Sam model to dziś za mało — prawdziwy problem zaczyna się przy rachunku za tokeny i wyborze wariantu do konkretnego zadania. W nowym przewodniku z 2 października 2026 OpenAI rozpisuje, kiedy sięgnąć po GPT-6 Astra, kiedy wystarczy Sol, a kiedy najlepiej wrzucić do pracy Lunę.
TL;DR
- GPT-6 Astra według cennika OpenAI kosztuje $10 za input i $50 za output na milion tokenów
- GPT-6.1 Sol / Sol ma być tańszą alternatywą do bardziej złożonych zadań
- GPT-6 Luna OpenAI pozycjonuje do zadań masowych i powtarzalnych
- Przewodnik stawia na prompt caching i compaction jako sposoby ograniczania kosztów
- OpenAI zaleca dobór poziomu rozumowania do zadania zamiast ustawiania go na najwyższy poziom domyślnie
Co OpenAI wrzuciło do przewodnika GPT-6
Dokument opublikowany 2 października 2026 nie wygląda jak zwykły wpis promocyjny. OpenAI na blogu i w materiałach dla deweloperów opisuje, jak dobierać model do obciążenia, jak ustawiać poziom rozumowania i jak przygotować aplikację do działania poza etapem demo. To przewodnik wdrożeniowy, nie prezentacja benchmarków.
W środku są też bardziej przyziemne rzeczy, które zwykle bolą najbardziej: cache’owanie promptów, kompakcja kontekstu, monitorowanie zachowania modelu i rozpisanie cen dla poszczególnych wariantów. Dla zespołów, które już liczą koszt pojedynczego wywołania, to pewnie cenniejsze niż kolejny wykres z testu wiedzy ogólnej.
Jak OpenAI ustawia role Astra, Sol i Luna
OpenAI rozdziela rodzinę GPT-6 na trzy poziomy zastosowań. GPT-6 Astra ma być najmocniejszym wariantem i według danych firmy kosztuje 10 dolarów za milion tokenów wejściowych oraz 50 dolarów za milion tokenów wyjściowych. To model do najtrudniejszych zadań, gdzie liczy się jakość odpowiedzi bardziej niż budżet.
Niżej w hierarchii firma stawia GPT-6.1 Sol / Sol jako kompromis między możliwościami a ceną, a GPT-6 Luna jako wariant do pracy masowej i szybkich odpowiedzi. W tekście źródłowym pojawia się też ważna sugestia: nie zaczynać od najdroższego modelu z rozpędu, tylko dopasować go do konkretnego scenariusza. To brzmi banalnie, ale wiele firm nadal robi dokładnie odwrotnie.
| Model | Input / Output (za 1M tokenów) | Cached input | Najlepsze do |
|---|---|---|---|
| GPT-6 Astra | $10 / $50 | $1 | Najtrudniejsze zadania wymagające maksymalnej inteligencji |
| GPT-6.1 Sol / Sol | $2 / $10 | $0,10 | Złożone kodowanie, research, computer use |
| GPT-6 Luna | $0,10 / $0,50 | $0,01 | Zadania masowe, powtarzalne, szybkie odpowiedzi |
Jak OpenAI radzi ciąć koszty bez psucia jakości
Najmocniejszy fragment przewodnika dotyczy nie samych modeli, ale rachunku za ich używanie. OpenAI wskazuje prompt caching i compaction jako dwie techniki, które mogą wyraźnie obniżyć koszt działania aplikacji. Według materiałów firmy cached input może być tańszy nawet o 95 proc. względem zwykłego wejścia, jeśli instrukcje i definicje narzędzi pozostają stabilne. Tu uciekają pieniądze — albo zostają w budżecie.
W praktyce chodzi o to, by nie wysyłać w kółko tego samego ciężkiego kontekstu i nie pompować liczby tokenów tylko dlatego, że „tak działa prototyp”. Dla polskich zespołów rozliczających API w dolarach to ma dodatkowy ciężar, bo każdy niepotrzebny koszt od razu odbija się też na kursie walutowym, a nie tylko na samym cenniku OpenAI.
Jak przygotować workflow do produkcji według OpenAI
OpenAI mocno akcentuje testowanie przed wdrożeniem. Firma zaleca mierzenie skuteczności zadania, opóźnień i kosztu przypadającego na udane wywołanie, zamiast oceniania modelu wyłącznie po tym, czy „brzmi mądrze”. Liczy się wynik zadania, nie sam efekt wow przy pierwszej prezentacji.
Drugi ważny element to spójność instrukcji między repozytorium, promptami i narzędziami, z których model korzysta. Jeśli system nie wie, co może zrobić sam, a co wymaga potwierdzenia użytkownika, szybko pojawia się chaos. Szczególnie przy długich workflow z wieloma integracjami taki bałagan potrafi kosztować więcej niż wybór zbyt drogiego modelu.
Po co OpenAI publikuje taki dokument właśnie teraz
Przewodnik pojawia się kilka tygodni po premierze GPT-6 Astra we wrześniu 2026 i po rozszerzeniu rodziny o Sol i Luna. To sygnał, że OpenAI próbuje sprzedawać nie jeden „najmocniejszy” model, ale cały porządek użycia: od wyboru wariantu po zasady kontroli kosztów i jakości.
To zresztą sensowny ruch. W poprzednich generacjach, takich jak GPT-5.5 czy GPT-5.4 Pro, rozmowa często kończyła się na benchmarkach. Tutaj OpenAI przesuwa akcent na wdrożenie. I szczerze: dla firm to zwykle ciekawsze niż kolejny pojedynek na procenty w tabelce.
Najczęściej zadawane pytania
Najbezpieczniej zacząć od GPT-6.1 Sol / Sol, jeśli chcesz sprawdzić jakość bez wchodzenia od razu w najwyższy koszt Astry. Astra ma sens tam, gdzie trudność zadania uzasadnia wyższy rachunek.
Według materiałów OpenAI cached input może być tańszy nawet o 95 proc. niż standardowy input. Taki efekt zależy jednak od tego, czy prompty i definicje narzędzi są stabilne i faktycznie nadają się do cache’owania.
Według szkicu Luna ma być dostępna w ChatGPT Work, Codex, API oraz dla użytkowników Free i Go w aplikacji desktopowej. Warto jednak potwierdzić bieżącą dostępność bezpośrednio w dokumentacji OpenAI, bo rollout usług potrafi się zmieniać regionalnie i etapami.
Nie. To raczej warstwa praktyczna nad dokumentacją API: pokazuje sposób myślenia o wdrożeniu, kosztach i testowaniu, a nie sam opis endpointów.
