OpenAI പേപ്പർ പുതിയ ടിയേർഡ് (Tiered) GPT-5.6 Pro മോഡൽ നിരയെക്കുറിച്ച് വെളിപ്പെടുത്തുന്നു

OpenAI പുറത്തിറക്കിയ സമീപകാല ജനിതകശാസ്ത്ര ബെഞ്ച്മാർക്ക് (genomics benchmark) പേപ്പർ, ChatGPT Pro-യുടെ ഭാവിയെക്കുറിച്ച് അപ്രതീക്ഷിതമായി ചില വിവരങ്ങൾ വെളിപ്പെടുത്തിയിരിക്കുന്നു. ഒരു സിംഗിൾ ഫ്ലാഗ്ഷിപ്പ് മോഡലിന് പകരം, റീസണിംഗ് പവർ (reasoning power), പ്രവർത്തനക്ഷമത (throughput), ചിലവ് എന്നിവ സന്തുലിതമാക്കുന്ന രീതിയിൽ രൂപകൽപ്പന ചെയ്ത സങ്കീർണ്ണമായ മൂന്ന് തട്ടുകളുള്ള (three-tier) ഒരു "Pro" നിരയാണ് OpenAI ഒരുക്കുന്നതെന്ന് ഈ വിവരങ്ങൾ സൂചിപ്പിക്കുന്നു.

മൂന്ന് തൂണുകൾ: Sol, Terra, കൂടാതെ Luna Pro

അതിന്റെ ചരിത്രത്തിന്റെ ഭൂരിഭാഗവും, OpenAI-യുടെ "Pro" സേവനം ഒരു സിംഗിൾ, ഏകീകൃതമായ (monolithic) വിഭാഗമായാണ് പ്രവർത്തിച്ചിരുന്നത്—അതായത് പവർ യൂസർമാർക്കായി ലഭ്യമായ ഏറ്റവും മികച്ച മോഡൽ. എന്നാൽ, ചോർന്നുവന്ന ജനിതകശാസ്ത്ര പേപ്പർ നിലവിലുള്ള GPT-5.6 ആർക്കിടെക്ചറിനെ പ്രതിഫലിപ്പിക്കുന്ന മൂന്ന് വ്യത്യസ്ത "Pro (Extended)" വേരിയന്റുകളെ പരിചയപ്പെടുത്തുന്നു: Sol Pro, Terra Pro, കൂടാതെ Luna Pro.

ബെഞ്ച്മാർക്കുകൾ പ്രകാരം, ഇവയുടെ ഉപയോഗത്തിനനുസരിച്ച് ഈ മോഡലുകളെ താഴെ പറയുന്ന രീതിയിൽ തരംതിരിച്ചിരിക്കുന്നു:

  • Sol Pro: ഏറ്റവും സങ്കീർണ്ണമായ, ബഹുതല വിശകലന ജോലികൾക്കായി (multi-step analytical tasks) രൂപകൽപ്പന ചെയ്ത ഉയർന്ന റീസണിംഗ് ശേഷിയുള്ള പവർഹൗസ്.
  • Terra Pro: വലിയ ബിസിനസ്സ് വർക്ക്ലോഡുകൾക്കും എന്റർപ്രൈസ് തലത്തിലുള്ള പ്രവർത്തനക്ഷമതയ്ക്കുമായി (throughput) ഒപ്റ്റിമൈസ് ചെയ്ത ഉയർന്ന വോളിയം വേരിയന്റ്.
  • Luna Pro: ദൈനംദിന ഉയർന്ന ഫ്രീക്വൻസിയിലുള്ള ചോദ്യങ്ങൾക്കായി ഉദ്ദേശിച്ചുള്ള ഭാരം കുറഞ്ഞതും വേഗതയേറിയതും ചിലവ് കുറഞ്ഞതുമായ വേരിയന്റ്.

