Что именно выпустила OpenAI: Sol, Luna и общая база с Astra
OpenAI выпустила GPT-6 Sol и GPT-6 Luna. Обе модели, по заявлению компании, сделаны на той же базе, что флагманская Astra: Sol закрывает сложные задачи вроде программирования, а Luna рассчитана на массовую рутинную работу с чёткой целью. К ней OpenAI относит суммаризацию документов, извлечение информации и быстрые ответы (TechCrunch).
Цены API упали вдвое относительно серии 5.6: GPT-6 Sol стоит $2 за миллион входных токенов и $10 за миллион выходных, GPT-6 Luna - $0.10 и $0.50 соответственно, снижение с $0.20 и $1.20. Падение цен OpenAI объясняет улучшениями кэширования и инференса. Там же заявлено, что Sol делает примерно вдвое меньше ошибок в фактологии, чем предшественник, и реже ошибается в коде. Доступ: Sol и Luna раскатывают в ChatGPT Work и Codex для тарифов Plus, Pro, Business, Enterprise и Edu, а также в ChatGPT API. GPT-6 Luna дополнительно появилась в десктопном приложении и у пользователей Free и Go, а веб-версия и мобильное приложение ChatGPT подтягиваются постепенно в течение дня (MacRumors).
Что это меняет для практики: за те же деньги вы получаете больший объём запросов, а более дешёвая модель закрывает часть задач, которые раньше приходилось отдавать дорогой. Насколько ровно это работает в продакшене, вопрос отдельных замеров на своих данных.
Sol vs Luna: для каких задач каждая модель
Модели различаются профилем нагрузки.
- Sol: сложные задачи, программирование, работа с компьютером (computer use), многошаговые агентные цепочки, разбор больших документов.
- Luna: массовые однотипные вызовы, пакетная обработка тикетов, извлечение полей из PDF, классификация, короткие ответы в чат-ботах и фоновых пайплайнах.
Критерий выбора простой. Если задача повторяется десятки тысяч раз и допускает короткий ответ, берите Luna. Если нужен агент, который сам разбирается в незнакомом коде, документе или интерфейсе, берите Sol. Гонять сложный кейс на Luna ради экономии на токенах смысла мало: повторные прогоны и ручная правка съедят разницу.
Что общего с Astra и почему это важно
OpenAI описывает Sol и Luna как модели, «cut from the same cloth as Astra», и утверждает, что Sol выходит на надёжность уровня Astra в фактологии при заметно меньшей стоимости. От Astra унаследован и стиль общения: меньше жаргона, меньше низкоценных деталей, ответы чуть короче без потери сути (MacRumors).
Побочный эффект от нового стиля: вывод стал компактнее. Если у вас есть парсер, настроенный на развёрнутые ответы, или промпт с просьбой расписать подробно, после перехода формулировки придётся подправить. Сам тезис про «качество Astra по цене младшей модели» остаётся заявлением вендора: независимых подтверждений в открытых источниках нет.
Цены API: насколько реально GPT-6 дешевле 5.6
Посчитаем на бумаге. Пайплайн, который в месяц отправляет 50 млн входных и 10 млн выходных токенов на Sol, на тарифах 5.6 стоил бы $400: $200 за вход по $4 и $200 за выход по $20. На GPT-6 тот же объём обходится в $200, то есть экономия $200 в месяц при неизменной нагрузке.
Для Luna разница скромнее в абсолюте, но заметна в процентах: 50 млн входных и 10 млн выходных токенов стоили $22 (по $0.20 и $1.20), теперь $10 (по $0.10 и $0.50). Это арифметика по прайсу, а не результат замеров: она не учитывает, что модели могут требовать разного числа итераций на одну и ту же задачу.
Кэширование и инференс: за счёт чего удалось снизить цену
OpenAI связывает снижение цены с улучшениями кэширования и инференса. Без технических деталей от вендора картина такая: кэширование промптов избавляет от повторного пересчёта одинакового префикса запроса (системной инструкции, описаний инструментов, справочных материалов), а оптимизация инференса снижает стоимость генерации токена. Оба рычага работают там, где есть повторяющийся контекст и предсказуемая нагрузка; для разовых запросов с уникальным промптом выигрыш будет меньше.
Для юнит-экономики здесь есть риск. Прайс за миллион токенов не показывает, сколько стоит решённая задача, и дешёвая модель иногда добирает разницу количеством итераций. Как считать стоимость успешного результата, мы разбирали в материале про реальную стоимость моделей OpenAI на Bedrock.
Порог 272K токенов: где экономия заканчивается
У GPT-6 Sol тариф $2/$10 действует ниже 272 000 входных токенов. Выше этого порога пересчитывается весь запрос целиком: входная цена удваивается до $4, выходная растёт примерно до $15 (OrcaRouter).
