OpenAI 22 сентября 2026 года выпустила GPT-6 Sol и GPT-6 Luna — две новые модели семейства GPT-6 для рабочих сценариев, Codex и API. Если Astra была главным флагманом для самых сложных end-to-end задач, то Sol и Luna выглядят как практичная попытка опустить часть возможностей GPT-6 в более быстрые и дешёвые уровни.
Это важная новость не из-за красивого нейминга. Для продуктов на AI цена и задержка часто решают больше, чем разница в пару процентов на бенчмарке. Если модель достаточно сильна для типового coding-agent workflow, анализа документов, поддержки, агентной рутины или генерации рабочих черновиков, но стоит заметно дешевле флагмана, её начинают использовать чаще и смелее.
Что именно вышло
В официальном API changelog OpenAI указала два новых model ID: gpt-6-sol и gpt-6-luna. Обе модели относятся к reasoning-моделям, принимают текст и изображения на вход, а текст возвращают через Responses API и Chat Completions API. То есть это не отдельный экспериментальный интерфейс, а нормальное пополнение продуктовой линейки.
OpenAI описывает Sol и Luna как модели, которые наследуют часть прогресса GPT-6 Astra, но рассчитаны на другой баланс возможностей и стоимости. Sol — более сильный рабочий вариант для задач, где всё ещё нужна серьёзная модель: код, анализ, агентные цепочки, computer use и сложные офисные сценарии. Luna — лёгкий и очень дешёвый уровень для массовых запросов, быстрых итераций и случаев, где флагманская модель избыточна.
На практике это похоже на нормальную модельную лестницу. Astra остаётся для самых трудных задач. Sol закрывает большую часть серьёзной ежедневной работы. Luna берёт на себя дешёвые и частые операции: первичную обработку, черновики, классификацию, простую помощь пользователю, routing и часть фоновых агентных шагов.
Где они доступны
По официальному анонсу в OpenAI Developer Community, GPT-6 Sol и Luna начали rollout 22 сентября в ChatGPT Work и Codex для пользователей Plus, Pro, Business, Enterprise и Edu. Обе модели также доступны в API. Для Free и Go пользователей OpenAI отдельно упомянула возможность попробовать GPT-6 Luna в desktop app.
Для разработчика здесь важнее всего не само наличие в ChatGPT, а синхронный выход в API и Codex. Это значит, что модели можно не только «пощупать руками» в интерфейсе, но и сразу проверять в собственных продуктах: запускать eval, сравнивать cost per task, смотреть latency, проверять стабильность tool calling и качество на своих данных.
Я бы начинал не с полного перевода всех сценариев, а с двух-трёх типовых задач. Например, взять агентный workflow в Codex, несколько запросов с изображениями, один сценарий поддержки и один сценарий генерации рабочего текста. После этого сравнить Sol, Luna, предыдущую рабочую модель и Astra не по ощущению, а по цене, скорости, числу ручных правок и доле успешных завершений.
Главная интрига — цена
В стандартном API-тарифе для короткого контекста до 272K входных токенов OpenAI указывает для GPT-6 Sol цену $2 за миллион input tokens, $0.20 за cached input и $10 за output. Для GPT-6 Luna цены ещё ниже: $0.10 за input, $0.01 за cached input и $0.50 за output.
Для long context ставки выше: у Sol $4 за input, $0.40 за cached input, $5 за cache writes и $15 за output; у Luna $0.20 за input, $0.02 за cached input, $0.25 за cache writes и $0.75 за output. В pricing-документации также отдельно указано, что EU data residency для Sol и Luna доступна только со Standard processing.
Эти цифры меняют расчёт для агентных продуктов. Раньше многие команды держали дорогую модель только на финальных или сложных шагах, а всё остальное пытались закрывать маленькими моделями, эвристиками или старым стеком. Luna делает дешёвый модельный слой почти расходником, а Sol даёт промежуточный уровень, где можно не каждый раз тянуться к Astra.
Почему это важно для Codex и агентов
У агентных задач есть неприятное свойство: они быстро съедают бюджет не одним большим ответом, а серией шагов. Агент читает контекст, вызывает инструменты, проверяет результат, переписывает план, снова вызывает инструмент, сравнивает diff, формирует итог. Даже если каждый шаг выглядит небольшим, суммарная стоимость может расти очень бодро.
Поэтому более дешёвые модели семейства GPT-6 полезны не только как «модель для бедных». Они дают пространство для маршрутизации. Luna может быть первым слоем: классифицировать задачу, подготовить черновик, оценить простые варианты, отфильтровать шум. Sol может брать шаги, где нужна устойчивость и нормальное reasoning, но Astra ещё не обязательна. Astra остаётся для сложных участков, где ошибка дороже экономии.
Такой подход особенно хорошо ложится на внутренние инструменты: SEO-аудиты, разбор логов, техподдержку, генерацию черновиков, ассистентов в CRM, code review, автоматизацию документов. В этих задачах часто важна не абсолютная «самая умная» модель, а стабильная экономика процесса: сколько стоит один обработанный тикет, одна проверенная страница, один pull request или один отчёт.
Sol против Luna: как выбирать
Sol стоит воспринимать как рабочую модель среднего-высокого уровня. Её логично пробовать там, где задача требует связного рассуждения, аккуратного кода, анализа нескольких источников, работы с изображениями или продолжительного контекста. Если раньше для такого сценария использовалась GPT-5.6 Sol или дорогая флагманская модель, Sol из GPT-6 стоит прогнать через те же eval и посмотреть, насколько меняется цена на успешную задачу.
