发布 GPT‑6 Astra 时，我们展示了模型在使用计算机完成专业工作方面取得的长足进步，从准备文档到测试网站，均有体现。我们的下一个目标，是提升智能体使用专业软件解决复杂业务问题的能力和效率。我们正在探索如何训练模型，使其理解公司的业务规则、执行多步骤工作流程，并核实自己的工作是否符合最初的要求。
为加快这项研究，我们正与少数最了解这些工作流程的软件公司直接合作。我们共同找出具有挑战性且价值较高的任务，将其转化为训练和评估模型的研究问题，最终让模型在实际业务应用中更有能力、更有用。
我们的首家合作伙伴是 AI 合同管理领域的领先企业 Ironclad。通过与 Ironclad 团队密切合作，我们设计了一系列要求智能体配置协议、审批和可复用法律条款的任务，并展示了模型在这些复杂工作流程中取得的进步。Ironclad 的专业知识发挥了关键作用，帮助我们明确成功标准，并将真实客户需求直接融入前沿模型的开发。我们感谢 Ironclad 的合作，也很高兴分享双方共同取得的成果。
GPT‑6 Astra 是我们首个使用 Ironclad 任务训练的前沿模型。在我们的研究评估中，其平均得分比 GPT‑5.6 Sol 高出 32%，而每次尝试的估算用时减少了 48%。1
设想一个法务运营团队正在搭建软件采购流程。财务部门可能需要审批超过特定金额的采购，安全部门可能需要审核某些申请，法务部门则可能需要审核非标准条款。负责搭建流程的人必须将这份简短的要求清单转化为申请表单、文档模板、审批规则以及最终协议的记录。
AI 智能体在完成同样的工作时，必须在操作软件的整个过程中始终兼顾这些要求。例如，它必须配置规则，让超出支出阈值的申请需要财务审批，并检查高于和低于该阈值的申请是否都遵循正确的流转路径。仅仅做对各个步骤还不够：搭建完成的流程必须能应对其设计范围内的各种情况。
Ironclad 员工以及 OpenAI 内部使用 Ironclad 的人员，帮助我们的研究人员确定了涵盖法务、商务和采购工作的 11 项任务。这些任务包括设置保密协议、创建采购审批流程，以及更新可复用的法律条款，使其与申请人选择的司法管辖区相符。据我们估计，有经验的用户完成这类工作，平均每项任务需要约 30 至 40 分钟。
根据任务的复杂程度，我们为每项任务设定了 8 至 50 项标准进行评估。这样，我们就能看出模型在哪些部分做对了，在哪些方面还有不足。Ironclad 还提供了其产品的托管软件环境，让模型能够在其中练习这些任务。我们的研究人员围绕典型工作流程开发了合成训练任务2，并运用强化学习，帮助模型通过练习和反馈不断改进。与熟悉业务的人共同选择任务、制定详细标准，并为模型提供练习环境——这三者相结合，确保我们在对客户最重要的实际任务上持续取得进步。
我们对比了 Astra 和 GPT‑5.6 Sol：Astra 采用 Max 推理设置，Sol 采用高推理设置，二者在各自对应的设置下得分最高。在这 11 项研究任务中，Astra 的平均得分为 55.0%，GPT‑5.6 Sol 为 41.6%；每次尝试的估算平均用时则从 Sol 的 37.0 分钟缩短到 Astra 的 19.2 分钟。3 Astra 开发过程中使用的一个内部模型，在这些任务上取得了更高的 63.7% 得分，我们希望将这些进一步的提升带到未来的模型中。
指标 | GPT‑5.6 Sol | GPT‑6 Astra |
评分标准平均得分 | 41.6% | 55.0% |
每次尝试的估算平均用时 | 37.0 分钟 | 19.2 分钟 |
Astra 在每次尝试的模拟用时更短的情况下，满足了更多任务要求。下方的两段视频展示了两个模型处理同一项研究任务的过程。Astra（第一段）在估算的 20 分钟内达到了约 94% 的任务标准；GPT‑5.6 Sol（第二段）在估算的 32 分钟内达到了约 85% 的任务标准。
GPT‑6 Astra 在估算的 20 分钟内达到了约 94% 的任务标准。
GPT‑5.6 Sol 在估算的 32 分钟内达到了约 85% 的任务标准。
Ironclad 在这项工作中的角色，体现了其客户熟知的一项挑战：合同管理流程既要处理例外情况，也要遵守企业赖以运作的规则。如果智能体在执行任务的过程中遗漏了其中某条规则，软件公司能够放心交给它的工作就会受到限制。这也说明，即使智能体越来越擅长处理复杂的合同管理任务，人工监督依然重要，完整的合同管理平台仍然不可或缺。与我们的研究人员合作，让 Ironclad 能够将这些问题带入底层模型的开发过程，由双方共同研究。
随着模型能力不断增强，Ironclad 有机会将其应用于更多自有产品。对法务和业务团队而言，这可能意味着 AI 可以承担更多复杂合同管理工作，同时保留这些团队所依赖的管控机制。
我们正邀请少数软件公司，与我们的研究和工程团队直接合作，聚焦当前智能体尚无法可靠完成的重要专业任务。如果你的团队有这样的任务，我们希望看到一个具体示例：你要求智能体做什么，有哪些证据表明它在哪些环节未能完成要求，以及你会如何判断结果是否成功。合作伙伴还应能够安排深谙相关工作的人员参与，提供安全的测试环境，以及可安全用于研究的数据。这些条件将为我们调查失败原因、衡量模型是否有所改进提供起点。
如果你的团队符合这些条件，欢迎 申请探索研究合作机会。
