OpenAI ತನ್ನ GPT-5.6 Sol ಮಾಡೆಲ್ ARC-AGI-3 ತಾರ್ಕಿಕ-reasoning ಬೆಂಚ್‌ಮಾರ್ಕ್‌ನಲ್ಲಿ 38.3% ಯಶಸ್ಸಿನ ದರವನ್ನು ತಲುಪಿದೆ ಎಂದು ಹೇಳಿದೆ, ಇದು Anthropic ನ Claude Opus 5 ರ 30.2% ಸಾಧನೆಯನ್ನು ಮೀರಿಸಿದೆ. ಈ ಮುನ್ನಡೆವು ಕೇವಲ OpenAI ನ ಕಸ್ಟಮ್ Responses API ಮೂಲಕ ಮಾಡೆಲ್ ಕಾರ್ಯನಿರ್ವಹಿಸಿದಾಗ ಮಾತ್ರ ಕಂಡುಬರುತ್ತದೆ, ಇದು ಅಧಿಕೃತ ಪರೀಕ್ಷಾ ಹಾರ್ನೆಸ್ (test harness) ಅನುಮತಿಸದ ಎರಡು ಇನ್ಫರೆನ್ಸ್-ಸಮಯದ (inference-time) ತಂತ್ರಗಳನ್ನು ಸೇರಿಸುತ್ತದೆ.

ಮುನ್ನೋಟ: ಬೆಂಚ್‌ಮಾರ್ಕ್ ಶಸ್ತ್ರಾಸ್ತ್ರ ಸ್ಪರ್ಧೆ

ARC-AGI-3 ಮಾಡೆಲ್ ಕೇವಲ ನೆನಪಿಟ್ಟುಕೊಂಡಿರುವ ಸತ್ಯಗಳ ಮೇಲೆ ಅವಲಂಬಿತವಾಗದೆ, ಹೊಸ ಮತ್ತು ಬಹು-ಹಂತದ ಸಮಸ್ಯೆಗಳನ್ನು ಪರಿಹರಿಸುವ ಸಾಮರ್ಥ್ಯವನ್ನು ಪರೀಕ್ಷಿಸುತ್ತದೆ. ಈ ವರ್ಷದ ಆರಂಭದಲ್ಲಿ Anthropic ಈ ಬೆಂಚ್‌ಮಾರ್ಕ್‌ನಲ್ಲಿ ನಾಲ್ಕು ಪಟ್ಟು ಜಿಗಿತವನ್ನು ಘೋಷಿಸಿತು, ಇದು Opus 5 ಅನ್ನು ಸಾರ್ವಜನಿಕ ಲೀಡರ್‌ಬೋರ್ಡ್‌ನ ಉನ್ನತ ಸ್ಥಾನದಲ್ಲಿರಿಸಿತು. ಆ ಫಲಿತಾಂಶವು "ರಾವ್" (raw) ಮಾಡೆಲ್ ಸಾಮರ್ಥ್ಯಕ್ಕೆ ಹೊಸ ಉಲ್ಲೇಖವನ್ನು ನೀಡಿತು, ಏಕೆಂದರೆ ಅಧಿಕೃತ ಹಾರ್ನೆಸ್ ಪ್ರತಿ ಹಂತದ ನಂತರದ ಮಧ್ಯಂತರ ತಾರ್ಕಿಕತೆಯನ್ನು (intermediate reasoning) ಕೈಬಿಡುತ್ತದೆ, ಇದರಿಂದ ಮಾಡೆಲ್ ಪ್ರತಿ ಬಾರಿಯೂ ಹೊಸದಾಗಿ ಪ್ರಾರಂಭಿಸಲು ಒತ್ತಾಯಿಸಲ್ಪಡುತ್ತದೆ.

