OpenAI opublikowało nowy przewodnik opisujący, jak deweloperzy powinni korzystać z rodziny modeli GPT-6, wraz z nowymi narzędziami zaprojektowanymi tak, aby agenci AI mogli pracować nad zadaniami trwającymi godziny lub nawet dni. Dokument konsoliduje w jednym miejscu wskazówki dotyczące wyboru modelu, projektowania agentów, stylu promptowania i kontroli kosztów.

Firma dzieli ofertę na trzy główne modele — GPT-6 Astra, GPT-6.1 Sol i GPT-6 Luna — z których każdy odpowiada innemu balansowi inteligencji, kosztów i szybkości. Warstwowe rodziny modeli stały się powszechną strukturą wśród największych dostawców AI, pozwalając zespołom kierować rutynowe zadania do tańszych modeli, rezerwując możliwości flagowych modeli do najtrudniejszych zadań.

GPT-6 Astra jest pozycjonowany jako najinteligentniejszy model OpenAI i przeznaczony do najtrudniejszych zadań rozumowania. GPT-6.1 Sol jest skierowany do złożonego kodowania, badań i zadań związanych z korzystaniem z komputera, podczas gdy Luna jest zaprojektowana do zadań o dużej skali o jaśniejszych celach, takich jak ekstrakcja, klasyfikacja i ustrukturyzowane podsumowania. Aktualna dokumentacja API OpenAI również opisuje Astrę jako opcję o najwyższej inteligencji, a Sola jako tańszą alternatywę o wydajności zbliżonej do Astry.

Ceny znacznie się różnią między trzema warstwami. Astra kosztuje 10 USD za milion tokenów wejściowych i 50 USD za milion tokenów wyjściowych. GPT-6.1 Sol jest wyceniony odpowiednio na 2 USD i 10 USD, podczas gdy Luna kosztuje 0,10 USD za dane wejściowe i 0,50 USD za wyjściowe — to około stokrotna różnica między najwyższą a najniższą warstwą zarówno dla danych wejściowych, jak i wyjściowych. Tokeny, czyli jednostki tekstu, które modele odczytują i generują, są standardowąnostką rozliczeniową dla API AI, więc położenie zadania w ofercie bezpośrednio kształtuje koszt jego wykonania.

Obok warstw modeli OpenAI kładzie nacisk na dłuższą autonomiczną pracę w generacji GPT-6. Według firmy modele mogą teraz podejmować zadania trwające godziny lub dni, wspierane przez funkcje takie jak sterowanie w trakcie działania, asynchroniczne wywołania narzędzi i praca równoległa. Deweloperzy mogą aktualizować instrukcje podczas działania zadania bez anulowania już trwających wywołań narzędzi, a agenci mogą kontynuować niezależną pracę, podczas gdy wolniejsze narzędzia działają w tle. W przypadku zadań trwających godziny sterowanie w trakcie działania zmniejsza konieczność anulowania i ponownego uruchamiania pracy, która już zużyła tokeny.

GPT-6.1 Sol obsługuje również wieloagentowe przepływy pracy w wersji beta przez Responses API. Model może delegować niezależne części zadania do subagentów i łączyć ich wyniki w ostateczną odpowiedź. Etykieta beta oznacza, że przepływ pracy jest nadal w rozwoju i może ulec zmianie. GPT-6 Astra rozszerza to podejście w Codex, agencie do kodowania OpenAI, gdzie może prosić użytkowników o wyjaśnienia, kontynuując jednocześnie części zadania, które nie zależą od odpowiedzi. OpenAI zaleca deweloperom jasne określenie, które decyzje agent może podejmować samodzielnie, a które wymagają zatwierdzenia.

Wszystkie trzy modele mogą również korzystać z funkcji sterowania komputerem do interakcji ze stronami internetowymi i aplikacjami desktopowymi, gdy bezpośrednie API lub podłączone narzędzia są niedostępne. OpenAI powiedziało, że może to pozwolić agentowi na zbadanie błędu oprogramowania, modyfikację kodu, a następnie otwarcie produktu w przeglądarce w celu weryfikacji poprawki.

Aby kontrolować koszty coraz dłuższych przepływów pracy agentów, przewodnik zaleca większe wykorzystanie cache'owania promptów i kompresji kontekstu. Dane wejściowe z cache mogą kosztować nawet o 95% mniej niż tokeny bez cache, w zależności od modelu. Ponieważ agenci działający przez godziny odczytują i generują duże ilości tekstu przy rozliczaniu za token, przewodnik traktuje te optymalizacje jako podstawowe narzędzia kontroli kosztów, a nie opcjonalne dodatki.

OpenAI zauważyło również, że deweloperzy mogą potrzebować uproszczenia sposobu promptowania nowszych modeli. Firma argumentuje, że coraz bardziej zaawansowane systemy lepiej radzą sobie z niuansami i niejednoznacznością, co oznacza, że nadmiernie szczegółowe instrukcje mogą czasami pogorszyć wydajność zamiast ją poprawić. Dla zespołów przenoszących szczegółowe biblioteki promptów napisanych dla wcześniejszych modeli wskazówki sugerują, że łagodniejsze podejście może teraz działać lepiej.