V7 借助 GPT-5.6 Luna 降低 78% 成本,同时提升准确率
原题:V7 cuts costs 78% while boosting accuracy with GPT-5.6 Luna
内容导读
使用GPT-5.6,V7将分散的公司文件转化为上下文代理可以用来完成复杂而与源相链接的工作.

全文阅读
来源:OpenAI即会翻译
2026年9月21日 (中文(简体) ).
启动V7切割成本为78%,同时提高GPT的准确度-5.6月
V7如何为复杂工作赋予AI代理机构内存,GPT ⁇ 6 Astra在其最难的图克测试上打出89%的精度.

结果
89%
在最困难的询问中, GPT-6 Astra 的准确性
结果
78%
使用GPT-5.6 Luna的每份文件费用较低
结果
+11.6平方厘米
GPT-5.6 月球精度较高
今天的模型可以通过复杂的任务来解释,但是它们并不自动理解这些任务的基本商业背景。哪些基金报告是最新的?同一实体在三个系统之间如何命名?
这种背景存在于文件、数据室、电子表格、电子邮件和内部工具中:分散的、未解决的和代理人看不见的。对于财务、保险和房地产方面的团队来说,工作流程中的检索准确性是不可谈判的。
在共同构建了被广泛使用的计算机视觉无障碍应用后,里佐利和爱德华松于2018年开始V7 ⁇ (在新窗口打开),帮助公司教导AI系统他们的企业如何运作.V7 Go是一个代理平台,用于构建任务关键工作流程,并将被掩埋的上下文组织到内存中,由代理商可以查询并采取行动.
V7 Go使用GPT ⁇ 5.6 Luna从上百万个文件中提取出信息,并将其组织在上下文图中,上下文图连接实体,关系,并引用出证据,为MCP搜索提供动力,并重复可以跨出上百个步骤的工作流程.对于"工作流程",V7 Go使用GPT ⁇ 5.6 Terra和Sol用于推理和工具使用,跨越复杂多步骤指令,需要人类数十小时才能完成.V7也开始使用GPT ⁇ 6 Astra进行最严格的上下文图表查询,包括对上千个文件的财务分析.
V7说,在背景、模型和工具一起工作的情况下,代理商在几分钟内完成50-100个步骤的工作流程,达到99.9%的准确性,同时保持每个决定的可审计线索。
“为了解决企业在金融和保险方面的使用问题,AI需要学习你的企业如何运作,就像从互联网上学到的那样。”
让代理人了解整个业务的背景
背景图解决了一个具体问题。特工们必须在每次请求中重新发现背景,导致数十起搜索耗用时间和信使,并经常丢失隐匿在关系之中的关键信息.
当数据到达时, V7 Go 连接到SharePoint 和 Google Drive 等寄存器, 扫描这些寄存器的实体、关系、事实、属性和度量标准, 并填入一个比长文本方法更便宜、更快的图表。
上下文图为代理提供了可直接查询的有条理的最新记录.当一个新的文件到达时,V7 Go在肿瘤学中识别公司、资金、人员或任何实体,然后将每个事实与新的或现有的记录联系起来,并将引用的证据保存在原始来源。如果图中未包含足够的信息,V7 Go仍能用RAG来搜索基础文档.
V7还检验了这种背景的结构的重要性。在HERB这个覆盖企业系统的信息搜索和连接的基准上,V7的只检索系统比官方基准高了69%,并且将无法回答的询问上的幻觉减少了38%。V7 Go利用这种与源相联的上下文来维持基于每个公司自身信息的复杂工作流程.
V7 Go在诸如私募股权交易筛选和保险承销等工作流程中使用了组织上下文.在下面的演示中,一个工作流程从名为"机密信息备忘录"的交易文件中提取信息,为关键财务,交易条款,管理细节提供素材,并引用了风险字段后再由V7 Go制作筛选说明.
背景图可以让一个模型与公司的历史一起工作,而无需每次重新学习。对于长期运营的代理商,V7 Go将最近的交流保留在模型的活性上下文中,并将旧材料储存在图中,以便在需要时取回.
