Компания OpenAI расширила семейство GPT-6, представив две новые модели — GPT-6 Sol и GPT-6 Luna. В отличие от флагманского GPT-6 Astra, представленного ранее в сентябре 2026 года, новые модели рассчитаны не столько на достижение максимальной возможной производительности, сколько на сочетание возможностей, скорости и стоимости.
Главная особенность новинок заключается именно в цене. OpenAI снизила стоимость обработки токенов примерно вдвое относительно промо-тарифов предыдущего поколения GPT-5.6. При этом Sol и Luna получили большую часть технологических улучшений, которые ранее были реализованы в GPT-6 Astra.
Таким образом, стратегия OpenAI становится более очевидной: самые сложные задачи остаются за флагманским Astra, а Sol и Luna должны сделать современные возможности рассуждающих моделей доступными для значительно большего количества автоматизированных процессов.
Официально GPT-6 Sol позиционируется как модель для сложного программирования и агентных рабочих процессов, а GPT-6 Luna — как наиболее эффективная модель для сфокусированных и массовых задач.
Что такое GPT-6 Sol и GPT-6 Luna
GPT-6 Sol и GPT-6 Luna являются двумя моделями внутри нового поколения GPT-6. Обе используют общую технологическую базу, но рассчитаны на разные сценарии.
- GPT-6 Sol предназначен для сложной работы, программирования, автоматизации и агентных сценариев.
- GPT-6 Luna оптимизирован для большого количества относительно сфокусированных задач, где особенно важны скорость и стоимость.
- Обе модели поддерживают текстовый и графический ввод.
- Обе имеют контекстное окно до 1,05 млн токенов.
- Максимальный объём генерируемого ответа достигает 128 000 токенов.
- Модели доступны через Responses API и Chat Completions API.
Кроме того, Sol и Luna поддерживают вызов функций, структурированные ответы, потоковую передачу данных и работу с инструментами. В API для них доступны функции поиска в интернете, поиска по файлам и компьютерного использования.
Это существенно расширяет область применения моделей. Они могут использоваться не только как чат-боты, отвечающие на отдельные вопросы, но и как компоненты автоматизированных систем, которые получают данные, вызывают внешние инструменты, анализируют результаты и выполняют последовательность действий.
Почему снижение стоимости настолько важно
Стоимость одного запроса становится особенно важной тогда, когда искусственный интеллект используется не человеком один раз, а программным агентом тысячи или миллионы раз.
Обычный пользователь может отправить несколько десятков запросов в день. Для него разница между дорогой и дешёвой моделью может быть относительно небольшой. Однако автоматизированный агент способен выполнять сотни последовательных обращений к модели для одного рабочего процесса.
Например, агент может:
- получить задачу;
- изучить документацию;
- найти информацию в интернете;
- проанализировать файлы;
- написать код;
- запустить тесты;
- исправить обнаруженные ошибки;
- повторить проверку;
- подготовить итоговый результат.
Если каждый такой шаг требует обращения к большой языковой модели, стоимость всего процесса быстро становится заметной. Поэтому снижение цены инференса непосредственно влияет на экономическую целесообразность агентных систем.
Именно поэтому OpenAI делает акцент не только на качестве ответов, но и на стоимости выполнения задачи целиком. В официальном сравнении компания указывает, что GPT-6 Sol на AutomationBench при максимальном уровне рассуждений способен показывать конкурентные результаты при существенно меньшей стоимости выполнения задания.
Цена GPT-6 Sol
Стандартная стоимость GPT-6 Sol через API составляет:
- $2 за 1 миллион входных токенов;
- $0,20 за 1 миллион кэшированных входных токенов;
- $2,50 за 1 миллион токенов записи в кэш;
- $10 за 1 миллион выходных токенов.
Для длинного контекста действуют другие тарифы: $4 за миллион входных токенов, $0,40 за кэшированный ввод, $5 за запись в кэш и $15 за миллион выходных токенов.
