Семейство GPT-6: как выбрать модель и настроить работу с ней

Семейство GPT-6 объединяет три модели OpenAI с разным балансом качества, скорости и цены. Здесь разберём, какую модель и уровень рассуждений выбирать под задачу, как настроить промпты и навыки, снизить затраты на длинных сценариях и удержать многочасовую работу в рамках цели.

Что это

GPT-6 — самое передовое семейство моделей OpenAI. В него входят три модели с разным назначением: GPT-6 Astra рассчитана на самые сложные задачи, GPT-6.1 Sol даёт на сложных задачах результаты, близкие к Astra, при заметно меньшей цене, а GPT-6 Luna подходит для узких и массовых задач с чёткой целью.

Цены различаются в разы. При стандартной обработке и запросах до 272 тысяч входных токенов Astra стоит $10 за миллион входных токенов и $50 за миллион выходных, GPT-6.1 Sol — $2 и $10, Luna — $0,10 и $0,50. Кэшированный ввод стоит $1, $0,10 и $0,01 соответственно. Для более длинного контекста действуют повышенные ставки, поэтому эти цифры нельзя механически переносить на любой запрос.

Выбор модели — только часть работы. Дальше нужно настроить сам процесс: эффективность в продакшене, промпты и навыки, управление длительными задачами. Именно эти три направления OpenAI разбирает в своём практическом руководстве по семейству GPT-6.

Ключевое правило: модель подбирают под задачу, а не наоборот. Самую умную модель есть смысл включать только там, где её уровень действительно окупается.

Зачем нужно

Настроенная работа с семейством GPT-6 решает несколько задач разом:

• Выбрать модель и уровень рассуждений — найти баланс интеллекта, цены и скорости вместо того, чтобы всегда брать самую мощную модель.
• Снизить затраты — кэшированный ввод может стоить до 95% дешевле обычного, в зависимости от модели, а сжатие контекста уменьшает его объём в длинных диалогах, сохраняя состояние, нужное для продолжения.
• Перестроить промпты и навыки — чётко описать нужный результат, границы самостоятельности и критерий завершения вместо жёстких рецептов.
• Довести длительные задачи до конца — корректировка хода, асинхронные инструменты, делегирование и уточнения не дают многочасовой задаче отклониться от цели.
• Подготовиться к эксплуатации — мониторинг, контроль данных и замер успешности до развёртывания.

Как устроено

В основе семейства — три модели с разным позиционированием:

Уровень рассуждений и скорость

Помимо выбора модели, важен уровень рассуждений — сколько дополнительной работы модель тратит на задачу. В API используются уровни Low, Medium, High, Extra high и Max там, где модель их поддерживает; у Luna есть ещё None. Low подходит для извлечения фактов и небольших правок, Medium — для задач с оценкой и выбором, High — для сложной отладки и анализа. Extra high и Max стоит пробовать, когда High не хватает и прирост качества оправдывает дополнительные затраты времени и денег. Уровень можно менять по ходу диалога, не ломая кэш промпта.

Скорость — второй рычаг. В API есть Fast mode для сценариев, где важен быстрый и стабильный отклик, например в чатах или инструментах для разработки. Он стоит дороже стандартной обработки. Для GPT-6 Astra в API и Codex доступен ещё Ultrafast: он ускоряет генерацию токенов независимо от уровня рассуждений и подходит для случаев, где задержка действительно критична.

Продакшен: эффективность, кэширование, контроль

Первый блок — подготовка к продакшену. До развёртывания из входящего контекста вычищают всё, что для задачи лишнее, оставляя только нужное, а независимые операции запускают параллельно: одна медленная операция не должна блокировать остальные.

Ключевой приём экономии — кэширование промптов. Кэшированные входные токены могут стоить до 95% дешевле обычных, в зависимости от модели. Для этого постоянные инструкции и справочные материалы размещают перед меняющимися деталями задачи, а определения инструментов сохраняют неизменными. Понять, где повторное использование не сработало, помогают дашборд кэширования и руководство по диагностике. В долгих диалогах сжатие уменьшает объём контекста, сохраняя состояние, необходимое для продолжения.

До развёртывания решают, как отслеживать поведение модели, и изучают средства контроля данных для своего приложения. Затем тестируют: прогоняют типичные задачи и смотрят, насколько они успешны, какова задержка и во сколько обходится одна решённая задача.

Промпты и навыки: от рецептов к границам

Второй блок — перестройка промптов и навыков. Начинают с точного описания задачи: что должно получиться, кому это адресовано, какой контекст важен, какие есть ограничения и по каким признакам считать работу законченной. Дальше — четыре направления.

Первое — навести порядок в навыках: коротко обозначить, когда каждый из них включать, подгружать справочные данные только по необходимости и вместо жёстких предписаний оставлять рекомендации, откалиброванные под модели команды. Второе — переписать AGENTS.md: прописать, в каких случаях нужны те или иные документы и тесты, и прямо разрешить безопасные рутинные шаги, скажем локальный прогон тестов на одноразовых данных без доступа к продакшену.