OpenAI ನ ಈ ಹೇಳಿಕೆಯು ಅಂತಹದ್ದೇ ಸ್ಪರ್ಧಾತ್ಮಕ ವಾತಾವರಣದಲ್ಲಿ ಬಂದಿದೆ. ಹೆಚ್ಚಿನ ಸ್ಕೋರ್ ಅನ್ನು ಪ್ರಕಟಿಸುವ ಮೂಲಕ, ತನ್ನ ಇತ್ತೀಚಿನ ತಲೆಮಾರಿನ ಮಾಡೆಲ್ ತನ್ನ ಪ್ರಮುಖ ಪ್ರತಿಸ್ಪರ್ಧಿಯ ತಾರ್ಕಿಕ ಕಾರ್ಯಕ್ಷಮತೆಯನ್ನು ಸಮೀಕರಿಸುವುದು ಮಾತ್ರವಲ್ಲದೆ ಮೀರಬಲ್ಲದು ಎಂದು ಕಂಪನಿಯು ಸೂಚಿಸುತ್ತಿದೆ. ಆದಾಗ್ಯೂ, ಈ ಮುಖ್ಯಾಂಶವು ತಾಂತ್ರಿಕ ಸೂಕ್ಷ್ಮತೆಯನ್ನು ಮರೆಮಾಚಿದೆ, ಇದು ಸಮುದಾಯವು ಬೆಂಚ್‌ಮಾರ್ಕ್ ಕೋಷ್ಟಕಗಳನ್ನು ಓದುವ ರೀತಿಯನ್ನು ಮರುರೂಪಿಸುತ್ತಿದೆ.

ಅಂಕಿಅಂಶಗಳ ನಿಜವಾದ ಅರ್ಥವೇನು

Opus 5 ಗೆ 30.2% ಫಲಿತಾಂಶ ನೀಡಿದ ಅದೇ ಅಧಿಕೃತ ARC-AGI-3 ಹಾರ್ನೆಸ್ ಅಡಿಯಲ್ಲಿ GPT-5.6 Sol ಅನ್ನು ಮೌಲ್ಯಮಾಪನ ಮಾಡಿದಾಗ, ಮಾಡೆಲ್‌ನ ಯಶಸ್ಸಿನ ದರವು 7.8% ಕ್ಕೆ ಕುಸಿಯುತ್ತದೆ. ಈ ವ್ಯತ್ಯಾಸವು ತಾಂತ್ರಿಕ ದೋಷವಲ್ಲ; ಇದು OpenAI ತನ್ನ ಮಾಡೆಲ್‌ನೊಂದಿಗೆ ನೀಡುವ ಎರಡು ಎಂಜಿನಿಯರ್ಡ್ ವೈಶಿಷ್ಟ್ಯಗಳ ಫಲಿತಾಂಶವಾಗಿದೆ:

  • Retained Reasoning – ಪ್ರತಿ ಉಪ-ಕಾರ್ಯದ ನಂತರ chain-of-thought ಅನ್ನು ಅಳಿಸುವ ಬದಲು, ಈ ವ್ಯವಸ್ಥೆಯು ಮಧ್ಯಂತರ ಪಠ್ಯವನ್ನು ಉಳಿಸಿಕೊಳ್ಳುತ್ತದೆ, ಇದರಿಂದ ಮಾಡೆಲ್ ಹಿಂದಿನ ತೀರ್ಮಾನಗಳನ್ನು ಉಲ್ಲೇಖಿಸಲು ಮತ್ತು ಸಂಚಿತ ವಾದವನ್ನು (cumulative argument) ನಿರ್ಮಿಸಲು ಸಾಧ್ಯವಾಗುತ್ತದೆ.
  • Compaction – ಟೋಕನ್ ಮಿತಿಗಳ ಒಳಗೆ ಇರಲು ಹಳೆಯ ಸಂದರ್ಭವನ್ನು (context) ಕತ್ತರಿಸುವ ಬದಲು, ಈ ವ್ಯಾಪರ್ (wrapper) ಹಿಂದಿನ ಹಂತಗಳನ್ನು ಸಂಕ್ಷಿಪ್ತ ಸಾರಾಂಶವಾಗಿ ಸಂಕುಚಿತಗೊಳಿಸುತ್ತದೆ, ಇದರಿಂದ ಪ್ರಾಂಪ್ಟ್ ಗಾತ್ರವನ್ನು ನಿರ್ವಹಣಾ ಕೈಗೆಟುಕುವಂತೆ ಇರಿಸುವ ಜೊತೆಗೆ ತಾರ್ಕಿಕ ಸತತತೆಯನ್ನು ಕಾಪಾಡುತ್ತದೆ.