Luna — другой инструмент. Её сила в цене и массовости. Ей можно отдавать простые действия, где ошибка не разрушает процесс: первичную классификацию, черновые варианты, проверку формата, короткие ответы, извлечение признаков, предварительную оценку сложности, routing между инструментами. Если Luna ошиблась, следующий слой может перепроверить или отправить задачу в Sol.
Главная ошибка — выбирать модель по названию или месту в линейке. Правильнее считать cost per accepted result. Иногда Luna будет достаточно хороша и победит по экономике. Иногда Sol окупится меньшим числом повторов. А иногда Astra останется дешевле на круг, потому что дорогой один проход лучше трёх дешёвых неудачных.
Что проверить перед миграцией
Первое — входы с изображениями. 25 сентября OpenAI отдельно зафиксировала в changelog исправление бага image encoding для GPT-6 Sol и Luna, который ухудшал image understanding в API и Codex, включая computer use. Если команда уже тестировала эти модели на визуальных задачах в первые дни после релиза, такие eval стоит прогнать заново.
Второе — длинный контекст. Порог 272K токенов важен не как декоративная цифра, а как граница другой экономики. Если агент регулярно уходит в long context, итоговая цена может отличаться от коротких расчётов. Здесь нужно смотреть не только input/output, но и cached input, cache writes и реальный hit rate prompt caching.
Третье — tool calling и API-совместимость. Changelog говорит о Responses API и Chat Completions, но реальные агентные продукты часто завязаны на конкретные схемы инструментов, ограничения reasoning effort, стриминг, structured outputs, внутренние таймауты и повторные попытки. Перед массовой заменой модели стоит прогнать весь рабочий harness, а не один красивый prompt.
Четвёртое — качество на своём домене. OpenAI пишет про улучшения относительно GPT-5.6 counterparts и про наследование части прогресса Astra, но это не отменяет локальных eval. Для сайта, CRM, поддержки, SEO-пайплайна или редакционного процесса важны свои критерии: меньше выдуманных фактов, лучше соблюдение формата, аккуратнее ссылки, меньше лишней уверенности, стабильнее работа с русским текстом.
Практичная схема внедрения
Я бы делал миграцию через маршрутизатор, а не через глобальную замену имени модели. Сначала собрать маленькую таблицу сценариев: «дешёвые фоновые», «обычные рабочие», «сложные и рискованные». Для каждой группы выбрать кандидата: Luna, Sol или Astra.
Потом запустить eval на старых задачах. Важно считать не только оценку ответа, но и число retry, среднюю задержку, стоимость успешной задачи, ручные исправления и типичные провалы. Если модель стала дешевле на токенах, но чаще требует второго прохода, экономия может исчезнуть.
После этого можно включать staged rollout. Например, Luna получает 10 % простых запросов, Sol получает часть coding-agent задач, Astra остаётся fallback для сложных случаев. Через неделю уже видно, где новая линейка реально помогает, а где только красиво выглядит в прайсе.
Для кого релиз особенно полезен
Разработчикам API-продуктов — потому что появляется более гибкая лестница стоимости. Можно строить routing без ощущения, что любой «умный» шаг автоматически дорогой.
Командам, которые используют Codex, — потому что coding-agent задачи часто состоят из множества промежуточных действий. Если Sol закрывает большую часть таких шагов дешевле, это напрямую влияет на лимиты, частоту запусков и смелость экспериментов.
Бизнес-инструментам — потому что Luna может стать дешёвым фоновым слоем для офисной рутины: классифицировать документы, готовить черновики ответов, вытаскивать признаки, проверять заполненность, помогать в отчётах.
И всем, кто уже платит за длинные AI workflow, — потому что теперь стоит пересчитать архитектуру. Не «какая модель самая сильная», а «какая комбинация моделей даёт лучший результат за нормальные деньги».
Почему это не просто снижение цены
Можно сказать, что Sol и Luna — это в первую очередь price/performance-релиз. Но именно такие релизы часто сильнее влияют на реальные продукты, чем очередной рекорд в демонстрации. Когда модель становится дешевле и остаётся достаточно сильной, разработчики начинают использовать её в местах, где раньше ставили скрипт, регулярку, ручную проверку или вообще ничего.
Для OpenAI это ещё и способ сделать GPT-6 не только флагманским событием вокруг Astra, а полноценной рабочей линейкой. У разработчика появляется выбор: флагман для сложного, Sol для серьёзного повседневного, Luna для массового дешёвого слоя.
Мой вывод простой: GPT-6 Sol и Luna стоит рассматривать не как замену всему подряд, а как повод пересобрать routing. Если продукт уже использует OpenAI API, Codex или ChatGPT Work, правильный следующий шаг — взять реальные задачи, сравнить Sol и Luna с текущей моделью, посчитать стоимость принятого результата и только потом мигрировать. Новость хорошая именно тем, что её можно проверить цифрами, а не верой в название модели.
Источник
Официальный релиз OpenAI: Introducing GPT-6 Sol and Luna.
Дополнительные официальные материалы: OpenAI API changelog, OpenAI API pricing, анонс в OpenAI Developer Community.