പ്രവർത്തനക്ഷമതയിലെ കുതിച്ചുചാട്ടം ബെഞ്ച്മാർക്ക് ചെയ്യുന്നു

സ്റ്റാൻഡേർഡ് മോഡലുകളും അവയുടെ Pro പതിപ്പുകളും തമ്മിലുള്ള പ്രവർത്തനക്ഷമതയിലെ വ്യത്യാസം (performance delta) ജനിതകശാസ്ത്ര ബെഞ്ച്മാർക്ക് കൃത്യമായി തെളിയിക്കുന്നു. 129 ജോലികൾ ഉൾപ്പെട്ട ഒരു സ്യൂട്ടിലൂടെ, പിശകുകളില്ലാതെ ബഹുതല വിശകലനം പൂർത്തിയാക്കാനുള്ള കഴിവിനെ അഥവാ "പാസ് റേറ്റ്" (pass rate) ഈ പഠനം അളന്നു.

Pro വേരിയന്റുകൾ, പ്രത്യേകിച്ച് താഴെയുള്ള തട്ടുകളിൽ, കാര്യമായ ബുദ്ധിപരമായ മുന്നേറ്റം (intelligence boost) നൽകുന്നുവെന്ന് ഫലങ്ങൾ സൂചിപ്പിക്കുന്നു. 31.5% പാസ് റേറ്റ് കൈവരിച്ചുകൊണ്ട് Sol Pro തർക്കമില്ലാത്ത നേതാവായി ഉയർന്നു വന്നു. ഇത് സ്റ്റാൻഡേർഡ് Sol മോഡലിനെക്കാൾ (28.7%) മികച്ചതാണ്, കൂടാതെ 16.0% സ്കോർ ചെയ്ത Claude Opus 4.8 പോലുള്ള വ്യവസായത്തിലെ നിലവിലെ പ്രമുഖരെക്കാളും വളരെ മുന്നിലാണ്.

രസകരമായ കാര്യം, ഈ "Pro ബൂസ്റ്റ്" എല്ലാ മോഡലുകളിലും ഒരുപോലെയല്ല എന്നതാണ്. മോഡലിന്റെ സങ്കീർണ്ണത കൂടുന്തോറും അധിക കമ്പ്യൂട്ട് (extra compute) നൽകുന്ന ഗുണഫലങ്ങൾ കുറഞ്ഞു വരുന്നുവെന്ന് ഡാറ്റ കാണിക്കുന്നു. Luna Pro അതിന്റെ സ്റ്റാൻഡേർഡ് വേർഷനേക്കാൾ 7 പോയിന്റുകളുടെ വലിയ കുതിച്ചുചാട്ടം കാണിച്ചപ്പോൾ, Sol Pro 3 പോയിന്റിൽ താഴെ മാത്രം നേട്ടമാണ് കൈവരിച്ചത്. ശ്രദ്ധേയമായ കാര്യം, Terra Pro 28.5% പാസ് റേറ്റ് കൈവരിച്ചു എന്നതാണ്, അതായത് OpenAI-യുടെ ഹൈ-വോളിയം Pro മോഡൽ സ്റ്റാൻഡേർഡ് ഫ്ലാഗ്ഷിപ്പ് Sol മോഡലിനോളം തന്നെ മികച്ച രീതിയിൽ പ്രവർത്തിക്കുന്നു.

AI വിന്യാസത്തിലെ തന്ത്രപരമായ മാറ്റം

ഈ വെളിപ്പെടുത്തൽ OpenAI-യുടെ ഉൽപ്പന്ന തന്ത്രത്തിലെ അടിസ്ഥാനപരമായ മാറ്റത്തെ അടയാളപ്പെടുത്തുന്നു. "എല്ലാവർക്കും ഒരേ രീതിയിലുള്ള" (one-size-fits-all) Pro വിഭാഗത്തിൽ നിന്ന് മാറി, ഡെവലപ്പർമാരും സംരംഭങ്ങളും നേരിടുന്ന പ്രധാന വെല്ലുവിളിയായ ബുദ്ധിശക്തിയും (intelligence) കാര്യക്ഷമതയും (efficiency) തമ്മിലുള്ള സന്തുലിതാവസ്ഥയെ OpenAI പരിഹരിക്കുകയാണ്.

