OpenAI выпустила руководство по внедрению моделей GPT‑6
OpenAI опубликовала руководство по семейству GPT‑6 и рекомендациям для его промышленного применения. Компания выделила GPT‑6 Astra для наиболее сложных задач рассуждения, GPT‑6.1 Sol — для сложной разработки, исследований и работы с компьютером, а GPT‑6 Luna — для повторяемых массовых задач. OpenAI также заявила, что кэшированные входные токены могут стоить до 95% дешевле некэшированных в зависимости от модели.
Выбор модели и контроль затрат
В руководстве OpenAI предлагает выбирать модель, уровень рассуждений и скорость ответа с учётом требуемого качества, задержки и цены. Низкий уровень рассуждений предназначен для извлечения фактов и небольших правок, средний — для задач, требующих суждений, а высокий — для сложной отладки, глубокого анализа и тщательной проверки.
Режимы Extra high и Max следует тестировать, когда высокого уровня недостаточно, и сохранять только при оправданном росте качества. В API уровень рассуждений можно менять по ходу диалога без нарушения кэша. Для сценариев, где критично время ответа, доступны Fast mode, а для GPT‑6 Astra — Ultrafast, ускоряющий генерацию токенов независимо от выбранного уровня рассуждений.
OpenAI советует сокращать ненужный контекст, но сохранять доказательства, нужные для выполнения задачи. Независимые операции предлагается запускать параллельно. Для повторяющихся процессов постоянные инструкции и справочные материалы стоит размещать перед изменяющимися деталями задачи, а определения инструментов сохранять единообразными — это помогает повторно использовать контекст через prompt caching.
Подготовка агентных процессов
Для длинных диалогов компания рекомендует compaction: механизм сокращает объём контекста, сохраняя состояние, необходимое для продолжения работы. Перед запуском OpenAI предлагает определить мониторинг поведения и правила работы с данными, а на репрезентативных задачах измерить успешность, задержку и стоимость одной успешно завершённой задачи.
Отдельное внимание в документе уделено инструкциям. Вместо чрезмерно жёстких рецептов OpenAI рекомендует ясно указать ожидаемый результат, адресата, контекст, ограничения и критерий готовности. В файле AGENTS.md предлагается обозначить релевантные документы и тесты, а также явно разрешить безопасные типовые действия, например локальные тесты с одноразовыми данными без доступа к production.
Организации должны разделить решения, которые агент вправе принимать самостоятельно, и действия, требующие согласования. Критерий «готово» может включать реализацию изменения, запуск, проверку результата и исправление сбоев. Такой подход заменяет общее правило «всегда спрашивать» понятными границами ответственности.
Управление длительными задачами
В Responses API доступна корректировка инструкций во время выполнения через WebSocket API: новые указания ставятся в очередь, но не отменяют уже запущенные инструменты и не откатывают завершённые действия. Асинхронный вызов инструментов позволяет модели продолжать независимую работу, пока приложение выполняет медленную операцию, например тестирование.
GPT‑6.1 Sol поддерживает многоагентные процессы в Responses API и может поручать независимые части работы субагентам, а затем объединять результаты. OpenAI уточняет, что эта возможность находится в бета-стадии. В Codex модель GPT‑6 Astra способна запрашивать уточнения в ходе работы; пользователь может определить, какие действия продолжать до получения ответа, а какие поставить на паузу.
Функция computer use доступна для GPT‑6 Astra, GPT‑6.1 Sol и GPT‑6 Luna. Она позволяет взаимодействовать с сайтами и настольными приложениями, включая системы без API. Для браузерных сценариев OpenAI указывает Playwright, для настольных приложений — PyAutoGUI. Практический вывод для бизнеса: внедрение стоит строить вокруг измеримых результатов задачи, устойчивого кэша и заранее заданных полномочий агента, а не выбирать максимальную мощность модели для каждого процесса.