అదే పేజీ నుంచి ఏజెంట్‌తో కలిసి పనిచేయవచ్చు.

“జ్ఞానాధారిత పనిని చేతితో చేసే ప్రపంచం కోసం PowerPoint, Excel, Word రూపొందించబడ్డాయి” అని ఇంగ్లాండర్ చెప్పారు. “కృత్రిమ మేధ ఆ భావనను మార్చింది. ఇప్పుడు సాఫ్ట్‌వేర్ స్వరూపమే మారబోతోంది.”