ಈ ಎರಡೂ ಕಾರ್ಯವಿಧಾನಗಳು ಪ್ರೊಪ್ರೈಟರಿ Responses API ಯಲ್ಲಿವೆ. ಮಾಡೆಲ್‌ಗೆ ಹೆಚ್ಚು ಸಮೃದ್ಧವಾದ ಮತ್ತು ನಿರಂತರವಾದ ಸಂದರ್ಭವನ್ನು ಒದಗಿಸುವ ಮೂಲಕ, OpenAI ಪರಿಣಾಮಕಾರಿಯಾಗಿ ಮಾಡೆಲ್‌ನ "ನೆನಪಿನ ಶಕ್ತಿ"ಯನ್ನು ಹೆಚ್ಚಿಸುತ್ತದೆ ಮತ್ತು ಅದು ತನ್ನದೇ ಆದ ತಾರ್ಕಿಕತೆಯನ್ನು ಮರುಬಳಕೆ ಮಾಡಲು ಅನುಮತಿಸುತ್ತದೆ. ಇದಕ್ಕೆ ವ್ಯತಿರಿಕ್ತವಾಗಿ, ಅಧಿಕೃತ ಹಾರ್ನೆಸ್ ಕಟ್ಟುನಿಟ್ಟಾದ "stateless" ಮೋಡ್ ಅನ್ನು ಜಾರಿಗೆ ತರುತ್ತದೆ, ಇದು ಅಂತಹ ಪ್ರಯೋಜನಗಳನ್ನು ಇಲ್ಲದಂತೆ ಮಾಡುತ್ತದೆ.

ಕಾರ್ಯವಿಧಾನವು ಏಕೆ ಮುಖ್ಯವಾಗುತ್ತದೆ

ಈ ಘಟನೆಯು AI ಮೌಲ್ಯಮಾಪನದಲ್ಲಿ ಬೆಳೆಯುತ್ತಿರುವ ವಿಭಜನೆಯನ್ನು ಎತ್ತಿ ತೋರಿಸುತ್ತದೆ: ರಾವ್ ಮಾಡೆಲ್ ಸ್ಕೋರ್‌ಗಳು ಮತ್ತು ಸಿಸ್ಟಮ್-ಮಟ್ಟದ ಕಾರ್ಯಕ್ಷಮತೆ. ಡೆವಲಪರ್‌ಗಳು ವಾಸ್ತವವಾಗಿ ನಿಯೋಜಿಸುವ (deploy) ಇಡೀ ಸ್ಟ್ಯಾಕ್ ಅನ್ನು – ಮಾಡೆಲ್, ಇನ್ಫರೆನ್ಸ್ ಪೈಪ್‌ಲೈನ್ ಮತ್ತು ಮೆಮೊರಿ ಮ್ಯಾನೇಜ್‌ಮೆಂಟ್ – ಒಂದು ಬೆಂಚ್‌ಮಾರ್ಕ್ ಪ್ರತಿಬಿಂಬಿಸಬೇಕು ಎಂದು OpenAI ವಾದಿಸುತ್ತದೆ. ಆ ದೃಷ್ಟಿಕೋನದಿಂದ, 38.3% ಸ್ಕೋರ್ ಎಂದರೆ ಪ್ರತ್ಯೇಕವಾಗಿ ಮೌಲ್ಯಮಾಪನ ಮಾಡಿದ ಮಾಡೆಲ್ ಅನ್ನು ಅವಲಂಬಿಸದೆ, ಸಂಯೋಜಿತ ಸೇವೆ ಹೆಚ್ಚಿನ ನೈಜ-ಜಗತ್ತಿನ ಕಾರ್ಯಗಳನ್ನು ಪರಿಹರಿಸಬಲ್ಲದು ಎಂದು ಉತ್ಪನ್ನ ತಂಡಕ್ಕೆ ತಿಳಿಸುತ್ತದೆ.