已经加快了V7客户的文件繁忙工作:
- 资产管理人可以比以前更快地筛选21个交易,将全天流程缩短到15分钟
- 金融服务小组将审查时间从100多小时缩短到10岁以下,每次任务节省专家费用12 000美元
- 与人工基线相比,保险小组在让其代理人了解以往所有索赔和现有政策之后,将处理索赔方面的错误减少了13.5%
“有了GPT-5.6 Terra,我们得以取消以前存在的许多中间工作流程阶段,这些阶段只是为了简化模型的任务。也常常在工作流程的一站式建设上把事情搞对,
选择 OpenAI 使复杂工作流程保持轨道
复杂多步骤的工作流程依赖于一个模型可靠地遵循了冗长的指令,运行工具,解释结果,并导航出一长串步骤.单个上游错误会导致昂贵的后果并打破对AI系统的信任.V7 Go指导跨长视野任务的模型,涵盖确定性代码,向更小的模型移交,文件生成步骤,以及集成,每个运行都有可审计的痕迹.
在AI生成的工作流程中,V7 Go将每个步骤都映射到快,中,和智能的分级.GPT ⁇ 5.6 卢纳处理结构化提取和其他高容量的工作,而GPT ⁇ 5.6 Terra 或 Sol 电源聊天,Go Agent路径,以及需要更多推理或工具使用的步骤.
V7对照持续维护的基准套件测试新模型,包括引用准确性、数百个文件类型的提取质量、回答正确性、指令随从、耐久性、成本和现实世界企业工作流程。OpenAI在V7最关心的行为上的表现优于大多数模型.OpenAI也批准并实施了V7的容量需求在数小时内增加,而其他供应商的V7用途则需要数周.
“我们选择了OpenAI作为我们的默认,因为它在多步骤工具工作流程V7 Go上表现最好。在我们的背景图基准中,GPT-5.6 Sol将工具调用出错率从2.7%与GPT-5.5降低到0.2%。”
V7最新版本中,一些外部电话的关键工作流程现在完成的速度快到50%。V7用GPT ⁇ 5.6 Luna测量了另一种效率增益:每份文件的成本比GPT ⁇ 5.4迷你低了78%.V7还将其文件重的V7 Go工作量从Chat Reprofessions API转移到了Resolution API.在测试中,这一变化使一些PDF重活的工作流程的象征性使用减少了约5%,并改进了缓存可靠性.
V7还测试了GPT ⁇ 6 Astra最难的询问.GPT ⁇ 5.6 Sol已经饱和了V7的许多现有基准,因此该公司利用数千个文件中的更混乱的、真实世界的数据,创建了一套更具挑战性的图克问题。测试的数据集包含四个难度级别。在非常硬的层面上,V7报告GPT ⁇ 5.6 Sol的得分为78%,而GPT ⁇ 6 Astra的得分为89%的准确度.两个型号在简单,中,硬的级别上都得分接近100%.
将企业所知的带入ChatGPT和Codex
V7 Go已经通过它的MCP服务器曝光了上下文图形查询和摄取,因此客户可以从ChatGPT和其他相容客户端中使用.他们也可以通过"Codex"中的MCP来创建V7 Go工作流程.加上更简单的工作流程设计,这使得创建中长工作流程所需的时间从一个小时左右缩短到大约20分钟.
V7的更长远目标是让共同记忆更加主动.团队正致力于工作流程, 当背景图中的事实变化、旗子不一致,例如,重报的基金报告可以促使V7 Go标出仍然依赖旧数字的工作。
Rizzoli说, “我们的目标是帮助企业为AI时代重新配备工作流程,“从大赦国际获得实际价值的金融公司将不会是那些拥有最多代理人的公司。他们将是最有背景的人。”
OpenAI < 3 启动
继续读

启动Sep 23, 2026

启动Sep 22, 2026

启动Sep 21, 2026
原文及图片版权归原作者或相应权利人。文中观点是原作者的,与即会无关。