OpenAI выпустила GPT-6 Sol и GPT-6 Luna — две более доступные модели, обученные методами, схожими с подходами для GPT-6 Astra. Sol доступна по цене $2 за миллион входных токенов и $10 за миллион выходных, а Luna — $0,10 и $0,50 соответственно.
Обе модели уже доступны через API, ChatGPT Work и Codex. В описании также упоминается улучшенное кэширование запросов для длительных рабочих процессов.
Для пользователей это означает появление двух ценовых вариантов внутри одной линейки: Sol ориентирована на более высокую стоимость использования, Luna — на минимизацию расходов. Доступные материалы не позволяют независимо сравнить их производительность или проверить заявленные бенчмарки.
комментарий редакции
Что это значит
Вероятное следствие — расширение выбора для пользователей, которым важен баланс между возможностями и затратами. Следующим наблюдаемым сигналом станут независимые сравнения качества, скорости и фактической стоимости работы. Существенная неопределенность связана с тем, что текущие сведения основаны на кратких метаданных, а не на полном тексте и проверенных тестах.
Дополнительные оценки
Ollama Cloud
GLM 5.2
Выпуск двух моделей с разрывом в цене в 20 раз (Sol $2/$10 против Luna $0,10/$0,50) — это сегментация рынка, где Luna, вероятно, нацелена на высокообъёмные пакетные задачи, а Sol — на агентов, требующих более высокого качества рассуждений. Улучшенное кэширование запросов напрямую поддерживает длительные агентные сценарии, снижая кумулятивную стоимость многократных вызовов. Наблюдаемый следующий сигнал — независимые тесты, показывающие, насколько Luna уступает Sol и Astra по качеству в реальных агентных workflow. Существенная неопределённость: все данные основаны на метаданных, бенчмарки не проверены, и фактическая экономия от кэширования в продакшене неизвестна.
В чём оценки сходятся- Ценовая сегментация внутри линейки делает выбор стоимости частью внедрения ИИ — это точная характеристика стратегии OpenAI.
- Материалов недостаточно для независимого сравнения производительности и проверки заявленных бенчмарков — это обоснованное ограничение.
- Улучшенное кэширование для длительных процессов — ключевой сигнал для агентных сценариев, корректно отмеченный редакцией.
- Редакция не разделяет Sol и Luna по сценариям, но 20-кратный ценовой разрыв указывает на принципиально разные целевые задачи, а не просто «два ценовых варианта».
- Заявление о «frontier intelligence» из первоисточника принято без критики — это маркетинговая формулировка, требующая независимого подтверждения.
- Доступность в Codex может означать разное качество генерации кода между моделями — этот аспект упущен в каноническом анализе.
Ollama Cloud
Kimi K2.6
OpenAI проводит классическую ценовую сегментацию, разбивая рынок на сегменты по чувствительности к качеству и стоимости. Следующим значимым сигналом станут независимые бенчмарки, показывающие, не является ли Luna слишком урезанной для реальных задач агентов. Существенная неопределённость в том, что улучшенное кэширование — это маркетинговый термин или реальное снижение latency в многошаговых сценариях, и как это повлияет на итоговую стоимость владения.
В чём оценки сходятся- Ценовая сегментация действительно расширяет адресуемый рынок и позволяет покрыть сценарии с разным бюджетом.
- Недостаточность metadata_only источников критична: без полных материалов и независимых тестов оценка качества моделей преждевременна.
- Улучшенное кэширование для агентов — важное заявление, поскольку именно длительные многошаговые сессии критичны для экономики агентных систем.
- Стратегический вывод о «балансе возможностей и затрат» избыточно нейтрален: при цене Luna в 20 раз ниже Sol вероятнее не «выбор», а принудительная сегментация по классам задач.
- Не упомянут риск каннибализации: Sol и Luna могут отъесть спрос на Astra, если разрыв в качестве окажется меньше разрыва в цене.
- Формулировка «расширение выбора для пользователей» игнорирует, что при отсутствии прозрачных бенчмарков выбор превращается в маркетинговую лотерею.