OpenAI опубликовала новое руководство, описывающее, как разработчикам следует использовать семейство моделей GPT-6, а также новые инструменты, позволяющие ИИ-агентам работать над задачами, которые могут растянуться на часы или даже дни. Документ объединяет в одном месте представления OpenAI о том, как должно использоваться это семейство, охватывая выбор модели, проектирование агентов, стиль промптов и контроль затрат.

Компания делит линейку на три основные модели — GPT-6 Astra, GPT-6.1 Sol и GPT-6 Luna — каждая из которых ориентирована на свой баланс интеллекта, стоимости и скорости. Многоуровневые семейства такого рода стали распространенной структурой среди крупных ИИ-провайдеров, позволяя командам направлять рутинную работу более дешевым моделям, оставляя флагманские мощности для самых сложных задач.

GPT-6 Astra позиционируется как самая интеллектуальная модель OpenAI и предназначена для самых сложных задач рассуждения. GPT-6.1 Sol ориентирована на сложное программирование, исследования и задачи с использованием компьютера, тогда как Luna разработана для высокообъемных рабочих нагрузок с более четкими целями, такими как извлечение данных, классификация и структурированные сводки. Текущая документация API OpenAI также описывает Astra как опцию с высочайшим интеллектом, а Sol — как более дешевую альтернативу с производительностью, близкой к Astra.

Цены на три уровня резко различаются. Astra стоит $10 за миллион входных токенов и $50 за миллион выходных токенов. GPT-6.1 Sol оценивается в $2 и $10 соответственно, тогда как Luna стоит $0,10 за вход и $0,50 за выход — разрыв примерно в 100 раз между верхним и нижним уровнями как по входным, так и по выходным токенам. Токены — единицы текста, которые модели читают и генерируют, — являются стандартной единицей тарификации ИИ-API, поэтому положение рабочей нагрузки в линейке напрямую определяет стоимость ее выполнения.

Наряду с уровнями моделей OpenAI делает акцент на более длительной автономной работе в поколении GPT-6. По словам компании, модели теперь могут браться за задачи, охватывающие часы или дни, благодаря функциям, включая корректировку на ходу (mid-run steering), асинхронные выз инструментов и параллельную работу. Разработчики могут обновлять инструкции во время выполнения задачи, не отменяя уже запущенные вызовы инструментов, а агенты могут продолжать независимую работу, пока более медленные инструменты функционируют в фоне. Для задач, выполняющихся часами, корректировка на ходу снижает необходимость отменять и перезапускать работу, на которую уже потрачены токены.

GPT-6.1 Sol также поддерживает мультиагентные рабочие процессы в бета-версии через Responses API. Модель может делегировать независимые части задачи субагентам и объединять их результаты в итоговый ответ. Пометка «бета» означает, что рабочий процесс все еще находится в разработке и может измениться. GPT-6 Astra расширяет этот подход в Codex — кодинг-агенте OpenAI, — где она может запрашивать у пользователей разъяснения, продолжая выполнять части задачи, не зависящие от ответа. OpenAI рекомендует разработчикам явно определять, какие решения агент может принимать самостоятельно, а какие требуют одобрения.

Все три модели также могут использовать возможности управления компьютером для взаимодействия с веб-сайтами и настольными приложениями, когда прямые API или подключенные инструменты недоступны. OpenAI заявила, что это может позволить агенту исследовать программную ошибку, изменить код, а затем открыть продукт в браузере, чтобы проверить исправление.

Для контроля затрат на все более длительные рабочие процессы агентов в руководстве рекомендуется активнее использовать кэширование промптов и сжатие контекста. Кэшированный ввод может стоить до 95% дешевле некэшированных токенов в зависимости от модели. Поскольку агенты, работающие часами, читают и генерируют большие объемы текста при потокенной тарификации, руководство рассматривает эти оптимизации как основные средства контроля затрат, а не дополнительные опции.

OpenAI также отметила, что разработчикам, возможно, придется упростить способ составления промптов для новых моделей. Компания утверждает, что все более способные системы лучше справляются с нюансами и неоднозначностью, а это значит, что чрезмерно предписывающие инструкции иногда могут ухудшать производительность, а не улучшать ее. Для команд, переносящих подробные библиотеки промптов, написанные для более ранних моделей, рекомендации говорят о том, что более легкий подход теперь может работать лучше.