GPT-6 Astra, Sol или Luna: как выбрать модель по задаче и полной стоимости

Вы, вероятно, уже знаете, что Luna дешевле, а Astra мощнее, но это ещё не отвечает на главный вопрос: стоит ли именно эта задача двадцати- или стократной разницы в цене токенов? Базовое правило такое: проверяемые массовые задачи начинайте с Luna, сложную разработку и обычные Agent-процессы — с Sol, а неоднозначные или дорогие при ошибке сквозные задачи — с Astra. После чтения вы сможете выбрать стартовую модель, определить сигналы для повышения уровня и посчитать одинаковую токеновую нагрузку в OpenAI Standard и BetterToken.

С чего начать: Luna для проверяемого потока, Sol для сложной разработки, Astra для дорогих ошибок

Сначала выберите модель по границам задачи и цене ошибки, а затем исправьте это правило своими данными приёмки.

Модель	Позиционирование OpenAI	С каких задач разумно начать	Когда повышать уровень
gpt-6-luna	Эффективная модель для сфокусированных массовых задач	Небольшие локальные правки, извлечение структурированных данных, классификация, преобразование формата, дописывание тестов по точной спецификации, пакетные задачи с детерминированной проверкой	Проверка несколько раз подряд не проходит; требуется рассуждение между файлами; цепочка инструментов растёт; остаётся критическая неоднозначность
gpt-6-sol	Модель для сложного программирования и агентных процессов	Разработка функций в нескольких файлах, отладка, ревью кода, работа с репозиторием через несколько инструментов, исследование и документация средней сложности с понятными границами	Ошибка плана дорого стоит; модель повторно упускает важные ограничения; нужны межсистемные компромиссы или сложное исследование
gpt-6-astra	Самая мощная модель OpenAI для наиболее трудной сквозной работы	Архитектурные решения, сложные миграции, разбор межсистемных инцидентов, рискованные изменения кода, длинные процессы с исследованием, подготовкой документов или computer use	Astra уже верхний уровень этой тройки; если она не справляется, нужно сузить задачу, добавить доказательства или ввести решение человека, а не повышать модель по названию

Смысл не в том, что любая «простая» задача обязана выполняться Luna. Нужно найти самую недорогую модель, которая стабильно проходит требуемую приёмку. Дешёвая модель с многочисленными повторами может оказаться дороже. И наоборот, начинать каждую хорошо формализованную задачу с Astra — значит платить за возможности, которые процесс не использует.

В открытой документации пока нет независимого сравнения Astra, Sol и Luna на одном наборе реальных задач. Используйте матрицу как рабочую отправную точку, а затем фиксируйте принятие с первой попытки, повторы, фактическое время до принятого результата и полную стоимость одной принятой задачи.

При похожих лимитах важнее границы задачи и цена ошибки

Контекстные лимиты и набор инструментов у трёх моделей близки, поэтому важнее форма задачи, настройки рассуждения и цена ошибки. OpenAI позиционирует Astra для сложных рассуждений, программирования, computer use, исследований и создания документов, Sol — для сложного программирования и Agent-процессов, Luna — для сфокусированной массовой работы. Эти описания помогают выбрать первого кандидата, но модель по умолчанию должны определить ваши результаты.

У всех трёх моделей одинаковое окно контекста 1 050 000 Token, максимум 922 000 входных Token и 128 000 выходных Token. Поэтому сама вместимость контекста обычно не определяет выбор. Практически важнее следующее:

• Astra поддерживает значения reasoning.effort: low, medium, high, xhigh и max.
• Sol и Luna дополнительно поддерживают none, а значение по умолчанию — medium. Для хорошо ограниченных задач полезно сначала проверить меньший уровень рассуждения, чтобы отделить стоимость модели от лишнего reasoning.
• Для агентных процессов с большим числом инструментов предпочтителен Responses API. В Chat Completions у Sol и Luna function calling работает при reasoning_effort, равном none.
• На расход влияют модель, объём контекста, reasoning, инструменты, retrieval и кэширование. Длина Prompt сама по себе не показывает стоимость задачи.

Корректное сравнение должно фиксировать интерфейс, контекст, набор инструментов, reasoning effort, максимальный вывод и критерии приёмки. Если одновременно поменять несколько параметров, наблюдаемая разница может быть следствием конфигурации, а не модели.

При одинаковых токенах сравнивайте BetterToken только с OpenAI Standard

При одинаковом расходе токенов цены BetterToken, проверенные 2026-09-24, составляли 68% от соответствующих цен OpenAI Standard. Это не делает маршрут самым дешёвым во всех случаях: OpenAI Batch и Flex дешевле, а полная стоимость зависит от повторов, инструментов и ручной доработки. В таблице указаны USD за 1 млн Token для входного контекста не более 272K.

