GPT-4.5: новый этап в развитии языковых моделей

Выпущена новая языковая модель GPT-4.5, которая будет более естественной чем предыдущие версии, но ценовая политика будет выше.

Сейчас GPT-4.5 доступен в качестве “Research Preview” для разработчиков и юзеров Pro версии. На следующей неделе планируется открытие доступа для юзеров Team и Plus.

Значительное отличие версии GPT-4.5 от модели o3-mini и о1, в том, что новая версия отвечает намного быстрее из-за изменения в подходе к “неконтролируемом обучению”. Так как новая модель не думает перед ответом, производительность значительно увеличилась.

GPT-4.5 также известна под названием Orion и есть самой большой обученной моделью на данный момент. OpenAI заявляют, что новая модель не будет “пограничной” такие заявления от компании возможно связаны с обучением еще одной модели о3.

Цена модели значительно выше версии GPT-4o и о1 и составляет $75 (за миллион входных токенов) и $150 (за миллион выходных). Как и предыдущие версии этот вариант будет иметь длину контекста в 128 000 токенов.

В компании OpenAI заявили, что 2 основных подхода (рассуждение и обучение) будут использоваться как взаимодополняемые варианты. Версия 4.5 уже стала значительно интеллектуальней из-за предварительного обучения. Также есть большая возможность что новая версия GPT-5 сможет объединить эти 2 возможности.

Результаты бенчмаркинга

Что касается тестов производительности, то модель 4.5 показывает хорошие результаты и достигает 62.5% по SimpleQA. В том же тесте Grok 3 показал результат в 43.6%, а GPT-4o – 43,6%. Уровень галлюцинаций также значительно снижен до рекордных 37,1%. Также новая версия 4.5 доминирует в тестах на оценку людей в повседневных вопросах, творческом интеллекте, и профессиональных вопросах.

В тестах STEM результаты варьируются от моделей. Например, в тесте AIME '24 модель 4.5 показывает результат в 36,7%, o3-mini – 87,3% и GPT-4o – 9,3%. В тесте SWE-Bench Verified результат составляет 38,8%, в то время как o3-mini – 61,0% а GPT-4o – 30,7%.

Если сравнивать результаты всех бенчмарков, то показатели достаточно стабильные и нет значительного скачка в производительности как показал SimpleQA.