Третье — очертить границы самостоятельности: что модель делает без вас, а что только после согласования, и вместо общей установки «спрашивать всегда» прописать конкретные границы. Четвёртое — зафиксировать, что считается готовым результатом: изменение внесено, нужные проверки запущены, результат просмотрен, найденные сбои устранены. Отдельно перечисляют решения, которые остаются за человеком.

Отдельно договариваются о нужном результате: что модель решает сама, в каких точках запрашивает ваши указания и как выглядит полезный ответ. Скажем, структуру сводки она выбирает сама, но менять объём проекта обязана согласовывать. А полезный ответ описывают явно: понятный язык, технические детали под уровень аудитории и короткое резюме — что изменено, что проверено, на что ещё обратить внимание.

OpenAI отдельно обращает внимание: модели стали лучше понимать нюансы и неоднозначность, поэтому чрезмерно конкретные инструкции иногда мешают там, где раньше помогали. Это повод пересмотреть накопившиеся «страховочные» правила и оставить только те, которые действительно нужны.

Длительные задачи: не дать работе отклониться от цели

Третий блок — управление задачами, которые занимают часы или дни. В API для этого три инструмента. Корректировка в ходе ответа позволяет отправить уточнение через Responses WebSocket API, пока модель работает: уточнения ставятся в очередь и не отменяют ни запущенные инструменты, ни уже выполненные действия. Асинхронный вызов инструментов позволяет модели выполнять независимую работу, пока приложение занято медленной задачей, например тестами, и получать результат по готовности. Делегирование открывает GPT-6.1 Sol многоагентные сценарии: модель раздаёт независимые куски работы субагентам — к примеру, изучение разных участков кодовой базы — и сводит их выводы в один ответ. Многоагентный режим сейчас в бета-версии.

В Codex механизм другой: там при длительных задачах нужны решения, которых не было в исходном промпте. С GPT-6 Astra Codex может запрашивать уточнения по ходу задачи. Стоит разрешать вопросы, влияющие на следующий шаг, и указывать, какую независимую работу можно продолжать, пока вы решаете. Если вы будете недоступны, сообщите Codex, что можно продолжать и когда остановиться. Если требования поменялись, задачу поправляют на ходу, поясняя, что именно меняется, а что остаётся как было.

Управление компьютером

Управление компьютером позволяет Astra, Sol и Luna работать с сайтами и настольными программами через предоставленный инструмент, даже если у приложения нет API. Модель можно попросить, например, разобраться в ошибке, исправить код и открыть продукт в браузере, чтобы проверить результат. Для каждого шага лучше выбирать самый простой и надёжный путь: API или готовый инструмент, если они решают задачу напрямую; управление компьютером — когда нужно прочитать экран, нажать кнопку или заполнить форму. При встраивании в своё приложение среду выполнения предоставляет разработчик: Playwright подходит для браузера, PyAutoGUI — для настольных программ.

Когда использовать

Выбор модели и уровня рассуждений — это поиск баланса интеллекта и цены под конкретную задачу:

Уровень рассуждений подбирают по сложности: Low — для рутины, Medium — для задач с оценкой и выбором, High — для сложной отладки и анализа. Режимы Extra high и Max стоит пробовать, только если High не даёт нужного качества и выигрыш оправдывает дополнительные затраты времени и денег.

Пример

Разберём два крайних сценария. Компания каждый день обрабатывает тысячи входящих счетов и извлекает из них сумму, дату и контрагента. Это узкая повторяющаяся задача с чёткой целью, и здесь подходит Luna. По стандартному тарифу она стоит $0,10 за миллион входных токенов и $0,50 за миллион выходных; кэшированный ввод — $0,01.

Другая задача — понять, почему продакшен падает в редких случаях, и исправить это. Нужна сложная отладка: гипотезы, анализ кода, проверка исправления. Такую работу берёт Astra с высоким уровнем рассуждений. После исправления можно попросить модель открыть продукт в браузере через управление компьютером и убедиться, что всё работает. Если отладка идёт в Codex и занимает часы, заранее разрешают модели задавать уточняющие вопросы и указывают, какую независимую работу продолжать, пока вы решаете.

Семейство уже используется в рабочих продуктах. Harvey сочетает сведения о судах, судебную практику, внутренние документы фирмы и предпочтения конкретного юриста, чтобы адаптировать черновики под его работу.

Cognition использует GPT-6 Astra внутри Devin для тестирования ПО. В примере с игрой для iPhone Devin подготовил запись из симулятора и отчёт, где пройденные проверки отделены от непроверенных зон.

Hex превращает вопросы о работе каналов продаж в текстовые выводы и интерактивные дашборды, включая разбивку по регионам. Модель также проверяет, выглядят ли числа правдоподобно и отвечает ли анализ на исходный бизнес-вопрос.

Invideo использует Astra для планирования правок на монтажной шкале и создания редактируемых эффектов. По данным компании, успешность задач цветокоррекции и цветового оформления выросла примерно втрое, а несколько редакторов за один день создали около 50 эффектов.

Эти кейсы показывают реальные способы применения Astra, но приведённые цифры — данные самих компаний из материалов OpenAI, а не независимые бенчмарки. Их лучше воспринимать как примеры рабочих сценариев, а не как гарантию такого же результата в другом проекте.