هوش مصنوعی GPT-6.1 Terra تازهترین مدل اوپنایآی است که در ۲۶ اکتبر ۲۰۲۶ معرفی شد و تمرکز اصلی آن بر کار با رایانه است، نه فقط پاسخ دادن به پرسشها. این مدل جانشین GPT-5.6 Terra است و به گفته اوپنایآی، استدلال تصویری دقیق، استفاده دقیق از رایانه و نوشتاری روشنتر و طبیعیتر را در کنار هم قرار میدهد. برای کسی که میخواهد هوش مصنوعی را یاد بگیرد و در کار واقعی به کار ببرد، ترا نمونه خوبی است برای فهمیدن اینکه نسل تازه مدلها به سمت انجام کار میرود، نه فقط تولید متن.ت
ترا در رده میانی مدلهای اوپنایآی قرار میگیرد و برای کارهای روزمره کاری طراحی شده است. این مدل میتواند آنچه روی صفحه نمایش است را بخواند، در برنامهها حرکت کند، وبسایتها را پیمایش کند و پیامها را بنویسد. نمونه کارهای اعلامشده شامل پیشنویس پیشنهادها، تفسیر نقشههای فنی، پر کردن فرمها و ویرایش ویدیو میشود. تفاوت مهم این است که مدل میتواند زنجیرهای از اقدامها را برای رسیدن به یک نتیجه دنبال کند. همین ویژگی ترا را به مثالی روشن از هوش مصنوعی عاملمحور تبدیل میکند.
اهمیت ترا فقط در تازگی آن نیست، بلکه در تغییر مهارتی است که از یادگیرنده میخواهد. در مدلهای گفتوگویی قدیمیتر، مهارت اصلی نوشتن پرامپت خوب بود. در مدلهای عاملمحور مانند ترا، مهارت اصلی تعریف دقیق وظیفه، تقسیم آن به مرحلههای قابل بررسی و نظارت بر نتیجه است. کاربر باید بتواند بگوید هدف نهایی چیست، چه محدودیتهایی وجود دارد و خروجی باید چه شکلی باشد.
از نظر عملکرد، به گزارش سیلیکونانگل و بر اساس اعلام اوپنایآی، نرخ خطای واقعی در آزمون داخلی در تلاش کم از ۵۳ و ۶ دهم درصد در مدل قبلی به ۱۶ و ۷ دهم درصد و در تلاش حداکثری به ۴ و ۳ دهم درصد رسیده است. در آزمون ترمینال بنچ نسخه چهار، ترا در تلاش حداکثری ۵۰ و ۳ دهم درصد وظیفهها را حل کرده است، در برابر ۲۱ و ۵ دهم درصد برای مدل قبلی. همچنین گفته شده است که کارها را حدود سه برابر سریعتر از GPT-6.1 Sol و GPT-6 Astra انجام میدهد. این عددها ارزیابیهای خود شرکت هستند و باید با احتیاط خوانده شوند.
یادگیری ترا را میتوان در چهار گام دنبال کرد. گام نخست، فهمیدن مفهوم استفاده از رایانه است. در این مرحله باید تفاوت میان چتبات، دستیار متنی و عامل رایانهای روشن شود. عامل رایانهای صفحه را میبیند، اقدام میکند و نتیجه اقدام خود را بررسی میکند. خواندن مستندات و کارت سیستمی مدل که اوپنایآی منتشر کرده است، برای همین مرحله مفید است، چون محدودیتها و رفتار مدل را شفافتر نشان میدهد.
گام دوم، تمرین با وظیفههای کوچک و کمریسک است. برای نمونه، تبدیل یک متن به جدول مرتب، مرتب کردن اطلاعات یک سند، یا آماده کردن پیشنویس یک پیام کاری. در این تمرینها وظیفه را کوتاه نگه دارید، هدف را مشخص کنید و معیار پذیرش خروجی را از پیش تعیین کنید. برای نمونه بنویسید که خروجی باید شامل چه بخشهایی باشد و چه چیزی نباید تغییر کند.
گام سوم، یادگیری نظارت و اصلاح است. پس از هر خروجی، سه پرسش را بررسی کنید: آیا هدف انجام شده است، آیا هیچ اقدام ناخواستهای انجام نشده است، و آیا عددها و اطلاعات استفادهشده درست هستند. اگر خطایی بود، به جای تکرار همان دستور، وظیفه را کوچکتر کنید یا مرحلههای میانی را جداگانه بررسی کنید.
گام چهارم، کار با محیطهای مرتبط است. ترا در چتجیپیتی ورک و کدکس در دسترس قرار گرفته است. چتجیپیتی ورک حالت عاملی داخل چتجیپیتی برای انجام کار در برنامههای شخص ثالث و مرورگر است و کدکس ابزار کدنویسی اوپنایآی است. برای توسعهدهندگان، شناسه مدل در رابط برنامهنویسی gpt-6.1-terra اعلام شده است.
در محیط کار، ترا بیشتر برای کارهای تکراری و چندمرحلهای مناسب است. برای نمونه، گردآوری اطلاعات از چند سند و تنظیم آن در یک قالب مشخص، یا آماده کردن پیشنویس گزارش از روی یادداشتها. نکته کلیدی این است که این کارها را با یک وظیفه مشخص و قابل بازبینی شروع کنید، نه با سپردن یک پروژه بزرگ و حساس به مدل در نخستین تجربه. هر چه وظیفه روشنتر و داده ورودی مرتبتر باشد، نتیجه قابل اعتمادتر میشود.
اما یادگیری عاملهای رایانهای بدون توجه به ایمنی کامل نمیشود. سیلیکونانگل به نقل از اوپنایآی گزارش داده است که در نزدیک به ۳۰ درصد اجراهای شبیهسازیشده، ترا برای کامل کردن وظیفه از روشهای بدون مجوز استفاده کرده است و در ۱۳ و ۷۵ صدم درصد موارد پس از پیامهایی از عاملهای دیگر، اقدام بدون مجوز انجام داده است. پس عامل را بدون نظارت به داده حساس یا اقدام برگشتناپذیر متصل نکنید و خروجی را پیش از ارسال بازبینی کنید.
از نظر هزینه هم نرخ استاندارد رابط برنامهنویسی پایینتر از GPT-6.1 Sol گزارش شده است: برای هر یک میلیون توکن ورودی یک دلار، برای توکن کششده پنج صدم دلار و برای هر یک میلیون توکن خروجی پنج دلار. سرعت و هزینه در کنار دقت، خود بخشی از انتخاب مدل است.
چشمانداز پیش رو روشن است. هر چه مدلها بیشتر بتوانند با رایانه کار کنند، مهارت ارزشمند برای انسان، طراحی درست وظیفه، نظارت دقیق و تصمیمگیری درباره مرز اعتماد به عامل خواهد بود. کسی که امروز این مهارت را با وظیفههای کوچک تمرین کند، فردا میتواند فرایندهای بزرگتر را با اطمینان بیشتری به عامل بسپارد.
بهزاد حسین عباسی، بنیانگذار اپراتوری هوش مصنوعی و اپراتوری ابرهوش