مدل‌های جدید OpenAI با هزینه کمترGPT-6 Sol و Luna معرفی شدند

شرکت OpenAI در تاریخ ۲۲ سپتامبر ۲۰۲۶ از دو مدل جدید خانواده GPT-6 با نام‌های GPT-6 Sol و Luna رونمایی کرد؛ مدل‌هایی که با هدف ارائه قابلیت‌های پیشرفته‌تر، سرعت مناسب‌تر و هزینه پایین‌تر برای طیف گسترده‌ای از کاربران و توسعه‌دهندگان طراحی شده‌اند. این معرفی تنها مدت کوتاهی پس از رونمایی Anthropic از Claude Opus 5.5 انجام شد و بار دیگر رقابت میان شرکت‌های بزرگ حوزه هوش مصنوعی را پررنگ کرد.

GPT-6 Sol، برای کارهای پیچیده و حرفه‌ای

GPT-6 Sol مدل قدرتمندتر این مجموعه است و تمرکز آن روی کارهایی مانند برنامه‌نویسی، توسعه نرم‌افزار، انجام وظایف Agentic و پروژه‌هایی است که به استدلال و پردازش طولانی‌تر نیاز دارند. OpenAI اعلام کرده که Sol با استفاده از پیشرفت‌های به‌کاررفته در GPT-6 Astra توسعه یافته و در عین حفظ بخش قابل‌توجهی از این قابلیت‌ها، هزینه اجرای پایین‌تری دارد.

GPT-6 Luna، سریع و اقتصادی

در مقابل، GPT-6 Luna برای وظایف سریع و پرتعداد طراحی شده است. کارهایی مانند خلاصه‌سازی اسناد، استخراج اطلاعات، پردازش حجم بالای داده و سایر فعالیت‌های تکراری می‌توانند از کاربردهای اصلی این مدل باشند. هدف OpenAI این است که کاربران بتوانند برای کارهای روزمره و مقیاس بالا، از مدلی سریع‌تر و کم‌هزینه‌تر استفاده کنند.

کاهش ۵۰ درصدی قیمت API

یکی از مهم‌ترین بخش‌های این معرفی، کاهش قیمت API است. طبق اعلام OpenAI، قیمت GPT-6 Sol و Luna در مقایسه با قیمت تبلیغاتی GPT-5.6 حدود ۵۰ درصد کاهش یافته است. قیمت Sol برای هر یک میلیون توکن ورودی ۲ دلار و برای خروجی ۱۰ دلار تعیین شده است. در مورد Luna نیز هزینه ورودی ۰٫۱۰ دلار و هزینه خروجی ۰٫۵۰ دلار به ازای هر یک میلیون توکن است.

هر دو مدل همچنین از پنجره context یک میلیون توکنی و حداکثر خروجی ۱۲۸ هزار توکن پشتیبانی می‌کنند و ابزارهایی مانند Web Search، File Search و Computer Use در مشخصات API آن‌ها قرار گرفته است.

دسترسی به GPT-6 Sol و Luna

بر اساس اعلام OpenAI، این مدل‌ها از زمان معرفی در API و همچنین ChatGPT Work و Codex برای برخی پلن‌های پولی در دسترس قرار گرفته‌اند. GPT-6 Luna همچنین برای کاربران Free و Go در اپلیکیشن دسکتاپ ارائه می‌شود.

با معرفی GPT-6 Sol و Luna، OpenAI تلاش کرده است فاصله میان قابلیت‌های مدل‌های پیشرفته و هزینه استفاده از آن‌ها را کاهش دهد؛ رویکردی که می‌تواند استفاده گسترده‌تر از هوش مصنوعی در برنامه‌نویسی، اتوماسیون و پردازش حجم بالای اطلاعات را امکان‌پذیر کند.