Advancing computer use with Ironclad

When we introduced GPT‑6 Astra, we demonstrated how far our models have come in using computers for professional work, from preparing documents to testing websites. Our next goal is to make agents more capable and efficient at using specialized software to solve complex business problems. We’re exploring how to train models to understand a company’s business rules, execute multi-step workflows, and verify that their work meets the original requirements.

To accelerate this research, we’re partnering directly with a small number of software companies that understand these workflows best. Our first partner is Ironclad, a leader in AI contracting. Working closely with Ironclad’s team, we’ve developed tasks that require agents to configure agreements, approvals, and reusable legal terms. Ironclad’s expertise has been instrumental in defining what success looks like and bringing real customer needs directly into frontier model development.

GPT‑6 Astra is our first frontier model trained on Ironclad tasks. On our research evaluation, its average score was 32% higher than GPT‑5.6 Sol’s, while estimated time per attempt was 48% lower. Ironclad employees and people who use Ironclad at Open AI helped our researchers identify 11 tasks across legal, commercial, and procurement work. We evaluated each task against 8 to 50 criteria, depending on its complexity.

Across the 11 research tasks, Astra’s average score was 55.0%, compared with 41.6% for GPT‑5.6 Sol, while estimated average time per attempt fell from 37.0 minutes for Sol to 19.2 minutes for Astra. An internal model used in the development of Astra achieved an even stronger 63.7% on these tasks, and we aim to bring these further gains to future models.

عندما قدمنا GPT‑6 Astra، أظهرنا مدى تقدم نماذجنا في استخدام أجهزة الكمبيوتر للعمل المهني، من إعداد المستندات إلى اختبار مواقع الويب. هدفنا التالي هو جعل الوكلاء أكثر قدرة وكفاءة في استخدام البرامج المتخصصة لحل مشاكل الأعمال المعقدة. نحن نستكشف كيفية تدريب النماذج على فهم قواعد أعمال الشركة، وتنفيذ سير عمل متعدد الخطوات، والتحقق من أن عملها يلبي المتطلبات الأصلية.

لتسريع هذا البحث، نتعاون مباشرة مع عدد صغير من شركات البرمجيات التي تفهم سير العمل هذه بشكل أفضل. شريكنا الأول هو Ironclad، الرائدة في التعاقد بالذكاء الاصطناعي. من خلال العمل عن كثب مع فريق Ironclad، قمنا بتطوير مهام تتطلب من الوكلاء تكوين الاتفاقيات والموافقات والشروط القانونية القابلة لإعادة الاستخدام. كانت خبرة Ironclad فعالة في تحديد شكل النجاح وجلب احتياجات العملاء الحقيقية مباشرة إلى تطوير النماذج الحدودية.

GPT‑6 Astra هو أول نموذج حدي لدينا تم تدريبه على مهام Ironclad. في تقييمنا البحثي، كان متوسط درجاته أعلى بنسبة 32% من GPT‑5.6 Sol، بينما كان الوقت المقدر لكل محاولة أقل بنسبة 48%. ساعد موظفو Ironclad والأشخاص الذين يستخدمون Ironclad في Open AI باحثينا في تحديد 11 مهمة عبر الأعمال القانونية والتجارية والمشتريات. قمنا بتقييم كل مهمة مقابل 8 إلى 50 معيارًا، اعتمادًا على تعقيدها.

عبر المهام البحثية الـ 11، كان متوسط درجة Astra 55.0%، مقارنة بـ 41.6% لـ GPT‑5.6 Sol، بينما انخفض متوسط الوقت المقدر لكل محاولة من 37.0 دقيقة لـ Sol إلى 19.2 دقيقة لـ Astra. حقق نموذج داخلي مستخدم في تطوير Astra درجة أقوى بلغت 63.7% في هذه المهام، ونهدف إلى جلب هذه المكاسب الإضافية إلى النماذج المستقبلية.