ವಿಮರ್ಶಕರು ಇದು ವೈಜ್ಞಾನಿಕ ಪ್ರಗತಿಯನ್ನು ಅಸ್ಪಷ್ಟಗೊಳಿಸುತ್ತದೆ ಎಂದು ಹೇಳುತ್ತಾರೆ. ಪ್ರತಿಯೊಂದು ಪ್ರಯೋಗಾಲಯವು ತನ್ನದೇ ಆದ ವ್ಯಾಪರ್‌ಗಳನ್ನು (wrappers) ಸೇರಿಸಿದರೆ, ಲೀಡರ್‌ಬೋರ್ಡ್ ಮಾಡೆಲ್ ಬುದ್ಧಿವಂತಿಕೆಯ ಶುದ್ಧ ಹೋಲಿಕೆಯಾಗುವ ಬದಲು ಎಂಜಿನಿಯರಿಂಗ್ ತಂತ್ರಗಳ ಮಿಶ್ರಣವಾಗುತ್ತದೆ. ಅಧಿಕೃತ ARC-AGI-3 ಹಾರ್ನೆಸ್ ಎಲ್ಲರಿಗೂ ಸಮಾನ ಅವಕಾಶವನ್ನು ನೀಡಲು ಅಸ್ತಿತ್ವದಲ್ಲಿದೆ, ಇದು ಹೆಚ್ಚಿನ ಸಂಖ್ಯೆಯು ಕೇವಲ ಸ್ಮಾರ್ಟ್ ವ್ಯಾಪರ್ ಅನ್ನು ಸೂಚಿಸದೆ, ನಿಜವಾಗಿಯೂ ಬಲವಾದ ಅಡಿಪಾಯದ ಮಾಡೆಲ್ ಅನ್ನು ಸೂಚಿಸುವುದನ್ನು ಖಚಿತಪಡಿಸುತ್ತದೆ.

ಡೆವಲಪರ್‌ಗಳು ಮತ್ತು ಹೂಡಿಕೆದಾರರಿಗೆ ಇರುವ ಪಣ

AI ಚಾಲಿತ ಉತ್ಪನ್ನಗಳನ್ನು ನಿರ್ಮಿಸುವ ಸ್ಟಾರ್ಟ್‌ಅಪ್‌ಗಳಿಗೆ, ಈ ವ್ಯತ್ಯಾಸವು ಪ್ರಾಯೋಗಿಕವಾಗಿದೆ. ತಾರ್ಕಿಕತೆಯನ್ನು ಉಳಿಸಿಕೊಳ್ಳಬಲ್ಲ ಮತ್ತು ಸಂದರ್ಭವನ್ನು ಸಂಕುಚಿತಗೊಳಿಸಬಲ್ಲ ಮಾಡೆಲ್‌ಗೆ ಪರಿಹಾರವನ್ನು ತಲುಪಲು ಕಡಿಮೆ ಪ್ರಾಂಪ್ಟ್ ಎಂಜಿನಿಯರಿಂಗ್, ಕಡಿಮೆ ಇನ್ಫರೆನ್ಸ್ ವಿಳಂಬತೆ (latency) ಮತ್ತು ಕಡಿಮೆ API ಕರೆಗಳ ಅಗತ್ಯವಿರುತ್ತದೆ. ಇದು ಕಡಿಮೆ ಕಂಪ್ಯೂಟ್ ಬಿಲ್‌ಗಳು ಮತ್ತು ಸುಗಮ ಬಳಕೆದಾರ ಅನುಭವಗಳಿಗೆ ದಾರಿ ಮಾಡಿಕೊಡುತ್ತದೆ. ಮಾಡೆಲ್ ಜೊತೆಗೆ ಆಪ್ಟಿಮೈಸ್ ಮಾಡಿದ ಇನ್ಫರೆನ್ಸ್ ಲೇಯರ್ ಹೊಂದಿರುವ ಟರ್ನ್‌ಕೀ (turnkey) ಸಿಸ್ಟಮ್ ಅನ್ನು ನೀಡುವ ಕಂಪನಿಗಳು ವೇಗ ಮತ್ತು ವೆಚ್ಚ ಮುಖ್ಯವಾಗುವಲ್ಲಿ ಸ್ಪರ್ಧಾತ್ಮಕ edge ಅನ್ನು ಪಡೆಯುತ್ತವೆ.

