GPT-6 Sol и GPT-6 Luna: более дешёвый токен — не всегда более дешёвая задача

Поставщик выпустил GPT-6 Sol и GPT-6 Luna 22 сентября 2026 года, и главная новость везде — цена: Sol — $2,00 за миллион входных токенов и $10,00 за выходные токены, Luna — $0,10 и $0,50; обе примерно вдвое дешевле того, что GPT-5.6 Sol и GPT-5.6 Luna берут по текущим промо-тарифам, и обе находятся значительно ниже флагманской GPT-6 Astra при $10,00/$50,00. В своём анонсе поставщик начинает с фразы «мы также сделали кэширование и инференс более эффективными». Проблема с трактовкой этого как истории о скидке в том, что единица, которая фактически попадает в ваш счёт, — не токен. Это задача. И первые независимые измерения, опубликованные в тот же день, показывают, что две новые модели движутся в противоположных направлениях именно по этой единице — причём GPT-6 Luna, которая из двух дешевле по входу в двадцать раз, показывает худший результат из двух по сравнению со своей предшественницей. Одна из этих моделей — прямое улучшение, а другая — настоящий компромисс, и анонс поставщика не различает их.

Прежде чем перейти к цифрам — правила источников для этого материала, потому что два блока доказательств здесь заслуживают очень разного веса. Цены, контекстное окно, тарифы кэширования и даты отсечения знаний взяты из собственной документации OpenAI по API и таблиц цен по состоянию на 23 сентября 2026 года; при этом строки service-tier и cache-write сверены со сторонними трекерами затрат, а не взяты только из анонса. Таблицы бенчмарков OpenAI — AutomationBench, DeepSWE 1.1, OSWorld 2.0, Agents' Last Exam и внутренняя оценка фактической точности — заявлены вендором и не воспроизведены, и каждая цифра, взятая из них ниже, помечена как таковая. Независимые цифры взяты из Artificial Analysis, которая прогнала обе модели через свои Intelligence Index и Coding Agent Index в день запуска; именно на них стоит полагаться при принятии решения. Там, где эти два источника расходятся, в статье это отмечено, а не усреднено.

Запуск, в одном абзаце

Sol и Luna — представители среднего и низкого уровня в семействе GPT-6, обученные методами, лежащими в основе GPT-6 Astra, и позиционируемые как более быстрые и дешёвые способы достичь большей части возможностей Astra. В OpenAI акцент делают на стоимости за задачу, а не на возможностях как таковых: компания утверждает, что GPT-6 Sol допускает примерно вдвое меньше ошибок, чем GPT-5.6 Sol, в своей внутренней оценке фактичности, и что GPT-6 Luna при более высоком уровне рассуждений соответствует по фактичности GPT-5.6 Sol примерно при одной сотой стоимости задачи. Обе принимают на вход текст и изображения и выводят текст, обе имеют контекстное окно на 1 050 000 токенов с ограничением вывода 128K — Artificial Analysis указывает 872k для той же модели, поэтому верхнюю границу этого окна следует считать заявленной производителем — и обе поддерживают уровень рассуждений от none до max, уровень, который GPT-6 Astra не предлагает, потому что у Astra нет none. Идентификаторы моделей — gpt-6-sol и gpt-6-luna. Доступность обеспечивается через API, через ChatGPT Work и Codex для аккаунтов Plus, Pro, Business, Enterprise и Edu, а также через Amazon Bedrock, который объявил об общей доступности обеих в тот же день. Пользователи Free и Go получают Luna в настольном приложении; ни одна из моделей пока не доступна в обычном режиме Chat.

Что говорят четыре независимых числа и почему они расходятся

Начнём с GPT-6 Sol, потому что его история проста. Artificial Analysis оценивает его в 48 по Intelligence Index, 18-е место среди 212 измеренных моделей, при $1.06 за задачу индекса против $1.99 у GPT-5.6 Sol — примерно вдвое дешевле при том же показателе индекса, и улучшение стоимости за задачу сохраняется, а не исчезает. Coding Agent Index растёт с 55 до 57, при этом Terminal-Bench 4.0 поднялся с 37% до 43%, а SWE-Atlas-QnA — с 54% до 58%, при $2.99 за задачу на границе Парето. Частота галлюцинаций падает с 92% до 60%, а поведение при воздержании от ответов полностью меняет характер: теперь даёт ответы на 83% вопросов, тогда как предыдущее поколение отвечало на 99%, а в обмен получает на четверть меньше неверных ответов, при этом точность снижается с 59% до 54%. Это модель, которую научили молчать, когда она не знает, и изменение AA-Omniscience Index с 22 до 27 — это тот же факт, выраженный в виде оценки.