Таким образом, Sol заметно дешевле флагманского GPT-6 Astra, для которого стандартный тариф составляет $10 за миллион входных и $50 за миллион выходных токенов при коротком контексте.
Цена GPT-6 Luna
GPT-6 Luna рассчитана на ещё более массовое применение. Её стандартная стоимость составляет:
- $0,10 за 1 миллион входных токенов;
- $0,01 за 1 миллион кэшированных входных токенов;
- $0,125 за 1 миллион токенов записи в кэш;
- $0,50 за 1 миллион выходных токенов.
Для длинного контекста стандартные цены составляют $0,20 за миллион входных токенов и $0,75 за миллион выходных.
Именно Luna выглядит наиболее интересной моделью для сервисов, которым необходимо обработать огромные объёмы данных. Например, речь может идти об автоматической классификации документов, массовом суммировании текстов, извлечении структурированных данных, обработке обращений пользователей или предварительном анализе больших массивов информации.
Сравнение трёх моделей GPT-6
Условно новую линейку можно разделить на три уровня:
- GPT-6 Astra — максимальные возможности для наиболее сложных задач.
- GPT-6 Sol — баланс между интеллектом, сложностью задач и стоимостью.
- GPT-6 Luna — максимальная экономичность для массовых и более узких рабочих процессов.
При этом различие заключается не только в цене. OpenAI позиционирует модели как разные инструменты для разных типов нагрузки. В официальном каталоге компания прямо рекомендует Astra для наиболее сложного рассуждения и программирования, Sol — для баланса между возможностями и стоимостью, а Luna — для чувствительных к цене высокообъёмных задач.
Огромное контекстное окно
Одной из общих характеристик Sol и Luna является контекстное окно размером до 1,05 миллиона токенов. Это позволяет передавать модели очень большие объёмы информации без необходимости разбивать их на множество независимых запросов.
Для сравнения, миллион токенов — это объём, который значительно превышает размер обычной статьи или нескольких документов. Такое пространство особенно полезно при работе с большими кодовыми базами, технической документацией, длинными отчётами и наборами связанных файлов.
Модель при этом может генерировать до 128 000 токенов за один ответ.
Зачем нужен большой контекст
Большое контекстное окно особенно важно для агентных систем. Агенту необходимо помнить не только первоначальную задачу, но и историю действий, результаты предыдущих операций, инструкции, содержимое файлов и ответы внешних инструментов.
При небольшом контексте разработчикам приходится постоянно удалять старую информацию или создавать механизмы сжатия истории. Миллион токенов позволяет значительно реже прибегать к таким операциям.
Однако большой контекст не означает, что разработчику следует всегда передавать модели миллион токенов. Чем больше информации обрабатывается, тем выше потенциальные затраты и требования к системе. Поэтому эффективное управление контекстом всё равно остаётся важной задачей.
Кэширование промптов становится особенно важным
Одним из ключевых изменений GPT-6 является повышение эффективности prompt caching. Это особенно полезно в длинных агентных сценариях, где одна и та же информация используется многократно.
Например, агент программирования может постоянно обращаться к одной и той же документации проекта. Нет необходимости каждый раз оплачивать обработку абсолютно одинакового набора инструкций и документов по полной цене.
Кэширование позволяет существенно уменьшить стоимость повторного использования уже обработанной информации. Для GPT-6 Sol кэшированный входной токен стоит $0,20 вместо $2, а для Luna — всего $0,01 вместо $0,10.
Именно поэтому для реальных агентных систем стоимость одной генерации не всегда является главным показателем. Не менее важно, какая доля контекста может быть повторно использована из кэша.
Производительность в программировании
GPT-6 Sol ориентирован в том числе на программирование. OpenAI сообщает о высоких результатах модели в различных тестах, связанных с разработкой программного обеспечения и агентными рабочими процессами.
В частности, в опубликованных компанией данных GPT-6 Sol показывает результат 68,8% на DeepSWE при соответствующей конфигурации теста. Для сравнения OpenAI приводит 69,9% для Claude Fable 5. При этом GPT-6 Luna достигает 66,6%.
