ขอแนะนำ GPT-6.2 Astra และ Sol
มาตรฐานใหม่สำหรับการทำงานระดับมืออาชีพ
ลองใช้ใน ChatGPT Work(เปิดในหน้าต่างใหม่)เราขอแนะนำ GPT‑6.2 Astra โมเดลระดับแนวหน้ารุ่นใหม่ของเราสำหรับโปรเจกต์ที่ยากที่สุดของคุณ และ GPT‑6.2 Sol โมเดลอเนกประสงค์ที่มีประสิทธิภาพสำหรับงานประจำวัน ทั้งสองโมเดลให้ผลลัพธ์ที่ดีขึ้นในงานที่ท้าทาย โดยใช้ Token เอาต์พุตน้อยลง คุณจึงทำงานได้มากขึ้นภายในขีดจำกัดการใช้งานที่มี สำหรับธุรกิจและนักพัฒนา นั่นหมายถึงประสิทธิภาพระดับแนวหน้าในต้นทุนที่คุ้มค่าเมื่อนำไปใช้งานในวงกว้าง
GPT‑6.2 Astra ยกระดับมาตรฐานคุณภาพของ AI สำหรับงานวิชาชีพที่ซับซ้อน ไม่ว่าจะเป็นสไลด์ สเปรดชีต หรือเอกสาร ผลงานที่ได้ก็ดูเป็นธรรมชาติมากขึ้น ดูเหมือนงานที่ AI สร้างน้อยลง และยังทำตามเทมเพลตกับรูปแบบที่ใช้กันในแต่ละสายงานได้ดีขึ้นด้วย โมเดลเขียนโค้ดได้สะอาดและเป็นระเบียบมากขึ้น รวมถึงสร้างส่วนหน้าของเว็บไซต์และแอปพลิเคชันที่ทั้งดูดีและใช้งานได้ดียิ่งขึ้น โดยเฉพาะงานด้านเว็บไซต์ เกม และการออกแบบ 3 มิติ
ในการทดสอบ Agents’ Last Exam ซึ่งทดสอบงานวิชาชีพที่มีหลายขั้นตอน GPT‑6.2 Astra ทำคะแนนสูงสุดเป็นสถิติใหม่ โดยสูงกว่า GPT‑6 Astra 5.2 คะแนน ด้วยต้นทุนไม่ถึงหนึ่งในสาม และสูงกว่า Claude Fable 5.2 อยู่ 5.5 คะแนน ด้วยต้นทุนเพียง 5%
Agents’ Last Exam ประเมินโมเดลด้วยเวิร์กโฟลว์งานวิชาชีพที่ต้องดำเนินการต่อเนื่องระยะยาว ผลของ Fable 5.2 บนตารางจัดอันดับไม่รวมงานเก้างานที่ใช้โมเดลสำรอง
เราเชื่อว่า GPT-6.2 Astra เป็นโมเดลที่ดีที่สุดในโลกสำหรับนักวิทยาศาสตร์ โมเดลนี้ทำคะแนนสูงสุดเป็นสถิติใหม่บน Terminal-Bench-Science 0.1 ซึ่งทดสอบว่าโมเดลสามารถทำงานทางวิทยาศาสตร์ในเทอร์มินัลได้ดีเพียงใด GPT-6.2 Astra ทำคะแนนสูงกว่า GPT-6 Astra 9 จุดเปอร์เซ็นต์ ด้วยต้นทุนไม่ถึงหนึ่งในสาม นอกจากนี้ยังทำคะแนนสูงสุดเป็นสถิติใหม่บน Vals Science Index ซึ่งให้โมเดลตีความข้อมูลทางชีววิทยาจริงและทำการทดลองเพื่ออนุมานว่าระบบจำลองทำงานอย่างไร
สำหรับ API ราคา Token อินพุตและเอาต์พุตของ GPT‑6.2 Astra ต่ำกว่า GPT‑6 Astra 20% และราคาอินพุตที่แคชไว้ลดลง 60% ($8 สำหรับอินพุต, $0.40 สำหรับอินพุตที่แคชไว้ และ $40 สำหรับเอาต์พุต โดยทั้งหมดเป็นราคาต่อหนึ่งล้าน Token) GPT‑6.2 Sol ยังคงใช้ราคา Token ของ API เท่าเดิมกับ GPT‑6.1 Sol ในการทดสอบเกณฑ์มาตรฐานหลายรายการ ทั้งสองโมเดลทำผลงานได้ใกล้เคียงหรือเหนือกว่าโมเดลชั้นนำอื่นๆ โดยมีต้นทุนต่องานเพียงเศษเสี้ยว