যখন আমরা GPT‑6 Astra চালু করি, আমরা প্রদর্শন করি যে পেশাদার কাজের জন্য কম্পিউটার ব্যবহারে আমাদের মডেলগুলি কতদূর এগিয়েছে, নথি প্রস্তুত করা থেকে ওয়েবসাইট পরীক্ষা করা পর্যন্ত। আমাদের পরবর্তী লক্ষ্য হল এজেন্টদের জটিল ব্যবসায়িক সমস্যা সমাধানের জন্য বিশেষায়িত সফ্টওয়্যার ব্যবহারে আরও সক্ষম এবং দক্ষ করে তোলা। আমরা অন্বেষণ করছি কিভাবে মডেলগুলিকে একটি কোম্পানির ব্যবসায়িক নিয়ম বুঝতে, বহু-পদক্ষেপ কর্মপ্রবাহ সম্পাদন করতে এবং তাদের কাজ মূল প্রয়োজনীয়তা পূরণ করে কিনা তা যাচাই করতে প্রশিক্ষণ দেওয়া যায়।

এই গবেষণাকে ত্বরান্বিত করতে, আমরা সরাসরি অল্প সংখ্যক সফ্টওয়্যার কোম্পানির সাথে অংশীদারিত্ব করছি যারা এই কর্মপ্রবাহগুলি সবচেয়ে ভালো বোঝে। আমাদের প্রথম অংশীদার হল Ironclad, AI চুক্তিতে একজন নেতা। Ironclad এর দলের সাথে ঘনিষ্ঠভাবে কাজ করে, আমরা এমন কাজ তৈরি করেছি যাতে এজেন্টদের চুক্তি, অনুমোদন এবং পুনর্ব্যবহারযোগ্য আইনি শর্তাবলী কনফিগার করতে হয়। সাফল্য কেমন দেখায় তা সংজ্ঞায়িত করতে এবং প্রকৃত গ্রাহকের প্রয়োজনীয়তা সরাসরি সীমান্ত মডেল উন্নয়নে আনতে Ironclad এর দক্ষতা গুরুত্বপূর্ণ ভূমিকা পালন করেছে।

GPT‑6 Astra হল Ironclad কাজের উপর প্রশিক্ষিত আমাদের প্রথম সীমান্ত মডেল। আমাদের গবেষণা মূল্যায়নে, এর গড় স্কোর GPT‑5.6 Sol এর চেয়ে 32% বেশি ছিল, যখন প্রতি প্রচেষ্টায় আনুমানিক সময় 48% কম ছিল। Ironclad এর কর্মচারী এবং Open AI এ Ironclad ব্যবহারকারী ব্যক্তিরা আমাদের গবেষকদের আইনি, বাণিজ্যিক এবং ক্রয় কাজ জুড়ে 11টি কাজ সনাক্ত করতে সাহায্য করেছেন। আমরা প্রতিটি কাজের জটিলতার উপর নির্ভর করে 8 থেকে 50টি মানদণ্ডের বিপরীতে মূল্যায়ন করেছি।

11টি গবেষণা কাজ জুড়ে, Astra এর গড় স্কোর ছিল 55.0%, তুলনায় GPT‑5.6 Sol এর 41.6%, যখন প্রতি প্রচেষ্টায় আনুমানিক গড় সময় Sol এর জন্য 37.0 মিনিট থেকে Astra এর জন্য 19.2 মিনিটে নেমে এসেছে। Astra এর উন্নয়নে ব্যবহৃত একটি অভ্যন্তরীণ মডেল এই কাজগুলিতে আরও শক্তিশালী 63.7% অর্জন করেছে এবং আমরা এই অতিরিক্ত লাভগুলি ভবিষ্যতের মডেলগুলিতে আনার লক্ষ্য রাখি।

Als wir GPT‑6 Astra vorstellten, zeigten wir, wie weit unsere Modelle bei der Nutzung von Computern für professionelle Arbeiten gekommen sind, von der Vorbereitung von Dokumenten bis zum Testen von Websites. Unser nächstes Ziel ist es, Agenten leistungsfähiger und effizienter im Umgang mit spezialisierter Software zu machen, um komplexe Geschäftsprobleme zu lösen. Wir erforschen, wie man Modelle trainieren kann, die Geschäftsregeln eines Unternehmens zu verstehen, mehrstufige Arbeitsabläufe auszuführen und zu überprüfen, ob ihre Arbeit den ursprünglichen Anforderungen entspricht.

