OpenAI kompaniyasi bugun (31 iyul) e’lon qilib, framework’ni takomillashtirish orqali GPT-5.6 Sol modelining ARC-AGI-3 natijasini 188% ga oshirganini ma’lum qildi.
Eslatma: ARC-AGI-3 ARC Prize jamoasi tomonidan ishlab chiqilgan yangi interaktiv xulosa chiqarish mezoni bo‘lib, hozirda butun dunyoda AI umumiy intellektini (AGI) o‘lchash uchun tan olingan eng qat’iy va yuqori darajadagi interaktiv xulosa chiqarish baholash mezonidir.
Ushbu mezon an’anaviy AI’ning “masala yechish” va bilimga asoslangan savol-javob statik test modelini butunlay buzib, AI’ni bevosita mutlaqo notanish “o‘yin muhiti”ga kiritadi va unda inson kabi real vaqt rejimida tadqiq qilish, o‘rganish hamda moslashish qobiliyati bor-yo‘qligini baholaydi.
Optimallashtirish amalga oshirilishidan oldin GPT-5.6 Sol’ning ARC-AGI-3 mezon testidagi natijasi 7.8% bo‘lgan, GPT-5.5 modeliniki esa atigi 0.4% ni tashkil etgan.
OpenAI kompaniyasi tahlildan so‘ng GPT-5.6 seriyasi modellarining rasmiy framework’ida GPT-5.6 Sol ishlashiga ta’sir qiluvchi 2 ta mexanizm mavjudligini aniqladi:
Birinchidan, har bir o‘yin harakatidan so‘ng xususiy xulosa chiqarish jarayoni o‘chirib tashlanadi. Bu GPT-5.6 Sol har safar 1 ta harakatni bajarganidan keyin o‘yinni qaytadan tushunishi kerakligini anglatadi. Model avvalgi harakatlar tarixi va qisqa izohlarni ko‘rishi mumkin, biroq bu harakatlarga sabab bo‘lgan reja, anglashlar va fikrlash jarayonini ko‘ra olmaydi.
Ikkinchidan, rasmiy framework siljib boruvchi kesish oynasidan foydalanadi. Tarix uzaygani sari avvalgi harakatlar kontekstdan yo‘qoladi. Ya’ni GPT-5.6 Sol nafaqat avvalgi fikrlarini saqlab qola olmaydi, balki oldingi harakatlar xotirasini ham yo‘qotadi.
Yuqoridagi muammolarga javoban OpenAI xulosani saqlash (inference preservation) va kontekstni siqish (context compression) nomli ikkita yechimni taklif qildi.
Xulosani saqlash bo‘yicha OpenAI Responses API’dan foydalanib ARC-AGI-3 test framework’ini qayta amalga oshirdi. GPT-5.6 uchun faqat oldingi response ID’ni uzatish kifoya: shunda vositalardan foydalanish va ko‘p bosqichli interaksiyalar davomida xulosa chiqarish jarayoni avtomatik ravishda saqlanadi.
OpenAI xulosani saqlash yoqilgach, GPT-5.6 har bir raundda o‘yinni qayta tushuntirishi shart emasligini, shu sababli har bir harakatdan oldin fikrlashga sarflanadigan vaqt qisqarishini bildirdi. Model avvalgi fikrlarni saqlab qolgach, vaqt o‘tishi bilan yaxshiroq o‘rganadi va yanada izchil strategiyalardan foydalanadi.
Kontekstni siqish bo‘yicha rasmiy ARC-AGI-3 framework’ida suhbat konteksti 175000 ta belgidan oshgach, eng eski xabarlar o‘chirib tashlanadi. OpenAI’ning ta’kidlashicha, siljib boruvchi kesishning 2 ta kamchiligi bor: model dastlabki kuzatuvlar va harakatlarni yo‘qotadi; model vazifaning katta qismida to‘laroq kontekst oynasi bilan ishlaydi, bu esa natijaga biroz zarar yetkazishi mumkin.
Kontekstni siqish yoqilgach, GPT-5.6 Sol uzoqroq vazifalarda har bir o‘yin bo‘yicha o‘rgangan ma’lumotlarini yaxshiroq saqlaydi va kamroq chiqish tokenlari yordamida yuqoriroq natija oladi.
Rasmiy harness’dan foydalanilganda GPT-5.6 Sol’ning ARC-AGI-3 dagi natijasi 13.3% bo‘lgan. Xulosani saqlash (inference preservation) va kontekstni siqish (context compression) yoqilgach, GPT-5.6 Sol chiqish tokenlari sonini oltidan bir qismigacha kamaytirgan holda 38.3% natijaga erishdi va ko‘rsatkich 188.42% ga oshdi.
Harness (ko‘pincha “jilovlash muhandisligi” deb ataladi) katta model tashqarisida joylashib, unga ish muhiti, vositalar integratsiyasi, qoidalar va cheklovlar hamda fikr-mulohaza mexanizmlarini taqdim etuvchi yaxlit tizim arxitekturasini anglatadi.
Agar kuchli AI modelini kuchga to‘la, ammo boshqaruvdan chiqib ketishi oson bo‘lgan yovvoyi otga qiyoslasak, harness uning jilovi, egari va chavandoz yo‘nalishidir. U model arxitekturasining o‘zini o‘zgartirmaydi, balki model qanday qilib xavfsiz va ishonchli boshqarilishini hamda murakkab ishlarni amalda bajara olishini belgilaydi.
