GPT-5.6 Sol, Terra i Luna: OpenAI zamienia wybór modelu w projektowanie portfela AI

OpenAI wprowadziło GPT-5.6 nie jako jeden model, lecz jako trzy trwałe poziomy możliwości: Sol, Terra i Luna.

Sol jest modelem flagowym. Terra ma równoważyć jakość i koszt. Luna została zaprojektowana jako najszybszy i najtańszy wariant rodziny. Nazwy poziomów mają pozostać stałe, natomiast poszczególne modele mogą rozwijać się we własnym tempie.

To zmiana większa niż kolejna aktualizacja GPT.

OpenAI proponuje architekturę, w której organizacja nie wybiera jednego modelu dla wszystkich zadań. Dobiera poziom inteligencji do wartości oraz trudności konkretnej operacji.

Trzy modele, trzy poziomy kosztu

Ceny GPT-5.6 w API wynoszą:

Sol: 5 dolarów za milion tokenów wejściowych i 30 dolarów za milion wyjściowych,

Terra: 2,50 dolara za wejście i 15 dolarów za wyjście,

Luna: 1 dolar za wejście i 6 dolarów za wyjście.

Relacje cenowe są proste: każdy niższy poziom kosztuje około połowy poprzedniego.

Nie oznacza to jednak, że organizacja powinna automatycznie wybrać Lunę. Najtańszy model może wymagać większej liczby prób, częściej eskalować problem albo generować wynik wymagający pracy człowieka.

Z drugiej strony używanie Sol do każdego krótkiego streszczenia byłoby odpowiednikiem zatrudnienia zespołu ekspertów do przepisywania numeru faktury.

Portfolio ma sens wtedy, gdy system potrafi dobierać model.

Luna: inteligencja dla masowych operacji

GPT-5.6 Luna jest przeznaczony do procesów wymagających szybkości i niskiej ceny. OpenAI deklaruje, że model zbliża się do najwyższych możliwości GPT-5.5 przy koszcie niższym o ponad połowę. Jest to jednak wynik producenta, który należy zweryfikować na własnym zestawie zadań.

Luna może być naturalnym kandydatem do:

• klasyfikacji treści,
• ekstrakcji prostych danych,
• wstępnego streszczania,
• normalizacji tekstu,
• oceny trudności zadania,
• obsługi pierwszego etapu procesu.

Szczególnie interesująca jest ostatnia funkcja.

Luna nie musi samodzielnie rozwiązywać każdego problemu. Może zdecydować, czy zadanie jest proste, czy wymaga przekazania do Terry albo Sol.

W takim układzie tani model staje się dyspozytorem droższej inteligencji.

Terra: potencjalny model domyślny

Terra została opisana jako zrównoważony model do codziennej pracy, oferujący możliwości konkurencyjne wobec GPT-5.5 przy niższym koszcie.

To właśnie Terra może stać się najważniejszym modelem z perspektywy wdrożeń produkcyjnych.

Modele flagowe przyciągają uwagę benchmarkami, ale większość organizacji nie wykonuje wyłącznie problemów granicznych. Potrzebuje stabilnej jakości w tysiącach codziennych procesów: analizie dokumentów, kodowaniu, pracy z bazą wiedzy, obsłudze klienta i automatyzacji zadań.

Terra może pełnić rolę podstawowego modelu agentowego, natomiast Sol być uruchamiany tylko po wykryciu trudniejszego przypadku.

Jeżeli routing działa poprawnie, koszt systemu może być znacznie niższy niż w architekturze opartej wyłącznie na modelu flagowym.

Sol: model dla najtrudniejszej części procesu

GPT-5.6 Sol jest najmocniejszym modelem rodziny. OpenAI przedstawia go jako rozwiązanie do zaawansowanego kodowania, pracy profesjonalnej, nauki, cyberbezpieczeństwa, obsługi komputera i projektowania.

W testach producenta Sol osiąga 90,4% w BrowseComp, a w trybie wieloagentowym Ultra 92,2%. W OSWorld 2.0 uzyskuje 62,6%. Wyniki te pokazują szczególne skupienie na wyszukiwaniu, korzystaniu z narzędzi i wykonywaniu pracy w środowisku komputerowym.

Nie należy jednak porównywać wyniku Ultra bezpośrednio z pojedynczym wywołaniem innego modelu.

Ultra domyślnie koordynuje czterech agentów. OpenAI zaznacza, że do kosztu wliczane są tokeny wszystkich podagentów. Wyższy wynik powstaje więc dzięki większej liczbie równolegle pracujących instancji.

To bardziej porównanie systemów niż pojedynczych modeli.