Кого это касается в первую очередь: RAG-системы с длинным контекстом, агенты с накопленной историей диалога, разбор больших документов и логов за один вызов. Если типичный запрос в вашем пайплайне подходит к порогу, средняя цена «$2 за миллион» теряет смысл. Считайте распределение длины запросов: медиана в 30K токенов и хвост на 400K дадут совсем другую экономику, чем ровные 150K.
GPT-6 Sol для программирования: что говорят цифры
Данные вендора: Sol показывает улучшения в программировании и computer use по сравнению с GPT-5.6 Sol, а на части бенчмарков идёт наравне или впереди Claude Fable 5.1 (MacRumors). Какие именно тесты имеются в виду и в каких режимах они прогонялись, не раскрывается.
Сторонний сигнал: в Intelligence Index от Artificial Analysis GPT-6 Sol набирает 48 баллов против 36 у DeepSeek V4 Pro (OrcaRouter). Двенадцать пунктов разрыва плюс кратная разница в цене - это и есть развилка при выборе, и решается она не по бенчмарку, а по стоимости ошибки в вашем пайплайне.
Контекст 872K и лимит вывода 128K: что это значит на практике
По данным Artificial Analysis, контекстное окно GPT-6 Sol указано как 872 000 токенов при заявленном потолке 1,05 млн, лимит вывода - 128K токенов. Для сравнения: на Amazon Bedrock для моделей прошлого поколения OpenAI заявляли окно до 1 млн токенов и кросс-региональный инференс более чем в 25 регионах, об этом мы писали в разборе обновлений Bedrock и AgentCore за август 2026.
Расхождение между 872K и 1,05 млн стоит держать в голове при планировании: закладываться на верхнюю границу рискованно. Лимит вывода 128K ограничивает генерацию крупных файлов и длинных ответов за один вызов, поэтому полный рефакторинг модуля, генерация большого набора тестов или разбор всего репозитория всё равно потребуют чанкинга и пошаговых вызовов. Для агентов это означает планирование шагов с промежуточной записью результата, иначе контекст будет расти быстрее, чем бюджет.
Меньше ошибок в коде: как это проверить на своём проекте
OpenAI заявляет более низкий уровень ошибок в коде у Sol по сравнению с предшественником, но конкретных цифр по этому пункту в открытых материалах нет. Проверять придётся самим, и это дешевле, чем переключать продакшен вслепую.
- Соберите 20-30 задач из своего бэклога: рефакторинг функции, генерация тестов, фикс бага по описанию, миграция на новую версию API.
- Прогоните набор на GPT-5.6 Sol и на GPT-6 Sol в одинаковых условиях: тот же промпт, те же лимиты, та же температура.
- Фиксируйте три величины: доля задач, решённых с первого раза, число итераций до рабочего результата и суммарная стоимость прогона по фактическим токенам.
- Сравнивайте стоимость достижения результата, а не прайс: если модель пишет точнее, но рассуждает дольше, разница в токенах может съесть выгоду от снижения цены.
Точность и фактология: что стоит за «вдвое меньше ошибок»
Формулировка из анонса: «на нашей внутренней оценке фактологии, которая основана на деидентифицированных реальных диалогах, где пользователи отмечали ошибки моделей, GPT-6 Sol делает примерно вдвое меньше ошибок, чем предшественник, достигая надёжности уровня Astra при существенно меньшей стоимости» (TechCrunch).
Три оговорки к этой цифре:
- Это внутренняя оценка вендора. Независимой репликации замера в открытых источниках нет.
- Выборка построена на диалогах, где пользователи сами жаловались на ошибки. Такой набор показывает, где модель спотыкалась, но не даёт равномерного покрытия домена.
- «Вдвое меньше ошибок» не равно «вдвое меньше ошибок у вас». Русскоязычные тексты, узкая терминология и ваши форматы данных в оценку не входили.
Почему внутренние бенчмарки - не приговор и не гарантия
Внутренние оценки полезны как индикатор направления: опубликованная динамика лучше, чем её отсутствие. Переносить её на свой домен нельзя. Сторонние замеры вроде Intelligence Index добавляют второй сигнал, но тоже не отвечают на вопрос, как модель поведёт себя на ваших документах. Тесты на своём наборе задач остаются единственным способом получить ответ.
Для задач с высокой ценой ошибки (юридические, медицинские, финансовые тексты) снижение доли фактических ошибок это плюс, но верификацию и RAG-контур с проверяемыми источниками оно не отменяет. «Вдвое меньше ошибок» и «ошибок нет» - разные вещи, и вторая недостижима ни у одной текущей модели.