Um diese Forschung zu beschleunigen, arbeiten wir direkt mit einer kleinen Anzahl von Softwareunternehmen zusammen, die diese Arbeitsabläufe am besten verstehen. Unser erster Partner ist Ironclad, ein führendes Unternehmen im Bereich KI-Verträge. In enger Zusammenarbeit mit dem Team von Ironclad haben wir Aufgaben entwickelt, die von Agenten verlangen, Vereinbarungen, Genehmigungen und wiederverwendbare rechtliche Bedingungen zu konfigurieren. Die Expertise von Ironclad war maßgeblich daran beteiligt, zu definieren, wie Erfolg aussieht, und echte Kundenbedürfnisse direkt in die Entwicklung von Grenzmodellen einzubringen.

GPT‑6 Astra ist unser erstes Grenzmodell, das an Ironclad-Aufgaben trainiert wurde. Bei unserer Forschungsevaluierung war seine durchschnittliche Punktzahl 32% höher als die von GPT‑5.6 Sol, während die geschätzte Zeit pro Versuch 48% niedriger war. Mitarbeiter von Ironclad und Personen, die Ironclad bei Open AI verwenden, halfen unseren Forschern, 11 Aufgaben in den Bereichen Recht, Handel und Beschaffung zu identifizieren. Wir bewerteten jede Aufgabe anhand von 8 bis 50 Kriterien, abhängig von ihrer Komplexität.

Bei den 11 Forschungsaufgaben lag die durchschnittliche Punktzahl von Astra bei 55,0%, verglichen mit 41,6% für GPT‑5.6 Sol, während die geschätzte durchschnittliche Zeit pro Versuch von 37,0 Minuten für Sol auf 19,2 Minuten für Astra sank. Ein internes Modell, das bei der Entwicklung von Astra verwendet wurde, erreichte mit 63,7% eine noch stärkere Leistung bei diesen Aufgaben, und wir streben an, diese weiteren Verbesserungen in zukünftige Modelle einzubringen.

Cuando presentamos GPT‑6 Astra, demostramos hasta dónde han llegado nuestros modelos en el uso de computadoras para el trabajo profesional, desde la preparación de documentos hasta la prueba de sitios web. Nuestro próximo objetivo es hacer que los agentes sean más capaces y eficientes en el uso de software especializado para resolver problemas empresariales complejos. Estamos explorando cómo entrenar modelos para que comprendan las reglas comerciales de una empresa, ejecuten flujos de trabajo de múltiples pasos y verifiquen que su trabajo cumpla con los requisitos originales.

Para acelerar esta investigación, nos estamos asociando directamente con un pequeño número de empresas de software que mejor entienden estos flujos de trabajo. Nuestro primer socio es Ironclad, un líder en contratación de IA. Trabajando estrechamente con el equipo de Ironclad, hemos desarrollado tareas que requieren que los agentes configuren acuerdos, aprobaciones y términos legales reutilizables. La experiencia de Ironclad ha sido fundamental para definir cómo se ve el éxito y llevar las necesidades reales de los clientes directamente al desarrollo de modelos de frontera.

GPT‑6 Astra es nuestro primer modelo de frontera entrenado en tareas de Ironclad. En nuestra evaluación de investigación, su puntuación promedio fue 32% más alta que la de GPT‑5.6 Sol, mientras que el tiempo estimado por intento fue 48% menor. Los empleados de Ironclad y las personas que usan Ironclad en Open AI ayudaron a nuestros investigadores a identificar 11 tareas en trabajo legal, comercial y de adquisiciones. Evaluamos cada tarea contra 8 a 50 criterios, dependiendo de su complejidad.