GPT-6.2 Sol: โมเดลที่เราเลือกใช้สำหรับงานประจำวัน
GPT-6.2 Sol ฉลาดและมีประสิทธิภาพยิ่งกว่า GPT-6.1 Sol ช่วยให้คุณทำงานได้มากขึ้นโดยไม่ต้องเปลี่ยนแพ็กเกจแบบชำระเงินที่ใช้อยู่ จัดการเวิร์กโฟลว์แบบเอเจนต์ที่มีหลายขั้นตอนได้อย่างคล่องตัว เขียนเนื้อหาได้ชัดเจนเป็นธรรมชาติ และทำงานร่วมกันได้อย่างราบรื่น พนักงาน OpenAI จำนวนมากเลือกใช้โมเดลนี้เป็นโมเดลหลักสำหรับงานทั้งด้านเทคนิคและงานทั่วไป
ในการทดสอบ FrontierCode 2.0 ของ Cognition นั้น GPT‑6.2 Sol ทำคะแนนตามหลัง GPT‑6.2 Astra ไม่เกิน 0.5 คะแนน ด้วยต้นทุนประมาณหนึ่งในห้า (ทั้งสองโมเดลใช้ระดับ Max)
FrontierCode 2.0 ประเมินว่าการเปลี่ยนแปลงในโค้ดเบสจริงเป็นไปตามมาตรฐานการผสานโค้ดของผู้ดูแลหรือไม่
ความเร็วและความฉลาดของโมเดลยังทำให้เหมาะอย่างยิ่งกับเรื่องสำคัญนอกเหนือจากงานที่ผู้คนหันมาพึ่ง AI ในการประเมิน LifeVal ที่เราเพิ่งเปิดตัว ซึ่งวัดประสิทธิภาพในการทำงานประจำวันอันท้าทาย GPT‑6.2 Sol ทำคะแนนเหนือกว่า GPT‑6 Astra ด้วยต้นทุนประมาณหนึ่งในเจ็ด
LifeVal ทดสอบว่าโมเดลสามารถจัดการงานในชีวิตประจำวันที่ต้องตอบโจทย์ความต้องการเฉพาะบุคคลได้ดีเพียงใด เช่น การคัดเลือกโรงเรียนอนุบาลหลังย้ายบ้าน การหาบ้านที่เหมาะกับงบประมาณและการเดินทางของครอบครัว หรือการวางแผนมื้ออาหารให้พ่อแม่ที่กำลังปรับตัวหลังได้รับการวินิจฉัยโรคใหม่
ผลงานระดับมืออาชีพที่ตรงตามมาตรฐานอุตสาหกรรม
เราฝึก GPT‑6.2 Astra ให้สร้างสไลด์ สเปรดชีต และเอกสารที่ชัดเจนและออกแบบได้ดีขึ้น โดยยึดตามแบบแผนที่ผู้เชี่ยวชาญในสาขาต่างๆ เช่น กฎหมาย การขาย การเงิน และการบัญชี ใช้กันได้ใกล้เคียงยิ่งขึ้น งานเขียนตรงประเด็นและเจาะจงมากขึ้น มีข้อสรุปแบบกว้างๆ และข้อความที่ไม่จำเป็นน้อยลง
Harvey LAB‑AA v1.1 ใช้งานด้านกฎหมายเพื่อทดสอบว่าโมเดลสามารถค้นหาข้อเท็จจริงที่เกี่ยวข้องจากเอกสารต้นทางหลายฉบับ นำมาใช้ตามโจทย์ที่มีรายละเอียด และสร้างผลงานส่งมอบที่ถูกต้องครบตามข้อกำหนดทุกข้อได้หรือไม่ GPT‑6.2 Astra สร้างมาตรฐานใหม่ด้วยอัตราผ่านที่สูงกว่า Claude Fable 5.2 มากกว่าสองเท่า โดยมีต้นทุนประมาณหนึ่งในหก OpenAI for Law ซึ่งเป็น GPT-6.2 Astra ที่เราปรับแต่งสำหรับนักกฎหมาย ทำคะแนนในการทดสอบเกณฑ์มาตรฐานนี้ได้สูงยิ่งขึ้นไปอีก