Эти цифры нельзя воспринимать как универсальный рейтинг моделей. Бенчмарки используют конкретные наборы задач, настройки и методики оценки. Кроме того, часть приведённых сравнений опубликована самой OpenAI. Однако результаты показывают направление развития: более дешёвая модель всё чаще может выполнять работу, для которой раньше требовалась значительно более дорогая система.
Работа с компьютерными интерфейсами
Ещё одно важное направление — computer use, то есть возможность модели взаимодействовать с программами и графическими интерфейсами.
Для агентных систем это принципиально меняет сценарий использования ИИ. Модель может не просто написать пользователю инструкцию, а участвовать в последовательности действий внутри программного окружения.
В официальном сравнении OpenAI указывает поддержку computer use для GPT-6 Sol и GPT-6 Luna.
Это открывает возможности для автоматизации рутинных операций, тестирования интерфейсов, работы с корпоративными системами и выполнения многошаговых задач.
AutomationBench и агентные задачи
Одним из наиболее показательных направлений для новых моделей являются тесты автоматизации. В отличие от классических задач на знание фактов или решение математических примеров, агентные бенчмарки проверяют способность модели выполнить последовательность действий.
OpenAI сообщает, что GPT-6 Sol с уровнем рассуждений xhigh получил 33,2% на AutomationBench. Для сравнения, в опубликованных компанией данных GPT-6 Astra при low effort получил 30,3%, а Claude Opus 5 — 26,9%.
Однако сравнение требует осторожности: разные модели могут тестироваться с разными уровнями вычислительного усилия, а стоимость задания зависит не только от цены одного токена, но и от количества обращений к модели.
Снижение количества фактических ошибок
OpenAI также сообщает об улучшении фактической точности GPT-6 Sol относительно GPT-5.6 Sol.
В собственной оценке, построенной на анонимизированных диалогах ChatGPT, в которых пользователи ранее отмечали ошибки, GPT-6 Sol допускал примерно вдвое меньше ошибок, чем его предшественник. При этом сама OpenAI подчёркивает ограниченность такой выборки: она специально формировалась из случаев, склонных к ошибкам, и поэтому не должна рассматриваться как точное описание всех обычных запросов пользователей.
Это важная оговорка. Повышение точности не означает полного исчезновения галлюцинаций. Языковая модель по-прежнему может выдавать ошибочную информацию, поэтому критически важные результаты необходимо проверять.
Что изменилось в стиле ответов
Помимо технических характеристик, OpenAI сообщает об изменениях в поведении моделей. Sol и Luna должны формулировать ответы более непосредственно, использовать меньше ненужной терминологии и избегать избыточного текста там, где он не требуется.
Это может быть особенно полезно в автоматизированных системах. Если модель генерирует короткие и структурированные ответы, уменьшается не только количество текста, которое должен обработать пользователь, но и расход выходных токенов.
Для API-разработчиков это непосредственно связано с экономикой сервиса: каждый лишний сгенерированный токен увеличивает стоимость обработки.
Безопасность GPT-6 Sol и Luna
OpenAI заявляет об улучшении показателей безопасности и alignment по сравнению с предыдущими моделями.
В то же время компания классифицирует Sol и Luna иначе, чем флагманский Astra. В отдельных областях, включая кибербезопасность и биологию/химию, Astra получил более высокий уровень оценки возможностей, тогда как Sol и Luna находятся ниже критического уровня, указанного для Astra в некоторых категориях.
Это важно учитывать при выборе модели для специализированных систем. Более высокая способность модели решать сложные задачи одновременно означает необходимость более строгого контроля за тем, какие инструменты ей разрешены и какие действия она может выполнять.
Где доступны GPT-6 Sol и Luna
Новые модели доступны через API с идентификаторами:
gpt-6-sol;gpt-6-luna.