Model ID	Источник	Ввод	Чтение кэша	Запись кэша	Вывод
gpt-6-astra	OpenAI Standard	$10.00	$1.00	$12.50	$50.00
gpt-6-astra	BetterToken	$6.80	$0.68	$8.50	$34.00
gpt-6-sol	OpenAI Standard	$2.00	$0.20	$2.50	$10.00
gpt-6-sol	BetterToken	$1.36	$0.136	$1.70	$6.80
gpt-6-luna	OpenAI Standard	$0.10	$0.01	$0.125	$0.50
gpt-6-luna	BetterToken	$0.068	$0.0068	$0.085	$0.34

Если входной контекст запроса превышает 272K, все три GPT-6 на обеих площадках переходят в длинный тариф: цены ввода, чтения кэша и записи кэша становятся в 2 раза выше значений из таблицы, а цена вывода — в 1,5 раза выше; повышенный тариф применяется ко всему запросу. Например, для длинного контекста gpt-6-sol стоит в OpenAI Standard $4.00/$0.40/$5.00/$15.00, а в BetterToken $2.72/$0.272/$3.40/$10.20 за ввод/чтение кэша/запись кэша/вывод.

Цены динамические. Перед запуском в production следует посмотреть актуальные цены и заново проверить наличие модели, валюту и применимый тариф. OpenAI Batch и Flex сейчас стоят 50% от Standard и дешевле ставок BetterToken в этом срезе; если подходит асинхронная или менее приоритетная обработка, их нельзя смешивать с OpenAI Standard в одном сравнении. В таблице также не учтены региональная надбавка, вызовы инструментов, контейнеры и повторы.

Группа GPT в BetterToken доступна через API, Codex и внешние инструменты с пользовательским Base URL. BetterToken не является продуктом OpenAI, а использование его API не добавляет сообщения, включённый лимит или credits подписок ChatGPT и Codex.

Уже используете GPT-5.5? Сохраните базу перед миграцией

Если ваш процесс на GPT-5.5 стабилен, не переключайтесь только из-за новой линейки моделей. Сначала сохраните базовые показатели качества, времени и стоимости, затем воспроизведите те же задачи на Sol, Luna и Astra. Цены ниже указаны в USD за 1 млн Token и проверены 2026-09-24.

Model ID	Источник	Контекст	Ввод	Чтение кэша	Вывод
gpt-5.5	OpenAI Standard	≤ 272K	$5.00	$0.50	$30.00
gpt-5.5	OpenAI Standard	> 272K	$10.00	$1.00	$45.00
gpt-5.5	BetterToken	Без градации	$3.40	$0.34	$20.40

В BetterToken для gpt-5.5 нет отдельного тарифа длинного контекста; в OpenAI Standard он включается после 272K. Цена записи кэша не указана, потому что в опубликованной строке цен OpenAI для GPT-5.5 этого значения нет; оставляем поле пустым и не оцениваем его самостоятельно.

Важно разделить два вида миграции. OpenAI сообщает, что 2026-10-14 GPT-5.5 будет выведена из ChatGPT, ChatGPT Work и Codex на всех планах, но OpenAI API это не затронет. Пользователям Codex по подписке нужен новый маршрут до этой даты. Процессы с API Key не обязаны срочно мигрировать только из-за отключения на стороне планов. Лимиты Codex, дополнительные credits и API с оплатой в USD — разные системы учёта.

Считайте стоимость принятой задачи, а не одного вызова

Цена одного вызова не показывает, какая модель дешевле доведёт работу до результата. Учитывайте неудачные попытки, повторы, запись кэша, инструменты и ручную доработку, а затем делите сумму на число принятых задач. Пример ниже сначала изолирует два способа оплаты при одинаковом наборе токенов.

Предположим, один успешно принятый запуск использует:

• 120 000 некэшированных входных Token;
• 100 000 Token чтения из кэша;
• 10 000 выходных Token;
• без новой записи кэша в этом запуске;
• общий входной контекст 220K, поэтому действует короткий тариф.

По формуле «Token ÷ 1 000 000 × соответствующая ставка» стоимость одного запуска составляет:

Model ID	OpenAI Standard	BetterToken
gpt-6-luna	$0.01800	$0.01224
gpt-6-sol	$0.36000	$0.24480
gpt-6-astra	$1.80000	$1.22400
gpt-5.5	$0.95000	$0.64600

Это сравнение тарификации одного и того же набора Token, а не качества, скорости или итоговой выгоды. При одинаковом наборе Token и режиме обработки Sol стоит в 20 раз дороже Luna, а Astra — в 5 раз дороже Sol. Но неудачные попытки, более длинный вывод, дополнительные инструменты и ручная доработка могут уменьшить или развернуть разницу полной стоимости.

Полезнее считать так:

Полная стоимость = Token всех попыток + запись кэша + инструменты + неудачные повторы и доработка.

Разделив сумму на число задач, прошедших приёмку, получаем стоимость одного принятого результата. Для production-роутинга этот показатель намного важнее цены одного удачного запроса.

Выберите первую модель по сценарию и заранее задайте повышение

Базовый маршрут можно задать однозначно: задачи с низким риском и надёжной автоматической проверкой начинайте с Luna, сложную разработку — с Sol, высокий риск или сильную неоднозначность — с Astra.

