প্রোডাকশন API workflow-এর জন্য GPT-6 মডেল বেছে নিন

OpenAI 2026 সালের 2 অক্টোবর GPT-6 পরিবারের নির্দেশিকা প্রকাশ করে। এতে মডেল নির্বাচন, নির্দেশনা, দীর্ঘ সময় চলা কাজ এবং ডেপ্লয়মেন্ট-সংক্রান্ত যাচাই একত্র করা হয়েছে। তবু software team-কে এমন model ও setting-এর সমন্বয় খুঁজে নিতে হবে, যা দলের নিজস্ব task-check-এ পাস করে এবং খরচ ও response-time সীমার মধ্যে থাকে।

ওই নির্দেশিকায় পরিবারের বর্তমান বিকল্প হিসেবে GPT-6 Astra, GPT-6.1 Sol এবং GPT-6 Luna রয়েছে। আমরা 3 অক্টোবর OpenAI-র API নথি ও মূল্য যাচাই করেছি। নিচের নির্বাচন-পদ্ধতি ও worksheet প্রস্তাবিত; আমরা মডেলগুলো চালাইনি বা production workload মাপিনি।

মূল পরিবর্তন

• কী বদলেছে: OpenAI এখন GPT-6 পরিবারকে বিভিন্ন workload-এর জন্য কয়েকটি বিকল্প হিসেবে উপস্থাপন করছে; এতে reasoning effort বদলানো যায় এবং একাধিক ধাপের কাজের জন্য tool রয়েছে। প্রতিটি কাজের জন্য একই model setting ব্যবহার না করে দলগুলো workflow-এর প্রতিটি ধাপ আলাদাভাবে ঠিক করতে পারে।
• কেন গুরুত্বপূর্ণ: নির্দিষ্ট কোনো extraction ধাপে Luna যথেষ্ট কি না, coding বা research ধাপে Sol-এর ক্ষমতা দরকার কি না, কিংবা Astra-র বাড়তি সক্ষমতা তার দামের যোগ্য কি না—দল তা মেপে দেখতে পারে। উত্তর নির্ভর করে সম্পন্ন কাজ, latency এবং tool ব্যবহার ও ব্যর্থ প্রচেষ্টাসহ পুরো workflow-এর মোট খরচের ওপর।
• কী নজরে রাখবেন: দীর্ঘ run-এর জন্য সুস্পষ্ট handoff ও যাচাই দরকার। চলমান run-এর নির্দেশনা steering করে বদলানো যায়; তবে চূড়ান্ত উত্তর গ্রহণের আগে asynchronous tool result ও delegated কাজের ফল মিলিয়ে দেখতে হয়।

কাজ অনুযায়ী বাছুন, তারপর পুরো workflow মাপুন

বাস্তব কাজের প্রতিনিধিত্ব করে এমন একটি সেট দিয়ে শুরু করুন এবং প্রতিটির জন্য গ্রহণযোগ্যতার নিয়ম ঠিক করুন। OpenAI বর্তমান model behavior, tool calling এবং stateful কাজের জন্য Responses API ব্যবহারের পরামর্শ দেয়। আগে API project, credential, billing access এবং সেই project-এ উপলভ্য একটি model দরকার। model-এর পাতায় free-tier সমর্থনের কথা নেই; rate limit নির্ভর করে usage tier-এর ওপর। rollout-এর আকার ঠিক করার আগে account-এর প্রকৃত access ও limit যাচাই করুন।

সারণিটি OpenAI-র মডেল-সংক্রান্ত নির্দেশনা এবং মডেল পেজগুলোকে মূল্যায়নের প্রাথমিক ভিত্তিতে রূপ দিয়েছে। API model ID এবং সমর্থিত effort setting যাচাই করুন: Astra ও GPT-6.1 Sol Low থেকে Max পর্যন্ত সমর্থন করে; Luna-তে None-ও আছে। GPT-6.1 Sol-এ None ও Minimal নেই। OpenAI-র পরামর্শ, High যথেষ্ট না হলে সমর্থিত ক্ষেত্রে Extra High বা Max পরীক্ষা করুন। একই task set-এ effort setting তুলনা করুন, কারণ গুণমান, সময়কাল ও token ব্যবহার একসঙ্গে বদলাতে পারে।

