GPT-6.1Sol

Представљамо GPT-6.1 Sol, надоградњу модела GPT-6 Sol која се по интелигенцији у програмирању од стране агента, коришћењу рачунара и професионалном раду готово подудара са моделом GPT-6 Astra, уз петину стандардне цене улазних и излазних токена модела Astra. Кеширани улаз кошта само 0,10 $ на милион токена– 95% мање од стандардне цене улаза и 50% мање од цене кешираног улаза модела GPT-6 Sol – што програмерима пружа више простора да развијају и покрећу способне заступнике који поново користе контекст у различитим захтевима.

Способнији Sol за различите задатке

GPT-6.1 Sol нуди нов однос могућности и трошкова за важне свакодневне послове. Доноси значајна побољшања у односу на GPT-6 Sol у сложеним професионалним пословима, од писања кода и отклањања грешака до разумевања докумената и извршавања пословних токова рада са више корака. На неколико ових евалуација приближава се перформансама модела GPT-6 Astra уз знатно ниже трошкове.

Програмирање

На тесту DeepSWE v1.1, који процењује сложене задатке софтверског инжењерства у стварним базама кода, GPT-6.1 Sol изједначава се са моделом GPT-6 Astra уз приближно петину трошкова, а најбољи резултат модела GPT-6 Sol надмашује за 6,4 процентна поена уз мањи напор резоновања и ниже трошкове.

Професионални рад

На тесту GDP.pdf, који мери колико тачно модели одговарају на стручна питања користећи сложене PDF документе са табелама, графиконима, дијаграмима и детаљима у ситном тексту, GPT-6.1 Sol постиже боље резултате од модела Opus 5.5 са резервним опцијама, уз мање од половине трошка по задатку на тестираним подешавањима резоновања. Такође се приближава водећим перформансама модела GPT-6 Astra уз приближно петину трошка по задатку.

На тесту AutomationBench, који мери да ли агенти правилно извршавају пословне токове рада са више корака, GPT-6.1 Sol постиже резултат за 2,2 процентна поена виши од модела Opus 5.5 при средњем напору резоновања, уз приближно трећину трошкова. Тај резултат је уједно за 4,8 процентних поена виши од резултата модела GPT-6 Sol при истом подешавању.

Коришћење рачунара

GPT-6.1 Sol такође доноси значајан напредак у задацима који захтевају интеракцију са рачунарским апликацијама. На офлајн скупу теста OSWorld 2.0, који процењује агенте у захтевним токовима рада на рачунару, GPT-6.1 Sol надмашује GPT-6 Sol за седам процентних поена при максималном напору резоновања, уз мање од половине трошкова. При максималном напору резоновања заостаје само 2,1 процентни поен за резултатом модела Astra, уз приближно седмину трошка по задатку.

Научно истраживање

На тесту Terminal-Bench Science 0.1, који процењује научне токове рада, укључујући анализу података, симулације и доказивање теорема, GPT-6.1 Sol постиже више него двоструко бољи резултат од модела GPT-6 Sol при максималном напору резоновања, уз мање од половине трошка по задатку. При максималном напору, GPT-6.1 Sol у просеку кошта 5,47 $ по задатку, у поређењу са 23,21 $ за Opus 5.5 и 23,80 $ за Astra, пружајући значајне могућности за научни рад уз преко 75% ниже трошкове у односу на оба модела.

GPT-6 Astra и даље постиже највиши резултат међу тестираним моделима, 68,1%, и треба га користити за најтеже научноистраживачке задатке.

Чињенична тачност

GPT-6.1 Sol такође побољшава чињеничну тачност одговора на тешке упите. Његово највеће побољшање чињеничне тачности у односу на GPT-6 Sol постиже се при ниском напору резоновања, где смањује удео одговора који садрже чињеничну грешку са 11,4% на 7,7% – што је смањење од приближно 32%. У свим тестираним подешавањима резоновања, стопа грешака остаје унутар 1,9 процентних поена у односу на GPT-6 Astra, уз мање од петине трошка по задатку.

Ова евалуација мери удео одговора са бар једном чињеничном грешком на основу разговора из којих су уклоњени идентификациони подаци, а у којима су корисници пријавили грешку ранијег модела. Ови намерно тешки упити нису репрезентативни за уобичајену употребу.

Безбедно увођење модела GPT-6.1 Sol у употребу

GPT-6.1 Sol показује значајна побољшања у односу на GPT-6 Sol у нашим евалуацијама усклађености понашања, чиме се приближава моделу GPT-6 Astra.

GPT-6.1 Sol отвореније саопштава своја ограничења и поузданије поштује намеру корисника и безбедносна ограничења. У захтевним евалуацијама бележи ниже стопе пропуста од модела GPT-6 Sol када је реч о пријављивању неисправних алата за претрагу, поштовању изричитих ограничења и избегавању неовлашћених исхода током агентских задатака. Нисмо уочили ниједан покушај заобилажења аутоматизованог безбедносног контролора, као ни код модела GPT-6 Astra и GPT-6 Sol. Све појединости доступне су у додатку системске картице GPT-6.1 Sol⁠(отвара се у новом прозору).

Евалуације у наставку намерно испитују захтевне ситуације и не мере стопе пропуста у уобичајеној употреби.

Цене и доступност

GPT-6.1 Sol је од данас доступан свим корисницима планова Plus, Pro, Business, Enterprise и Edu у ChatGPT Work-у и Codex-у. GPT-6.1 Sol још није доступан у Ћаскању. Програмери му могу приступити и преко OpenAI API-ја као gpt-6.1-sol. Његове стандардне API цене су 2 $ по милиону улазних токена, 0,10 $ по милиону кешираних улазних токена и 10 $ по милиону излазних токена. У наредним данима понудићемо и GPT-6.1 Sol Ултрабрзи⁠, са до 8x бржим генерисањем токена у поређењу са његовом стандардном брзином у Codex-у.