ഫ്ലാഗ്ഷിപ്പ് ബുദ്ധിശക്തിക്ക് തുല്യമായതും എന്നാൽ വോളിയത്തിന് അനുയോജ്യമായതുമായ ഒരു "Terra Pro" നൽകുന്നതിലൂടെ, ഉയർന്ന ചിലവില്ലാതെ തന്നെ കമ്പനികൾക്ക് തങ്ങളുടെ AI ഏജന്റുകളെ വിപുലീകരിക്കാൻ സാധിക്കുന്നു. അതുപോലെ, ഒരു സ്റ്റാൻഡേർഡ് മോഡലിനേക്കാൾ കൂടുതൽ വിശ്വാസ്യത ആവശ്യമുള്ളതും എന്നാൽ ഒരു ഫുൾ Sol റണ്ണിന്റെ ലേറ്റൻസി (latency) താങ്ങാൻ കഴിയാത്തതുമായ ഉപയോക്താക്കൾക്ക് "Luna Pro" ഒരു ഇടനില മാർഗ്ഗം വാഗ്ദാനം ചെയ്യുന്നു.

ഈ പേരുകളെക്കുറിച്ചോ അല്ലെങ്കിൽ പ്രത്യേക ടോക്കൺ ചിലവിനെക്കുറിച്ചോ (ഇവ പേപ്പറിലെ കമ്പ്യൂട്ട് കണക്കുകളിൽ ഉണ്ടായിരുന്നില്ല) OpenAI ഔദ്യോഗികമായി പ്രതികരിച്ചിട്ടില്ലെങ്കിലും, സാങ്കേതികമായ പാത വ്യക്തമാണ്. ഒരു സിംഗിൾ ഫ്ലാഗ്ഷിപ്പിന്റെ കാലം അവസാനിക്കുകയാണ്, പകരം പ്രൊഫഷണൽ നിലവാരമുള്ള മോഡലുകളുടെ ഒരു പ്രത്യേക ഇക്കോസിസ്റ്റം വരികയാണ്.

പ്രധാന കാര്യങ്ങൾ

  • ടിയേർഡ് Pro ആർക്കിടെക്ചർ: OpenAI ഒരു സിംഗിൾ ടോപ്പ്-ടിയർ സബ്‌സ്‌ക്രിപ്ഷന് പകരം മൂന്ന് മോഡലുകൾ അടങ്ങുന്ന ഒരു Pro നിരയിലേക്ക് (Sol, Terra, Luna) മാറാൻ സാധ്യതയുണ്ട്.
  • മികച്ച റീസണിംഗ്: 31.5% പാസ് റേറ്റോടെ Sol Pro ജനിതകശാസ്ത്രത്തിൽ പുതിയൊരു ബെഞ്ച്മാർക്ക് സ്ഥാപിച്ചു, ഇത് Claude Opus 4.8 പോലുള്ള എതിരാളികളെക്കാൾ വളരെ മികച്ചതാണ്.
  • കാര്യക്ഷമതയിലെ നേട്ടങ്ങൾ: പുതിയ ഘടന ഉപയോക്താക്കൾക്ക് പരമാവധി റീസണിംഗ് പവർ, ഉയർന്ന വോളിയം പ്രവർത്തനക്ഷമത, അല്ലെങ്കിൽ ചിലവ് കുറഞ്ഞ വേഗത എന്നിവയിൽ നിന്ന് അനുയോജ്യമായത് തിരഞ്ഞെടുക്കാൻ അനുവദിക്കുന്നു.