Az OpenAI bejelentette a GPT‑6.1 Sol modell megjelenését, amely a vállalat szerint a GPT‑6 Sol továbbfejlesztett változata, és sok professzionális, „agentic” feladatban közelíti a GPT‑6 Astra teljesítményét jelentősen alacsonyabb költség mellett. A cél a képesség és a költséghatékonyság új egyensúlya: a modell használata különösen előnyös lehet olyan fejlesztők és szervezetek számára, akik ismételt kontextushasználattal futtatnak agenteket.
Ár és hozzáférés
A GPT‑6.1 Sol standard API-árai a bejelentés szerint a következők: 2 USD per millió input token, 0,10 USD per millió cached (gyorsított) input token, és 10 USD per millió output token. A cached input ára hasonlóan alacsony — 95%-kal olcsóbb a standard input árához képest és 50%-kal olcsóbb a GPT‑6 Sol cached input árához viszonyítva — ami lehetővé teszi a kontextus újrafelhasználását igénylő agentek olcsóbb futtatását.
A GPT‑6.1 Sol elérhető a bejelentés szerint az összes Plus, Pro, Business, Enterprise és Edu ügyfél számára ChatGPT Work és Codex felületeken; Chatben még nem érhető el. Fejlesztők az OpenAI API-n keresztül is használhatják a gpt-6.1-sol azonosítóval. Hamarosan Ultrafast változatot is kínálnak, amely a Codexben akár 8x gyorsabb tokengenerálást ígér a standard sebességhez képest.
Mérések és összehasonlítások
A bemutatott mérési eredmények több benchmarkon mutatják be a GPT‑6.1 Sol költség–teljesítmény előnyeit:
-
DeepSWE v1.1 (összetett szoftvermérnöki feladatok valódi kódalapokon): a GPT‑6.1 Sol a bejelentés szerint nagyjából azonos eredményt ér el, mint a GPT‑6 Astra, ám hozzávetőlegesen egyötöd költségen. Emellett 6,4 százalékponttal jobb eredményt produkál a GPT‑6 Sol legjobb pontszámánál, alacsonyabb érvelési erőfeszítés és költség mellett.
-
GDP.pdf (professzionális dokumentumok: táblázatok, ábrák, részletek értelmezése): GPT‑6.1 Sol jobb eredményt ér el, mint az Opus 5.5 (fallback mechanizmusokkal), kevesebb mint a felébe kerülő költség mellett feladatonként, és közelíti a GPT‑6 Astra teljesítményét hozzávetőlegesen egyötöd költséggel.
-
AutomationBench (többlépcsős üzleti munkafolyamatok): GPT‑6.1 Sol 2,2 százalékponttal jobbat ér el Az Opus 5.5-nél közepes érvelési beállításnál, körülbelül egyharmad költségen. Ugyanezen beállítás mellett 4,8 százalékponttal jobb a GPT‑6 Solnál.
-
OSWorld 2.0 (számítógépes alkalmazásokkal való interakciót igénylő hosszú folyamatok, offline készlet): a GPT‑6.1 Sol a maximális érvelési erőfeszítésnél hét százalékponttal felülmúlja a GPT‑6 Solt kevesebb mint a felébe kerülő költségen. Astra eredményéhez képest 2,1 százalékponttal marad el a maximális erőfeszítésnél, miközben feladatonként körülbelül egyheted költséget igényel.
-
Terminal-Bench Science 0.1 (tudományos munkafolyamatok: adatfeldolgozás, szimuláció, tételbizonyítás): a GPT‑6.1 Sol több mint megduplázza a GPT‑6 Sol pontszámát maximális érvelési erőfeszítésnél, feladatonként kevesebb mint a felébe kerülő költségen. A bejelentés szerint átlagosan 5,47 USD/ Feladat költséget jelent a GPT‑6.1 Sol maximális erőfeszítésnél, szemben az Opus 5.5 átlagos 23,21 USD/járulékkal és Astra 23,80 USD/járulékkal — azaz mintegy 75% költségmegtakarítást kínál a versenytársakhoz képest ezen a teszten. Ugyanakkor a GPT‑6 Astra továbbra is a legmagasabb pontszámot érte el a tesztelt modellek között (68,1%), és a legnehezebb tudományos kutatási feladatokhoz ajánlják.
Factualitás és alignáció
A GPT‑6.1 Sol javulást mutat a nehéz, téves információkat kiváltó promptokkal végzett factualitási vizsgálatokban: alacsony érvelési erőfeszítés mellett a hibás válaszok arányát 11,4%-ról 7,7%-ra csökkentette (kb. 32%-os csökkenés) a GPT‑6 Solhoz képest. Az összes vizsgált érvelési beállításon belül a hibaarány legfeljebb 1,9 százalékponttal marad el a GPT‑6 Astra hibaarányától, miközben költsége kevesebb, mint egyötöd per feladat.
Az alignációs értékelések szerint a GPT‑6.1 Sol jobban kommunikálja korlátait és megbízhatóbb a felhasználói szándék és biztonsági kitételek betartásában, csökkentve a GPT‑6 Sol által korábban tapasztalt hibák arányát olyan vizsgálatokon, amelyek például sérült keresőeszközök átláthatóságát, explicit korlátozások tiszteletben tartását és jogosulatlan eredmények elkerülését mérik. Nem figyeltek meg kísérleteket az automatikus biztonsági ellenőrző megkerülésére, ami megegyezik a GPT‑6 Astra és GPT‑6 Sol viselkedésével. A részletes eredményeket a GPT‑6.1 Sol system card addendum tartalmazza.
A cég hangsúlyozza, hogy ezek a mérések szándékosan nehéz, edge-case helyzeteket tesztelnek, és nem tükrözik a tipikus használat alatti hibaarányokat.
Módszertan és korlátok
Az OpenAI közleménye szerint a benchmarkokat saját kutatási környezetükben vagy API-n keresztül futtatták, ami eltérhet a termelési ChatGPT-kimenetektől a rendszerpromptok, elérhető eszközök és egyéb tényezők miatt. A versenytárs modellek eredményei nyilvánosan elérhető jelentésekből származnak. A bejegyzés több tesztnél megemlít például kimaradt költségeket (Claude Fable 5.1 esetében a fallback költségek hiánya a jelentésben alábecsüli a tényleges költséget, mivel visszaváltások körülbelül 40%-ban fordultak elő).
Összefoglalás
A GPT‑6.1 Sol a bejelentés szerint egy középutas modell, amely jelentősen javít a GPT‑6 Solon a komplex, professzionális feladatokban, miközben fenntarthatóbb költségszintet kínál. A modell különösen vonzónak tűnik agentek és többszörös kéréses kontextusú alkalmazások számára a kedvező cached input ár miatt; ugyanakkor a legmagasabb nehézségű tudományos feladatokhoz továbbra is a GPT‑6 Astra ajánlott.
