معرفی GPT-6.1 Sol؛ عملکردی نزدیک به Astra با هزینه کمتر

OpenAI در ۲۹ سپتامبر ۲۰۲۶ از GPT-6.1 Sol رونمایی کرد؛ مدلی که به گفته این شرکت در کدنویسی عاملی، استفاده از رایانه و برخی کارهای حرفه‌ای به GPT-6 Astra نزدیک می‌شود، اما با هزینه‌ای به‌مراتب پایین‌تر. این عرضه برای توسعه‌دهندگانی اهمیت دارد که می‌خواهند عامل‌های هوش مصنوعی را برای کارهای چندمرحله‌ای به کار بگیرند و هم‌زمان هزینه پردازش و استفاده از ابزارها را کنترل کنند. GPT-6.1 Sol نسخه ارتقایافته GPT-6 Sol است و از همان روز از طریق API و برخی محصولات OpenAI در دسترس قرار گرفته است.

مدلی میان توانایی و هزینه

OpenAI می‌گوید GPT-6.1 Sol در چند ارزیابی به عملکرد GPT-6 Astra نزدیک شده و در عین حال، قیمت توکن‌های ورودی و خروجی آن در سطح استاندارد حدود یک‌پنجم قیمت Astra است. توکن، واحدی است که مدل‌ها برای پردازش و تولید متن به کار می‌برند؛ بنابراین هزینه استفاده معمولاً بر اساس تعداد توکن‌های ورودی و خروجی محاسبه می‌شود. پایین‌بودن این هزینه می‌تواند برای توسعه‌دهندگانی که درخواست‌های فراوان یا زنجیره‌های طولانی از کارها را اجرا می‌کنند اهمیت ویژه‌ای داشته باشد.

یکی از مواردی که OpenAI بر آن تأکید کرده، قیمت ورودی ذخیره‌شده یا cached input است. این قابلیت زمانی کاربرد دارد که بخشی از متن یا زمینه یکسان در درخواست‌های متعدد دوباره استفاده شود. قیمت این ورودی برای GPT-6.1 Sol، به اعلام شرکت، ۰٫۱۰ دلار به ازای هر یک میلیون توکن است؛ رقمی که ۹۵ درصد از قیمت ورودی عادی کمتر و ۵۰ درصد پایین‌تر از نرخ مشابه GPT-6 Sol عنوان شده است. استفاده از حافظه ورودیِ تکرارشونده می‌تواند هزینه اجرای عامل‌هایی را که به زمینه ثابت و طولانی نیاز دارند کاهش دهد.

با این حال، ادعاهای مربوط به نزدیک‌شدن به Astra به معنی برابری در همه کارها نیست. نتایج اعلام‌شده به ارزیابی‌ها و تنظیمات مشخص مربوط‌اند و خود OpenAI در برخی حوزه‌ها، از جمله پژوهش علمی دشوار، همچنان Astra را مدل مناسب‌تری معرفی می‌کند. بنابراین تصویر کلی، عرضه مدلی ارزان‌تر برای دامنه‌ای از کارهای روزمره و حرفه‌ای است، نه جایگزینی بی‌قیدوشرط برای مدل گران‌تر.

بهبود در کدنویسی و کارهای حرفه‌ای

در آزمون DeepSWE v1.1، که توانایی عامل‌ها را در حل وظایف پیچیده مهندسی نرم‌افزار در مخزن‌های واقعی کد می‌سنجد، OpenAI می‌گوید GPT-6.1 Sol با GPT-6 Astra هم‌سطح شده است؛ آن هم با هزینه‌ای در حدود یک‌پنجم. این شرکت همچنین گزارش کرده که مدل جدید در این آزمون، بهترین امتیاز GPT-6 Sol را ۶٫۴ واحد درصد پشت سر گذاشته و برای رسیدن به نتیجه، به تلاش استدلالی و هزینه کمتری نیاز داشته است. در این نوع ارزیابی، عامل باید مسئله‌ای طولانی را در کد موجود بررسی و حل کند، نه این‌که صرفاً قطعه‌ای کوتاه از کد بنویسد.

