GPT-6 Astra giúp OpenAI vượt mặt Anthropic về doanh thu doanh nghiệp, Sam Altman sắp tung sản phẩm lớn

⚡ GPT-6 ASTRA GIÚP OPENAI VƯỢT MẶT ANTHROPIC VỀ DOANH THU DOANH NGHIỆP, SAM ALTMAN SẮP TUNG SẢN PHẨM LỚN

GPT-6 Astra đang chứng minh là một cú hit tuyệt đối đối với OpenAI, đánh giá qua lượng doanh thu từ doanh nghiệp mà phòng thí nghiệm AI này thu hút được so với đối thủ Anthropic, đơn vị vốn đang gặp thế bất lợi lần đầu tiên trong khoảng 2 năm rưỡi qua.

Theo dữ liệu từ OpenRouter, người dùng đã chi nhiều tiền hơn cho các mô hình của OpenAI so với Anthropic vào tuần trước, đảo ngược hoàn toàn cục diện duy trì trong 2,5 năm qua. Góc nhìn này cũng được củng cố bởi dữ liệu từ Ramp, cho thấy GPT-6 Astra của OpenAI chiếm 13% thị phần doanh thu doanh nghiệp vào tuần trước, trong khi các mô hình dòng Fable của Anthropic chỉ đạt 8%.

Tất nhiên, Anthropic vẫn dẫn đầu về tỷ lệ áp dụng tổng thể. Nhưng nếu các xu hướng gần đây được duy trì, OpenAI hoàn toàn có thể tạo ra màn lội ngược dòng dựa trên sức mạnh của Astra.

Như chúng tôi đã lưu ý gần đây, OpenAI đã huấn luyện GPT-6 Astra trên một cụm 100.000 GPU, với chi phí huấn luyện có thể dao động từ 500 triệu đến 1 tỷ USD. Để người đọc dễ hình dung, thay vì yêu cầu các nhà phát triển cung cấp API riêng cho từng ứng dụng mà tác nhân AI cần sử dụng, GPT-6 Astra có thể điều hướng bất kỳ phần mềm nào theo cách giống hệt con người: tự động tạo ra các tác nhân hoạt động trên trình duyệt, bảng tính, trang web và ứng dụng máy tính để bàn, tạo ra các tài liệu và bài thuyết trình hoàn chỉnh cũng như thực hiện quy trình làm việc nhiều bước.

Về cơ bản, công cụ suy luận cốt lõi của GPT-6 Astra sử dụng cấu trúc đa tác nhân gốc để giải quyết các vấn đề phức tạp. Khi đối mặt với một nhiệm vụ khó khăn, tác nhân điều phối chính của mô hình có thể xây dựng một lý thuyết và triển khai các tác nhân phụ riêng biệt để thử nghiệm các biến thể và xác thực kết quả song song. Sự ủy quyền gốc này giúp mô hình có khả năng chống chịu cao trước các "vòng lặp lỗi" - tình trạng mô hình bị kẹt trong các chu kỳ lỗi lặp đi lặp lại - cho phép nó tự động gỡ lỗi mã của chính mình và điều chỉnh chiến lược ngay lập tức.

Hơn nữa, theo SemiAnalysis, rất có thể GPT-6 Astra của OpenAI sử dụng kiến trúc transformer lặp (looped transformer). Tóm lại, một mô hình AI cơ bản bao gồm một chuỗi các khối hoặc lớp transformer được tạo thành từ hai yếu tố chính:
• Lớp chú ý (Attention Layer) xem xét cách các từ trong một câu kết nối với nhau. Ví dụ: nếu bạn đưa ra câu lệnh Paris là thủ đô của Pháp, lớp chú ý sẽ liên kết từ 'thủ đô' với 'France' và xác định 'Paris' là câu trả lời.
• Mạng chuyển tiếp (Feed-Forward Network - FFN) chứa toàn bộ kiến thức của mô hình dưới dạng trọng số, và chính lớp này sử dụng các công thức toán học sâu để khai ⭡ṍng ý nghĩa đằng sau mỗi từ.

Trong một mô hình thông thường, một token đầu vào đi qua lớp 1, sau đó là lớp 2, cho đến lớp cuối cùng, với mỗi lớp sở hữu các trọng số riêng biệt. Tuy nhiên, trong kiến trúc transformer lặp, token được đưa qua một khối transformer nhất định nhiều lần, nơi mỗi lần truyền qua cùng một trọng số cho phép lớp đó tinh chỉnh đầu ra của mình. Điều này giúp các phản hồi của mô hình trở nên chính xác hơn nhiều mà không làm tăng lượng trọng số hoặc tham số. Mặt khác, các transformer lặp lại làm tăng đáng kể kích thước của bộ nhớ đệm KV. Tuy nhiên, chính kiến trúc độc đáo này có lẽ là yếu tố cho phép GPT-6 Astra của OpenAI đạt được những cải thiện hiệu suất đáng kể.

Cuối cùng, cần lưu ý rằng Sam Altman vừa hé lộ một bản phát hành mô hình lớn trong tuần này, với tuần tới dự kiến sẽ chứng kiến nhiều màn ra mắt tương tự như sự kiện OpenAI DevDay 2025, thời điểm phòng thí nghiệm AI này công bố 7 bản ra mắt sản phẩm lớn và cập nhật nền tảng.

🗞 Nguồn: Wccftech

#vgsnews #vgs #tintuc