A hónap elején bemutatott GPT‑6 Astra mellett az OpenAI bejelentette a GPT‑6 Sol és GPT‑6 Luna modelleket, amelyek célja, hogy a Astra mögött álló előnyöket alacsonyabb költségek mellett tegyék elérhetővé. Az új modelleket nagyjából az Astra fejlesztési módszereivel képezték, hogy a professzionális munkához, faktualitáshoz, kódoláshoz, számítógép‑használathoz és alignáltsághoz kapcsolódó előnyöket olcsóbb és gyorsabb modelleken is biztosítsák.
Költséghatékonyság és árszabás
OpenAI szerint a GPT‑6 modellek a költség–intelligencia görbe élén helyezkednek el: a szolgáltatást hatékonyabb infrastruktúra és jobb caching segítségével üzemeltetik, és az így megtakarított költségeket továbbadják a felhasználóknak. Az API‑árakat Sol és Luna esetén 50%-kal csökkentették a GPT‑5.6 promóciós áraihoz képest. Emellett a prompt‑caching fejlesztéseivel alapértelmezésben magasabb cache‑hit rátákat érnek el, és a cache‑elt bemeneti tokenek olvasását 90%-os kedvezménnyel számolják.
Fejlesztők számára új monitoring és diagnosztikai eszközök érhetők el: Prompt Caching Dashboard, egy diagnosztikai felület a cache‑lehetőségek magyarázatához, vezérlők a reasoning effort és az eszközök engedélyezéséhez úgy, hogy a korábbi kontextus megőrződjön, valamint explict cache‑breakpointok a prefixek kezeléséhez. A GitHub jelentése szerint ezek a fejlesztések több mint 50%-kal csökkentették a friss feldolgozást igénylő prompt‑tokenek arányát milliárdok kérése során.
Mérés és teljesítmény — üzleti munkafolyamatok
Az OpenAI több benchmarkon is közzétette a Sol és Luna eredményeit:
- AutomationBench: GPT‑6 Sol xhigh erőfeszítés mellett felülmúlja a Claude Opus 5‑öt max erőfeszítésen, miközben egy feladatra vetített költsége csupán 9%‑a az Opus 5 költségének. GPT‑6 Luna magasabb erőfeszítésen 5,4 százalékponttal javít elődjéhez képest, 58%‑kal alacsonyabb költségen.
- A AutomationBench 1.0.6 teszt 47 eszközt használó end‑to‑end munkafolyamatokat mér értékesítés, marketing, operációk, support, pénzügy és HR területeken. A bejelentés megjegyzi, hogy a Claude Fable 5.1 költségadatát az Opus 5‑ös fallbackek költségei alulértékelik, mivel ezek közel 40%‑ban előfordultak.
Összetett, hosszú távú munkák és Agents’ Last Exam
Az Agents’ Last Exam nevű benchmarkon — amely 55 iparágra kiterjedő, hosszú távú, gazdaságilag értékes feladatokat értékel — GPT‑6 Sol max erőfeszítés mellett 56,4%-os eredményt ért el. Az OpenAI szerint ez magasabb eredmény a Claude Opus 5 legmagasabb értékénél, miközben Sol egy feladatra vetített költsége 60%-kal alacsonyabb.
Faktualitás
Az OpenAI saját, de‑identifikált felhasználói beszélgetéseken alapuló faktualitási értékelése szerint GPT‑6 Sol körülbelül feleannyi hibát követ el, mint elődje, így az Astra‑szintű megbízhatósághoz közelít jóval alacsonyabb költségen. GPT‑6 Luna is jelentős javulást mutat; magasabb erőfeszítési szinteken körülbelül annyi hibát követ el, mint a GPT‑5.6 Sol, de nagyjából a századrészébe kerül.
A cég hangsúlyozza, hogy ezek a belső értékelések olyan beszélgetésekből származnak, ahol korábban hibát jeleztek, így nem reprezentálják a tipikus használat alatti hibaarányt.
Kódolás és szoftvermérnöki feladatok
A vállalat belső használata szerint a kódoló ügynökök terjedelme és komplexitása növekedett; az OpenAI egyes belső kutatói napi token‑használata API‑árakon számolva a mediánnál meghaladta a napi 600 dollárt, a 90. percentilisnél pedig a napi 7 000 dollárt. GPT‑6 Sol és Luna erős kódolási teljesítményt nyújtanak alacsonyabb API‑árak mellett, így a fejlesztőknek több lehetőségük van iterálni.
Benchmarkok kódolásra:
- FrontierCode: GPT‑6 Sol jelentős javulást mutat a GPT‑5.6 Solhoz képest, és képes megfelelni a Claude Fable 5.1 xhigh szintjének sokkal alacsonyabb költségen. A FrontierCode 1.1 célja, hogy a kód „mergeability” szempontjából is értékelje a változtatásokat.
- DeepSWE v1.1: GPT‑6 Sol max erőfeszítéssel 68,8%-ot ért el, ami 1,1 százalékponttal marad el a Claude Fable 5 legjobb 69,9%-ától, miközben körülbelül 80%‑kal olcsóbb egy feladatra vetítve. GPT‑6 Luna (max) 66,6%-ot ért el, ami összehasonlítható Claude Opus 5 és Fable 5 közepes erőfeszítésével; ezekhez képest Luna költsége 93%‑kal, illetve 96%‑kal kevesebb.
Számítógép‑használat (OSWorld) és kommunikációs stílus
Az OSWorld 2.0 offline készletén GPT‑6 Sol xhigh erőfeszítéssel 60,5%-os pontszámot ért el, ami hasonló a Claude Opus 5 medium 60,3%-ához, de körülbelül 80%‑kal alacsonyabb költségen. GPT‑6 Luna (max) jobbnak bizonyult a GPT‑5.6 Sol (medium)‑nél, nagyjából tízszer alacsonyabb költségen.
Emellett OpenAI azt állítja, hogy a Sol és Luna kommunikációs stílusa közelebb áll az Astra által hozott javuláshoz: világosabb, kevesebb zsargont és alacsonyabb „felesleges részlet” szintet produkál, különösen technikai és kódolási beszélgetésekben.
Alignáltság és biztonsági értékelések
Sol és Luna az Astra‑val megkezdett alignáltsági munkát viszik tovább: az OpenAI belső értékelései szerint mindkét modell javulást mutat a GPT‑5.6 változatokhoz képest, például kevesebb félrevezető állítást ad a kódolási munkákkal kapcsolatban. A cég hangsúlyozza, hogy ezek a vizsgálatok nehezen kezelhető helyzetekre fókuszálnak, és nem a tipikus használat sikertelenségi arányát mérik.
Elérhetőség
GPT‑6 Sol és GPT‑6 Luna ma elérhetők ChatGPT Work és Codex felületen minden Plus, Pro, Business, Enterprise és Edu ügyfél számára. Free és Go felhasználók a desktop alkalmazásban hozzáférhetnek GPT‑6 Luna‑hoz. A modellek még nem érhetők el a Chat nézetben. Az OpenAI API‑ban a modellek gpt-6-sol és gpt-6-luna néven használhatók.
A bevezetést fokozatosan hajtják végre a ChatGPT‑ben, hogy a szolgáltatás stabil maradjon; ha valaki nem látja azonnal az új modelleket, a cég kiadása szerint érdemes később visszatérni. Az összehasonlító értékelések kutatási környezetben vagy API‑n keresztül készültek, és előfordulhat, hogy eltérnek a végfelhasználói ChatGPT‑kimenetektől a különböző rendszerpromptok, eszközök és beállítások miatt.
