OpenAI heeft een nieuwe gids gepubliceerd waarin wordt uiteengezet hoe ontwikkelaars zijn GPT-6-modelfamilie moeten gebruiken, samen met nieuwe tooling die is ontworpen om AI-agents taken te laten uitvoeren die uren of zelfs dagen kunnen duren. Het document bundelt hoe OpenAI bedoelt dat de familie wordt gebruikt, met modelkeuze, agentontwerp, promptstijl en kostenbeheersing op één plek.

Het bedrijf verdeelt de lijn in drie primaire modellen—GPT-6 Astra, GPT-6.1 Sol en GPT-6 Luna—elk gericht op een andere balans tussen intelligentie, kosten en snelheid. Gelaagde families van dit soort zijn een gebruikelijke structuur geworden bij grote AI-aanbieders, waarmee teams routinewerk naar goedkopere modellen kunnen sturen terwijl de vlaggenschipcapaciteit wordt gereserveerd voor de zwaarste taken.

GPT-6 Astra wordt gepositioneerd als OpenAI's intelligentste model en is bedoeld voor de zwaarste redeneerworkloads. GPT-6.1 Sol is gericht op complexe codeer-, onderzoeks- en computergebruikstaken, terwijl Luna is ontworpen voor grootschalige workloads met duidelijkere doelstellingen, zoals extractie, classificatie en gestructureerde samenvattingen. OpenAI's huidige API-documentatie omschrijft Astra eveneens als de optie met de hoogste intelligentie en Sol als een goedkoper alternatief met bijna-Astra-prestaties.

De prijzen variëren sterk tussen de drie niveaus. Astra kost $10 per miljoen inputtokens en $50 per miljoen outputtokens. GPT-6.1 Sol is geprijsd op respectievelijk $2 en $10, terwijl Luna $0,10 voor input en $0,50 voor output kost—een spreiding van grofweg een factor 100 tussen het hoogste en laagste niveau, zowel voor input als output. Tokens, de teksteenheden die modellen lezen en genereren, zijn de standaardfacturatieenheid voor AI-API's, dus de plaats van een workload in de lijn bepaalt direct wat het kost om deze te draaien.

Naast de modelniveaus legt OpenAI ook de nadruk op langer durend autonoom werk met de GPT-6-generatie. Volgens het bedrijf kunnen de modellen nu taken aanpakken die uren of dagen beslaan, ondersteund door functies zoals mid-run sturing, asynchrone toolcalls en parallel werk. Ontwikkelaars kunnen instructies bijwerken terwijl een taak draait zonder lopende toolcalls te annuleren, en agents kunnen zelfstandig doorwerken terwijl langzamere tools op de achtergrond draaien. Voor taken die uren duren, vermindert mid-run sturing de noodzaak om werk dat al tokens heeft verbruikt te annuleren en te herstarten.

GPT-6.1 Sol ondersteunt ook multi-agentworkflows in bèta via de Responses API. Het model kan onafhankelijke delen van een taak delegeren aan subagents en hun bevindingen combineren tot een uiteindelijk antwoord. Het bètalabel betekent dat de workflow nog in ontwikkeling is en kan veranderen. GPT-6 Astra breidt die aanpak uit in Codex, OpenAI's codeeragent, waar het gebruikers om verduidelijking kan vragen terwijl het doorgaat met delen van een taak die niet van het antwoord afhankelijk zijn. OpenAI raadt ontwikkelaars aan om expliciet te definiëren welke beslissingen een agent zelfstandig kan nemen en welke goedkeuring vereisen.

Alle drie de modellen kunnen ook computer-besturingsmogelijkheden gebruiken om te interageren met websites en desktopapplicaties wanneer directe API's of gekoppelde tools niet beschikbaar zijn. OpenAI zei dat dit een agent in staat kan stellen een softwarebug te onderzoeken, code aan te passen en vervolgens het product in een browser te openen om de fix te verifiëren.

Om de kosten van steeds langere agentworkflows te beheersen, raadt de gids een groter gebruik van prompt caching en contextcompacting aan. Gecachede input kan, afhankelijk van het model, tot 95% goedkoper zijn dan ongecachede tokens. Omdat agents die uren draaien grote hoeveelheden tekst lezen en genereren onder facturering per token, behandelt de gids deze optimalisaties als kernmaatregelen voor kostenbeheersing in plaats van optionele extra's.

OpenAI merkte ook op dat ontwikkelaars mogelijk vereenvoudigen moeten hoe ze de nieuwere modellen prompten. Het bedrijf stelt dat steeds capabelere systemen beter omgaan met nuance en ambiguïteit, wat betekent dat overdreven prescriptieve instructies soms de prestaties kunnen schaden in plaats van verbeteren. Voor teams die gedetailleerde promptbibliotheken van eerdere modellen overnemen, suggereert de richtlijn dat een lichtere aanpak nu mogelijk beter werkt.