Теперь GPT-6 Luna — и история меняется. Artificial Analysis оценивает её в 37 баллов по Индексу интеллекта — тот же самый показатель, что и у GPT-5.6 Luna. Стоимость одной задачи по индексу падает с $0,18 до $0,07, примерно на 60% меньше, и эта экономия реальна. Но её Индекс агента-программиста снижается с 43 до 41, при этом SWE-Atlas-QnA падает с 49% до 44%, а DeepSWE 1.1 — с 66% до 64%. Уровень галлюцинаций улучшается с 93% до 77%, а поведение воздержания от ответа почти не меняется — точность 44% против 43%, AA-Omniscience с −10 до 1. Если сложить всё вместе: тот же измеренный интеллект примерно за 40% стоимости задачи, но с худшим агентом-программистом и практически неизменным качеством ответов.

Это не противоречие, и причина имеет значение. Более дешёвый токен даёт вам меньше только в том случае, если модель тратит больше токенов на выполнение той же задачи — а независимые данные говорят, что эти модели тратят больше, а не меньше. Объём вывода на задачу индексации вырос с 29 тыс. до 31 тыс. токенов для Sol и с 41 тыс. до 51 тыс. для Luna. Экономия GPT-6 Luna в 60 % полностью обусловлена снижением цены, а не более экономной работой. Дрейф числа токенов на задачу достаточно мал, чтобы арифметика здесь всё ещё складывалась в вашу пользу; он недостаточно мал, чтобы игнорировать его как категорию, потому что это механизм, с помощью которого будущее снижение цены может быть нейтрализовано более болтливой моделью. Собственное позиционирование OpenAI сместилось к стоимости за задачу по той же причине.

Две регрессии остаются за пределами двух главных индексов и заслуживают упоминания, потому что ни одна из них не фигурирует в анонсе OpenAI. В GDPval-AA v2.1, который измеряет результаты интеллектуального труда, GPT-6 Sol теряет примерно 100 пунктов Elo против предшественника, а GPT-6 Luna — примерно 75. GPT-6 Luna также теряет около 45 пунктов Elo в AA-Briefcase v1.1, где Sol держится стабильно — Artificial Analysis объясняет разрыв более слабой подачей и отсутствующими пунктами рубрики. Если вы используете дешёвый уровень для массового суммирования, извлечения и классификации, это вас не касается. Если же это составление черновика, который человек утверждает, — то касается.

Изменение кэширования — это настоящая новость об API

Под тарифной сеткой скрывается изменение, которое для счёта за использование в продакшене важнее, чем снижение, вынесенное в заголовок, и именно на эту часть анонса собственный пост OpenAI намекает одной фразой. Изменились три вещи, и третью стоит прочитать дважды.

Первое — это сама скидка: чтение кэшированных входных данных тарифицируется по ставке 10% от тарифа на входные данные, скидка 90%, то есть то же условие, которое уже действовало в семействе, а не новое. Кэшированный ввод Sol стоит $0.20 за миллион, а у Luna — $0.01; запись в кэш идёт с надбавкой 1.25x — $2.50 и $0.125 соответственно, с единым 30-минутным временем жизни.

Второе — контроль. Явное кеширование с помощью prompt_cache_options и prompt_cache_breakpoint — параметров, которые позволяют объявить, где заканчивается переиспользуемый префикс промпта, а не надеяться, что провайдер угадает, — доступно в обеих моделях. Это не новая функциональность API; ново то, что им стоит пользоваться, потому что стандартные показатели попаданий выросли.

Третье — это то, что меняет архитектуру. Изменение уровня усилий при рассуждении или включение и выключение инструментов больше не аннулирует кэшированный префикс.До этого агентный цикл, который повышал усилия для сложного шага и понижал их для лёгкого, платил за повторную обработку всего своего контекста при каждом повороте регулятора, и то же самое происходило с циклом, который добавлял или удалял инструмент посреди разговора. Теперь на этих двух моделях этот налог исчез. OpenAI ссылается на GitHub, который сообщил, что эти изменения сократили долю токенов промпта, требующих свежей обработки, более чем вдвое в миллиардах запросов. Относитесь к этому как к цифре, предоставленной вендором — она правдоподобна, и она не проверена независимо.

