OpenAI 与 Ironclad 合作推进计算机使用能力

当我们推出GPT‑6 Astra时，我们展示了我们的模型在将计算机用于专业工作方面已经取得了多大的进步，从准备文档到测试网站。我们的下一个目标是让智能体在使用专业软件解决复杂业务问题方面更有能力、更高效。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。我们共同识别具有挑战性、高价值的任务，并将其转化为用于训练和评估我们模型的研究问题，最终使我们的模型在真实业务应用中更有能力、更有用。

我们的第一个合作伙伴是Ironclad，AI 合同领域的领导者。我们与 Ironclad 的团队紧密合作，开发了一些任务，要求智能体配置协议、审批和可复用的法律条款，并在这些复杂工作流上展示了进展。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关键作用。我们感谢他们的合作，并很高兴分享我们共同取得的成果。

GPT‑6 Astra 是我们首个基于 Ironclad 任务训练的前沿模型。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%。¹

设想一个法务运营团队正在建立采购软件的流程。财务可能需要审批超过一定金额的采购，安全部门可能需要审查某些请求，法务部门可能需要审查非标准条款。设置该流程的人必须把这份简短的清单转化为受理表单、文档模板、审批规则以及最终协议的记录。

一个 AI 智能体在做同样的工作时，必须在软件中推进的过程中始终把这些要求放在视野内。例如，它必须在支出阈值之上配置财务审批，并检查高于和低于该阈值的请求是否遵循正确的路径。把单个步骤做对还不够：完成的流程必须能在其设计要处理的各种情境下正常工作。

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出了法律、商业和采购工作中的 11 项任务。这些任务包括设置保密协议、创建采购审批流程，以及更新一条可复用的法律条款，使其反映请求者所选择的司法管辖区。我们估计，这项工作对于一位有经验的用户来说，平均每项任务大约需要 30 到 40 分钟。

我们根据任务的复杂程度，用 8 到 50 条标准来评估每项任务。这让我们能够看到模型哪些部分做对了、哪些地方做得不够。Ironclad 还提供了其产品的托管软件环境，让模型可以在其中练习这些任务。我们的研究人员开发了合成训练任务²围绕具有代表性的工作流，并使用强化学习帮助模型通过练习和反馈不断改进。这种组合——与了解这项工作的人共同挑选的任务、详细的标准，以及供模型练习的场所——确保我们改进的是对客户最重要的真实世界任务。

我们比较了 Astra 和 GPT‑5.6 Sol，Astra 使用 Max 推理，Sol 使用 High 推理，这是每个模型得分最高的设置。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%，同时每次尝试的估计平均时间从 Sol 的 37.0 分钟降至 Astra 的 19.2 分钟。³在 Astra 开发中使用的一个内部模型在这些任务上取得了更高的 63.7%，我们的目标是将这些进一步的提升带到未来的模型中。

Astra 在每次尝试中用了更少的模拟时间，却满足了更多任务要求。下面两个片段展示了两个模型如何处理同一个研究任务。Astra（第一个）在约 20 分钟内满足了约 94% 的任务标准；GPT‑5.6 Sol（第二个）在约 32 分钟内满足了约 85%。

Ironclad 在这项工作中的角色反映了一个其客户非常熟悉的挑战：合同流程必须处理例外情况，同时保留企业所依赖的规则。如果智能体在任务进行到一半时丢失了其中某条规则，就会限制软件公司能够放心交给它做的事情。这凸显了为什么随着智能体在复杂合同任务上越来越强，人工监督仍然重要，以及为什么一个完整的合同平台仍然不可或缺。与我们的研究人员合作，让 Ironclad 能够把这些问题带入底层模型的开发过程中，在那里我们可以共同研究它们。

随着模型能力越来越强，Ironclad 有机会将它们用于自己更多的产品中。对于法律和业务团队来说，这可能意味着 AI 在复杂合同工作中承担更多工作，同时保留这些团队所依赖的控制措施。

我们正在邀请少数软件公司，与我们的研究和工程团队直接合作，处理当今智能体仍无法可靠完成的重要专业任务。如果你的团队有这样的任务，我们希望看到一个具体的例子：你要求智能体做什么、它在哪些地方失败的证据，以及你会如何判断结果是否成功。合作伙伴还应能够提供深入了解这项工作的人员、安全的测试环境，以及可安全用于研究的数据。这为我们调查失败原因并衡量模型是否有所改进提供了一个起点。