OpenAI مدل GPT-6.1 Sol را با هزینه‌ای کمتر از Astra عرضه کرد

مدل GPT-6.1 Sol از OpenAI در ۲۹ سپتامبر معرفی شد؛ نسخه‌ای ارتقایافته برای کدنویسی عامل‌محور، کار با رایانه و گردش‌کارهای حرفه‌ای که به گفته شرکت در چند آزمون به توانایی‌های GPT-6 Astra نزدیک می‌شود، اما با هزینه‌ای پایین‌تر. این ترکیب می‌تواند برای توسعه‌دهندگان و کسب‌وکارهایی اهمیت داشته باشد که می‌خواهند عامل‌های هوش مصنوعی را برای کارهای پیچیده و طولانی اجرا کنند، بی‌آنکه هزینه هر درخواست به سطح مدل‌های گران‌تر برسد.

OpenAI در معرفی این مدل بر سه کاربرد اصلی تأکید کرده است: بازآرایی‌های پیچیده کد، بررسی عمیق کدبیس‌ها و عامل‌هایی که در طول زمان و میان چند برنامه کار می‌کنند. «عامل» در این کاربرد به سامانه‌ای گفته می‌شود که فقط به یک پرسش پاسخ نمی‌دهد، بلکه می‌تواند چند مرحله را برای رسیدن به هدف دنبال کند؛ برای مثال در ابزارهای مختلف جابه‌جا شود یا بخش‌های مختلف یک پروژه نرم‌افزاری را بررسی کند.

مدل GPT-6.1 Sol چه تغییری نسبت به نسخه قبلی دارد؟

این محصول به‌عنوان ارتقایی بر GPT-6 Sol عرضه شده و به گزارش OpenAI، بهبودهای آن در کدنویسی عامل‌محور، استفاده از رایانه و انجام کارهای حرفه‌ای پیچیده دیده می‌شود. منظور از «استفاده از رایانه» توانایی کار با محیط‌ها و ابزارهای نرم‌افزاری است؛ قابلیتی که برای عامل‌هایی که باید در یک رابط کاربری وظایف چندمرحله‌ای انجام دهند، کاربرد دارد.

در یکی از شاخص‌های گزارش‌شده، GPT-6.1 Sol در آزمون DeepSWE v1.1 عملکردی هم‌سطح GPT-6 Astra ثبت کرد و هزینه آن، طبق اعلام OpenAI، حدود یک‌پنجم بود. این مدل همچنین امتیاز برتر GPT-6 Sol را ۶٫۴ واحد درصد پشت سر گذاشت؛ آن هم در سطحی پایین‌تر از تلاش استدلالی و هزینه‌ای که در مقایسه به آن اشاره شده است. «تلاش استدلالی» به میزان پردازشی اشاره دارد که مدل برای پاسخ‌گویی صرف می‌کند و می‌تواند بر زمان و هزینه اثر بگذارد.

در آزمون GDP.pdf نیز OpenAI گزارش کرده که مدل از Opus 5.5 با سازوکارهای جایگزین عملکرد بهتری داشته و هزینه هر کار در تنظیمات آزموده‌شده کمتر از نصف بوده است. در همان مجموعه، عملکرد آن به Astra نزدیک توصیف شده و هزینه هر کار حدود یک‌پنجم گزارش شده است. این ارقام به مجموعه آزمون‌ها و تنظیماتی مربوط‌اند که در گزارش آمده‌اند و به‌تنهایی تضمین نمی‌کنند که همین نسبت هزینه و عملکرد در هر کاربرد واقعی تکرار شود.

نتایج در گردش‌کارهای کسب‌وکار و کار با رایانه

در AutomationBench، آزمونی برای سنجش انجام کارهای سرتاسری کسب‌وکار با کمک ابزارها، GPT-6.1 Sol در سطح تلاش استدلالی متوسط ۲٫۲ واحد درصد بالاتر از Opus 5.5 قرار گرفت. OpenAI هزینه آن را در این تنظیم حدود یک‌سوم رقیب اعلام کرده است. امتیاز مدل همچنین ۴٫۸ واحد درصد بالاتر از GPT-6 Sol در همان سطح بود.

