OpenAI خانواده GPT-6 را گسترش داد و دو مدل جدید GPT-6 Sol و GPT-6 Luna را بهصورت رسمی منتشر کرد؛ دو مدلی که قرار است بخش مهمی از تواناییهای GPT-6 Astra را با هزینه کمتر و سرعت مناسبتر برای استفاده روزمره و گسترده در اختیار کاربران و توسعهدهندگان قرار دهند.
این دو مدل نسبت به نسل GPT-5.6 در بخشهایی مثل کدنویسی، استفاده از کامپیوتر، دقت اطلاعات، Workflowهای چندمرحلهای و کارهای Agentic پیشرفت کردهاند و در عین حال قیمت API آنها به شکل محسوسی کاهش یافته است.
در این مقاله از معین گیفت بررسی میکنیم GPT-6 Sol و GPT-6 Luna چه تفاوتی با یکدیگر دارند، قیمت آنها چقدر است، سیستم جدید Prompt Caching چگونه هزینهها را کاهش میدهد و هر مدل برای چه نوع کاری مناسبتر است.
GPT-6 Sol و Luna چیستند؟
OpenAI پیشتر GPT-6 Astra را بهعنوان قدرتمندترین مدل خانواده GPT-6 معرفی کرده بود.
اما همه کاربران برای هر کاری به قدرت و هزینه Astra نیاز ندارند.
به همین دلیل OpenAI حالا دو عضو جدید به این خانواده اضافه کرده است:
- GPT-6 Sol: مدل قدرتمند برای Coding، Agentها و کارهای پیچیده
- GPT-6 Luna: مدل بسیار ارزان و سریع برای کارهای متمرکز و پرتعداد
OpenAI اعلام کرده هر دو مدل با روشهایی مشابه GPT-6 Astra آموزش دیدهاند و بخشی از پیشرفتهای Astra در زمینههای Professional Work، Factuality، Coding، Computer Use و Alignment را به مدلهای ارزانتر منتقل میکنند.
GPT-6 Sol برای چه کاری ساخته شده است؟
GPT-6 Sol بیشتر برای کارهایی طراحی شده که به قدرت استدلال و اجرای چندمرحلهای نیاز دارند.
مواردی مثل:
- برنامهنویسی و Software Engineering
- کار با Repositoryهای بزرگ
- ساخت و اجرای AI Agent
- تحلیل اسناد پیچیده
- Workflowهای طولانی
- استفاده از ابزارها و Computer Use
- اتوماسیون کارهای حرفهای
جزو کاربردهای اصلی این مدل هستند.
به زبان ساده، اگر Astra را برای سختترین پروژهها در نظر بگیریم، Sol تلاش میکند بخش زیادی از آن قدرت را با قیمت بسیار پایینتر ارائه دهد.
GPT-6 Luna چیست؟
GPT-6 Luna عضو اقتصادیتر خانواده GPT-6 است.
تمرکز Luna بیشتر روی سرعت، هزینه پایین و اجرای تعداد زیادی Task است.
برای مثال Luna میتواند برای این موارد مناسب باشد:
- پردازش تعداد زیادی متن
- طبقهبندی دادهها
- اتوماسیون Background
- Agentهای پرتعداد
- خلاصهسازی
- استخراج اطلاعات
- کارهای Coding سبکتر
مزیت اصلی Luna این است که در بعضی Benchmarkها با Reasoning بالاتر میتواند به عملکرد مدلهای بسیار گرانتر نزدیک شود، در حالی که هزینه هر Task بسیار پایینتر باقی میماند.
قیمت GPT-6 Sol چقدر است؟
یکی از مهمترین بخشهای معرفی GPT-6 Sol قیمت جدید آن است.
قیمت استاندارد API برای Contextهای کوتاه به ازای هر یک میلیون Token:
- Input: 2 دلار
- Cached Input: 0.20 دلار
- Output: 10 دلار
قیمت GPT-6 Luna چقدر است؟
Luna از نظر قیمت حتی جذابتر است.
