Η OpenAI λανσάρει νέο benchmark για καθημερινές εργασίες — υψηλές επιδόσεις για το GPT-6 Astra

Η OpenAI ανακοίνωσε τη Δευτέρα νέο εσωτερικό εργαλείο για να αξιολογεί πώς τα μοντέλα της τα καταφέρνουν σε καθημερινές εργασίες, όπως αγορές ή κατάρτιση προϋπολογισμού, και έδωσε στη δημοσιότητα αποτελέσματα δοκιμών με υψηλές επιδόσεις. Την εξέλιξη μετέδωσε το CNN Business.

Σύμφωνα με την εταιρεία, το μοντέλο GPT-6 Astra πέτυχε 93,1% στην εύρεση κατάλληλου νηπιαγωγείου μετά από μετακόμιση, 98% στη διαχείριση εθελοντών κοινότητας για προετοιμασία σε πλημμύρα και 90,4% στη δημιουργία πλάνου διατροφής για γονέα με πρόσφατη διάγνωση διαβήτη. Σε γενικές δοκιμές με προτροπές που μιμούνται καθημερινές δουλειές, το GPT-6 Astra, που κυκλοφόρησε τον Σεπτέμβριο, σημείωσε 80% έναντι 49,3% του GPT-5.2 (Δεκέμβριος 2025).

Η κίνηση έρχεται σε μια περίοδο έντονου ανταγωνισμού με τη Meta, την Anthropic και τη Google, καθώς όλοι αναπτύσσουν «πράκτορες» τεχνητής νοημοσύνης για εκτέλεση πραγματικών εργασιών. Παράλληλα, η βιομηχανία παλεύει με ζητήματα ασφάλειας και την ανάγκη απόσβεσης των μεγάλων επενδύσεων.

Πριν από την αξιολόγηση, η OpenAI αναζήτησε τρόπο να διαπιστώσει αν το ChatGPT είναι πράγματι καλό σε θελήματα όπως η συμπλήρωση online φορμών ή η σύνθεση καλαθιού σούπερ μάρκετ. «Επειδή τόσοι πολλοί χρησιμοποιούν την εφαρμογή, θέλουμε να αποτυπώσουμε όλες τις διαφορετικές χρήσεις και να καταλάβουμε πραγματικά πώς βελτιωνόμαστε με τον χρόνο», είπε η ερευνήτρια της OpenAI Jenny Yang στο CNN ενόψει της δημοσίευσης. «Ποια είναι τα πράγματα στα οποία δεν είμαστε ακόμα τόσο καλοί; Και πώς κάνουμε αυτή την τεχνολογία καλύτερη για τους ανθρώπους;»

Η εταιρεία είχε παρουσιάσει πέρυσι το GDPVal για δεξιότητες εργασίας σε κλάδους όπως βιομηχανία, δημόσιος τομέας, χρηματοοικονομικά και πωλήσεις. Το νέο benchmark στοχεύει να μετρήσει καθημερινές δραστηριότητες, κάτι που είναι πιο περίπλοκο λόγω ασαφών βημάτων και συχνά υποκειμενικών αποτελεσμάτων.

Για να διαμορφώσει τις δοκιμές, η OpenAI μελέτησε ευρείες έρευνες για τη χρήση χρόνου, όπως το American Time Use Survey του Bureau of Labor Statistics και το United Kingdom’s Multinational Time Use Survey, αλλά διαπίστωσε ότι πολλές κορυφαίες δραστηριότητες δεν επιδέχονται βοήθεια από ΑΙ (π.χ. ύπνος, φαγητό). Ζήτησε λοιπόν από χρήστες του ChatGPT τι θα ήθελαν να τους αναλαμβάνει ένας ψηφιακός βοηθός.

Περίπου 4.000 άτομα απάντησαν σε έρευνα και μια μικρότερη ομάδα περίπου 100 χρηστών κατέγραψε συγκεκριμένα καθήκοντα, το προσωπικό πλαίσιο που θα έδιναν στο μοντέλο και κριτήρια αξιολόγησης της επιτυχίας. Η OpenAI ζήτησε οι συμμετέχοντες να κατανοούν σε βάθος το αντικείμενο κάθε δοκιμής· για παράδειγμα, όποιος πρότεινε σενάριο χρηματοοικονομικού σχεδιασμού έπρεπε να έχει πολυετή εμπειρία με σύμβουλο. «Έπρεπε να υπάρχει απόδειξη ότι ήσουν κάποιου είδους ειδικός ή ότι καταλάβαινες πραγματικά πώς μοιάζει η σωστή απάντηση για σένα», είπε η Yang.

Οι δοκιμές καλύπτουν εύρος θεμάτων, από αναζήτηση διαμερίσματος έως φροντίδα αγαπημένου προσώπου. Η αξιολόγηση εστιάζει σε δεξιότητες όπως πλοήγηση σε ιστοσελίδες, αξιοποίηση μεγάλων όγκων πληροφορίας από το ιστορικό συνομιλιών και εξαγωγή συμπερασμάτων που ευθυγραμμίζονται με τις ανάγκες του χρήστη. «Υπάρχει πάρα πολλή πληροφορία, και ένα καλύτερο μοντέλο μπορεί να την κοσκινίσει γρήγορα και να ανασύρει τα πιο σχετικά κομμάτια», σημείωσε η Yang.

Στο μέτωπο των προσωπικών ΑΙ πρακτόρων, η Meta πίεσε την αγορά με τον Muse που λανσαρίστηκε τον Σεπτέμβριο και έφτασε τα 10 εκατ. λήψεις στις ΗΠΑ μέσα σε 40 ημέρες, σύμφωνα με τη Sensor Tower. Τον ίδιο μήνα η OpenAI παρουσίασε τον Dots για εργασίες παρασκηνίου μεγάλης διάρκειας, ενώ η Anthropic ανακοίνωσε τον Οκτώβριο την εφαρμογή Claude Duet.

Το κύμα ανάπτυξης συνοδεύεται από ανησυχίες ασφάλειας, μετά από περιστατικά κατά τα οποία μοντέλα «ξέφυγαν» από δοκιμαστικά περιβάλλοντα και παραβίασαν εταιρικά συστήματα. Αυτά συνέβησαν σε ελεγχόμενα τεστ και όχι σε καταναλωτικά προϊόντα, αλλά τροφοδότησαν ερωτήματα για τον ρυθμό προόδου. Υπάρχει επίσης ο προβληματισμός για το πόσο θα βασίζονται οι χρήστες στην ΑΙ και ποια όρια πρέπει να τεθούν, με χαρακτηριστικό το παράδειγμα της Marissa Mayer στους New York Times που προκάλεσε αντιδράσεις.

Για την Yang, ο στόχος είναι τα μοντέλα να «επιστρέφουν χρόνο» στους ανθρώπους, αναλαμβάνοντας χρονοβόρα θελήματα ή βοηθώντας στην εκμάθηση νέων δεξιοτήτων. «Νομίζω ότι υπάρχουν πάρα πολλές περιπτώσεις όπου η χρήση της ΑΙ σε ενδυναμώνει να κάνεις πράγματα που αλλιώς δεν θα μπορούσες, ή απλώς κάνει τη ζωή σου συνολικά ευκολότερη», είπε. «Κι αυτό είναι το βασικό σενάριο χρήσης που μας ενθουσιάζει πραγματικά.»

Πηγή: share.google.