Они также используются в ChatGPT Work и Codex для соответствующих платных и корпоративных тарифов. OpenAI отдельно сообщила, что пользователи Free и Go могут попробовать Luna в настольном приложении, тогда как на момент первоначального объявления модели не были доступны в обычном ChatGPT для всех пользователей.
Доступность конкретной модели зависит от продукта, тарифа и способа использования, поэтому разработчикам API следует ориентироваться прежде всего на актуальный каталог моделей и документацию OpenAI.
GPT-6 Sol и Luna против GPT-6 Astra
Разница между моделями лучше всего проявляется при рассмотрении предполагаемых сценариев.
- Astra предназначен для наиболее сложных end-to-end задач, где максимальное качество важнее стоимости.
- Sol подходит для сложного программирования, агентов и профессиональной работы, где необходимо найти баланс между качеством и затратами.
- Luna предназначен для массовой обработки, где запросов много, а стоимость каждого обращения имеет большое значение.
Такое разделение позволяет использовать разные модели внутри одной системы. Например, Luna может предварительно обрабатывать тысячи документов, Sol — выполнять более сложный анализ, а Astra — использоваться только для небольшого числа наиболее трудных задач.
Подобная архитектура может оказаться экономичнее, чем отправлять каждый запрос на самую мощную модель.
Почему это важно для AI-агентов
Современные AI-агенты отличаются от обычных чат-ботов количеством операций. Если чат-бот обычно отвечает на один вопрос одним сообщением, агент способен выполнять целую последовательность действий.
Допустим, задача требует 50 обращений к модели. Даже небольшое снижение стоимости одного обращения в такой системе многократно масштабируется.
Ещё важнее то, что агент может работать постоянно. Корпоративный сервис способен выполнять тысячи задач ежедневно без непосредственного участия человека.
Поэтому снижение стоимости токенов постепенно превращается из характеристики API в один из основных факторов развития агентных систем.
Конкуренция на рынке ИИ
Выход GPT-6 Sol и Luna происходит на фоне активной конкуренции между разработчиками крупных языковых моделей. Незадолго до этого Anthropic представила Claude Opus 5.5, также уделив внимание производительности и стоимости.
В результате рынок постепенно смещает акцент с простого вопроса «какая модель умнее?» к более сложному вопросу: сколько полезной работы модель может выполнить за единицу стоимости?
Для бизнеса это существенно более практичная метрика. Если одна модель показывает немного лучший результат на тесте, но требует в несколько раз больше вычислительных затрат, экономическая эффективность конкретного проекта может оказаться другой.
OpenAI в своём анонсе именно это и подчёркивает, сравнивая не только результаты тестов, но и стоимость выполнения задач.
Что это означает для разработчиков
Появление Sol и Luna позволяет разработчикам более гибко проектировать AI-приложения.
Вместо единственной модели для всех операций можно использовать маршрутизацию запросов:
- простые операции отправлять в Luna;
- сложные запросы — в Sol;
- исключительно сложные задачи — в Astra.
Такая архитектура позволяет контролировать расходы и одновременно сохранять возможность использовать более мощную модель там, где она действительно необходима.
Ещё один важный элемент — кэширование. Если приложение постоянно использует одну и ту же системную инструкцию, документацию или описание проекта, эффективное использование prompt caching способно дополнительно снизить расходы.
Большой контекст не отменяет оптимизацию
Несмотря на контекстное окно в 1,05 млн токенов, разработчикам не стоит без необходимости отправлять модели весь доступный объём данных.
Большой контекст полезен, когда информация действительно нужна для решения задачи. Если же приложение передаёт огромный массив нерелевантных данных, это увеличивает стоимость и может усложнить обработку.
Поэтому эффективная работа с GPT-6 по-прежнему требует хорошего проектирования промптов, retrieval-систем, кэширования и маршрутизации запросов.
Итоги
GPT-6 Sol и GPT-6 Luna показывают важное изменение направления развития генеративного ИИ. OpenAI продолжает повышать возможности моделей, но одновременно старается сделать их использование значительно дешевле.
