Nowość: GPT-6 Sol i Luna. Niższe ceny i zadziwiające benchmarki

OpenAI rozszerzyło rodzinę GPT-6 o modele Sol i Luna. Premiera z 22 września 2026 r. łączy niższe ceny API z poprawą wyników w zadaniach agentowych. GPT-6 Sol kosztuje 2 dolary za milion tokenów wejściowych i 10 dolarów za milion wyjściowych, a Luna odpowiednio 0,10 i 0,50 dolara. To ruch istotny dla firm, które uruchamiają tysiące zadań dziennie: niewielka różnica w koszcie pojedynczego wywołania może zmienić opłacalność całej usługi.

Dwa modele do różnych obciążeń

Według komunikatu OpenAI Sol i Luna korzystają z podobnych metod szkolenia jak GPT-6 Astra, ale mają obsługiwać pracę szybciej i taniej. Sol celuje w bardziej złożone programowanie oraz agentów wykonujących wieloetapowe zadania. Luna jest przeznaczona do węższych zadań realizowanych na dużą skalę.

• Sol: 2 USD za wejście i 10 USD za wyjście na milion tokenów.
• Luna: 0,10 USD za wejście i 0,50 USD za wyjście na milion tokenów.
• Oba modele: ponad milion tokenów kontekstu i wejście tekstowo-obrazowe.
• Start w API, ChatGPT Work i Codex; wdrażanie dostępu odbywa się stopniowo.

Niższa stawka może ułatwić częstsze używanie modeli do klasyfikacji dokumentów, przygotowania zmian w kodzie czy obsługi kolejki spraw. O wyborze nadal powinien decydować koszt poprawnie zakończonego zadania. Tani model wymagający wielu powtórzeń bywa droższy od mocniejszego, który kończy pracę za pierwszym razem.

Ceny API: co dokładnie potaniało?

OpenAI porównuje nową ofertę z promocyjnymi stawkami GPT-5.6. Dla Sola cena wejścia spada z 4 do 2 dolarów, a wyjścia z 20 do 10 dolarów. W przypadku Luny wejście tanieje z 0,20 do 0,10 dolara, natomiast wyjście z 1,20 do 0,50 dolara. Ten ostatni spadek wynosi około 58,3%, a więc więcej niż ogólne 50% z zapowiedzi.

Poniższe stawki sprawdziliśmy 22 września w dokumentacji GPT-6 Sol i GPT-6 Luna. Wszystkie wartości podano w USD za milion tokenów, dla przetwarzania Standard.

Cache oznacza ponowne wykorzystanie wcześniej przetworzonego fragmentu wejścia. Jego odczyt kosztuje 10% zwykłej stawki wejściowej, lecz zapis jest droższy od standardowego wejścia. Oszczędność zależy więc od tego, ile razy aplikacja faktycznie wykorzysta ten sam fragment. Nie wystarczy pomnożyć całego ruchu przez najniższą stawkę z tabeli.

Dokumentacja przewiduje również Batch i Flex za połowę stawek Standard oraz Fast za dwukrotność właściwej taryfy. Przetwarzanie regionalne, jeśli jest dostępne, zwiększa cenę o 10%; rezydencja danych w UE jest dostępna tylko w trybie Standard. Opłaty za narzędzia mogą zwiększyć końcowy rachunek.

Ile daje obniżka przy identycznej liczbie tokenów?

Przykładowe wywołanie obejmujące 100 tys. tokenów wejściowych i 10 tys. wyjściowych, bez cache oraz dodatkowych narzędzi, kosztowałoby w Solu 0,30 USD zamiast 0,60 USD. W Lunie byłoby to 0,015 USD zamiast 0,032 USD, czyli około 53% mniej. To nasze obliczenie na podstawie cennika, nie wynik przeprowadzonego testu. Rzeczywiste zadanie może zużyć inną liczbę tokenów w każdej generacji modelu.

