OpenAI hat einen neuen Leitfaden veröffentlicht, der beschreibt, wie Entwickler seine GPT-6-Modellfamilie nutzen sollten, einschließlich neuer Werkzeuge, mit denen KI-Agenten Aufgaben bearbeiten können, die sich über Stunden oder sogar Tage erstrecken. Das Dokument bündelt, wie OpenAI die Nutzung der Familie vorsieht, und deckt Modellauswahl, Agent-Design, Prompting-Stil und Kostenkontrolle an einem Ort ab.

Das Unternehmen gliedert die Reihe in drei primäre Modelle – GPT-6 Astra, GPT-6.1 Sol und GPT-6 Luna –, die jeweils eine andere Balance aus Intelligenz, Kosten und Geschwindigkeit anstreben. Gestaffelte Familien dieser Art sind bei großen KI-Anbietern zu einer gängigen Struktur geworden, mit der Teams Routinearbeiten an günstigere Modelle delegieren und die Kapazität der Flagschiffe für die schwersten Aufgaben reservieren können.

GPT-6 Astra wird als OpenAIs intelligentestes Modell positioniert und ist für die anspruchsvollsten Reasoning-Workloads gedacht. GPT-6.1 Sol zielt auf komplexe Coding-, Forschungs- und Computer-Use-Aufgaben ab, während Luna für Workloads mit hohem Volumen und klareren Zielen konzipiert ist, etwa Extraktion, Klassifizierung und strukturierte Zusammenfassungen. OpenAIs aktuelle API-Dokumentation beschreibt Astra ebenfalls als die intelligenteste Option und Sol als günstigere Alternative mit nahezu Astra-Leistung.

Die Preise variieren zwischen den drei Stufen erheblich. Astra kostet 10 USD pro Million Eingabe-Tokens und 50 USD pro Million Ausgabe-Tokens. GPT-6.1 Sol ist mit 2 bzw. 10 USD bepreist, während Luna 0,10 USD für Eingaben und 0,50 USD für Ausgaben kostet – eine Spanne von rund dem Hundertfachen zwischen der obersten und der untersten Stufe bei Ein- und Ausgaben gleichermaßen. Tokens, die Texteinheiten, die Modelle lesen und erzeugen, sind die Standard-Abrechnungseinheit für KI-APIs; daher bestimmt die Position eines Workloads in der Reihe direkt dessen Betriebskosten.

Neben den Modellstufen betont OpenAI länger andauernde autonome Arbeiten mit der GPT-6-Generation. Nach Angaben des Unternehmens können die Modelle nun Aufgaben übernehmen, die Stunden oder Tage dauern, unterstützt durch Funktionen wie Mid-Run-Steering, asynchrone Tool-Aufrufe und parallele Arbeit Entwickler können Anweisungen aktualisieren, während eine Aufgabe läuft, ohne laufende Tool-Aufrufe abzubrechen, und Agenten können unabhängig weiterarbeiten, während langsamere Tools im Hintergrund laufen. Bei Aufgaben, die Stunden dauern, verringert Mid-Run-Steering die Notwendigkeit, bereits tokenverbrauchende Arbeiten abzubrechen und neu zu starten.

GPT-6.1 Sol unterstützt zudem Workflows mit mehreren Agenten in der Beta über die Responses API. Das Modell kann unabhängige Teile einer Aufgabe an Subagenten delegieren und deren Ergebnisse zu einer endgültigen Antwort zusammenführen. Das Beta-Label bedeutet, dass der Workflow sich noch in der Entwicklung befindet und sich ändern kann. GPT-6 Astra erweitert diesen Ansatz in Codex, OpenAIs Coding-Agent, wo es Nutzer um Klärung bitten kann, während es Teile einer Aufgabe weiterbearbeitet, die nicht von der Antwort abhängen. OpenAI empfiehlt Entwicklern, explizit festzulegen, welche Entscheidungen ein Agent eigenständig treffen darf und welche eine Genehmigung erfordern.

Alle drei Modelle können zudem Computer-Control-Funktionen nutzen, um mit Websites und Desktop-Anwendungen zu interagieren, wenn direkte APIs oder verbundene Tools nicht verfügbar sind. OpenAI sagte, dies könne es einem Agenten ermöglichen, einen Softwarefehler zu untersuchen, Code zu ändern und das Produkt anschließend im Browser zu öffnen, um die Korrektur zu überprüfen.

Zur Kostenkontrolle zunehmend langer Agent-Workflows empfiehlt der Leitfaden eine stärkere Nutzung von Prompt-Caching und Kontextkomprimierung. Zwischengespeicherte Eingaben können je nach Modell bis zu 95 % weniger kosten als nicht zwischengespeicherte Tokens. Da Agenten, die über Stunden laufen, große Textmengen lesen und erzeugen und dabei nach Tokens abgerechnet werden, behandelt der Leitfaden diese Optimierungen als zentrale Kostenkontrollen und nicht als optionale Extras.

OpenAI wies außerdem darauf hin, dass Entwickler ihre Prompts für die neueren Modelle möglicherweise vereinfachen müssen. Das Unternehmen argumentiert, dass immer leistungsfähigere Systeme besser im Umgang mit Nuancen und Mehrdeutigkeiten sind, was bedeutet, dass allzu detaillierte Anweisungen die Leistung manchmal beeinträchtigen statt verbessern können. Für Teams, die detaillierte Prompt-Bibliotheken aus früheren Modellen übernehmen, deutet die Empfehlung darauf hin, dass ein leichterer Ansatz nun besser funktionieren kann.