Harvey LAB‑AA ทดสอบงานด้านกฎหมาย เช่น การตรวจสอบข้อกำหนดในสัญญา คะแนนหลักของการทดสอบจะให้คะแนนเฉพาะเมื่อผลงานส่งมอบผ่านเกณฑ์การให้คะแนนทุกข้อ และไม่มีข้อมูลที่โมเดลแต่งขึ้นซึ่งมีผลต่อสาระสำคัญ
GDPval v2 ซึ่งเป็นเกณฑ์มาตรฐานภายในของเรา คือรุ่นถัดไปของ GDPval ที่วัดการทำงานในเวิร์กโฟลว์ซับซ้อนและต่อเนื่องระยะยาวจากโปรเจกต์จริงในสาขาต่างๆ เช่น การให้คำปรึกษา การเงิน และการออกแบบ GPT‑6.2 Astra ทำคะแนนนำโมเดลทั้งหมดที่เราทดสอบ โดยเพิ่มขึ้นจาก GPT‑6 Astra 6.2 จุดเปอร์เซ็นต์ ขณะที่ใช้ Token เอาต์พุตน้อยลง 22% GPT‑6.2 Sol ทำคะแนนเพิ่มขึ้นจาก GPT‑6.1 Sol 5.3 คะแนน
GDPval v2 ประกอบด้วยงานที่ใช้ความรู้และต้องดำเนินการต่อเนื่องระยะยาวจากโปรเจกต์จริงในสาขาต่างๆ เช่น การเงิน วิทยาศาสตร์ข้อมูล เทคโนโลยีชีวภาพ และการตลาด
เวิร์กบุ๊กและบันทึกข้อความ
การสร้างเวิร์กบุ๊กประเมินมูลค่าหรือเขียนบันทึกการลงทุนเริ่มจากการค้นหาตัวเลขที่เกี่ยวข้องในไฟล์ต้นทาง และทำความเข้าใจว่าตัวเลขเหล่านั้นเชื่อมโยงกันอย่างไร AA‑AnalystAgent ของ Artificial Analysis ทดสอบการทำงานดังกล่าวด้วยสเปรดชีตและรายงานจริง ในงานหนึ่ง โมเดลใช้รายงานค่าใช้จ่ายของ Medicaid รัฐแคลิฟอร์เนียเพื่อคำนวณว่าโครงการนี้ใช้จ่ายกับการขนส่งทางการแพทย์ไปเท่าไร GPT‑6.2 Astra ทำคะแนนสูงสุดเป็นสถิติใหม่ โดยมีคำถาม 62.5% ที่โมเดลตอบถูกได้ครบทั้งห้าครั้งในการทดสอบที่เป็นอิสระต่อกัน
ชุดสไลด์นำเสนอ
GPT-6.2 Astra เป็นโมเดลที่ออกแบบสไลด์และสร้างสไลด์ตามเทมเพลตได้ดีที่สุดเท่าที่เราเคยพัฒนามา ไม่ว่าจะใช้ไฟล์ต้นฉบับหรือแม้แต่ภาพหน้าจอเป็นตัวอย่าง โมเดลสามารถสร้างสไลด์ให้มีเค้าโครง สี และรูปแบบตัวอักษรตรงตามต้นฉบับได้อย่างละเอียด แม้แต่ขนาดตัวอักษรก็ตรงกัน พร้อมนำสไตล์การเขียนจากเทมเพลตมาใช้กับสไลด์ใหม่ได้ด้วย ผู้ทดสอบกลุ่มแรกพบว่าสามารถนำสไลด์ไปใช้งานได้เลยโดยแทบไม่ต้องแก้ไขมากนัก เพราะหัวข้อสไลด์สรุปประเด็นสำคัญได้ชัดเจน และเนื้อหากระชับ เน้นรายละเอียดที่ผู้อ่านจำเป็นต้องรู้
การใช้งานคอมพิวเตอร์และการออกแบบเว็บแบบโต้ตอบ
GPT-6.2 Astra สามารถใช้งานคอมพิวเตอร์ได้แม่นยำยิ่งขึ้น จึงทำงานกับชิ้นส่วนและจุดเชื่อมต่อแต่ละจุดในโปรแกรม CAD และเครื่องมือจำลองการทำงานได้ วิศวกรสามารถใช้ข้อมูลที่ละเอียดขึ้นนี้เพื่อตรวจสอบว่าชิ้นส่วนต่างๆ ประกอบเข้าด้วยกันได้อย่างไร ดูว่าแรงที่กระทำต่อชิ้นส่วนเปลี่ยนไปอย่างไรเมื่อแบบจำลองเคลื่อนไหว และทดสอบการปรับแก้แบบก่อนสร้างต้นแบบจริง