Benchmarki: tańsze wykonanie zadań, ale różne ustawienia

W sprawdzonym 22 września odczycie Artificial Analysis nie znaleźliśmy jeszcze potwierdzonej pozycji nowych Sola i Luny. Także publiczny odczyt czołówki AutomationBench nie pozwalał potwierdzić wpisu nowego Sola. Dlatego poniższe liczby opisujemy jako wyniki przytoczone przez OpenAI, a nie niezależną weryfikację premiery.

W zestawieniu AutomationBench 1.0.6 GPT-6 Sol przy ustawieniu xhigh osiąga 33,2%, przy koszcie 0,27 USD na zadanie. OpenAI porównuje go między innymi z Astrą w trybie low. Taki wykres pokazuje wybrane konfiguracje i ich kompromisy, a nie hierarchię maksymalnych możliwości całych rodzin.

DeepSWE pokazuje również granicę przewagi: Sol ustępuje wskazanej konfiguracji Fable 5. Z kolei różnica 0,2 punktu procentowego w OSWorld nie wystarcza do mocnego wniosku o przewadze, skoro w przytoczonym opisie nie podano przedziałów niepewności. Nie należy też mylić Fable 5 z Fable 5.1 ani Opusa 5 z nowszym Opusem 5.5.

Każdy z tych benchmarków bada inny wycinek pracy. Uśrednienie wszystkich procentów do jednej „oceny modelu” byłoby mylące. Podobnie nazwy poziomów wysiłku nie gwarantują identycznego zużycia obliczeń u różnych dostawców. W praktyce sensowna próba migracji powinna obejmować ten sam zestaw zadań, kryteria zaliczenia, limit czasu i pomiar całkowitego kosztu.

Specyfikacja i dostępność

Wbudowane narzędzia są dostępne przez Responses API. Samo duże okno kontekstowe nie oznacza, że warto wypełniać je w każdym wywołaniu: przekroczenie progu cenowego może zwiększyć koszt całego żądania. Dobór kontekstu, narzędzi i pamięci agenta pozostaje istotny także przy nowych stawkach. Ten problem szerzej omawialiśmy przy Agents API i kosztach uruchamiania agentów.

Premierowe wdrożenie obejmuje ChatGPT Work i Codex w planach Plus, Pro, Business, Enterprise i Edu. Użytkownicy Free i Go otrzymują Lunę w aplikacji desktopowej. OpenAI zaznacza, że nowe modele nie są jeszcze dostępne w części Chat. Nie opublikowano wag ani licencji umożliwiającej samodzielne uruchomienie modeli.

Opis szkolenia pozostaje ogólny. W materiałach premierowych nie podano liczby parametrów, dokładnej architektury, struktury danych treningowych ani kosztu wytrenowania każdego z modeli. Nie ma więc podstaw, by opisywać Lunę jako konkretny rozmiar modelu albo przypisywać jej określoną technikę destylacji.

Bezpieczeństwo i ograniczenia obietnic

Zaktualizowana karta bezpieczeństwa rodziny GPT-6 opisuje wewnętrzną symulację 50 319 zadań. GPT-6 Sol otrzymał 42 flagi naruszeń poziomu 3 lub wyższego, wobec 66 dla GPT-5.6 Sol. To około 36% mniej, ale nie jest to wskaźnik awaryjności mierzony na reprezentatywnym ruchu użytkowników. Autorzy odnotowali też wzrost flag dotyczących wyprowadzania danych, więc poprawa nie dotyczy każdego rodzaju zachowania.

Niższa cena zwiększa liczbę zastosowań, w których automatyzacja może się opłacać. Nie usuwa jednak kosztów kontroli jakości ani potrzeby ograniczenia uprawnień agenta. Dla zespołu wdrażającego nowe modele najważniejsze będzie sprawdzenie, czy oszczędności z cennika utrzymują się po uwzględnieniu powtórzeń, błędów i interwencji człowieka. Dopiero takie pomiary pokażą, gdzie Sol lub Luna realnie zastąpią droższy model.