هزینه استاندارد آن برای هر یک میلیون Token:
- Input: 0.10 دلار
- Cached Input: 0.01 دلار
- Output: 0.50 دلار
این قیمت Luna را به گزینه بسیار جالبی برای سرویسهایی تبدیل میکند که روزانه میلیونها Token مصرف میکنند.
مقایسه سریع قیمت Sol، Luna و Astra
| مدل | Input | Cached Input | Output |
|---|---|---|---|
| GPT-6 Astra | $10 | $1 | $50 |
| GPT-6 Sol | $2 | $0.20 | $10 |
| GPT-6 Luna | $0.10 | $0.01 | $0.50 |
تمام قیمتهای جدول مربوط به هر یک میلیون Token در پردازش Standard و Context کوتاه هستند.
Prompt Caching جدید؛ تا ۹۰ درصد تخفیف روی ورودی Cache شده
یکی از مهمترین پیشرفتهای خانواده GPT-6 فقط خود مدلها نیست؛ OpenAI سیستم Prompt Caching را هم بهبود داده است.
در بسیاری از Agentها، قسمت زیادی از Prompt در هر درخواست تکرار میشود.
مثلاً:
- System Prompt
- Tool Definitions
- دستورالعملهای پروژه
- بخشهای ثابت Context
- اسناد مرجع
اگر این اطلاعات قبلاً پردازش شده باشند، OpenAI میتواند آنها را از Cache دوباره استفاده کند.
در GPT-6، خواندن Cached Input تا ۹۰ درصد ارزانتر از Input معمولی است.
برای مثال در GPT-6 Sol:
Input معمولی = 2 دلار
Cached Input = 0.20 دلار
و در Luna:
Input معمولی = 0.10 دلار
Cached Input = 0.01 دلار
چرا Cache برای AI Agentها مهم است؟
فرض کنید یک Agent چند ساعت روی یک پروژه کار میکند.
در هر درخواست ممکن است مجبور باشد دوباره:
- قوانین پروژه
- Toolها
- ساختار Repository
- Conversation History
را ارسال کند.
اگر همه این اطلاعات در هر بار از صفر پردازش شوند، هزینه بهسرعت بالا میرود.
Prompt Caching اجازه میدهد بخش زیادی از Context قبلی دوباره استفاده شود و همین موضوع میتواند Agentهای طولانیمدت را بسیار اقتصادیتر کند.
OpenAI ابزارهای جدیدی برای مدیریت Cache اضافه کرده است
در کنار Cache بهتر، توسعهدهندگان حالا ابزارهای بیشتری برای کنترل آن دارند.
- Prompt Caching Dashboard
- Cache Diagnostics
- Explicit Cache Breakpoints
- Prewarming
Context Window بسیار بزرگ؛ 1.05 میلیون Token
هر دو مدل GPT-6 Sol و GPT-6 Luna دارای Context Window حدود:
1,050,000 Token
هستند.
همچنین هر دو میتوانند تا:
128,000 Token خروجی
تولید کنند.
این ظرفیت برای کار روی پروژههای بزرگ، Repositoryهای نرمافزاری، مجموعه اسناد، قراردادها و Workflowهای Agentic بسیار کاربردی است.
GPT-6 Sol چقدر در کدنویسی بهتر شده است؟
OpenAI تمرکز ویژهای روی Coding Agentها داشته است.
این نمودار یکی از تفاوتهای مهم نسل GPT-6 با GPT-5.6 را نشان میدهد.
در معیار Coding Deception، نرخ ثبتشده برای مدلها به این شکل است:
- GPT-6 Astra: 0.5%
- GPT-6 Sol: 1.3%
- GPT-6 Luna: 2.8%
- GPT-5.6 Sol: 10.4%
- GPT-5.6 Luna: 9.5%
در این Benchmark عدد کمتر بهتر است؛ بنابراین کاهش شدید این نرخ در نسل GPT-6 میتواند نشانه Reliability بهتر مدلها در Workflowهای برنامهنویسی باشد.
OpenAI همچنین مدلهای جدید را در Benchmarkهایی بررسی کرده که نیازمند تغییرات واقعی در Codebase و اجرای Taskهای چندمرحلهای هستند.