En las 11 tareas de investigación, la puntuación promedio de Astra fue 55.0%, en comparación con 41.6% para GPT‑5.6 Sol, mientras que el tiempo promedio estimado por intento cayó de 37.0 minutos para Sol a 19.2 minutos para Astra. Un modelo interno utilizado en el desarrollo de Astra logró un 63.7% aún más fuerte en estas tareas, y nuestro objetivo es llevar estas mejoras adicionales a modelos futuros.

Lorsque nous avons présenté GPT‑6 Astra, nous avons démontré jusqu'où nos modèles sont allés dans l'utilisation des ordinateurs pour le travail professionnel, de la préparation de documents aux tests de sites Web. Notre prochain objectif est de rendre les agents plus capables et efficaces dans l'utilisation de logiciels spécialisés pour résoudre des problèmes commerciaux complexes. Nous explorons comment former des modèles à comprendre les règles commerciales d'une entreprise, exécuter des flux de travail en plusieurs étapes et vérifier que leur travail répond aux exigences initiales.

Pour accélérer cette recherche, nous nous associons directement à un petit nombre de sociétés de logiciels qui comprennent le mieux ces flux de travail. Notre premier partenaire est Ironclad, un leader dans le domaine des contrats d'IA. En travaillant en étroite collaboration avec l'équipe d'Ironclad, nous avons développé des tâches qui obligent les agents à configurer des accords, des approbations et des conditions juridiques réutilisables. L'expertise d'Ironclad a été déterminante pour définir à quoi ressemble le succès et apporter les besoins réels des clients directement dans le développement de modèles de pointe.

GPT‑6 Astra est notre premier modèle de pointe formé sur les tâches d'Ironclad. Lors de notre évaluation de recherche, son score moyen était 32% plus élevé que celui de GPT‑5.6 Sol, tandis que le temps estimé par tentative était 48% inférieur. Les employés d'Ironclad et les personnes qui utilisent Ironclad chez Open AI ont aidé nos chercheurs à identifier 11 tâches dans les domaines juridique, commercial et des achats. Nous avons évalué chaque tâche selon 8 à 50 critères, en fonction de sa complexité.

Sur les 11 tâches de recherche, le score moyen d'Astra était de 55.0%, contre 41.6% pour GPT‑5.6 Sol, tandis que le temps moyen estimé par tentative est passé de 37,0 minutes pour Sol à 19,2 minutes pour Astra. Un modèle interne utilisé dans le développement d'Astra a obtenu un score encore plus fort de 63.7% sur ces tâches, et nous visons à apporter ces gains supplémentaires aux futurs modèles.

जब हमने GPT‑6 Astra पेश किया, तो हमने प्रदर्शित किया कि पेशेवर काम के लिए कंप्यूटर का उपयोग करने में हमारे मॉडल कितनी दूर आ गए हैं, दस्तावेज़ तैयार करने से लेकर वेबसाइटों का परीक्षण करने तक। हमारा अगला लक्ष्य एजेंटों को जटिल व्यावसायिक समस्याओं को हल करने के लिए विशेष सॉफ्टवेयर का उपयोग करने में अधिक सक्षम और कुशल बनाना है। हम यह पता लगा रहे हैं कि मॉडलों को किसी कंपनी के व्यावसायिक नियमों को समझने, बहु-चरणीय कार्यप्रवाहों को निष्पादित करने और यह सत्यापित करने के लिए कैसे प्रशिक्षित किया जाए कि उनका काम मूल आवश्यकताओं को पूरा करता है।