Sol ориентирован на сложную профессиональную работу, программирование и агентные системы. Luna предназначена для высокообъёмных задач, где стоимость обработки каждого миллиона токенов имеет решающее значение.
Обе модели получили контекст до 1,05 млн токенов, поддержку изображений, инструментов, function calling, структурированных ответов и computer use. При этом стоимость стандартного API составляет $2/$10 за миллион входных/выходных токенов для Sol и всего $0,10/$0,50 для Luna.
Главный эффект новых моделей может проявиться не в обычных чатах, а в автоматизации. Когда ИИ начинает выполнять десятки последовательных операций самостоятельно, цена каждого отдельного шага становится критически важной. Более дешёвые модели позволяют экономически оправдать значительно большее количество агентных сценариев.
При этом GPT-6 Sol и Luna не заменяют необходимость проверки результатов. Более низкая цена не отменяет ограничений языковых моделей, а показатели собственных тестов разработчика следует рассматривать в контексте конкретных методик и сценариев.
В итоге GPT-6 постепенно превращается не просто в семейство моделей для общения с пользователем, а в набор специализированных инструментов для автоматизации работы. Astra остаётся ориентированным на самые сложные задачи, Sol занимает промежуточную позицию, а Luna делает массовую обработку данных существенно доступнее.
Часто задаваемые вопросы
GPT-6 Sol — модель OpenAI, ориентированная на сложную профессиональную работу, программирование и агентные рабочие процессы. Она занимает промежуточное положение между флагманским GPT-6 Astra и более экономичной GPT-6 Luna.
GPT-6 Luna — экономичная модель GPT-6 для сфокусированных и высокообъёмных задач. Она предназначена для сценариев, в которых необходимо обрабатывать большое количество запросов при минимальной стоимости.
Стандартная цена составляет $2 за миллион входных токенов и $10 за миллион выходных токенов. Кэшированный ввод стоит $0,20 за миллион токенов.
Стандартная цена GPT-6 Luna составляет $0,10 за миллион входных токенов и $0,50 за миллион выходных. Кэшированный ввод стоит $0,01 за миллион токенов.
Обе модели поддерживают контекстное окно до 1,05 млн токенов и способны генерировать до 128 000 токенов за один ответ.
OpenAI позиционирует Sol для более сложной работы, программирования и агентных процессов, тогда как Luna ориентирована на эффективность и высокообъёмные задачи. Поэтому модели рассчитаны на разные сценарии использования.
Astra является флагманской моделью для наиболее сложных задач, тогда как Sol предлагает более низкую стоимость при сохранении широкого набора возможностей GPT-6. Astra стоит существенно дороже через API.
Да. Sol специально позиционируется для сложного программирования и агентных workflows, а Luna также может использоваться в задачах разработки, когда особенно важна стоимость обработки.
Да. GPT-6 Sol и GPT-6 Luna поддерживают изображения на входе наряду с текстовыми данными.
Да. Для API используются идентификаторы gpt-6-sol и gpt-6-luna. Модели доступны через Responses API и Chat Completions API.
Да. В API поддерживаются function calling, structured outputs, web search, file search и computer use.
Агент может выполнять множество последовательных обращений к модели для решения одной задачи. Поэтому даже небольшое снижение цены одного запроса при большом количестве операций способно существенно изменить общую стоимость автоматизации.
Нет. OpenAI сообщает о снижении количества фактических ошибок в собственных тестах, однако это не означает полного устранения ошибок. Результаты модели по-прежнему необходимо проверять в критически важных сценариях.
GPT-6 Luna позиционируется OpenAI как модель для cost-sensitive high-volume workloads, поэтому подобные задачи соответствуют её заявленному назначению. Конкретный выбор следует делать после тестирования качества на собственных данных.
OpenAI продолжает развитие семейства GPT-6. Sol и Luna являются расширением линейки после GPT-6 Astra, а дальнейшее развитие моделей будет зависеть от новых возможностей, требований к агентным системам и эффективности вычислений.