در DeepSWE، GPT-6 Sol در بالاترین Reasoning Effort امتیاز:
68.8%
ثبت کرده است.
برای مقایسه، بهترین نتیجه Claude Fable 5 در همان ارزیابی 69.9 درصد گزارش شده است.
Luna هم در Coding جدیتر شده است
Luna صرفاً یک مدل کوچک برای خلاصهسازی نیست.
در DeepSWE، GPT-6 Luna با Max Reasoning به امتیاز:
66.6%
رسیده است.
این نتیجه نشان میدهد Luna با وجود قیمت بسیار پایینتر میتواند در بعضی Taskهای Coding به مدلهای بزرگتر نزدیک شود.
بهبود دقت اطلاعات و کاهش خطا
OpenAI همچنین روی Factuality مدلها کار کرده است.
در ارزیابیهای داخلی این شرکت، GPT-6 Sol نسبت به GPT-5.6 Sol خطاهای کمتری ثبت کرده و Reliability آن به Astra نزدیکتر شده است.
GPT-6 Luna نیز در Reasoning Effortهای بالا نسبت به نسل قبلی پیشرفت داشته است.
Computer Use بهتر شده است
مدلهای GPT-6 فقط برای متن و Coding نیستند.
هر دو مدل از قابلیتهای مرتبط با Computer Use نیز پشتیبانی میکنند.
GPT-6 Sol در تستهای Computer Use به مدلهای Frontier نزدیک شده و Luna نیز با Reasoning بالاتر توانسته نسبت به GPT-5.6 Luna و در برخی سناریوها نسبت به GPT-5.6 Sol پیشرفت محسوسی داشته باشد.
Sol و Luna چه ابزارهایی دارند؟
طبق Model Catalog رسمی OpenAI هر دو مدل از ابزارهایی مانند:
- Function Calling
- Web Search
- File Search
- Computer Use
پشتیبانی میکنند.
این موضوع آنها را به گزینههای مهمی برای ساخت AI Agent و Workflowهای چندمرحلهای تبدیل میکند.
Reasoning Effort در GPT-6
Sol و Luna اجازه میدهند میزان Reasoning را متناسب با Task تنظیم کنید.
سطوح پشتیبانیشده شامل:
- None
- Low
- Medium
- High
- xHigh
- Max
هستند.
برای یک Task ساده میتوان Reasoning را کاهش داد تا هزینه و Latency کمتر شود و برای مسئله دشوار، سطح بالاتری انتخاب کرد.
نسبت عملکرد به هزینه در AutomationBench
یکی از مهمترین نکات درباره GPT-6 Sol و Luna فقط افزایش قدرت مدلها نیست؛ بلکه نسبت Performance به Cost آنهاست.
در نمودار AutomationBench، محور عمودی امتیاز مدل و محور افقی هزینه هر Task را نشان میدهد.
مدلی که بتواند با هزینه کمتر امتیاز بالاتری کسب کند، برای Workflowهای پرتعداد و خودکار جذابتر خواهد بود.
این نمودار بهخوبی فلسفه سه مدل خانواده GPT-6 را نشان میدهد.
- GPT-6 Astra: تمرکز بر بیشترین قدرت و کیفیت
- GPT-6 Sol: تعادل بین قدرت، Reasoning و هزینه
- GPT-6 Luna: تمرکز بر هزینه بسیار پایین و اجرای حجم بالای Task
به همین دلیل انتخاب بهترین مدل فقط به Benchmark خام بستگی ندارد؛ هزینه هر Task هم در پروژههای واقعی اهمیت زیادی دارد.
GPT-6 Sol یا Luna؛ کدام را انتخاب کنیم؟
اگر پروژه شما به قدرت بیشتری نیاز دارد:
- کدنویسی پیچیده
- AI Agentهای جدی
- تحلیل اسناد بزرگ
- Computer Use
- Taskهای حرفهای چندمرحلهای
GPT-6 Sol انتخاب منطقیتری است.