इस शोध को गति देने के लिए, हम सीधे उन कुछ सॉफ्टवेयर कंपनियों के साथ साझेदारी कर रहे हैं जो इन कार्यप्रवाहों को सबसे अच्छी तरह समझती हैं। हमारा पहला भागीदार Ironclad है, जो AI अनुबंधन में अग्रणी है। Ironclad की टीम के साथ मिलकर काम करते हुए, हमने ऐसे कार्य विकसित किए हैं जिनमें एजेंटों को समझौतों, अनुमोदनों और पुन: प्रयोज्य कानूनी शर्तों को कॉन्फ़िगर करने की आवश्यकता होती है। सफलता कैसी दिखती है, इसे परिभाषित करने और वास्तविक ग्राहक आवश्यकताओं को सीधे सीमांत मॉडल विकास में लाने में Ironclad की विशेषज्ञता सहायक रही है।

GPT‑6 Astra Ironclad कार्यों पर प्रशिक्षित हमारा पहला सीमांत मॉडल है। हमारे शोध मूल्यांकन पर, इसका औसत स्कोर GPT‑5.6 Sol से 32% अधिक था, जबकि प्रति प्रयास अनुमानित समय 48% कम था। Ironclad के कर्मचारियों और Open AI में Ironclad का उपयोग करने वाले लोगों ने हमारे शोधकर्ताओं को कानूनी, वाणिज्यिक और क्रय कार्यों में 11 कार्यों की पहचान करने में मदद की। हमने प्रत्येक कार्य का मूल्यांकन उसकी जटिलता के आधार पर 8 से 50 मानदंडों के विरुद्ध किया।

11 शोध कार्यों में, Astra का औसत स्कोर 55.0% था, जबकि GPT‑5.6 Sol के लिए 41.6% था, जबकि प्रति प्रयास अनुमानित औसत समय Sol के लिए 37.0 मिनट से घटकर Astra के लिए 19.2 मिनट हो गया। Astra के विकास में उपयोग किए गए एक आंतरिक मॉडल ने इन कार्यों पर और भी मजबूत 63.7% हासिल किया, और हमारा लक्ष्य इन और लाभों को भविष्य के मॉडलों में लाना है।

Ketika kami memperkenalkan GPT‑6 Astra, kami menunjukkan seberapa jauh model kami dalam menggunakan komputer untuk pekerjaan profesional, dari menyiapkan dokumen hingga menguji situs web. Tujuan kami selanjutnya adalah membuat agen lebih mampu dan efisien dalam menggunakan perangkat lunak khusus untuk memecahkan masalah bisnis yang kompleks. Kami sedang menjajaki cara melatih model untuk memahami aturan bisnis perusahaan, menjalankan alur kerja multi-langkah, dan memverifikasi bahwa pekerjaan mereka memenuhi persyaratan awal.

Untuk mempercepat penelitian ini, kami bermitra langsung dengan sejumlah kecil perusahaan perangkat lunak yang paling memahami alur kerja ini. Mitra pertama kami adalah Ironclad, pemimpin dalam kontrak AI. Bekerja sama erat dengan tim Ironclad, kami telah mengembangkan tugas yang mengharuskan agen untuk mengonfigurasi perjanjian, persetujuan, dan persyaratan hukum yang dapat digunakan kembali. Keahlian Ironclad sangat berperan dalam menentukan seperti apa kesuksesan itu dan membawa kebutuhan pelanggan nyata langsung ke pengembangan model perbatasan.

GPT‑6 Astra adalah model perbatasan pertama kami yang dilatih pada tugas-tugas Ironclad. Pada evaluasi penelitian kami, skor rata-ratanya 32% lebih tinggi dari GPT‑5.6 Sol, sementara perkiraan waktu per percobaan 48% lebih rendah. Karyawan Ironclad dan orang-orang yang menggunakan Ironclad di Open AI membantu peneliti kami mengidentifikasi 11 tugas di seluruh pekerjaan hukum, komersial, dan pengadaan. Kami mengevaluasi setiap tugas terhadap 8 hingga 50 kriteria, tergantung pada kompleksitasnya.

