OpenAI مدل GPT-6.1 Sol را با قیمت پایین‌تر عرضه کرد

مدل GPT-6.1 Sol از OpenAI با تمرکز بر کدنویسی عامل‌محور، کار با رایانه و وظایف حرفه‌ای عرضه شده و قرار است بخشی از توان مدل گران‌تر GPT-6 Astra را با هزینه‌ای پایین‌تر در اختیار کاربران بگذارد. این به‌روزرسانی نسخه میان‌رده خانواده GPT-6 را ارتقا می‌دهد؛ طبق اعلام OpenAI، قیمت استاندارد ورودی و خروجی آن برای هر یک میلیون توکن به‌ترتیب یک‌پنجم نرخ GPT-6 Astra است. مدل تازه از ۲۹ سپتامبر در API این شرکت فعال شده و در ChatGPT Work و Codex نیز ارائه می‌شود.

قیمت GPT-6.1 Sol و جایگاه آن در خانواده GPT-6

OpenAI خانواده GPT-6 را در سه سطح عرضه می‌کند: GPT-6 Astra در رده بالاتر، GPT-6.1 Sol در سطح میانی و GPT-6 Luna در رده ارزان‌تر. بر اساس نرخ‌های اعلام‌شده، استفاده از GPT-6 Astra برای هر یک میلیون توکن ورودی ۱۰ دلار و برای خروجی ۵۰ دلار هزینه دارد. نرخ ورودی کش‌شده آن نیز یک دلار است.

در مقابل، نرخ استاندارد GPT-6.1 Sol برای ورودی ۲ دلار، خروجی ۱۰ دلار و ورودی کش‌شده ۰٫۱۰ دلار به‌ازای هر یک میلیون توکن است. GPT-6 Luna ارزان‌تر است: یک‌دهم دلار برای ورودی، ۰٫۵۰ دلار برای خروجی و ۰٫۰۱ دلار برای ورودی کش‌شده. بنابراین Sol میان مدل اقتصادی‌تر Luna و مدل قدرتمندتر Astra قرار می‌گیرد.

توکن واحدی است که مدل‌های زبانی برای پردازش متن به کار می‌برند و الزاماً با یک واژه کامل برابر نیست. ورودی کش‌شده به بخشی از ورودی گفته می‌شود که در درخواست‌های متوالی تکرار می‌شود و سامانه می‌تواند از پردازش دوباره آن بکاهد. این مورد برای عامل‌های هوش مصنوعی اهمیت دارد؛ چنین سامانه‌هایی ممکن است در هر مرحله دستورالعمل‌ها، تعریف ابزارها و سابقه گفت‌وگو را دوباره ارسال کنند. OpenAI می‌گوید نرخ ورودی کش‌شده Sol نسبت به GPT-6 Sol نصف شده و اکنون به پنج درصد نرخ ورودی معمول این مدل رسیده است.

این نرخ‌ها قیمت فهرستی‌اند و به‌تنهایی هزینه نهایی هر کاربرد را تعیین نمی‌کنند. طول درخواست، حجم خروجی، استفاده از حالت‌های سریع و تخفیف‌های موجود می‌تواند مبلغ پرداختی را تغییر دهد. برای نمونه، ورودی‌هایی که از ۲۷۲ هزار توکن بیشتر باشند مشمول هزینه اضافی می‌شوند.

نتایج اعلام‌شده در کدنویسی، کار حرفه‌ای و کار با رایانه

OpenAI می‌گوید GPT-6.1 Sol در آزمون DeepSWE v1.1، که توانایی کدنویسی عامل‌محور را می‌سنجد، به نتیجه‌ای هم‌سطح GPT-6 Astra رسیده و هزینه آن حدود یک‌پنجم است. همچنین امتیاز Sol در این آزمون ۶٫۴ واحد درصد بالاتر از بهترین نتیجه GPT-6 Sol بوده؛ آن هم با سطح تلاش استدلالی پایین‌تر، یعنی تنظیمی که میزان پردازش اختصاص‌یافته به پاسخ را کنترل می‌کند.