Где уже доступны GPT-6 Sol и Luna и что с бесплатным доступом
Картина по доступу на момент релиза:
- Plus, Pro, Business, Enterprise, Edu: GPT-6 Sol и GPT-6 Luna в ChatGPT Work и Codex, обе модели в ChatGPT API.
- Free и Go: GPT-6 Luna в десктопном приложении.
- Веб и мобильное приложение ChatGPT: поэтапное развёртывание в течение дня.
Кому что досталось: разбор по тарифам
Платным тарифам достался полный набор: Sol как рабочая модель для сложных задач, Luna как дешёвый исполнитель, плюс доступ к обеим через API. Пользователям Free и Go досталась только Luna, и только в десктопном приложении. Что из этого появится в веб-версии ChatGPT для бесплатного тарифа, в анонсе не уточняется, поэтому обещать конкретику не будем.
Если моделей нет в вашем аккаунте: обновите десктопное приложение, подождите роллаут, проверьте список моделей в консоли API. Обходные пути искать не стоит: раньше официальной волны доступа не будет, а сомнительные «разблокировки» обычно заканчиваются блокировкой аккаунта.
Контекст релиза: Anthropic, Opus 5.5 и гонка лабораторий
Anthropic выпустила новую версию Opus 5.5 за 90 минут до анонса OpenAI (TechCrunch). Девяносто минут - не совпадение, а отражение темпа отрасли: релизы синхронизируют, чтобы не отдать новостную повестку конкуренту.
Сравнивать модели по цене за миллион токенов некорректно. Anthropic утверждает, что Opus 5.5 расходует меньше токенов на задачу, чем Opus 5, поэтому прямое сопоставление прайсов не показывает реальную стоимость решения. Третий игрок в этой таблице, DeepSeek V4 Pro, набирает 36 баллов Intelligence Index против 48 у GPT-6 Sol; как устроена ценовая политика DeepSeek и где прячутся издержки, разбирали в отдельном материале про цены и производительность DeepSeek.
Вывод для архитектуры: держите абстракцию над провайдером и храните идентификаторы моделей в конфиге. Стоит это недорого, а спасает каждый раз, когда лидер меняется за один квартал.
Практические сценарии: кому и под какие задачи брать Sol и Luna
- GPT-6 Sol: программирование и code review, агенты с длинным контекстом, computer use, сложный анализ данных, многошаговые процессы, где важна надёжность.
- GPT-6 Luna: массовая суммаризация, извлечение данных из документов, классификация, быстрые ответы в чат-ботах, фоновые пайплайны с большим числом дешёвых вызовов.
- Связка для RAG и агентов: Sol на планировании и сложных шагах, Luna на типовых подзадачах вроде маршрутизации запроса и извлечения полей.
Экономически такое разделение оправдано: в типичном агентном пайплайне большая часть вызовов простая, и гонять их на дорогой модели без выигрыша в качестве бессмысленно. Начинать стоит с пилота на одном участке: например, перевести на Luna извлечение реквизитов из счетов и замерить качество на своей выборке.
Как встроить Sol и Luna в существующий пайплайн
- Проверьте доступность моделей в аккаунте и в API, зафиксируйте точные идентификаторы.
- Обновите конфиг, не хардкодьте имя модели в бизнес-логике.
- Пересчитайте бюджет по токенам с поправкой на порог 272K у Sol и на то, что ответы стали короче.
- Прогоните регрессионный набор на своих задачах и сравните стоимость достижения результата с текущей моделью.
- Проверьте парсеры и промпты: требования «распиши подробно» после смены стиля работают против вас.
Если бюджет на кодинг критичен, имеет смысл держать в поле зрения и открытые альтернативы с другой экономикой: у нас есть разбор GLM 5.2 как дешёвого варианта для кодинга.
Ограничения и на что смотреть перед миграцией
- Точность: «вдвое меньше ошибок» и улучшения в коде идут из внутренних оценок OpenAI, независимых замеров нет.
- Цена: у Sol тариф $2/$10 действует ниже 272 000 входных токенов, выше порога запрос пересчитывается целиком.
- Контекст и вывод: 872 000 токенов по данным сторонних аналитиков против заявленного потолка 1,05 млн, лимит вывода 128K требует чанкинга.
- Доступ: роллаут в веб- и мобильном ChatGPT продолжается, часть пользователей увидит модели позже.
- Стиль ответов: более короткие формулировки ломают промпты и парсеры, настроенные на развёрнутый вывод.
- Сравнения с конкурентами: часть из них вендорские, а сопоставление прайсов с Opus 5.5 некорректно из-за разного расхода токенов на задачу.
По цене и заявленному качеству GPT-6 Sol и Luna выглядят разумным апгрейдом для тех, у кого уже есть объём трафика через API. Решение принимайте после прогона на своих задачах и сравнивайте стоимость достижения результата на 5.6 и на 6, а не прайс за миллион токенов.