Databricks θέτει το GPT-5.5 επικεφαλής των agents εταιρικών εγγράφων

Τι μετρά στην πραγματικότητα το OfficeQA Pro

Η Databricks δημιούργησε το OfficeQA Pro για να δοκιμάσει τα λιγότερο εντυπωσιακά κομμάτια της εταιρικής εργασίας: ανάλυση, ανάκτηση και τεκμηριωμένο συλλογισμό σε σκαναρισμένα PDF, παλαιά αρχεία και έγγραφα με μεγάλο context. Αυτές είναι οι εργασίες που, σύμφωνα με τη Databricks, «καταρρίπτουν συχνά τα συστήματα agents παραγωγής».

Αυτή η οπτική έχει σημασία. Το benchmark δεν εξετάζει αν ένα μοντέλο μπορεί να συλλογιστεί καλά σε αφηρημένο επίπεδο — εξετάζει αν ένα μοντέλο μπορεί να εξάγει το σωστό ψηφίο από μια σκαναρισμένη σελίδα και να το μεταφέρει σωστά μέσα σε μια ροή εργασίας πολλών βημάτων. Σε αυτή τη δοκιμή, το GPT-5.5 έγινε το πρώτο μοντέλο που ξεπέρασε το 50% ακρίβειας και μείωσε τα σφάλματα κατά 46% σε σύγκριση με το GPT-5.4.

Ένα benchmark που επικεντρώνεται σε σκαναρισμένα και παλαιά έγγραφα αποτελεί ένδειξη του πού λειτουργούν στην πραγματικότητα οι πελάτες της Databricks: αρχεία με ατελή έγγραφα, όχι καθαρά δομημένα δεδομένα.

Γιατί ένα λάθος ψηφίο δημιουργεί αλυσιδωτή αντίδραση

Η πιο συγκεκριμένη λεπτομέρεια στην ανακοίνωση αφορά τη διάχυση σφαλμάτων. Ο Research Engineer Arnav Singhvi περιγράφει πώς μικρά λάθη εξαγωγής συσσωρεύονται καθ' όλη τη διαδρομή ενός agent.

Μόλις δεν μπορείτε να εξάγετε ένα συγκεκριμένο ψηφίο ή αριθμό, αυτό αλλάζει ολόκληρη την πορεία με την οποία δουλεύει ο agent.Montana Labs

Αυτή είναι η βασική διαπίστωση πίσω από τη μείωση σφαλμάτων κατά 46%. Σε ένα chatbot, μια κακή ανάλυση παράγει μία λανθασμένη απάντηση. Σε έναν agent, αυτή η κακή ανάλυση τροφοδοτεί κάθε επόμενο βήμα, οπότε η ακρίβεια ανάλυσης λειτουργεί ως πολλαπλασιαστής της συνολικής αξιοπιστίας της ροής εργασίας. Η Databricks αναφέρει ότι οι μεγαλύτερες βελτιώσεις του GPT-5.5 προήλθαν ειδικά από αυτές τις ροές εργασίας με έντονη ανάλυση, κάτι που ο Singhvi αποκαλεί «άλμα βηματικής συνάρτησης στην ανάλυση παλαιότερων εγγράφων και σκαναρισμένων PDF».

Λιγότερες παρακάμψεις αναζήτησης, λιγότερη επίβλεψη

Πέρα από την ανάλυση, η Databricks επισημαίνει τη συμπεριφορά ορχήστρωσης. Ο Singhvi αναφέρει ότι το GPT-5.4 έκανε κάποιες φορές «περιττές παρακάμψεις αναζήτησης» που οδηγούσαν σε αναποτελεσματικές διαδρομές, και ότι το GPT-5.5 ήταν πιο αξιόπιστο στην ανάκτηση σχετικού context και στην ολοκλήρωση σύνθετων εργασιών χωρίς πρόσθετη επίβλεψη.

Αυτό διαβάζεται τόσο ως ισχυρισμός για αποδοτικότητα και κόστος όσο και για ακρίβεια. Τα χαμένα βήματα ανάκτησης κοστίζουν σε tokens και καθυστέρηση, και κάθε βήμα που χρειάζεται ανθρώπινη επίβλεψη υπονομεύει το επιχείρημα για αυτοματοποίηση. Η Databricks περιγράφει ένα μοντέλο που παραμένει προσηλωμένο στην εργασία.

Το μοντέλο αναπτύσσεται ως επιβλέπων, όχι ως εκτελεστής

Η διαδρομή ανάπτυξης είναι το πιο συγκεκριμένο σημείο αυτής της ανακοίνωσης. Το GPT-5.5 είναι διαθέσιμο μέσω του AI Unity Gateway της Databricks και λειτουργεί εντός ροών εργασίας που έχουν χτιστεί με το AgentBricks και το Agent Supervisor API. Σε αυτά τα συστήματα, η Databricks αναφέρει ότι το GPT-5.5 «ορχηστρώνει την ανάλυση, την ανάκτηση και την εκτέλεση σε εξειδικευμένους agents».

Έτσι, το GPT-5.5 δεν απαντά απλώς σε ερωτήσεις εγγράφων — τοποθετείται στο επίπεδο συντονισμού πάνω από άλλους agents. Η υπόνοια είναι ότι η Databricks ποντάρει στο ότι οι βελτιώσεις αξιοπιστίας που μέτρησε στην ανάλυση και την ορχήστρωση είναι ακριβώς οι ιδιότητες που απαιτούνται για να μπορεί ένα μοντέλο να διευθύνει με ασφάλεια άλλα στοιχεία, αντί απλώς να εκτελεί μία εργασία.

Το να έχουμε το GPT-5.5 να επιβλέπει αυτές τις ροές εργασίας είναι πραγματικά συναρπαστικό.Montana Labs

Για τις ομάδες που χτίζουν εταιρικούς agents πάνω σε παλαιά αποθετήρια εγγράφων, το πρακτικό συμπέρασμα από αυτή τη συγκεκριμένη κυκλοφορία είναι στοχευμένο και χρήσιμο: αξιολογήστε το μοντέλο σας στα σημεία όπου τα σφάλματα εξαγωγής δημιουργούν αλυσιδωτές αντιδράσεις, και αντιμετωπίστε τον ρόλο του επιβλέποντος ως διακριτή απαίτηση αξιοπιστίας σε σχέση με τον ρόλο εκτέλεσης εργασιών.