در آزمون‌های مربوط به کار حرفه‌ای، شرکت از دو نتیجه یاد می‌کند. در GDP.pdf، مجموعه‌ای برای سنجش پاسخ‌گویی به اسناد حرفه‌ای پیچیده، OpenAI می‌گوید Sol با سازوکارهای جایگزینِ خطا از Claude Opus 5.5 بهتر عمل کرده و هزینه هر کار کمتر از نصف بوده است. در AutomationBench 1.0.6 نیز Sol در سطح تلاش متوسط ۲٫۲ امتیاز بالاتر از Opus 5.5 گرفته و هزینه هر کار تقریباً یک‌سوم بوده است.

در آزمون OSWorld 2.0، که توانایی کار با محیط رایانه را در مجموعه‌ای آفلاین ارزیابی می‌کند، GPT-6.1 Sol در بالاترین سطح تلاش هفت امتیاز از GPT-6 Sol جلوتر است. نتیجه آن در فاصله ۲٫۱ امتیازی GPT-6 Astra قرار می‌گیرد، در حالی که OpenAI هزینه هر کار را حدود یک‌هفتم Astra گزارش کرده است.

در آزمون علمی Terminal-Bench Science 0.1، Sol در بالاترین سطح تلاش بیش از دو برابر GPT-6 Sol امتیاز گرفته است. با این حال، Astra همچنان با امتیاز ۶۸٫۱ درصد در صدر این آزمون قرار دارد. OpenAI هزینه متوسط هر کار برای Sol را ۵٫۴۷ دلار اعلام کرده؛ در مقایسه، این رقم برای Claude Opus 5.5 برابر ۲۳٫۲۱ دلار و برای Astra برابر ۲۳٫۸۰ دلار است. شرکت Astra را برای دشوارترین کارهای پژوهشی توصیه می‌کند.

همه این نتایج، بنا بر توضیح منبع، ارقام اعلام‌شده از سوی شرکت‌اند و اعداد مربوط به رقبا از گزارش‌های عمومی گردآوری شده‌اند. بنابراین آن‌ها را باید به‌عنوان ادعای عملکردی OpenAI خواند، نه ارزیابی مستقل یا تضمینی برای نتیجه مشابه در هر کاربرد.

دقت پاسخ‌ها و مشخصات فنی API

OpenAI همچنین به کاهش خطاهای واقع‌نما اشاره می‌کند؛ پاسخ‌هایی که با لحنی مطمئن ارائه می‌شوند، اما واقعیت ندارند. در ارزیابی با سطح تلاش پایین، سهم پاسخ‌های دارای خطای واقعی از ۱۱٫۴ درصد در GPT-6 Sol به ۷٫۷ درصد در GPT-6.1 Sol کاهش یافته است؛ کاهشی حدود ۳۲ درصدی. این ارزیابی از گفت‌وگوهای دشواری استفاده کرده که کاربران پیش‌تر در آن‌ها خطای مدل را گزارش کرده بودند، بنابراین نتیجه لزوماً نماینده همه موقعیت‌های روزمره نیست.

طبق مشخصات صفحه مدل، پنجره زمینه GPT-6.1 Sol یک میلیون و ۵۰ هزار توکن است؛ پنجره زمینه میزان متنی را نشان می‌دهد که مدل می‌تواند در یک درخواست یا گفت‌وگو در نظر بگیرد. حداکثر طول خروجی ۱۲۸ هزار توکن اعلام شده و تاریخ قطع دانش مدل ۳۰ آوریل ۲۰۲۶ است. ورودی متن و تصویر پشتیبانی می‌شود، اما خروجی مدل متنی است.

توسعه‌دهندگان می‌توانند میزان تلاش استدلالی را در پنج سطح کم، متوسط، زیاد، بسیار زیاد و حداکثر تنظیم کنند؛ سطح متوسط پیش‌فرض است. حالت‌های «بدون تلاش» و «حداقلی» پشتیبانی نمی‌شوند. برای فراخوانی ابزارها باید از Responses API استفاده کرد؛ Chat Completions بدون فراخوانی ابزار در دسترس است. این تفاوت برای تیم‌هایی مهم است که می‌خواهند مدل را در چرخه‌های خودکار و چندمرحله‌ای به ابزارهای نرم‌افزاری متصل کنند.