272,000 input token পর্যন্ত prompt-এর Standard processing-এ প্রতি 1 million token-এর বর্তমান text rate হলো:

সূত্র: Luna, GPT-6.1 Sol এবং Astra-এর model page-গুলো। 272,000-এর বেশি input token হলে পুরো request-এর জন্যই বেশি rate প্রযোজ্য। অন্য processing mode, যেখানে পাওয়া যায় সেখানে regional processing, এবং কিছু tool bill বদলে দেয়। তিনটি পেজেই 1,050,000-token context window ও সর্বোচ্চ 128,000-token output দেওয়া আছে; বড় window হলো ধারণক্ষমতার সীমা, হাতে থাকা সব document পাঠানোর কারণ নয়।

পুরো কাজের পথের খরচ হিসাব করুন: input, cached input, cache write, output, tool charge, retry এবং long-context-এর অতিরিক্ত মূল্য। একই review rule-এ গৃহীত কাজের সংখ্যা দিয়ে মোট খরচ ভাগ করুন। এরপর ব্যবহারকারীর মুখোমুখি ধাপ এবং পুরো workflow-এর latency তুলনা করুন। শুধু unit price দেখে কোন পথে প্রতিটি সফল ফল সবচেয়ে সস্তা হবে, তা বোঝা যায় না।

tool যোগ করার আগে কাজ ও output নির্দিষ্ট করুন

প্রতিটি ধাপের জন্য পরিষ্কার input, নির্দিষ্ট পাঠক বা পরবর্তী ব্যবহারকারী, অনুমোদিত source ও tool, সীমাবদ্ধতা এবং সমাপ্তির শর্ত দিন। OpenAI-র নির্দেশিকায় আরও বলা হয়েছে, কোন সিদ্ধান্ত মডেল নিতে পারে এবং কোনটির জন্য মানুষের অনুমোদন লাগবে, দলকে তা জানাতে হবে। project instruction, skill এবং prompt-এ এসব সীমা একইভাবে রাখুন।

যন্ত্রপাঠ্য output-এর জন্য আগে field ও বৈধ মান নির্ধারণ করুন; কাজের উপযোগী হলে Structured Outputs নির্দেশিকা ব্যবহার করুন। সঠিক কাঠামোকে একটি যাচাই হিসেবে ধরুন; schema মেনে চললেও কোনো field-এ ভুল তথ্য থাকতে পারে। মানুষের কাছে কাজ হস্তান্তর করলে ফল, ব্যবহৃত প্রমাণ, সম্পন্ন যাচাই এবং অমীমাংসিত বিষয় জানাতে বলুন। মূল input ও দলের গ্রহণযোগ্যতার নিয়ম অনুযায়ী ফল review করুন।

মূল্যায়নের সময় prompt caching পরীক্ষা করলে task-এর বিবরণ বদলানোর আগে স্থিতিশীল নির্দেশনা ও সবার কাজে লাগে এমন reference material রাখুন। বারবার ব্যবহার করলে input খরচ কমতে পারে, তবে cache write ও পরবর্তী context-ও হিসাবের মধ্যে ধরতে হবে। BIG CHANGE-এর আগের prompt-cache নির্দেশিকায় cache diagnosis নিয়ে বিস্তারিত আলোচনা আছে।

দীর্ঘ সময় চলা কাজ পর্যবেক্ষণযোগ্য রাখুন

ওই 2 অক্টোবরের নির্দেশিকায় চলমান ধাপে steering, asynchronous tool call এবং স্বাধীন কাজের জন্য parallel subagent-এর কথা আছে। Responses WebSocket API দিয়ে পাঠানো সংশোধনী queue-তে থাকে; তা ইতিমধ্যে সম্পন্ন কাজ ফিরিয়ে নেয় না বা চালু tool থামায় না। asynchronous tool-এ অন্য অসংশ্লিষ্ট কাজ এগোতে পারে, কিন্তু নির্ভরশীল কাজকে ফল আসা পর্যন্ত অপেক্ষা করতে হবে। Responses API-তে GPT-6.1 Sol-এর multi-agent সমর্থন এখনো beta।