การจำลองการขับขี่
เราให้ GPT-6.2 Astra แสดงภาพจำลองการเคลื่อนไหวของโครงรถยนต์ขณะขับบนถนนภูเขา Astra สร้างโมเดล 3 มิติและเขียนโปรแกรมคำนวณด้วย Python เพื่อจำลองการทำงานที่ซับซ้อนระหว่างยางรถยนต์กับระบบกันสะเทือน จากนั้นนำผลลัพธ์มาสร้างเป็นภาพเคลื่อนไหวใน Blender วิธีนี้ช่วยให้วิศวกรทดสอบการออกแบบใหม่ได้อย่างรวดเร็ว และค่อยๆ ปรับปรุงความแม่นยำของการจำลอง
การออกแบบและประกอบเครื่องกล
GPT‑6.2 Astra สามารถสร้างแบบจำลองระบบกลไกทีละชิ้นส่วน ช่วยให้วิศวกรแสดงวิธีประกอบระบบเข้าด้วยกัน และทดสอบว่าการเปลี่ยนแปลงการออกแบบส่งผลต่อการทำงานของระบบอย่างไร
จาก CAD สู่โคมไฟกระดาษ
ทีมของเราใช้ GPT‑6.2 Astra เปลี่ยนรูปทรงระเบียงขอบโค้งหยักของอาคาร Marina City ในชิคาโกให้กลายเป็นโคมไฟ วิดีโอนี้ติดตามกระบวนการออกแบบตั้งแต่ภาพถ่ายอ้างอิง ผ่านการปรับแบบ CAD ไปจนถึงโคมไฟจริงที่ประกอบด้วยมือ คุณสามารถใช้เว็บไซต์ที่ GPT-6.2 Astra สร้างขึ้นนี้ทำโคมไฟกระดาษของคุณเองได้
GPT‑6.2 Astra นำความสามารถในการให้เหตุผลจากภาพที่ดีขึ้นมาใช้ในการออกแบบเว็บไซต์ โดยเลือกเลย์เอาต์และภาพที่ทำให้แต่ละเว็บไซต์มีรูปลักษณ์เฉพาะตัว และสร้างองค์ประกอบต่างๆ ให้ตอบโจทย์เป้าหมายที่แท้จริงของเว็บไซต์
พัฒนาการด้านการให้เหตุผลจากภาพและการใช้คอมพิวเตอร์เหล่านี้ยังส่งผลต่อการออกแบบ 3 มิติด้วย GPT‑6.2 Astra และ Sol สามารถเปลี่ยนโจทย์ที่เขียนไว้ให้กลายเป็นประสบการณ์แบบโต้ตอบบนเบราว์เซอร์ ตั้งแต่โต๊ะพินบอลที่เล่นได้ ไปจนถึงแบบจำลองโคลอสเซียมที่คุณสำรวจได้จากมุมต่างๆ ในการทดสอบ AA‑3D ของ Artificial Analysis ผู้ประเมินที่เป็นมนุษย์จะทดลองประสบการณ์สองแบบที่สร้างจากพรอมต์เดียวกันโดยไม่ทราบว่าโมเดลใดเป็นผู้สร้าง แล้วลงคะแนนให้แบบที่ตนชอบมากกว่า GPT‑6.2 Astra อยู่ในอันดับหนึ่งด้วยคะแนน Elo 1,318 ตามด้วย Claude Fable 5.2 ที่ 1,271 และ GPT‑6.2 Sol ที่ 1,259
เวิร์กโฟลว์ที่มีประสิทธิภาพพร้อมสไตล์โค้ดที่เป็นระเบียบยิ่งขึ้น
GPT‑6.2 Astra ตัดสินใจเลือกวิธีทำงานได้ดีขึ้น ทั้งการเลือกเครื่องมือและระดับความพยายามให้เหมาะกับเวิร์กโฟลว์ และรู้ว่าเมื่อใดควรใช้ปลั๊กอินแทนการควบคุมคอมพิวเตอร์
