V7 reduz custos em 78% e aumenta a precisão com GPT‑5.6 Luna

Vídeo de autoria do canal indicado, não da IANIA; todos os direitos pertencem ao criador. Transcrição, resumo e tradução gerados automaticamente; o conteúdo no idioma original é preservado na versão em idioma original.

Idioma original: inglês

Vídeo original: V7 cuts costs 78% while boosting accuracy with GPT‑5.6 Luna · Canal: OpenAI · 01:32 · Assistir no YouTube

Tópicos: Agentes de IA, Automação de tarefas e workflows, Avaliação e benchmarks de IA, Engenharia de prompts e contexto, RAG, busca e recuperação de informação

Resumo

A OpenAI descreve como GPT‑5.6 pode criar workflows empresariais complexos a partir de instruções extensas, com citações que fundamentam os fatos. A plataforma V7 Go complementa os modelos com um context graph que organiza entidades, fatos e relações sobre os dados da empresa. Segundo o vídeo, erros de tool calling no benchmark de context graph caíram de 2,7% para 0,2%, e as alucinações diminuíram 38% com GPT Luna. Os novos modelos também aceleram a pesquisa de informações e melhoram a profundidade e a precisão de documentos de investimento.

Pontos-chave

GPT‑5.6 consegue processar até 100 páginas de instruções para montar workflows empresariais de ponta a ponta.
A V7 Go usa citações para vincular cada fato a uma fonte.
O context graph organiza entidades, fatos e relações segundo uma ontologia adequada aos dados da empresa.
Erros de tool calling no benchmark de context graph caíram de 2,7% para 0,2%.
Com GPT Luna no context graph da V7 Go, as alucinações diminuíram 38%.
Os modelos mais novos melhoram a compreensão visual de documentos.
A pesquisa de informações sobre empresas passou de minutos para segundos, sem reingestão de todos os dados.
Os memorandos de investimento produzidos pelos modelos mais novos apresentam mais profundidade e precisão.

Capítulos

Início	Capítulo	Resumo
00:00	Workflows empresariais complexos	GPT‑5.6 pode transformar instruções extensas em workflows de ponta a ponta, com citações para fundamentar os fatos.
00:30	Memória empresarial e context graph	A V7 Go combina memória contextual com uma estrutura de entidades, fatos e relações, enquanto os erros de tool calling diminuem.
01:01	Menos alucinações e resultados mais rápidos	GPT Luna reduz alucinações, acelera a pesquisa empresarial e melhora a qualidade dos documentos de investimento.

Citações

Os modelos mais recentes conseguem ingerir 100 páginas de instruções e construir um workflow que as resolve de ponta a ponta. — 00:00

Os erros de tool calling no nosso benchmark de context graph caíram de 2,7% para apenas 0,2%. — 00:30

Com GPT Luna no context graph da V7 Go, vimos as alucinações diminuírem 38%. — 01:01

Agora levamos apenas alguns segundos e não precisamos ingerir todos os dados de novo desde o início. — 01:01

Conceitos e entidades

GPT-5.6 (modelo): Modelo mencionado como capaz de lidar com workflows empresariais complexos e instruções extensas.
GPT Luna (modelo): Modelo associado à redução de alucinações no context graph da V7 Go.
V7 Go (ferramenta): Plataforma apresentada como suporte para criar workflows empresariais com citações e memória contextual.
Context Graph (conceito): Estrutura que armazena entidades, fatos e relações seguindo uma ontologia alinhada aos dados da empresa.
ontology (conceito): Modelo de organização usado pelo context graph para representar dados, entidades e relações.
RAG (conceito): Abordagem citada como propensa a levar modelos antigos a tentar adivinhar respostas para perguntas sem resposta.
OpenAI (empresa): Empresa cujo canal publicou o vídeo e que é mencionada como parceira da V7.
tool calling (conceito): Capacidade avaliada no benchmark de context graph, no qual os erros reportados caíram de 2,7% para 0,2%.

