我们推出 GPT-6.1 Sol,这是对 GPT-6 Sol 的升级,在智能体编程、计算机使用和专业工作方面,其智能水平几乎与 GPT-6 Astra 相当,而标准输入和输出 token 价格仅为 Astra 的五分之一。缓存输入成本仅为每百万 token 0.10 美元——比标准输入价格低 95%,比 GPT-6 Sol 的缓存输入价格低 50%——为开发者提供了更多空间来构建和运行能够在多次请求间复用上下文的强大智能体。

GPT-6.1 Sol 为重要的日常工作提供了能力与成本的新平衡。在从编写和调试代码到理解文档和执行多步骤业务工作流的复杂专业任务上,它相比 GPT-6 Sol 实现了大幅改进。在其中若干评估中,它以显著更低的成本接近 GPT-6 Astra 的性能。

在 DeepSWE v1.1 上——该评估衡量真实代码库中的复杂软件工程任务——GPT-6.1 Sol 以约五分之一的成本达到与 GPT-6 Astra 相当的水平,同时在更低的推理努力和成本下,以 6.4 个百分点的优势超越了 GPT-6 Sol 的最佳得分。

在 GDP.pdf 上——该评估衡量模型使用复杂 PDF 文档(包括表格、图表、示意图和细小印刷细节)回答专业问题的准确程度——GPT-6.1 Sol 在测试的推理设置下,得分高于带 fallbacks 的 Opus 5.5,且每任务成本不到其一半。它还在每任务成本约为五分之一的情况下,接近 GPT-6 Astra 的最先进性能。

在 AutomationBench 上——该评估衡量智能体是否正确完成多步骤业务工作流——GPT-6.1 Sol 在中等推理努力下得分比 Opus 5.5 高 2.2 个百分点,成本约为其三分之一。在相同设置下,该得分也比 GPT-6 Sol 高出 4.8 个百分点。

GPT-6.1 Sol 在需要与计算机应用程序交互的任务上也取得了实质性进展。在 OSWorld 2.0 的离线集上——该评估在要求严苛的计算机使用工作流上衡量智能体——GPT-6.1 Sol 在最大推理努力下以不到一半的成本比 GPT-6 Sol 高出七个百分点。在最大推理努力下,其得分与 Astra 相差 2.1 个百分点以内,而每任务成本约为其七分之一。

在 Terminal-Bench Science 0.1 上——该评估衡量包括数据分析、模拟和定理证明在内的科学工作流——GPT-6.1 Sol 在最大推理努力下得分是 GPT-6 Sol 的两倍多,而每任务成本不到其一半。在最大努力下,GPT-6.1 Sol 平均每任务成本为 5.47 美元,而 Opus 5.5 为 23.21 美元,Astra 为 23.80 美元,以比这两个模型低 75% 以上的成本提供强大的科学能力。

GPT-6 Astra 在测试的模型中仍以 68.1% 取得最高得分,应将其用于最困难的科学研究任务。

GPT-6.1 Sol 还提高了在困难提示上的事实准确性。其相对于 GPT-6 Sol 的最大事实性改进出现在低推理努力下,将包含事实错误的回复占比从 11.4% 降至 7.7%——降低了约 32%。在测试的推理设置中,其错误率与 GPT-6 Astra 保持在 1.9 个百分点以内,而每任务成本不到其五分之一。

该评估衡量的是在用户标记了早期模型错误的去标识化对话中,包含至少一个事实错误的答案占比。这些刻意设置的困难提示并不代表典型使用情况。

GPT-6.1 Sol 在我们的对齐评估中相比 GPT-6 Sol 显示出实质性改进,使其更接近 GPT-6 Astra。

GPT-6.1 Sol 对其局限性更加透明,并且在尊重用户意图和安全约束方面更加可靠。在具有挑战性的评估中,它在搜索工具故障的透明度、遵守明确限制以及在智能体任务中避免未经授权的后果方面,失败率低于 GPT-6 Sol。我们未观察到任何绕过自动安全审查器的尝试,与 GPT-6 Astra 和 GPT-6 Sol 一致。完整细节可在 GPT-6.1 Sol 系统卡附录⁠(在新窗口中打开)中找到。

以下评估刻意测试具有挑战性的情况,并不衡量典型使用中的失败率。

定价与可用性

GPT-6.1 Sol 从今天起面向 ChatGPT Work 和 Codex 中的所有 Plus、Pro、Business、Enterprise 和 Edu 用户提供。GPT-6.1 Sol 尚未在 Chat 中提供。开发者还可以通过 OpenAI API 以 gpt-6.1-sol 访问它。其标准 API 价格为每百万输入 token 2 美元、每百万缓存输入 token 0.10 美元、每百万输出 token 10 美元。未来几天,我们还将提供 GPT-6.1 Sol Ultrafast⁠,在 Codex 中其 token 生成速度相比标准速度最高可快 8 倍。

本文内容采集自官方网站,排版和翻译可能与原页面存在差异。

阅读官方全文