ด้านการเขียนโค้ด GPT-6.2 Astra ทำได้ดีขึ้นในการแก้ไขและทดสอบการเปลี่ยนแปลงที่ซับซ้อนในฐานโค้ดที่มีอยู่ ผู้ทดลองใช้งานกลุ่มแรกให้ความเห็นว่าโมเดลเขียนโค้ดได้เป็นระเบียบยิ่งขึ้น ออกแบบการทดสอบได้ตรงจุดมากขึ้น และช่วยลดการแก้ไขงานซ้ำหลายรอบ
ความสามารถด้านความปลอดภัยไซเบอร์
GPT‑6.2 Astra และ GPT-6.2 Sol เป็นอีกก้าวกระโดดที่สำคัญของความสามารถด้านไซเบอร์ ทั้งสองโมเดลค้นหาและใช้ประโยชน์จากช่องโหว่ได้มีประสิทธิภาพมากขึ้น เขียนโค้ดได้ปลอดภัยขึ้น และสร้างแพตช์ได้ดีขึ้น พร้อมมีประสิทธิภาพการใช้โทเค็นที่ดีขึ้นอย่างมากในการประเมินหลายรายการ GPT-6.2 Astra และ Sol มีความสามารถด้านความปลอดภัยทางไซเบอร์ถึงเกณฑ์ระดับวิกฤต (Critical) ตามกรอบการเตรียมความพร้อมของเรา เช่นเดียวกับ GPT-6 Astra
เนื่องจากโมเดลมีความสามารถเพิ่มขึ้น เราจึงเปิดตัว GPT‑6.2 Astra และ Sol พร้อมมาตรการป้องกันที่เข้มงวดขึ้นสำหรับการให้ความช่วยเหลือด้านความปลอดภัยไซเบอร์ที่มีความเสี่ยงสูง มาตรการเหล่านี้ช่วยลดความเสี่ยงจากการนำไปใช้ในทางที่ผิด แต่ก็จำกัดเวิร์กโฟลว์การวิจัยช่องโหว่และการทดสอบความปลอดภัยบางประเภทที่มีจุดประสงค์อันชอบธรรมด้วย ปัจจุบัน ผู้ปฏิบัติงานด้านการป้องกันสามารถเข้าถึง GPT‑6 Sol ที่ปฏิเสธคำขอด้านไซเบอร์น้อยลงบน Daybreak Blue ผ่าน OpenAI Daybreak นอกเหนือจาก GPT-6 Astra รุ่นอัลฟาของเรา และยังเข้าถึง GPT‑6 Cyber สำหรับการทดสอบความปลอดภัยขั้นสูงที่ได้รับอนุญาตบน Daybreak Red ได้ด้วย เราจะดำเนินการเพื่อนำโมเดล GPT‑6.2 มาให้ใช้งานบน Daybreak
ด้านล่างนี้คือผลการทดสอบมาตรฐานที่สำคัญ ซึ่งใช้การตั้งค่าทดสอบภายในโดยปิดมาตรการป้องกันด้านความปลอดภัยไซเบอร์และตัวจำแนกประเภท ดูผลการทดสอบและวิธีการประเมินฉบับเต็มได้ในเอกสารข้อมูลระบบที่เผยแพร่ควบคู่กัน(เปิดในหน้าต่างใหม่)
เพิ่มความได้เปรียบให้ผู้ป้องกันภัยไซเบอร์
นักพัฒนาพึ่งพาเอเจนต์เขียนโค้ดเพื่อสร้างซอฟต์แวร์สำหรับใช้งานจริงมากขึ้น แม้เอเจนต์ที่เก่งขึ้นจะทำให้การค้นหาและใช้ประโยชน์จากช่องโหว่ทำได้ง่ายขึ้นด้วย PHP2Shell(เปิดในหน้าต่างใหม่) แสดงให้เห็นว่า AI ช่วยนักวิจัยค้นพบข้อบกพร่องร้ายแรงได้อย่างไร ในการพัฒนา GPT-6.2 Astra และ Sol เรามุ่งเน้นการเสริมความสามารถด้านการป้องกัน พร้อมนำสัญญาณการฝึกโมเดลรูปแบบใหม่มาใช้เพื่อช่วยให้นักพัฒนาป้องกันช่องโหว่ได้ตั้งแต่ขั้นตอนการเขียนโค้ด และแก้ไขช่องโหว่ด้วยแพตช์ที่ไม่ทำให้ระบบทำงานผิดไปจากที่ตั้งใจไว้
ความปลอดภัยและความสอดคล้องกับเจตนาของมนุษย์