در درخواست‌های طولانی‌تر از ۲۷۲ هزار توکن، نرخ ورودی و ورودی کش‌شده دو برابر و نرخ خروجی یک‌ونیم برابر می‌شود؛ این افزایش برای کل درخواست اعمال می‌شود. گزینه‌های Batch و Flex نصف قیمت استاندارد هستند، در حالی که Fast mode دو برابر هزینه دارد. OpenAI از پشتیبانی اقامت داده در آمریکا و اتحادیه اروپا خبر داده، اما Fast mode با اقامت داده اتحادیه اروپا سازگار نیست. تنظیم دقیق مدل یا fine-tuning نیز پشتیبانی نمی‌شود.

مقایسه با رقبا و محدودیت‌های عرضه

در مقایسه قیمت‌های فهرستی ارائه‌شده در گزارش، Claude Sonnet 5.5 نیز برای هر یک میلیون توکن، ۲ دلار ورودی و ۱۰ دلار خروجی هزینه دارد؛ ورودی کش‌شده آن ۰٫۲۰ دلار است. Gemini 3.1 Pro نیز برای ورودی تا ۲۰۰ هزار توکن دو دلار می‌گیرد، اما نرخ خروجی آن ۱۲ دلار است و در وضعیت پیش‌نمایش قرار دارد. این مقایسه به‌تنهایی نشان نمی‌دهد کدام مدل برای هر کار ارزان‌تر یا مناسب‌تر است: حجم توکن مصرفی، نتیجه هر آزمون و تفاوت‌های فنی مدل‌ها بر هزینه اثر می‌گذارند. برای نمونه، Anthropic گفته است توکن‌ساز جدیدش برای یک متن یکسان حدود ۳۰ درصد توکن بیشتری تولید می‌کند.

GPT-6.1 Sol مدلی میزبانی‌شده است و وزن‌های آن برای اجرای مستقل منتشر نشده‌اند. در نتیجه، دسترسی به آن از مسیر API و محصولات OpenAI انجام می‌شود، نه با نصب روی زیرساخت شخصی. شرکت همچنین برنامه‌ریزی کرده گزینه GPT-6.1 Sol Ultrafast را طی چند روز در Codex عرضه کند؛ به گفته OpenAI، این گزینه می‌تواند تولید توکن را تا هشت برابر سریع‌تر از سرعت استاندارد کند. این قابلیت در زمان انتشار خبر هنوز عرضه نشده بود.

در مجموع، نکته محوری عرضه Sol ترکیب قیمت پایین‌تر با نتایج نزدیک به Astra در برخی آزمون‌هاست، نه برتری یکسان در همه وظایف. ارقام بنچمارک به نوع آزمون و تنظیم تلاش وابسته‌اند و خود OpenAI همچنان مدل Astra را برای سخت‌ترین کارهای علمی مناسب‌تر می‌داند.

این خبر برای چه کسانی اهمیت دارد

توسعه‌دهندگانی که عامل‌های نرم‌افزاری می‌سازند، شرکت‌هایی که مدل را برای پردازش اسناد یا کار با رایانه به کار می‌گیرند و تیم‌هایی که هزینه توکن برایشان عامل مهمی است، از گروه‌هایی هستند که باید عرضه GPT-6.1 Sol را بررسی کنند. قیمت ورودی کش‌شده پایین‌تر می‌تواند برای درخواست‌های تکراری مفید باشد، اما هزینه‌های درخواست‌های بسیار طولانی و انتخاب حالت سریع باید در برآورد بودجه لحاظ شود. پژوهشگران نیز می‌توانند نتایج اعلام‌شده در آزمون‌های علمی را دنبال کنند، هرچند طبق داده‌های همین عرضه، Astra هنوز در دشوارترین ارزیابی علمی پیشتاز است.