Tradução completa (pt-BR)

00:00 Com o GPT-5.6, vimos grandes melhorias na criação de workflows empresariais com o V7 Go. Há alguns meses, os modelos não conseguiam entender muito bem processos complexos, como a análise de risco de seguros ou a avaliação de operações financeiras, mas os modelos GPT mais recentes conseguem assimilar 100 páginas de instruções e criar um workflow capaz de executá-los de ponta a ponta. O V7 Go ajuda os modelos GPT a desenvolver esses workflows de longo prazo, com citações que fundamentam cada fato.

00:30 >> E, recentemente, um sistema de memória que se lembra de tudo sobre a sua empresa. >> Avaliamos cada novo modelo e, com o GPT-5.6, percebemos que os erros de chamadas de ferramentas em nosso benchmark de grafo de contexto caíram de 2,7% para apenas 0,2%. >> Sim, o modelo é apenas metade da equação, porque a outra metade é a plataforma em que esses modelos são executados. E nosso grafo de contexto armazena todas essas informações sobre entidades, fatos e relações, seguindo uma ontologia que corresponde aos seus dados. Antes, os modelos costumavam cometer erros de ingestão

01:01 especialmente ao decidir se valia a pena lembrar um fato ou não. >> Modelos mais antigos que usavam RAG também tentavam adivinhar respostas para perguntas impossíveis de responder. Com o GPT-5.6 Luna no grafo de contexto do V7 Go, vimos as alucinações diminuírem 38%. A compreensão visual de documentos também está melhorando bastante. >> E estamos vendo os mesmos benefícios nos workflows. Antes, levávamos minutos para pesquisar informações sobre empresas e então fornecer um resultado ao usuário. Agora, levamos apenas alguns segundos e não precisamos ingerir novamente

01:32 todos os dados do zero. >> Também estamos vendo a qualidade dos resultados melhorar. Os modelos anteriores costumavam gerar memorandos de investimento razoáveis, mas não tinham a profundidade e a precisão que vemos nos novos modelos. >> Sim, a suíte GPT-5.6 está nos permitindo resolver casos de uso que, há um ano, eram impraticáveis ou até impossíveis. E, ao combinar isso com um mecanismo de workflow e um sistema de memória, podemos ajudar essas empresas, conhecidas pela lentidão em se reestruturar para a AGI. E estamos muito felizes por trabalhar com a OpenAI nessa direção.

Transcrição original

[00:00] With GPT 5.6 we seen huge improvements in the build out of enterprise workflows with a B7 Go. A few months ago the models couldn’t really understand complex processes like insurance underwriting or screening of finance deal, but the latest GPT models can ingest 100 pages of instructions and build out a workflow that can solve them end to end. B7 Go helps GPT models develop these long horizon workflows with citations that anchor every fact.

[00:30] >> And recently a memory system that remembers everything about your company. >> We benchmark every new model and with GPT 5.6 sold we noticed that tool called errors in our context graph benchmark dropped from 2.7% to just 0.2%. >> Yeah, the model’s only half the equation because the other half is the platform where these models run on. And our context graph store all this information about entities, facts, relationships following an ontology that matches your data. Previously models used to make ingestion

[01:01] errors especially whether fact was worth remembering or not. >> Older models using rag would also try and guess unanswerable queries. With GPT Luna on V7 Go context graph we’ve seen hallucinations reduced by 38%. Visual understanding of documents is also getting much better. >> And we’re seeing the same benefits in workflows as well. I were previously we took minutes to research companies information and then just give the user an output. Now we take just a few seconds and we don’t need to re-ingest

[01:32] all the data from scratch. >> We’re also seeing the quality of the output improve. So previous models used to generate decent investment memos, but they lack the depth and accuracy that we’re seeing with the new models. >> Yeah, so the GPT 5.6 suite is letting us solve use cases that a year ago were impractical or even impossible. And combining that within a workflow engine and a memory system we can help these enterprises that are known for their slowness in retooling towards the AGI. And we’re thrilled to be working with OpenAI towards that.