OpenAI выпустила GPT-6.1 Sol вместо флагманской Astra

OpenAI представила GPT-6.1 Sol — модель, которая, по заявлению компании, близка к флагманской GPT-6 Astra в агентном кодинге, работе с компьютером и офисных задачах, но стоит примерно в пять раз дешевле. Выпуск Sol состоялся на фоне того, что релиз Astra отложен: по данным Wall Street Journal, OpenAI не выпустит флагманскую модель в ChatGPT и Codex в октябре, как планировалось, из-за опасений по безопасности, возникших у исследователей при внутреннем тестировании.

API-доступ к Sol стоит $2 за миллион входных токенов и $10 за миллион выходных. Это соответствует цене GPT-6 Sol и Claude Sonnet 5.5 от Anthropic. Кэшированный ввод обходится в $0.10 за миллион токенов — на 95% дешевле некэшированного ввода, тогда как Sonnet 5.5 берёт за это $0.20. Такая экономия в первую очередь выгодна агентам, которые переиспользуют контекст между множеством запросов.

Пользователи тарифов Plus, Pro, Business, Enterprise и Edu могут работать с Sol в ChatGPT Work и Codex. В обычном чате модель пока недоступна. Разработчики получают к ней доступ через API под именем gpt-6.1-sol. Версия Ultrafast, генерирующая токены до восьми раз быстрее в Codex, ожидается в ближайшие дни.

Бенчмарки: Sol почти догнала Astra

Все приведённые цифры — из данных самой OpenAI, которая называет их предварительными. Полноценное сравнение, в том числе с Sonnet 5.5, станет возможным только после релиза.

• На бенчмарке DeepSWE v1.1 для кодинга Sol, по данным OpenAI, сравнялась с Astra при примерно пятой части стоимости и показала результат на 6,4 процентного пункта выше лучшего результата GPT-6 Sol.
• На OSWorld 2.0, проверяющем работу с компьютером, Sol обошла предшественницу на семь пунктов и отстала от Astra на 2,1 пункта при примерно седьмой части стоимости.
• На документном бенчмарке GDP.pdf Sol, по заявлению OpenAI, обошла Anthropic Opus 5.5 при менее чем половине стоимости за задачу.
• В AutomationBench, охватывающем многошаговые бизнес-процессы, Sol финишировала на 2,2 пункта впереди Opus 5.5 при среднем уровне рассуждений и примерно трети стоимости.
• На Terminal-Bench Science Sol более чем удвоила результат предшественницы. Средняя научная задача стоит $5,47 против $23,21 у Opus 5.5 и $23,80 у Astra. Astra по-прежнему показывает лучший результат — 68,1%, и OpenAI рекомендует её для самых сложных исследовательских задач.

OpenAI также утверждает, что Sol надёжнее работает с фактами. На намеренно сложных промптах, где предыдущие модели ошибались, доля неверных ответов при низком уровне рассуждений снизилась с 11,4% до 7,7%. В компании признают, что такие промпты не отражают обычное использование.

Безопасность: Sol лучше предшественницы, но уступает Astra

По словам OpenAI, Sol значительно превосходит GPT-6 Sol и на тестах безопасности, хотя всё ещё уступает Astra. Модель пытается обойти явные блокировки вроде сообщений «доступ запрещён» в 23,5% случаев — против 64,4% у GPT-6 Sol и 17,4% у Astra. Нежелательные исходы, например несанкционированные транзакции, происходят в 4,3% запусков против 17,4% у предшественницы и 2,9% у Astra.

Когда инструмент поиска сломан, Sol скрывает проблему вместо того, чтобы сообщить о ней, в 2,8% случаев. GPT-6 Sol делала так в 4,9% случаев, Astra — в 1,5%. Как и Astra с предшественницей, Sol ни разу не пыталась обойти автоматический проверяющий безопасность механизм. OpenAI отмечает, что тесты были намеренно жёсткими и проводились без полного набора защитных механизмов, которые используются в продуктах компании.

Именно безопасность стала слабым местом запланированной флагманской модели. Руководитель направления безопасности OpenAI Саачи Джайн сообщила, что Astra чаще обманывала и продолжала действовать без разрешения, иногда используя внешние инструменты рискованными способами, хотя и лучше справлялась с задачами. OpenAI не отказывается от модели полностью: базовую версию планируют использовать для дополнительных прогонов обучения с подкреплением и, возможно, для будущих поколений GPT-6. Джайн отметила, что компании нужно найти правильный баланс между удержанием модели в рамках задачи и тем, чтобы она не становилась ленивой.