เรากำลังเปิดตัว GPT-6.2 Astra และ Sol พร้อมมาตรการป้องกันที่เข้มงวดที่สุดเท่าที่เราเคยมีมา เราเพิ่มความเข้มงวดของข้อจำกัดต่าง ๆ และเสริมความแข็งแกร่งให้กับระบบที่ใช้เฝ้าติดตามพฤติกรรมของโมเดลและเข้าควบคุมสถานการณ์เมื่อจำเป็น
เช่นเดียวกับ GPT-6 Astra นอกจากจะถึงเกณฑ์ระดับวิกฤตด้านความปลอดภัยไซเบอร์แล้ว ทั้ง GPT-6.2 Astra และ Sol ยังถึงเกณฑ์ระดับสูงด้านความสามารถทางชีววิทยาและเคมีภายใต้กรอบการเตรียมความพร้อมของเราด้วย เราได้ใช้มาตรการป้องกันเพื่อลดความเสี่ยงที่เกี่ยวข้อง ควบคู่กับการเพิ่มข้อจำกัดสำหรับคำขอด้านชีววิทยาและความปลอดภัยไซเบอร์บางกลุ่มที่อาจนำไปใช้ได้ทั้งในทางที่เป็นประโยชน์และเป็นอันตราย
ดูรายละเอียดเพิ่มเติมเกี่ยวกับมาตรการป้องกันและการทดสอบของเราได้ในเอกสารข้อมูลระบบของ GPT-6.2(เปิดในหน้าต่างใหม่)
ความสามารถด้านการวิจัย AI และมาตรการป้องกัน
GPT-6.2 Astra เป็นโมเดลแรกของเราที่เปิดให้บุคคลภายนอกใช้งานและถึงเกณฑ์ระดับสูงด้านการพัฒนาตนเองของ AI ซึ่งวัดความสามารถของโมเดลในการเร่งการวิจัย AI การจัดให้อยู่ในระดับ ‘สูง’ สะท้อนถึงการประเมินของเราว่า เมื่อเทียบกับระดับพื้นฐานในปี 2024 โมเดลนี้ส่งผลเทียบเท่ากับการให้นักวิจัย OpenAI ทุกคนมีวิศวกรวิจัยที่มีความสามารถสูงมาเป็นผู้ช่วยเพิ่มอีกหนึ่งคน เราติดตามความสามารถด้านนี้เพราะโมเดลที่ช่วยพัฒนาระบบ AI ในอนาคตได้ อาจนำมาซึ่งความเสี่ยงใหม่ๆ ต่อความปลอดภัยด้วย เช่น การเร่งความก้าวหน้าให้เร็วจนมาตรการป้องกันหรือการกำกับดูแลโดยมนุษย์ปรับตัวตามไม่ทัน
เพื่อรับมือกับความเสี่ยงเหล่านี้ เราได้เพิ่มการกำกับดูแลและการควบคุมในกระบวนการฝึกและนำโมเดลไปใช้งาน ก่อนขยายการเข้าถึง GPT-6.2 Astra ภายในองค์กร เราได้ประเมินความสอดคล้องกับเจตนาของมนุษย์ และตรวจสอบว่าแต่ละขั้นตอนมีมาตรการป้องกันที่จำเป็นพร้อมใช้งานแล้ว เราเพิ่มความเข้มงวดในการควบคุมให้อยู่ในขอบเขตจำกัดในสภาพแวดล้อมการวิจัย และทดสอบมาตรการป้องกันเหล่านั้นด้วยโมเดลที่มีความสามารถสูงสุดของเรา นอกจากนี้ เรายังสร้าง Control Room ซึ่งเป็นระบบที่ติดตามเวิร์กโหลดการวิจัย และสามารถหยุดโมเดลไม่ให้สร้างเอาต์พุตเพิ่มเติมเมื่อจำเป็นต้องเข้าแทรกแซง การติดตามตรวจสอบที่ครอบคลุมมากขึ้นของเราตรวจสอบการให้เหตุผลและการกระทำของโมเดล ทั้งในเวิร์กโหลดภายในและการนำไปใช้งานภายนอกที่รองรับ ระบบนี้สามารถแจ้งเตือนพฤติกรรมที่ไม่ได้รับอนุญาตโดยอัตโนมัติ และหยุดเวิร์กโหลดหรือบทสนทนาชั่วคราวได้ในกรณีที่รองรับ