ಹೂಡಿಕೆದಾರರು ಭವಿಷ್ಯದ ಆದಾಯದ ಸೂಚಕವಾಗಿ ಬೆಂಚ್‌ಮಾರ್ಕ್ ಏರಿಕೆಗಳನ್ನು ಗಮನಿಸುತ್ತಾರೆ. ಮುಖ್ಯಾಂಶಗಳಲ್ಲಿ ಕಂಡುಬರುವ ಮುನ್ನಡೆ ಒಂದು ಕಂಪನಿಯ ಮೌಲ್ಯಮಾಪನವನ್ನು (valuation) ಹೆಚ್ಚಿಸಬಹುದು, ಅಡಿಪಾಯದ ಮಾಡೆಲ್‌ನ ರಾವ್ ಸಾಮರ್ಥ್ಯವು ಪ್ರತಿಸ್ಪರ್ಧಿಗಳೊಂದಿಗೆ ಸಮನಾಗಿದ್ದರೂ ಸಹ. ಆದ್ದರಿಂದ, ಅಂಕಿಅಂಶಗಳು ಏನನ್ನು ಪ್ರತಿನಿಧಿಸುತ್ತವೆ ಎಂಬ ಚರ್ಚೆಯು AI ವಲಯದಲ್ಲಿ ಬಂಡವಾಳವು ಹೇಗೆ ಹರಿಯುತ್ತದೆ ಎಂಬುದರ ಮೇಲೆ ಪ್ರಭಾವ ಬೀರುತ್ತದೆ.