AutomationBench گردش‌کارهایی در حوزه‌های فروش، بازاریابی، عملیات، پشتیبانی، امور مالی و منابع انسانی را پوشش می‌دهد و از ۴۷ ابزار استفاده می‌کند. به همین دلیل، نتیجه این آزمون فقط توانایی پاسخ‌گویی متنی را نمی‌سنجد؛ بلکه به عملکرد مدل در مجموعه‌ای از گام‌های متصل به هم مربوط است. بااین‌حال، نتیجه در یک بنچمارک لزوماً معادل عملکرد یکسان در ابزارها و فرایندهای هر سازمان نیست.

در مجموعه آفلاین OSWorld 2.0، مدل در بالاترین سطح تلاش استدلالی هفت امتیاز از GPT-6 Sol جلو افتاد و هزینه‌اش کمتر از نصف اعلام شد. عملکرد آن در این آزمون با فاصله ۲٫۱ امتیازی از Astra قرار گرفت، درحالی‌که هزینه هر کار حدود یک‌هفتم گزارش شده است. این آزمون به سنجش توانایی مدل در انجام وظایف در محیط رایانه مربوط می‌شود و از این جهت با کاربردهای عامل‌محور پیوند دارد.

هزینه کمتر در آزمون‌های علمی و استفاده از حافظه کش

نتایج گزارش‌شده در Terminal-Bench Science نیز به تفاوت هزینه میان مدل‌ها اشاره دارد. GPT-6.1 Sol در بالاترین سطح تلاش استدلالی بیش از دو برابر امتیاز GPT-6 Sol را کسب کرد و میانگین هزینه هر کار برای آن ۵٫۴۷ دلار بود. در گزارش، هزینه هر کار برای Opus 5.5 برابر با ۲۳٫۲۱ دلار و برای Astra برابر با ۲۳٫۸۰ دلار ذکر شده است. با وجود این، Astra با امتیاز ۶۸٫۱ درصد همچنان در این آزمون پیشتاز بود و OpenAI آن را گزینه خود برای دشوارترین وظایف پژوهش علمی دانسته است.

یکی از بخش‌های مهم قیمت‌گذاری GPT-6.1 Sol، نرخ ورودی کش‌شده است. کش یا حافظه نهان در اینجا به استفاده دوباره از بخشی از ورودی‌های پیشین اشاره دارد؛ قابلیتی که می‌تواند در کارهای تکرارشونده، مانند عامل‌هایی که زمینه یا دستورهای مشابه را مرتب به مدل می‌فرستند، هزینه را کاهش دهد. طبق اعلام OpenAI، ورودی کش‌شده برای هر میلیون توکن ۰٫۱۰ دلار قیمت دارد؛ یعنی ۹۵ درصد ارزان‌تر از ورودی عادی و نصف قیمت ورودی کش‌شده GPT-6 Sol.

قیمت API برای GPT-6.1 Sol برابر با ۲ دلار به‌ازای هر میلیون توکن ورودی و ۱۰ دلار به‌ازای هر میلیون توکن خروجی اعلام شده است. قیمت ورودی کش‌شده نیز ۰٫۱۰ دلار به‌ازای هر میلیون توکن است. این ارقام، هزینه استفاده از API را مشخص می‌کنند و با قیمت اشتراک یا شیوه دسترسی از راه محصولات ChatGPT یکسان نیستند. OpenAI همچنین گفته است قیمت‌های اصلی با GPT-6 Sol تطابق دارد، اما تخفیف خواندن ورودی کش‌شده افزایش یافته است.