Проверяемые массовые задачи: начинайте с Luna

Если schema, linter, unit tests или другое детерминированное правило быстро обнаруживают ошибку, сначала проверяйте Luna. Подходящие примеры — преобразования фиксированного формата, извлечение известных полей, локальные переименования, тесты по точной спецификации и другие массовые результаты с надёжной автоматической приёмкой.

Переводите задачу на Sol, если проверка не проходит, обнаруживается скрытая зависимость или требуется решение между модулями. Не позволяйте маленькой модели бесконечно повторять один ошибочный подход.

Многофайловая разработка и Agent-процессы: начинайте с Sol

Если задача должна понимать несколько файлов, последовательно использовать инструменты или менять план после выполнения, начинайте с Sol. Типичные примеры — функция в нескольких файлах, диагностика падения тестов, поиск по репозиторию перед изменением и продолжение работы по результатам инструментов.

При этом задачу нужно ограничить. Условие «проанализировать, изменить, запустить наиболее релевантные тесты и перечислить нерешённое» обычно полезнее, чем без плана повышать reasoning.effort. Переходите на Astra, если Sol систематически упускает архитектурные ограничения на репрезентативных задачах.

Неоднозначные или рискованные сквозные задачи: начинайте с Astra

Начинайте с Astra, когда цена неправильного ответа явно выше доплаты за модель. Межсистемные миграции, сложные production-инциденты, критические границы безопасности, решения с большим объёмом исследования и процессы, объединяющие код, computer use и длинную цепочку инструментов, относятся к этой группе.

Но Astra тоже требует проверки. Разбивайте работу на контрольные точки для плана, доказательств, изменений и верификации, чтобы самая мощная модель не тратила больше времени на неверное исходное предположение.

Не уверены? Сравните модели на одинаковых реальных задачах

Фиксированное число примеров заранее не требуется. Нужен репрезентативный набор обычных, пограничных и ошибочных случаев с одинаковыми правилами приёмки для каждой модели.

1. Выберите репрезентативный набор. Включите небольшие изменения, разработку в нескольких файлах, отладку, инструменты и работу со знаниями, а не только удачные демонстрации.
2. Определите приёмку до запуска. Используйте тесты, lint, schema, список фактов или ручную проверку. Изменение критериев после ответа делает сравнение ненадёжным.
3. Зафиксируйте остальные переменные. Используйте одинаковые контекст, инструменты, API, уровень рассуждения, максимальный вывод и окружение. Другой reasoning.effort считайте отдельным экспериментом.
4. Записывайте каждую попытку. Сохраняйте принятие с первой попытки, повторы, фактическое время до принятого результата, входные/кэшированные/выходные Token, вызовы инструментов и итоговые расходы.
5. Считайте стоимость принятого результата. Включайте неудачные попытки и ручную доработку, а не только последний успешный запуск.
6. Делайте вывод по классу задач. Модель может хорошо менять код, но хуже справляться с исследованием или длинными Agent-процессами. Один глобальный стандарт скроет эту разницу.
7. Пересматривайте маршрут после нескольких реальных запусков каждого класса. Если более дорогой уровень не даёт повторяемого улучшения приёмки или полной стоимости, вернитесь к меньшей модели или сохраните существующий процесс GPT-5.5 API.

Минимум сравнивайте принятие с первой попытки, итоговое принятие, полную стоимость одного принятого результата, медиану и высокий процентиль времени. Модель должна стать стандартной только тогда, когда устойчиво выигрывает при вашем пороге качества.

Повышайте уровень из-за повторных ошибок и риска, а не из-за престижности модели

Переход на более дорогую модель должен запускаться наблюдаемыми признаками неудачи, а не предположением, что более высокая цена гарантирует лучший результат.

• Luna → Sol: детерминированная проверка одного класса задач регулярно проваливается; требуется рассуждение между файлами или модулями; результаты инструментов существенно меняют план; или критическая неоднозначность остаётся после уточнения условий задачи.
• Sol → Astra: повторные планы упускают ключевые ограничения; ошибка влияет на production, безопасность или крупную миграцию; или задача объединяет сложное рассуждение, исследование, документацию и исполнение.
• Astra → сузить задачу: если Astra всё ещё не проходит приёмку, добавьте доказательства, разделите процесс или запросите решение человека вместо дальнейшего увеличения контекста и рассуждения.
• Новая модель → откат к GPT-5.5: в API-процессах сохраняйте GPT-5.5, пока он удовлетворяет требованиям к качеству, задержке и сопровождению. Новое имя модели само по себе не является причиной миграции.

По умолчанию используйте цепочку Luna → Sol → Astra: надёжная проверка означает Luna, сложная разработка — Sol, высокий риск — Astra. Меняйте это правило только тогда, когда ваши данные по приёмке, повторам, времени и стоимости принятого результата показывают, что другой маршрут лучше.