اما اگر حجم درخواستها بسیار زیاد است و هزینه اهمیت بیشتری دارد:
- Classification
- Extraction
- Background Automation
- خلاصهسازی
- Taskهای پرتعداد
GPT-6 Luna میتواند گزینه اقتصادیتری باشد.
پس GPT-6 Astra چه میشود؟
OpenAI همچنان Astra را قویترین مدل خانواده GPT-6 معرفی میکند.
برای سختترین پروژههایی که کیفیت خروجی مهمتر از قیمت است، Astra همچنان مدل اصلی محسوب میشود.
به شکل ساده:
- Astra: حداکثر قدرت
- Sol: قدرت بالا با هزینه منطقیتر
- Luna: بیشترین صرفه اقتصادی برای حجم بالا
آیا GPT-6 Luna رایگان است؟
در زمان انتشار، کاربران پلنهای Free و Go میتوانند GPT-6 Luna را در اپلیکیشن دسکتاپ ChatGPT امتحان کنند.
این موضوع به معنی استفاده نامحدود رایگان نیست و محدودیت استفاده همچنان براساس Plan حساب تعیین میشود.
GPT-6 Sol و Luna در ChatGPT کجا هستند؟
در زمان انتشار، GPT-6 Sol و Luna برای کاربران:
- Plus
- Pro
- Business
- Enterprise
- Edu
در ChatGPT Work و Codex عرضه شدهاند.
این مدلها در زمان معرفی از مدلهای موجود در Chat معمولی جدا بودند.
دسترسی API
هر دو مدل در API نیز منتشر شدهاند.
Model IDها:
gpt-6-sol
gpt-6-lunaبرای توسعهدهندگان، این مدلها از طریق API قابل استفاده هستند.
مشاهده معرفی رسمی GPT-6 Sol و Luna →
چرا انتشار Sol و Luna مهم است؟
رقابت مدلهای هوش مصنوعی فقط بر سر ساخت «باهوشترین مدل دنیا» نیست.
برای کسبوکارهایی که روزانه میلیونها یا میلیاردها Token مصرف میکنند، سؤال مهمتر این است:
هر دلار هزینه چقدر خروجی مفید تولید میکند؟
Sol و Luna نشان میدهند OpenAI تمرکز زیادی روی همین Price-to-Performance دارد.
مدلی مثل Luna ممکن است قویترین مدل خانواده نباشد، اما اگر بتواند یک Task را با کیفیت مناسب و کسری از هزینه انجام دهد، برای بسیاری از محصولات انتخاب منطقیتری خواهد بود.
جمعبندی
GPT-6 Sol و Luna نسل جدید مدلهای اقتصادیتر OpenAI هستند که بخش مهمی از پیشرفتهای GPT-6 Astra را با قیمت پایینتر ارائه میکنند.
GPT-6 Sol برای Coding، Agentها، Computer Use و کارهای پیچیده طراحی شده و GPT-6 Luna روی سرعت و صرفه اقتصادی در مقیاس بالا تمرکز دارد.
نمودارهای Coding Deception و AutomationBench نیز نشان میدهند که OpenAI فقط روی افزایش قدرت خام تمرکز نکرده و همزمان Reliability و نسبت عملکرد به هزینه را هم هدف گرفته است.
قیمت Sol به ۲ دلار برای Input و ۱۰ دلار برای Output بهازای هر یک میلیون Token رسیده و Luna فقط ۰.۱۰ دلار Input و ۰.۵۰ دلار Output هزینه دارد.
در کنار آن، Prompt Caching جدید باعث میشود Cached Input تا ۹۰ درصد ارزانتر محاسبه شود.
نسل بعدی رقابت AI فقط بر سر هوش بیشتر نیست؛ سرعت، Reliability، هزینه و توانایی اجرای Workflowهای واقعی هم به همان اندازه اهمیت پیدا کردهاند.
اخبار و آموزش هوش مصنوعی در معین گیفت
در معین گیفت جدیدترین مدلهای OpenAI، Claude، Grok، Gemini و ابزارهای AI Agent را بررسی میکنیم و علاوه بر قابلیتها، قیمت، Benchmarkها و کاربرد واقعی آنها را نیز مقایسه میکنیم.