در آزمون GDP.pdf، مدل‌ها باید به پرسش‌هایی درباره اسناد حرفه‌ای پیچیده پاسخ دهند؛ اسنادی که ممکن است جدول، نمودار، شکل و جزئیات ریز داشته باشند. این آزمون موضوع‌هایی از حوزه‌هایی مانند مالی، سلامت و حقوق را در بر می‌گیرد. بر اساس گزارش OpenAI، GPT-6.1 Sol در این ارزیابی از Opus 5.5 با سازوکارهای جایگزین موسوم به fallbacks امتیاز بالاتری گرفته و هزینه هر کار برای آن کمتر از نصف بوده است. شرکت می‌گوید عملکرد مدل به GPT-6 Astra نیز نزدیک است، در حالی که هزینه هر کار حدود یک‌پنجم آن است.

آزمون AutomationBench توانایی عامل‌ها را در انجام گردش‌کارهای چندمرحله‌ای تجاری می‌سنجد. در این آزمون، عامل‌ها با ۴۷ ابزار در کارهایی از فروش و بازاریابی تا عملیات، پشتیبانی، امور مالی و منابع انسانی روبه‌رو می‌شوند. به گفته OpenAI، GPT-6.1 Sol در سطح تلاش استدلالی متوسط ۲٫۲ واحد درصد بالاتر از Opus 5.5 امتیاز گرفته و هزینه‌اش حدود یک‌سوم بوده است. امتیاز آن همچنین نسبت به GPT-6 Sol در همان تنظیمات ۴٫۸ واحد درصد افزایش داشته است.

OpenAI درباره مقایسه هزینه‌ای یکی از مدل‌های رقیب نیز توضیح داده است که عدد گزارش‌شده برای Claude Fable 5.1 هزینه fallbacks را در نظر نمی‌گیرد؛ این سازوکارها در حدود ۴۰ درصد وظایف رخ داده‌اند. این نکته یادآور می‌شود که مقایسه هزینه مدل‌ها به روش محاسبه و احتساب دفعات استفاده از مسیرهای جایگزین وابسته است.

تعامل با رایانه و پژوهش علمی

در آزمون OSWorld 2.0، عامل‌ها باید گردش‌کارهای طولانی را در محیط رایانه و میان برنامه‌های مختلف انجام دهند. OpenAI می‌گوید GPT-6.1 Sol در مجموعه آفلاین این آزمون، در بیشترین سطح تلاش استدلالی، هفت واحد درصد بهتر از GPT-6 Sol عمل کرده و هزینه آن کمتر از نصف بوده است. امتیاز مدل جدید در همان سطح تلاش، ۲٫۱ واحد درصد با GPT-6 Astra فاصله داشته؛ هزینه هر کار نیز، به گفته شرکت، حدود یک‌هفتم Astra بوده است. این آزمون تنها نشان نمی‌دهد مدل چه پاسخی می‌دهد، بلکه توانایی آن را در اجرای زنجیره‌ای از کنش‌ها در محیط نرم‌افزاری می‌سنجد.

در Terminal-Bench Science 0.1، تمرکز بر گردش‌کارهای پژوهشی است که ممکن است شامل تحلیل داده، اجرای شبیه‌سازی یا اثبات قضیه باشند. OpenAI گزارش کرده که GPT-6.1 Sol در بیشترین سطح تلاش استدلالی، امتیاز GPT-6 Sol را بیش از دو برابر کرده و هزینه هر کارش کمتر از نصف بوده است. میانگین هزینه هر کار برای GPT-6.1 Sol در این تنظیمات ۵٫۴۷ دلار اعلام شده است؛ در مقایسه با ۲۳٫۲۱ دلار برای Opus 5.5 و ۲۳٫۸۰ دلار برای GPT-6 Astra.

با وجود این، Astra در همین آزمون بالاترین امتیاز را میان مدل‌های بررسی‌شده، یعنی ۶۸٫۱ درصد، به دست آورده است. OpenAI توصیه می‌کند برای دشوارترین وظایف پژوهشی از Astra استفاده شود. این تمایز مهم است: هزینه پایین‌تر Sol می‌تواند آن را برای اجرای پرتکرار یا کارهای علمی معمول مناسب کند، اما داده‌های منتشرشده از برتری آن در سنگین‌ترین مسائل پژوهشی حکایت ندارند.

دقت، ایمنی و محدودیت‌های ارزیابی

OpenAI می‌گوید GPT-6.1 Sol در پاسخ‌گویی به پرسش‌های دشوار از نظر دقت واقعی نیز بهتر شده است. در سطح تلاش استدلالی پایین، سهم پاسخ‌هایی که دست‌کم یک خطای factual داشتند از ۱۱٫۴ درصد در GPT-6 Sol به ۷٫۷ درصد کاهش یافته است؛ کاهشی که شرکت آن را حدود ۳۲ درصد توصیف می‌کند. در تنظیمات بررسی‌شده، نرخ خطای مدل جدید حداکثر ۱٫۹ واحد درصد با GPT-6 Astra فاصله داشته و هزینه هر کار کمتر از یک‌پنجم Astra بوده است.

