ウェブ上でナレッジワークを行うAIエージェント(agents)向けの開発者向けインフラを構築しているParallelは、GPT-6 Astraにより、同社のエージェントが労働市場データ(labor-market data)を従来のモデル(prior models)の半分の時間と半分のコストでリサーチし統合(synthesize)できたことを示しました。

Parallelのツールは、音声エージェント向けのウェブグラウンディング(web grounding)から、金融機関や法務系の顧客向けのリサーチまで幅広く支援し、フロンティアモデルとウェブ検索を組み合わせています。一方、最も長時間かかるリサーチタスク(research tasks)では、高品質な回答を得るには通常、拡張推論(extended reasoning)を使う大きなモデルが必要で、時間とリソースをより多く消費していました。

Parallelは、GPT-6 Astraのテストで、そのエージェントに4つの州における6か月分の6種類の労働市場の統計をリサーチさせました。このエージェントは複数のウェブサイトを横断して検索・情報収集し、結果を1つのリサーチレポートにまとめる必要がありました。

労働市場の統計をリサーチするテストでは、GPT-6 Astraは従来のモデルの半分の時間で作業を完了し、コードのコストを約50%削減しながら、同じ品質のリサーチを提供しました。またParallelは、「Astraを使えば、より少ないリサーチ呼び出しとより少ないトークンで、同じ高品質のリサーチをはるかに速く得られることを実証できた」と述べています。

ParallelはGPT-6 Astraについて、より的を絞った検索を行い、有用な結果に至るまでのステップ数が少なかったことも観察しました。Astraは従来のモデル(previous models)に比べ、より的を絞った検索クエリを発行し、世界知識(world knowledge)を取り入れつつ最終的なタスクにより集中できた、と同社は述べています。

効率の向上により、Parallelが複数のエージェント間でリサーチを分担することがより現実的になりました。GPT-6 Astraは特定のリサーチタスクをサブエージェントに委任でき、作業を同時並行で進められるため、一連の検索を単一の順序で進める時間が減ります。Parallelは現在、複雑な問いからリサーチ済みの回答に至るより良い道筋を得ており、待ち時間が短く、コストが低く、要求の厳しいリサーチタスクを大規模に扱う余地も広がっています。