Посчитайте арифметику для длинного агентного цикла — и ранжирование двух анонсов переворачивается. Цикл, который проносит системный промпт и схему инструментов на 30 000 токенов через 200 ходов, перемещает 6 миллионов токенов контекста. Без кэширования, на GPT-6 Sol, это $12.00 входных данных. С кэшированным префиксом по $0.20 за миллион это $1.20 плюс разовая запись — на порядок, из-за изменения параметра, ещё до того, как снижение ставки вообще будет применено. Снижение ставки — это то, что продавал анонс. А поведение кэша — это то, что на самом деле двигает цифру, и именно поэтому заявленная ставка $2.00 ведёт себя как нечто гораздо более дешёвое на рабочих нагрузках, для которых OpenAI продвигает эти модели.

Тарифная карта, включая фрагменты, которые пропускает анонс.

Заявленные тарифы — это ещё не вся тарифная сетка, и три уровня меняют решение для конкретных рабочих нагрузок.

• Base — GPT-6 Sol $2.00 за ввод / $10.00 за вывод; GPT-6 Luna $0.10 за ввод / $0.50 за вывод, за миллион токенов, для запросов объёмом до 272K входных токенов.

• Длинный контекст — при объёме входных токенов свыше 272K весь запростарифицируется по 2x за вход и 1.5x за выход: $4.00/$15.00 для Sol и $0.20/$0.75 для Luna. Это обрыв, а не предельная ставка. Если ваши промпты доходят до 300K токенов, вы платите вдвое за весь запрос, а не за 28K сверх порога, и разделение документа на два вызова ниже порога зачастую дешевле, чем отправить его один раз выше.

• Уровни обслуживания — Flex вдвое уменьшает счёт ($1.00/$5.00 для Sol, $0.05/$0.25 для Luna) в обмен на более медленную обработку; Priority удваивает его. И тот, и другой выбираются через параметр service_tier. Flex — это то место, где должны жить пакетные задачи, но почти никогда не живут.

• Кэшированный ввод — $0.20 за миллион на Sol и $0.01 на Luna, скидка 90 %, с TTL 30 минут и надбавкой 1.25x за запись в кэш.

• Контекст и вывод — окно в 1 050 000 токенов, максимальный вывод 128K, на входе текст и изображение, на выходе текст, усилие рассуждения: от отсутствия до максимума при среднем значении по умолчанию.

• Границы знаний — 20 апреля 2026 года для GPT-6 Sol и 18 мая 2026 года для GPT-6 Luna: разница в месяц внутри одного семейства, и об этом стоит знать, прежде чем предполагать, что обе модели видят мир одинаково.

Что говорит таблица бенчмарков OpenAI — и чего она не говорит

Опубликованные сравнения OpenAI — все по стоимости за задачу, все против Anthropic и все проведены вендором. На AutomationBench 1.0.6, агентной оценке с 47 инструментами, компания сообщает, что GPT-6 Sol при усилии xhigh набирает 33,2% при $0,27 за задачу, против Claude Opus 5 с 26,9% и примерно в 11 раз большей стоимостью за задачу. На DeepSWE 1.1 она сообщает, что Sol при максимальном усилии набирает 68,8% против Claude Fable 5 с 69,9% — проигрыш по баллам при примерно на 80% меньшей стоимости за задачу — и Luna с 66,6%. На OSWorld 2.0 Sol набирает 60,5% при xhigh против 60,3% у Opus 5, снова примерно на 80% меньше за задачу. На Agents' Last Exam Sol достигает 56,4%, что, по словам OpenAI, превосходит лучший результат Opus 5 при на 60% меньшей стоимости за задачу.

Все эти цифры сообщены самими производителями и не воспроизведены независимо, и два предостережения стоит держать в уме, а не отправлять в архив. Во-первых, OpenAI проводила сравнительное тестирование против Claude Opus 5, а не против Claude Opus 5.5, выпущенной за несколько часов до объявления, поэтому пока ни одно сравнение в одинаковых условиях не показывает, какая модель действительно обеспечивает более низкую стоимость в расчёте на одну успешно выполненную задачу. Во-вторых, стоимость за задачу — это не стоимость за правильную задачу: модель, которая отвечает в 83% случаев и воздерживается от ответа в остальных, будет выглядеть дешёвой в расчёте на задачу в бенчмарке, где воздержание от ответа считается выполнением задачи. Именно приведённые выше независимые данные о воздержании от ответов позволяют честно оценить это в деньгах: GPT-6 Sol, отвечающая на 83% вопросов там, где старая модель отвечала на 99%, — это осознанный компромисс, и хорош ли он, зависит исключительно от того, во что вам обходится неправильный ответ.