این نتیجه را نباید به‌عنوان نرخ خطای مدل در استفاده روزمره در نظر گرفت. ارزیابی یادشده بر گفت‌وگوهای بی‌نام‌شده ChatGPT متمرکز بوده که کاربران پیش‌تر در آن‌ها خطای یک مدل را گزارش کرده بودند؛ در نتیجه، نمونه‌ها عمداً دشوار و مستعد خطا انتخاب شده‌اند. OpenAI تصریح می‌کند که چنین پرسش‌هایی نماینده کاربرد معمول نیستند و خطاهای factual در استفاده عادی کم‌تکرارترند.

در ارزیابی‌های هم‌راستایی و ایمنی نیز شرکت از بهبود نسبت به GPT-6 Sol خبر داده است. به گفته OpenAI، GPT-6.1 Sol محدودیت‌های خود را شفاف‌تر بیان می‌کند و در رعایت خواسته کاربر و محدودیت‌های ایمنی قابل‌اعتمادتر است. در آزمون‌های دشوار، نرخ شکست آن هنگام توضیح از کار افتادن ابزار جست‌وجو، رعایت محدودیت‌های صریح و جلوگیری از نتیجه‌های بدون مجوز در کارهای عاملی کمتر بوده است. شرکت همچنین می‌گوید مدلی را در تلاش برای دورزدن بازبین خودکار ایمنی مشاهده نکرده؛ نتیجه‌ای که با GPT-6 Astra و GPT-6 Sol هم‌خوان بوده است.

این آزمون‌ها موقعیت‌های چالش‌برانگیز را عمداً بررسی می‌کنند و نرخ شکست در استفاده معمول را نشان نمی‌دهند. ازاین‌رو، نتایج منتشرشده اطلاعاتی درباره رفتار مدل در سناریوهای خاص می‌دهند، اما به‌تنهایی تضمین‌کننده عملکرد بی‌خطا در همه کاربردها نیستند.

دسترسی و هزینه استفاده

GPT-6.1 Sol از زمان اعلام OpenAI برای کاربران طرح‌های Plus، Pro، Business، Enterprise و Edu در ChatGPT Work و Codex عرضه شده است. این مدل هنوز در Chat در دسترس نیست. توسعه‌دهندگان نیز می‌توانند از طریق API و با شناسه gpt-6.1-sol به آن دسترسی پیدا کنند.

قیمت API برای هر یک میلیون توکن، ۲ دلار برای ورودی استاندارد، ۰٫۱۰ دلار برای ورودی ذخیره‌شده و ۱۰ دلار برای خروجی اعلام شده است. این نرخ‌ها به معنی هزینه ثابت برای هر درخواست نیستند؛ مبلغ پرداختی به حجم ورودی و خروجی و میزان استفاده از ورودی ذخیره‌شده بستگی دارد. OpenAI همچنین گفته است در روزهای آینده نسخه GPT-6.1 Sol Ultrafast را عرضه می‌کند که در Codex می‌تواند تولید توکن را تا هشت برابر سریع‌تر از سرعت استاندارد کند.

این خبر برای چه کسانی اهمیت دارد

معرفی GPT-6.1 Sol بیش از همه برای توسعه‌دهندگانی اهمیت دارد که عامل‌های کدنویسی یا نرم‌افزارهای چندمرحله‌ای می‌سازند و به دنبال کاهش هزینه اجرای مکرر مدل‌اند. تیم‌های حرفه‌ای در حوزه‌هایی مانند مالی، سلامت، حقوق و عملیات نیز می‌توانند نتایج آزمون‌های اسناد و گردش‌کار را برای سنجش تناسب مدل با نیازهای خود بررسی کنند. پژوهشگران هم ممکن است از هزینه پایین‌تر در برخی کارهای علمی بهره ببرند، هرچند طبق ارزیابی اعلام‌شده، GPT-6 Astra همچنان برای دشوارترین وظایف پژوهشی امتیاز بالاتری دارد. برای همه این گروه‌ها، معیار عملی انتخاب باید ترکیبی از کیفیت موردنیاز، هزینه هر کار، سرعت و میزان ریسک خطا باشد.