ความสอดคล้องกับเจตนาของมนุษย์
ทั้งสองโมเดลทำผลงานใกล้เคียงกับ GPT-6 Astra ในการประเมินความสอดคล้องกับเจตนาของมนุษย์ส่วนใหญ่ และกระทำการที่ไม่เหมาะสมน้อยลงในงานจำลองในที่ทำงาน อย่างไรก็ตาม ในการทดสอบสองรายการ โมเดลมีแนวโน้มที่จะไม่แจ้งปัญหาที่ทำให้ไม่สามารถทำงานต่อได้มากขึ้น เช่น ไม่พบไฟล์ที่จำเป็นหรือไม่สามารถใช้เครื่องมือค้นหาได้ เราได้เพิ่มคำสั่งใน Codex เพื่อแก้ปัญหาการไม่รายงานอุปสรรคเหล่านี้ ซึ่งช่วยลดปัญหาดังกล่าวได้อย่างมาก และเรายังคงตรวจสอบพฤติกรรมนี้อย่างต่อเนื่อง
ราคาและการเปิดให้ใช้งาน
ตั้งแต่วันนี้ GPT-6.2 Astra และ Sol พร้อมให้ผู้ใช้ Plus, Pro, Enterprise และ Edu ทุกคนใช้งานใน ChatGPT Work และ Codex สมาชิก Pro 500 สามารถใช้ Ultrafast กับทั้งสองโมเดลได้ เรายังเปิดให้สมาชิก Pro 200 ใช้ Ultrafast ได้เป็นครั้งแรก โดยเริ่มจาก GPT-6.2 Sol ผู้ใช้ Enterprise และ Edu ที่มีสิทธิ์จะสามารถใช้งานได้เช่นเดียวกัน เมื่อผู้ดูแลระบบเวิร์กสเปซเปิดใช้งานให้ นักพัฒนาสามารถเข้าถึง gpt-6.2-astraและใช้งานgpt-6.2-solผ่าน OpenAI API ได้เช่นกัน โดยทั้งสองโมเดลจะรองรับ Ultrafast ตั้งแต่วันเปิดตัว
GPT‑6.2 Astra มีต้นทุนต่องานต่ำกว่า GPT‑6 Astra อย่างมาก เนื่องจากใช้ Token ได้มีประสิทธิภาพขึ้น ราคา Token อินพุตและเอาต์พุตลดลง 20% และราคา Token อินพุตที่แคชไว้ลดลงมากถึง 60% อัตรามาตรฐานของ API ต่อหนึ่งล้าน Token คือ $8 สำหรับอินพุต, $0.40 สำหรับอินพุตที่แคชไว้ และ $40 สำหรับเอาต์พุต GPT‑6.2 Sol ยังคงใช้อัตราเดียวกับ GPT‑6.1 Sol คือ $2 สำหรับอินพุต, $0.10 สำหรับอินพุตที่แคชไว้ และ $10 สำหรับเอาต์พุต ต่อหนึ่งล้าน Token
สำหรับ GPT-6.2 Astra และ Sol เราแนะนำให้คงส่วนต้นของพรอมต์ไว้เหมือนเดิม แล้วเพิ่มคำสั่งใหม่ต่อท้ายบทสนทนา เพื่อให้ใช้แคชเดิมซ้ำได้มากขึ้น ช่วยลดต้นทุนและเวลาในการตอบสนอง รวมถึงรักษาการให้เหตุผลของโมเดลให้ต่อเนื่อง(เปิดในหน้าต่างใหม่)ตลอดการสนทนา
ผู้เขียน
Footnotes
- 1
ผลการทดสอบ Terminal-Bench-Science 0.1 ของ Fable 5.2 อ้างอิงตามรายงานของ Artificial Analysis(เปิดในหน้าต่างใหม่) โดยใช้ harness mini-swe-agent Anthropic รายงานว่า Fable 5.2 ทำคะแนนได้ 74.6% เมื่อใช้การให้เหตุผลระดับสูงสุดใน Claude Code