Di seluruh 11 tugas penelitian, skor rata-rata Astra adalah 55,0%, dibandingkan dengan 41,6% untuk GPT‑5.6 Sol, sementara perkiraan waktu rata-rata per percobaan turun dari 37,0 menit untuk Sol menjadi 19,2 menit untuk Astra. Model internal yang digunakan dalam pengembangan Astra mencapai 63,7% yang lebih kuat pada tugas-tugas ini, dan kami bertujuan untuk membawa peningkatan lebih lanjut ini ke model-model masa depan.

GPT‑6 Astraを導入した際、私たちはモデルがドキュメントの準備からウェブサイトのテストまで、プロフェッショナルな作業にコンピュータを活用する上でどの程度進歩したかを実証しました。次の目標は、エージェントが専門的なソフトウェアを使用して複雑なビジネス問題を解決する能力と効率を高めることです。私たちは、モデルが企業のビジネスルールを理解し、マルチステップのワークフローを実行し、その作業が元の要件を満たしているかを検証する方法を模索しています。

この研究を加速するため、私たちはこれらのワークフローを最もよく理解している少数のソフトウェア企業と直接提携しています。最初のパートナーは、AI契約分野のリーダーであるIroncladです。Ironcladのチームと緊密に協力し、エージェントが契約、承認、再利用可能な法的条件を設定する必要があるタスクを開発しました。Ironcladの専門知識は、成功の定義と実際の顧客ニーズをフロンティアモデル開発に直接取り入れる上で重要な役割を果たしました。

GPT‑6 Astraは、Ironcladのタスクで訓練された最初のフロンティアモデルです。研究評価では、平均スコアがGPT‑5.6 Solより32%高く、試行あたりの推定時間は48%短縮されました。Ironcladの従業員とOpen AIでIroncladを使用している人々は、研究者が法務、商業、調達業務にわたる11のタスクを特定するのを支援しました。各タスクは、その複雑さに応じて8から50の基準で評価しました。

11の研究タスク全体で、Astraの平均スコアは55.0%で、GPT‑5.6 Solの41.6%に対し、試行あたりの推定平均時間はSolの37.0分からAstraの19.2分に短縮されました。Astraの開発で使用された内部モデルは、これらのタスクでさらに強力な63.7%を達成し、私たちはこれらのさらなる向上を将来のモデルにもたらすことを目指しています。

Quando apresentamos o GPT‑6 Astra, demonstramos o quanto nossos modelos avançaram no uso de computadores para trabalho profissional, desde a preparação de documentos até o teste de sites. Nosso próximo objetivo é tornar os agentes mais capazes e eficientes no uso de software especializado para resolver problemas complexos de negócios. Estamos explorando como treinar modelos para entender as regras de negócios de uma empresa, executar fluxos de trabalho de várias etapas e verificar se seu trabalho atende aos requisitos originais.

Para acelerar esta pesquisa, estamos fazendo parceria diretamente com um pequeno número de empresas de software que entendem melhor esses fluxos de trabalho. Nosso primeiro parceiro é a Ironclad, líder em contratação de IA. Trabalhando em estreita colaboração com a equipe da Ironclad, desenvolvemos tarefas que exigem que os agentes configurem acordos, aprovações e termos legais reutilizáveis. A experiência da Ironclad foi fundamental para definir como é o sucesso e trazer as necessidades reais dos clientes diretamente para o desenvolvimento de modelos de fronteira.

O GPT‑6 Astra é nosso primeiro modelo de fronteira treinado em tarefas da Ironclad. Em nossa avaliação de pesquisa, sua pontuação média foi 32% maior que a do GPT‑5.6 Sol, enquanto o tempo estimado por tentativa foi 48% menor. Funcionários da Ironclad e pessoas que usam a Ironclad na Open AI ajudaram nossos pesquisadores a identificar 11 tarefas nos trabalhos jurídico, comercial e de compras. Avaliamos cada tarefa contra 8 a 50 critérios, dependendo de sua complexidade.

