GPT-5.6 Luna, Terra, Sol: что изменилось для агентов и API

# GPT-5.6 Luna, Terra, Sol: что изменилось для агентов и API

OpenAI выпустила новое семейство моделей GPT-5.6 в трёх размерах — Luna, Terra и Sol. На бумаге это выглядит как очередной плановый апгрейд, но в деталях API скрыты изменения, которые напрямую затрагивают архитектуру агентных систем и бизнес-автоматизации.

Технические параметры: что получаем

Все три модели разделяют общую базу:

• Контекстное окно: 1 000 000 токенов
• Максимальный вывод: 128 000 токенов
• Дата среза знаний: 16 февраля 2026 года

Цены за миллион токенов (вход / выход):

• Luna: $1 / $6
• Terra: $2,50 / $15
• Sol: $5 / $30

Для сравнения: аналогичный конкурирующий продукт стоит $10 / $50. Разница существенная, но важно понимать: при агентных задачах с рассуждением модели генерируют разное количество токенов на одну и ту же задачу. Стоимость одного «прогона» может оказаться совсем не пропорциональной прайсу.

Бенчмарки: где GPT-5.6 сильнее, а где нет

OpenAI делает ставку на агентные задачи. На Agents' Last Exam — профессиональном тесте для длительных рабочих процессов в 55 областях — Sol набрал 53,6 балла, что на 13,1 пункта выше конкурента при адаптивном рассуждении. Даже при среднем уровне рассуждения Sol опережает аналог на 11,4 пункта при примерно четверти стоимости.

Но есть и обратная сторона. На SWE-Bench Pro (кодинг) картина противоположная: конкурент — 80%, Sol — 64,6%. Показательно, что за день до релиза OpenAI опубликовала разбор этого бенчмарка, указав на некорректность ~30% его задач. Конфликт интересов очевиден, однако сам аргумент не лишён оснований — аудит бенчмарков давно назревал.

Практический вывод: для агентных пайплайнов и длительных рабочих процессов GPT-5.6 выглядит сильно. Для задач по программированию — пока не очевидное превосходство.

Новые возможности API: три изменения для автоматизации

Здесь самое интересное. API получил несколько новых механик.

Programmatic Tool Calling

Модели теперь могут создавать и выполнять JavaScript, который оркестрирует вызовы инструментов. Это серьёзный шаг: раньше агент мог только вызывать заранее определённые инструменты в заданном порядке. Теперь он способен написать логику оркестрации прямо в процессе работы. Это частично закрывает разрыв между MCP и полноценными терминальными сессиями, где можно комбинировать CLI-утилиты произвольным образом.

Где применять в бизнесе: сложные multi-step процессы, где последовательность шагов зависит от промежуточных данных — анализ отчётов, парсинг + трансформация + запись в CRM в одном агентном прогоне.

Multi-agent из коробки

Паттерн субагентов теперь встроен в базовый API. Модель может запускать субагентов для параллельной, сфокусированной работы без необходимости выстраивать оркестрацию вручную через внешние фреймворки.

Где применять: параллельная обработка данных, одновременная работа с несколькими источниками, распределение задач между специализированными агентами.

Prompt Cache Breakpoints

OpenAI переняла у конкурента механику явных точек разрыва кэша. Теперь можно самостоятельно указывать, где кэшировать промпт, а не полагаться только на автоматическое определение. При правильной настройке это позволяет снизить затраты на повторные запросы с одинаковым системным промптом.

Где применять: агенты с длинным системным промптом и частыми запросами — саппорт-боты, классификаторы, RAG-системы.

Практика: как оценивать новые модели для своих задач

Перед тем как переключать production-агентов на GPT-5.6, стоит сделать несколько шагов:

1. Запустите свой внутренний бенчмарк. Возьмите 20–50 реальных задач из вашего пайплайна и прогоните через Sol и текущую модель. Публичные тесты — ориентир, но ваша специфика важнее.
2. Замерьте реальную стоимость, не прайс. Посчитайте средний расход токенов на задачу — с рассуждением это может отличаться в разы.
3. Тестируйте Programmatic Tool Calling на пилоте. Начните с одного агентного сценария, где сейчас много ручной оркестрации.
4. Настройте cache breakpoints для любого агента, где системный промпт длиннее 2000 токенов.

Итог

GPT-5.6 — не революция, но набор конкретных улучшений, которые меняют практику построения агентных систем. Programmatic Tool Calling и нативные субагенты — это архитектурные изменения, а не просто прирост качества ответов. Для бизнеса, который строит автоматизацию на LLM, это повод как минимум протестировать новые возможности API на реальных задачах.

---

*Разбираем ИИ-инструменты и автоматизацию в ContentRun Club.*