ಮುಂದೆ ಏನನ್ನು ಗಮನಿಸಬೇಕು

  • Standard-setter ಪ್ರತಿಕ್ರಿಯೆಗಳು – ಬೆಂಚ್‌ಮಾರ್ಕ್ ಸಂಘಟಕರು "ಬಾಹ್ಯ" ಇನ್ಫರೆನ್ಸ್ ತಂತ್ರಗಳ ಸುತ್ತ ನಿಯಮಗಳನ್ನು ಬಿಗಿಗೊಳಿಸಬಹುದು ಅಥವಾ ಅವುಗಳನ್ನು ಸ್ಪಷ್ಟವಾಗಿ ಅನುಮತಿಸುವ ಪ್ರತ್ಯೇಕ "ಸಿಸ್ಟಮ್" ಟ್ರ್ಯಾಕ್ ಅನ್ನು ಸೇರಿಸಬಹುದು. ಅವರ ಪ್ರತಿಕ್ರಿಯೆಯು ಮುಂದಿನ ಸಾರ್ವಜನಿಕ ಲೀಡರ್‌ಬೋರ್ಡ್‌ಗಳ ಅಲೆಗೆ ರೂಪ ನೀಡುತ್ತದೆ.
  • Open-source ವ್ಯಾಪರ್‌ಗಳು – ಸಮುದಾಯವು retained reasoning ಮತ್ತು compaction ನ ತನ್ನದೇ ಆದ ಅನುಷ್ಠಾನಗಳನ್ನು (implementations) ಬಿಡುಗಡೆ ಮಾಡಿದರೆ, ಈ ಅನುಕೂಲವು ಪ್ರೊಪ್ರೈಟರಿ ಲಾಭವಾಗಿರದೆ ಒಂದು ಮೂಲಭೂತ ವೈಶಿಷ್ಟ್ಯವಾಗಿ ಬದಲಾಗಬಹುದು.
  • ನೈಜ-ಜಗತ್ತಿನ ಟೆಸ್ಟ್ ಬೆಡ್‌ಗಳು – ಕಂಪನಿಗಳು ಹೆಚ್ಚಾಗಿ ತಮ್ಮದೇ ಆದ ಸಮಸ್ಯೆಗಳ ಸೆಟ್‌ಗಳ ಮೇಲೆ (ಉದಾಹರಣೆಗೆ, ಆಂತರಿಕ ಕೋಡ್-ಜನರೇಷನ್ ಸೂಟ್‌ಗಳು) ಕಾರ್ಯಕ್ಷಮತೆಯನ್ನು ಪ್ರಕಟಿಸುತ್ತಿವೆ. ಆ ಫಲಿತಾಂಶಗಳು ಹೋಲಿಸಲು ಕಷ್ಟವಾಗಿದ್ದರೂ, ಅವು ಏಕೈಕ ಸಾರ್ವಜನಿಕ ಬೆಂಚ್‌ಮಾರ್ಕ್ ಗಿಂತ ಹೆಚ್ಚು ಮುಖ್ಯವಾಗತೊಡಗುತ್ತವೆ.

ವಿರೋಧಾತ್ಮಕ ವಾದ: ಇದು ಬೆಂಚ್‌ಮಾರ್ಕ್ ಅನ್ನು "ಗೇಮಿಂಗ್" (gaming) ಮಾಡಲಾಗಿದೆಯೇ?

ಕೆಲವು ಸಂಶೋಧಕರು ಕಸ್ಟಮ್ APIಗಳ ಬಳಕೆಯನ್ನು "ಬೆಂಚ್‌ಮಾರ್ಕ್ ಗೇಮಿಂಗ್" ಎಂದು ಕರೆಯುತ್ತಾರೆ, ಇದು ಮಾದರಿಯ ಮೂಲ ತಿಳುವಳಿಕೆಯನ್ನು ಹೆಚ್ಚಿಸದೆ ಕೇವಲ ಸ್ಕೋರ್‌ಗಳನ್ನು ಅತಿಯಾಗಿ ತೋರಿಸುತ್ತದೆ ಎಂದು ವಾದಿಸುತ್ತಾರೆ. ಕಟ್ಟುನಿಟ್ಟಾದ ಮಿತಿಗಳ ಅಡಿಯಲ್ಲಿ ಒಂದು ಮಾದರಿಯು ಏಕ ಅಂಕಿಗಳ ಕಾರ್ಯಕ್ಷಮತೆಗೆ ಕುಸಿಯುತ್ತಿದ್ದರೆ, ಅದು ಇನ್ನೂ AGI ಗುರಿಯಿಂದ ಬಹಳ ದೂರದಲ್ಲಿದೆ ಎಂದು ಅವರು ಬೆಟ್ಟು ಮಾಡುತ್ತಾರೆ. ತಾರ್ಕಿಕ ಸಾಮರ್ಥ್ಯದಲ್ಲಿನ ನೈಜ ಪ್ರಗತಿಗಿಂತ ಇಂಜಿನಿಯರಿಂಗ್ ಶಾರ್ಟ್‌ಕಟ್‌ಗಳಿಗೆ ಪ್ರತಿಫಲ ನೀಡುವ ಸಾಧ್ಯತೆಯಿದೆ ಎಂಬುದು ಕಳವಳದ ವಿಷಯವಾಗಿದೆ.

