На DevDay 2026 компания OpenAI представила более 20 обновлений, но для разработчиков одним из наиболее прикладных анонсов стала GPT-6.1 Sol. Модель доступна через API под идентификатором gpt-6.1-sol и постепенно появляется в Codex и ChatGPT Work. OpenAI позиционирует её как более экономичный вариант для сложного программирования, работы с документами и агентных сценариев.
Главное обещание — производительность, близкая к флагманской GPT-6 Astra, при стандартной цене в пять раз ниже. Это утверждение пока опирается преимущественно на тесты самой OpenAI. Независимые данные о качестве модели в продолжительных производственных задачах на момент анонса ограничены.
Сколько стоит GPT-6.1 Sol
Стандартная цена API составляет $2 за миллион входных и $10 за миллион выходных токенов. Для GPT-6 Astra в материалах, опубликованных после DevDay, указаны тарифы $10 и $50 соответственно. Таким образом, заявленная пятикратная разница относится к стоимости токенов, а не обязательно к итоговой цене выполненной задачи.
| Модель | Вход, 1 млн токенов | Выход, 1 млн токенов | Кэшированный ввод |
|---|---|---|---|
| GPT-6.1 Sol | $2 | $10 | $0,10 |
| GPT-6 Astra | $10 | $50 | не указано в материалах запуска |
Кэшированный ввод для GPT-6.1 Sol стоит $0,10 за миллион токенов. По данным OpenAI, это на 95% дешевле обычного входа и вдвое дешевле кэшированного ввода GPT-6 Sol. Такая разница наиболее заметна в приложениях, которые многократно передают модели одинаковые системные инструкции, кодовую базу или другую стабильную часть контекста.
При этом сравнивать модели только по тарифу за токен недостаточно. Итоговый счёт зависит от длины ответа, объёма рассуждений, процента попаданий в кэш, числа повторных запросов и способности модели завершить задачу с первой попытки. Более дешёвая модель может оказаться дороже на уровне задачи, если генерирует больше токенов или чаще требует исправлений.
В сторонних сводках запуска также упоминается повышенная цена при контексте свыше 272 тысяч входных токенов: $4 за миллион входных и $15 за миллион выходных. Перед переносом длинноконтекстных процессов разработчикам следует сверить этот порог с актуальной страницей тарифов API — условия после релиза могут меняться.
Что показали тесты OpenAI
Компания сравнивала GPT-6.1 Sol с GPT-6 Sol, GPT-6 Astra и отдельными конкурентными моделями на задачах программирования, автоматизации и анализа документов. Эти результаты стоит воспринимать как заявленные производителем: методики, настройки рассуждений и стоимость одного задания могут влиять на итоговое место модели.
На DeepSWE v1.1, тесте сложных инженерных задач в реальных репозиториях, GPT-6.1 Sol, по данным OpenAI, приблизилась к результату GPT-6 Astra при примерно пятой части стоимости. Компания также сообщает, что новая модель превзошла лучший результат GPT-6 Sol на 6,4 процентного пункта при меньшем уровне вычислительных усилий.
В тесте GDP.pdf, оценивающем ответы на профессиональные вопросы по сложным PDF-документам, GPT-6.1 Sol, согласно публикации OpenAI, показала результат выше Opus 5.5 с механизмом резервных обращений при стоимости задания менее половины от стоимости конкурента. При этом модель приблизилась к Astra, но не была объявлена её полной заменой.
На AutomationBench, где проверяется выполнение многошаговых бизнес-процессов, OpenAI заявляет преимущество в 2,2 процентного пункта над Opus 5.5 при среднем уровне рассуждений и примерно трети стоимости. По сравнению с GPT-6 Sol преимущество при сопоставимой настройке составило 4,8 процентного пункта.
Эти цифры не означают одинакового выигрыша во всех приложениях. Особенно осторожно следует переносить результаты на собственные репозитории, документы с нестандартной вёрсткой и агентные цепочки, использующие внешние инструменты. Для решения о миграции полезнее небольшой тест на реальных заданиях команды, чем усреднённый балл публичного бенчмарка.
Где модель доступна
Разработчики могут обращаться к модели через OpenAI API по имени gpt-6.1-sol. В материалах запуска также указана доступность в Codex и ChatGPT Work для подписчиков Plus, Pro, Business, Enterprise и Edu, однако развёртывание происходит поэтапно.
Документация OpenAI отдельно предупреждает, что доступ зависит от тарифа, приложения и параметров рабочего пространства. Первыми модель получают пользователи Pro. В организациях Enterprise и Edu администраторам может потребоваться включить её вручную. Наличие подходящей подписки поэтому не гарантирует, что переключатель уже появился у каждого пользователя.
В обычном интерфейсе ChatGPT модель на момент анонса недоступна. OpenAI не назвала точную дату её появления в чате.
Компания также анонсировала GPT-6.1 Sol Ultrafast для Codex. По заявлению OpenAI, режим сможет генерировать токены до восьми раз быстрее стандартной версии. Его запуск ожидается после основного релиза, а фактическая доступность будет зависеть от тарифа и вычислительных квот. Ускорение касается скорости вывода и само по себе не означает улучшения качества ответа.
Агентные функции и риск незамеченных ошибок
GPT-6.1 Sol рассчитана не только на одиночные запросы. В бета-режиме модель может делегировать части задания субагентам в рамках одного обращения к Responses API. Это позволяет разделять программирование, поиск информации и проверку результата, но одновременно усложняет контроль расходов и анализ ошибок.
OpenAI приводит отдельный тест с намеренно неисправным поисковым инструментом. По данным компании, GPT-6.1 Sol не распознала проблему в 2,8% случаев. Для GPT-6 Sol показатель составил 4,9%, для GPT-6 Astra — 1,5%. Новая модель, таким образом, улучшила результат предшественницы, но уступила Astra.
Для фоновых процессов даже небольшой процент пропущенных сбоев может быть существенным. Ошибка способна перейти из одного шага в следующий и привести к неправильному патчу, отчёту или действию во внешней системе. Критичные операции разумно оставлять под подтверждением человека, а результаты инструментов — проверять независимо от финального ответа модели.
Что проверить перед переносом рабочих задач
Командам, уже использующим GPT-6 Sol или Astra, не стоит мигрировать весь трафик только на основании заявленной пятикратной разницы в цене. Практический тест можно провести на фиксированном наборе из 30–50 типичных заданий, сохранив одинаковые инструменты, системные инструкции и критерии оценки.
В таком сравнении полезно измерять не только расход токенов, но и долю задач, завершённых без повторного запроса, число ручных исправлений, задержку до первого и последнего токена, попадание контекста в кэш и стоимость полностью принятого результата. Для агентных сценариев следует отдельно проверить реакцию на недоступный инструмент, неполные данные и конфликтующие инструкции.
Администраторам Enterprise и Edu нужно проверить настройки рабочего пространства и права на использование модели. Разработчикам длинноконтекстных приложений — уточнить актуальные тарифы после порога в 272 тысячи токенов. А режим Ultrafast и мультиагентную функцию пока безопаснее считать отдельными возможностями с ограниченной доступностью, а не частью гарантированного базового сервиса.