Nas 11 tarefas de pesquisa, a pontuação média do Astra foi de 55,0%, em comparação com 41,6% para o GPT‑5.6 Sol, enquanto o tempo médio estimado por tentativa caiu de 37,0 minutos para o Sol para 19,2 minutos para o Astra. Um modelo interno usado no desenvolvimento do Astra alcançou impressionantes 63,7% nessas tarefas, e pretendemos trazer esses ganhos adicionais para modelos futuros.

Когда мы представили GPT‑6 Astra, мы продемонстрировали, как далеко продвинулись наши модели в использовании компьютеров для профессиональной работы, от подготовки документов до тестирования веб-сайтов. Наша следующая цель — сделать агентов более способными и эффективными в использовании специализированного программного обеспечения для решения сложных бизнес-задач. Мы изучаем, как обучать модели понимать бизнес-правила компании, выполнять многоэтапные рабочие процессы и проверять, соответствует ли их работа исходным требованиям.

Чтобы ускорить это исследование, мы напрямую сотрудничаем с небольшим числом компаний-разработчиков программного обеспечения, которые лучше всего понимают эти рабочие процессы. Наш первый партнер — Ironclad, лидер в области ИИ-контрактации. Тесно сотрудничая с командой Ironclad, мы разработали задачи, требующие от агентов настройки соглашений, утверждений и многократно используемых юридических условий. Опыт Ironclad сыграл важную роль в определении того, как выглядит успех, и в привнесении реальных потребностей клиентов непосредственно в разработку передовых моделей.

GPT‑6 Astra — наша первая передовая модель, обученная на задачах Ironclad. В нашей исследовательской оценке ее средний балл был на 32% выше, чем у GPT‑5.6 Sol, а расчетное время на одну попытку было на 48% меньше. Сотрудники Ironclad и люди, использующие Ironclad в Open AI, помогли нашим исследователям определить 11 задач в юридической, коммерческой и закупочной работе. Мы оценивали каждую задачу по 8–50 критериям в зависимости от ее сложности.

По 11 исследовательским задачам средний балл Astra составил 55,0% по сравнению с 41,6% для GPT‑5.6 Sol, а расчетное среднее время на попытку снизилось с 37,0 минут для Sol до 19,2 минут для Astra. Внутренняя модель, использованная при разработке Astra, достигла еще более высокого показателя в 63,7% по этим задачам, и мы стремимся принести эти дополнительные улучшения в будущие модели.

当我们推出GPT‑6 Astra时，我们展示了我们的模型在使用计算机进行专业工作方面取得的进展，从准备文档到测试网站。我们的下一个目标是让代理更强大、更高效地使用专业软件来解决复杂的业务问题。我们正在探索如何训练模型理解公司的业务规则、执行多步骤工作流，并验证其工作是否符合原始要求。

为了加速这项研究，我们直接与少数最了解这些工作流的软件公司合作。我们的第一个合作伙伴是Ironclad，一家AI合同领域的领导者。通过与Ironclad团队紧密合作，我们开发了需要代理配置协议、审批和可重用法律条款的任务。Ironclad的专业知识在定义成功标准以及将真实客户需求直接引入前沿模型开发方面发挥了重要作用。

GPT‑6 Astra是我们第一个在Ironclad任务上训练的前沿模型。在我们的研究评估中，其平均得分比GPT‑5.6 Sol高32%，而每次尝试的估计时间低48%。Ironclad的员工以及在OpenAI使用Ironclad的人员帮助我们的研究人员识别了法律、商业和采购工作中的11项任务。我们根据每项任务的复杂性，对其进行了8到50个标准的评估。

在这11项研究任务中，Astra的平均得分为55.0%，而GPT‑5.6 Sol为41.6%，每次尝试的平均估计时间从Sol的37.0分钟降至Astra的19.2分钟。在Astra开发过程中使用的一个内部模型在这些任务上取得了更强的63.7%得分，我们旨在将这些进一步的改进带到未来的模型中。