دقت، ایمنی و دسترس‌پذیری

OpenAI در کنار نتایج بنچمارک، از بهبود دقت واقعی پاسخ‌ها نیز خبر داده است. در سطح پایین تلاش استدلالی، سهم پاسخ‌های دشواری که خطا داشتند از ۱۱٫۴ درصد در GPT-6 Sol به ۷٫۷ درصد در GPT-6.1 Sol رسیده است. شرکت همچنین پایبندی بهتر به خواسته کاربر و محدودیت‌های ایمنی را گزارش کرده است؛ ادعاهایی که بر اساس آزمون‌های خود شرکت مطرح شده‌اند.

در مواردی که ابزار جست‌وجو عمداً با مشکل مواجه شده بود، مدل در ۲٫۱ درصد از موقعیت‌های چالش‌برانگیز خراب‌بودن ابزار را اعلام نکرد؛ این میزان برای GPT-6 Sol برابر با ۴٫۹ درصد گزارش شده است. OpenAI همچنین گفته در آزمون‌هایش موردی از تلاش GPT-6.1 Sol برای دور زدن بازبین خودکار ایمنی مشاهده نکرده است. این نتایج تصویری از رفتار مدل در آزمون‌های مشخص ارائه می‌کنند، نه تضمینی کلی درباره همه موقعیت‌های واقعی.

GPT-6.1 Sol برای کاربران Plus، Pro، Business، Enterprise و Edu در ChatGPT Work و Codex در دسترس قرار گرفته است، اما هنوز به Chat اضافه نشده است. توسعه‌دهندگان نیز می‌توانند از راه API و با نام gpt-6.1-sol به آن دسترسی پیدا کنند. OpenAI گفته است قصد دارد در روزهای آینده گزینه GPT-6.1 Sol Ultrafast را در Codex ارائه کند؛ گزینه‌ای که بنا بر اعلام شرکت می‌تواند تولید توکن را تا هشت برابر سریع‌تر کند.

در مطلبی از Artificial Analysis که در گزارش منبع نقل شده، آمده است GPT-6.1 Sol پس از تنها هفت روز جای GPT-6 Sol را گرفته است. این منبع همچنین فاصله یک‌امتیازی آن با GPT-6 Astra در شاخص Intelligence Index و هزینه کمتر از یک‌چهارم در معیار هزینه هر کار را مطرح کرده است. چون این مقایسه از سوی Artificial Analysis نقل شده، باید آن را از ارقام و ادعاهایی که OpenAI مستقیماً درباره آزمون‌هایش ارائه کرده، جدا دانست.

در مجموع، عرضه GPT-6.1 Sol نشان می‌دهد OpenAI بر ارائه مدلی متمرکز شده که در برخی وظایف دشوار به مدل گران‌تر Astra نزدیک شود، اما برای اجرای مکرر و طولانی‌مدت مقرون‌به‌صرفه‌تر باشد. ارزش عملی این تفاوت به نوع کار، میزان استفاده از ورودی کش‌شده، ابزارهای متصل و کیفیت موردنیاز بستگی دارد. نتایج اعلام‌شده می‌توانند مبنایی برای مقایسه باشند، اما انتخاب مدل برای یک پروژه به ارزیابی آن در همان محیط و گردش‌کار نیاز دارد.

این خبر برای چه کسانی اهمیت دارد

GPT-6.1 Sol بیش از همه برای توسعه‌دهندگانی اهمیت دارد که عامل‌های کدنویسی یا بررسی کد را در Codex و API اجرا می‌کنند، و کسب‌وکارهایی که می‌خواهند بخشی از کارهای چندمرحله‌ای خود را با ابزارهای هوش مصنوعی انجام دهند. قیمت پایین‌تر ورودی کش‌شده می‌تواند برای استفاده‌های تکراری مهم باشد، درحالی‌که نتایج آزمون‌های رایانه و گردش‌کار حرفه‌ای برای کسانی مفید است که عملکرد مدل را در این نوع وظایف مقایسه می‌کنند. پژوهشگران علمی نیز باید به این نکته توجه کنند که در آزمون Terminal-Bench Science، Astra همچنان امتیاز بالاتری داشته و OpenAI آن را برای دشوارترین کارهای پژوهشی مناسب‌تر معرفی کرده است.