GPT-6 Sol და GPT-6 Luna Amazon Bedrock-ზე ხელმისაწვდომი გახდა

OpenAI-ის GPT-6 Sol და GPT-6 Luna უკვე ხელმისაწვდომია Amazon Bedrock-ზე — ამის შესახებ AWS-მა ბლოგპოსტში დაწერა. ასე ფართოვდება პლატფორმაზე GPT-6 ოჯახი, რომელიც ადრე ყველაზე მოთხოვნადი პროექტებისთვის გამოშვებული GPT-6 Astra-ით დაიწყო.

ორი მოდელი, ორი დანიშნულება

AWS-ის განმარტებით, ეს ორი მოდელი ინტელექტისა და ეფექტიანობის სხვადასხვა წერტილს ფარავს. GPT-6 Sol განკუთვნილია დეველოპმენტის ციკლში განმეორებითი რთული სამუშაოსთვის: ფუნქციების დაწერა, შეცდომების გამართვა, კოდის განხილვა, მონაცემთა ანალიზი და მრავალსაფეხურიანი პროცესები სხვადასხვა ხელსაწყოში. GPT-6 Luna კი მაღალი მოცულობის კონკრეტულ ამოცანებზეა ორიენტირებული — დიდი დოკუმენტების კოლექციიდან ინფორმაციის ამოღება, შემოსული მასალის შეჯამება, მონაცემების კლასიფიკაცია და ვიწრო კითხვებზე პასუხები.

AWS-ის ცნობით, ორივე მოდელის API ფასი მნიშვნელოვნად დაბალია GPT-5.6 წინამორბედ მოდელებთან შედარებით — კომპანია სწორედ ამას მიიჩნევს მთავარ ბერკეტად იმისთვის, რომ უფრო ძლიერი მოდელები ყოველდღიურ წარმოებაში დამკვიდრდეს.

სიზუსტე და ერთი შედეგის ღირებულება

OpenAI-ის შიდა ფაქტობრივი სიზუსტის შეფასებაზე GPT-6 Sol-მა დაახლოებით ორჯერ ნაკლები ფაქტობრივი შეცდომა დაუშვა, ვიდრე GPT-5.6 Sol-მა. კომპანია ასევე აღნიშნავს, რომ მოდელი უფრო გასაგებად აცნობებს, რა შეცვალა, რა შეამოწმა და რისი დადასტურება ვერ შეძლო — AWS-ის აზრით, ეს მნიშვნელოვანია გრძელ ამოცანებში, სადაც ადამიანის გადაწყვეტილება ჯერ კიდევ საჭიროა. GPT-6 Luna-ს შემთხვევაში OpenAI-ის შეფასებები ფაქტობრივი სანდოობის გაუმჯობესებას აჩვენებს, ხოლო reasoning-ის დონე თითოეულ მოთხოვნაზე რეგულირდება და ხარისხს, სისწრაფესა და ღირებულებას აწონასწორებს.

მოდელების შერევა და prompt caching

რადგან ერთ აპლიკაციას სხვადასხვა საფეხურზე ინტელექტის განსხვავებული დონე შეიძლება დასჭირდეს, AWS მოდელების მარშრუტირებას პრაქტიკულ მიდგომად აღწერს: Luna — შემოსული მოთხოვნების კლასიფიკაციისთვის, Sol — რთული შემთხვევების გამოსაკვლევად, Astra კი მაშინ, როცა დამატებითმა reasoning-მა შეიძლება გადაწყვეტილება შეცვალოს. ამ სქემის ეფექტიანობისთვის ორივე ახალი მოდელი Bedrock-ზე prompt caching-ს უჭერს მხარს: დეველოპერს შეუძლია მონიშნოს მრავალჯერად გამოსაყენებელი შიგთავსი — მაგალითად, რეპოზიტორიის ინსტრუქციები ან პოლიტიკის დოკუმენტები — რომ შემდგომი მოთხოვნები ძირითადად ახალ ინფორმაციას დაამუშაოს.

მართვა და მონაცემთა დამუშავება

კონტროლის მხარეს AWS ასახელებს IAM პოლიტიკებით წვდომის მართვას, ყოველი გამოძახების აუდიტს CloudTrail-ით, AWS PrivateLink-ზე დაფუძნებულ VPC endpoint-ებს და inference-ს ჰარდვერულად იზოლირებულ ინფრასტრუქტურაზე ოპერატორის წვდომის გარეშე — AWS-ის ოპერატორებს inference-ის დროს prompt-ებზე ან პასუხებზე წვდომა არ აქვთ. კომპანიის თქმით, inference-ის მონაცემები მოდელების გაწვრთნისთვის არ გამოიყენება და OpenAI-სთან მონაცემების გაზიარებაზე თანხმობა არ მოითხოვება; ბოროტად გამოყენების ავტომატური გამოვლენისთვის მონიშნულ ტრაფიკს AWS 30 დღემდე ინახავს. ორივე მოდელი ხელმისაწვდომია Bedrock-ის კონსოლში და მხარდაჭერილი API-ების მეშვეობით.