OpenAI сообщает, что GPT-6 Luna при более высоком уровне усилий достигает такой же фактической точности, как GPT-5.6 Sol, при примерно одной сотой стоимости задачи. Это сравнение фактической точности, а не сравнение возможностей, а независимый Coding Agent Index ставит GPT-6 Luna на два балла ниже GPT-5.6 Luna, не говоря уже о GPT-5.6 Sol.

Что с этим вообще делать?

GPT-6 Sol — это понятный вариант. Половина стоимости задачи при показателе уровня индекса, лучший агент для программирования, значительное снижение галлюцинаций и реальное изменение в поведении отказа от ответа складываются в обновление, которое можно запланировать, а не рискнуть. Если вы используете GPT-5.6 Sol, это миграция, и единственный реальный вопрос — какие из ваших запросов зависят от готовности старой модели отвечать на всё.

GPT-6 Luna — именно её стоит протестировать, прежде чем переходить. Это не строго лучшая GPT-5.6 Luna; это модель другой формы — дешевле на задачу, осторожнее в том, что она утверждает, и измеримо хуже в агентном кодинге. Для классификации, извлечения, маршрутизации и суммаризации при больших объёмах такой размен — почти бесплатные деньги. Для всего, что подаётся на вход кодирующему агенту или создаёт документ, который утверждает человек, регрессия Coding Agent на два пункта и падение GDPval — причина оставить GPT-5.6 Luna в цепочке, пока вы не прогоните собственные задачи через обе.

Это также аргумент против жёсткой привязки к одному из них. Обе модели сейчас доступны только через OpenAI, а рабочие нагрузки, которые обслуживают эти уровни — маршрутизация, извлечение данных, дешёвая классификация — это именно те случаи, когда второй провайдер за тем же эндпоинтом превращает регрессию модели в ничего не значащее событие. OrcaRouter передаёт прайс-листовые цены провайдеров как есть при 0% наценки, так что изменение тарифов вендора отражается на нашей стороне в тот же день, когда оно происходит у вендора, а routing DSL позволяет поставить GPT-6 Luna за более дешёвой моделью для лёгкой части трафика, тогда как более сложная часть уходит к GPT-6 Sol — с автоматическим переключением при сбое, если любой из путей деградирует. Вам не нужно выбирать победителя в день запуска, чтобы извлечь выгоду из запуска.

Честная оговорка: GPT-6 Sol и GPT-6 Luna по состоянию на 23 сентября 2026 года не маршрутизируются через OrcaRouter. Мы пока не размещаем их у себя, и ничто из сказанного выше не следует воспринимать как заявление о том, что мы это делаем. Что сегодня есть на нашей стороне — это набор для сравнения — GPT-5.6 Sol по цене $4.00/$20.00, GPT-5.6 Luna по цене $0.20/$1.20 и GPT-6 Astra по цене $10.00/$50.00, — и именно это нужно, чтобы рассчитать стоимость миграции, прежде чем вы на неё решитесь.

Что посмотреть дальше

Три вещи позволили бы окончательно понять, чем на самом деле был этот запуск. Первая — сохранится ли тариф GPT-5.6 Luna $0.20/$1.20 на протяжении квартала, потому что постоянная цена от одного поставщика исторически оказывалась скорее первым ходом, а не его завершением, — а выпуск Claude Opus 5.5 в тот же день говорит о том, что давление, приведшее к этому снижению, никуда не исчезло. Вторая — подтвердится ли на практике сдвиг в сторону воздержания от ответов: то, что GPT-6 Sol отказывается отвечать на каждый шестой вопрос, — это изменение, которое в лаборатории воспринимается как улучшение, а в конвейере, где предполагалось, что ответ будет, — как сломанный продукт. Третья — реально ли поведение кэша на вашем трафике; это можно измерить уже на этой неделе, а ответить на этот вопрос можно, только измерив, — скидка настолько велика, что один час, потраченный на инструментирование показателей попаданий в кэш для ваших самых длинных промптов, стоит больше, чем ещё одна таблица бенчмарков.