ಮಾದರಿ (model) ಮತ್ತು ವ್ಯವಸ್ಥೆಯ (system) ನಡುವಿನ ವ್ಯತ್ಯಾಸವು ದಿನದಿಂದ ದಿನಕ್ಕೆ ಕೃತಕವಾಗುತ್ತಿದೆ ಎಂದು OpenAI ಪ್ರತಿಪಾದಿಸುತ್ತದೆ. ಆಧುನಿಕ AI ಅಪ್ಲಿಕೇಶನ್‌ಗಳು ಮಾದರಿಯನ್ನು ಶೂನ್ಯದಲ್ಲಿ ಚಲಾಯಿಸುವುದಿಲ್ಲ; ಅವು ಯಾವಾಗಲೂ ಕ್ಯಾಷಿಂಗ್, ಕಾನ್ಟೆಕ್ಸ್ ಸ್ಟಿಚಿಂಗ್ ಮತ್ತು ಔಟ್‌ಪುಟ್ ಪೋಸ್ಟ್-ಪ್ರೊಸೆಸಿಂಗ್ ಅನ್ನು ನಿರ್ವಹಿಸುವ ಸರ್ವಿಂಗ್ ಲೇಯರ್‌ನ ಹಿಂದೆ ಇರುತ್ತವೆ. ಆ ದೃಷ್ಟಿಕೋನದಿಂದ ನೋಡುವುದಾದರೆ, ಬಳಕೆದಾರರು ವಾಸ್ತವವಾಗಿ ಅನುಭವಿಸುವುದನ್ನು ಅಳೆಯಲು ಇಡೀ ಪೈಪ್‌ಲೈನ್ ಅನ್ನು ಅಳೆಯುವುದು ಹೆಚ್ಚು ಪ್ರಾಮಾಣಿಕವಾಗಿದೆ.

ಸಾರಾಂಶ

ಇಂದಿನ ಬೆಂಚ್‌ಮಾರ್ಕ್ ವಿಜಯಗಳು ಮಾದರಿಯ ಗಾತ್ರದಷ್ಟೇ ಇನ್ಫರೆನ್ಸ್ ಇಂಜಿನಿಯರಿಂಗ್ ಮೇಲೆ ಅವಲಂಬಿತವಾಗಿವೆ ಎಂಬುದನ್ನು GPT-5.6 Sol ಕಥೆ ತೋರಿಸುತ್ತದೆ. ಸಮುದಾಯವು ಸಿಸ್ಟಮ್-ಮಟ್ಟದ ಸ್ಕೋರ್‌ಗಳನ್ನು ಸ್ವೀಕರಿಸುತ್ತದೆಯೇ ಅಥವಾ ಕಸ್ಟಮ್ ವ್ಯಾಪರ್‌ಗಳನ್ನು ನಿಯಂತ್ರಿಸುತ್ತದೆಯೇ ಎಂಬುದು ಮುಂದಿನ "ಲೀಡರ್‌ಬೋರ್ಡ್" ಸುದ್ದಿಯನ್ನು ನಾವು ಹೇಗೆ ಓದುತ್ತೇವೆ ಎಂಬುದನ್ನು ನಿರ್ಧರಿಸುತ್ತದೆ. AI ಉತ್ಪನ್ನಗಳನ್ನು ನಿರ್ಮಿಸುವ ಅಥವಾ ಹಣಕಾಸು ಒದಗಿಸುವ ಯಾರಿಗಾದರೂ ಪಾಠ ಸ್ಪಷ್ಟವಾಗಿದೆ: ಕೇವಲ ಅಂಕಿಅಂಶಗಳು ಮುಖ್ಯವಲ್ಲ, ಆದರೆ ಸುತ್ತಮುತ್ತಲಿನ ಸಾಫ್ಟ್‌ವೇರ್ ನೈಜ ಪ್ರದರ್ಶನದಲ್ಲಿ ನಿರ್ಣಾಯಕ ಅಂಶವಾಗಬಹುದು.