Max i Ultra: wysiłek staje się parametrem

GPT-5.6 może działać z różnym poziomem wysiłku. Tryb Max przeznacza więcej czasu i obliczeń na analizę problemu. Ultra uruchamia wielu agentów równolegle, aby uzyskać mocniejszy wynik i skrócić czas realizacji złożonego zadania.

Wprowadza to nowy wymiar optymalizacji.

Dotychczas organizacja wybierała model. Teraz może również wybierać poziom wysiłku tego samego modelu.

Prosty problem może zostać obsłużony przez Terrę z niskim wysiłkiem. Trudniejszy — przez Terrę Max. Dopiero przypadek graniczny może trafić do Sol albo Sol Ultra.

System nie musi więc przeskakiwać od razu z taniego modelu do najdroższego. Może stopniowo zwiększać budżet obliczeniowy.

Programmatic Tool Calling

Jedną z ważniejszych zmian w API jest Programmatic Tool Calling. Model może tworzyć i uruchamiać niewielkie programy koordynujące narzędzia, przetwarzać wyniki pośrednie oraz przekazywać do dalszego wnioskowania tylko istotne dane.

W klasycznym podejściu każde wywołanie narzędzia oraz jego pełny wynik wracały do modelu. Przy dużych zbiorach danych prowadziło to do wysokiego zużycia tokenów i wielu rund komunikacji.

Programowe sterowanie pozwala część logiki wykonać poza głównym strumieniem rozmowy.

Przykładowo agent może pobrać tysiąc rekordów, odfiltrować 980 nieistotnych i przekazać modelowi jedynie 20 wymagających analizy.

Nie jest to wyłącznie poprawa szybkości. To zmiana ekonomiki narzędzi agentowych.

Multi-agent nie oznacza darmowej równoległości

Responses API udostępnia również wieloagentowy tryb beta. Model może uruchamiać kilku podagentów, przydzielać im części zadania, a następnie scalać wyniki.

Takie podejście sprawdza się w procesach, które można sensownie podzielić: analizie wielu źródeł, równoległym testowaniu hipotez, przeglądzie dużego repozytorium czy przygotowaniu kilku wariantów projektu.

Nie każde zadanie zyskuje jednak na równoległości.

Czterech agentów analizujących prosty dokument może wygenerować cztery rachunki i jedną odpowiedź, która niewiele różni się od wyniku pojedynczego modelu.

Multi-agent powinien być uruchamiany na podstawie oczekiwanej wartości, a nie dlatego, że brzmi bardziej zaawansowanie.

Nowe zasady cache

GPT-5.6 wprowadza jawne punkty podziału pamięci podręcznej oraz minimalny czas utrzymania cache wynoszący 30 minut. Zapis do cache kosztuje 1,25 raza więcej niż zwykłe tokeny wejściowe, natomiast ponowny odczyt zachowuje 90-procentową zniżkę.

Dla długich instrukcji systemowych, dużych baz kontekstu i powtarzalnych procesów cache może znacząco obniżyć koszt.

Nie opłaci się jednak w przypadku jednorazowego promptu, który nigdy nie zostanie ponownie użyty. Organizacja płaci wtedy wyższą cenę zapisu bez korzyści z kolejnych odczytów.

Cache również powinien być projektowany, a nie tylko włączany.

Jak wykorzystać trzy poziomy GPT-5.6?

Praktyczna architektura może wyglądać następująco:

Luna klasyfikuje zadanie, przygotowuje dane i obsługuje proste przypadki.

Terra realizuje większość pracy produkcyjnej, korzysta z narzędzi i tworzy wynik.

Sol przejmuje problemy trudne, niejednoznaczne albo wymagające najwyższej jakości.

Sol Ultra jest uruchamiany dla najważniejszych zadań, które można podzielić na równoległe strumienie.

Takie podejście wymaga dobrego mechanizmu routingu oraz pomiaru jakości. Bez nich organizacja może albo przepłacać za Sol, albo zbyt długo próbować rozwiązać trudne zadanie Luną.

Wniosek AI-TOP.PL

GPT-5.6 nie powinien być traktowany jako jeden rekord w rankingu.

Sol, Terra i Luna reprezentują trzy różne punkty na krzywej koszt–jakość. Dodatkowo każdy może działać z różnym poziomem wysiłku, cache i sposobem korzystania z narzędzi.

Porównanie wymaga więc mierzenia nie tylko ceny tokenów, ale również:

• liczby kroków,
• czasu realizacji,
• kosztu podagentów,
• liczby wywołań narzędzi,
• skuteczności zakończenia procesu,
• potrzeby eskalacji do mocniejszego modelu.

Najważniejszą premierą GPT-5.6 nie jest sam Sol.

Jest nią portfolio, które pozwala kupować dokładnie tyle inteligencji, ile wymaga konkretne zadanie.