একাধিক ধাপের run-এ task ID, বেছে নেওয়া model ও effort, বর্তমান পর্যায়, tool call ও result ID, অনুমোদন এবং চূড়ান্ত উত্তরের পেছনের প্রমাণ সংরক্ষণ করুন। timeout, tool call ব্যর্থ হওয়া, নির্দেশনা বদলানো বা একই result আবার আসার পরে কী হবে, আগে ঠিক করুন। context বড় হলে compaction এগিয়ে নেওয়া তথ্যের পরিমাণ কমাতে পারে; run চালিয়ে গেলে আসলে কী রাখা হয়েছে তা যাচাই করুন। OpenAI-র background mode একবারের request-এর চেয়ে বেশি সময় চলা কাজের আরেকটি নথিভুক্ত বিকল্প। কাজের সময়কাল ও recovery-র প্রয়োজন অনুযায়ী এসব control বেছে নিন।

ধাপটি যেখানে করতে পারে, সেখানে সরাসরি API বা connected tool ব্যবহারের পরামর্শ OpenAI-র নির্দেশিকায় রয়েছে; screen interaction প্রয়োজন হলেই ব্যবহার করুন। BIG CHANGE-এর Agents API-র browser task নির্দেশিকায় computer-use interface ও তদারকির পদ্ধতি বর্ণিত হয়েছে।

দল পুনরায় ব্যবহার করতে পারবে এমন সিদ্ধান্তের worksheet

প্রতিটি প্রার্থীর জন্য একই case ও review rule ব্যবহার করুন। এই worksheet একটি প্রস্তাবিত মূল্যায়ন-পদ্ধতি; BIG CHANGE কোনো ফল এতে লেখেনি বা পরীক্ষা করেনি।

বাস্তব workflow-তে দেখা যায় এমন সহজ ও কঠিন case, ভুলভাবে গঠিত input এবং মাঝপথে থেমে যাওয়া tool ধাপ রাখুন। model তুলনার সময় case একই রাখুন; prompt বা tool permission বদলানোর পর আবার পরীক্ষা করুন। ব্যর্থতার ধরন ধরে review করুন: প্রমাণ অনুপস্থিত, field ভুল, tool error, নির্দেশনা বাদ পড়া, বা মানুষের সংশোধন দরকার এমন উত্তর। একই গ্রহণযোগ্যতার নিয়মে কার্যকর উন্নতি দেখা গেলেই ধাপটি অন্য model-এ নিন। বেশি rework লাগলে সস্তা model-এ গৃহীত কাজপ্রতি খরচ বাড়তে পারে; ধীর model background ধাপে চলতে পারে, কিন্তু interactive ধাপে অনুপযুক্ত হতে পারে।

release-এর আগে OpenAI-র ডেপ্লয়মেন্ট checklist অনুযায়ী project-এর প্রকৃত rate ও খরচের সীমা, data control, timeout, retry behavior, monitoring এবং মানুষের অনুমোদনের সীমা যাচাই করুন। release-এর পর নমুনাভিত্তিক review চালু রাখুন; model alias, prompt, tool বা workload বদলালে worksheet আবার চালান। routing-এর সিদ্ধান্ত নিতে কাজ থেকে পাওয়া তথ্য ব্যবহার করুন।

সূত্র ও আরও পাঠ

• OpenAI-র 2 অক্টোবরের GPT-6 পরিবারের নির্দেশিকা-তে vendor-এর model, effort, instruction এবং দীর্ঘ সময়ের workflow নিয়ে সুপারিশ আছে। এতে BIG CHANGE-এর পরীক্ষার ফল বা কোনো নির্দিষ্ট দলের workload-এর জন্য সেরা model-এর কথা বলা হয়নি।
• GPT-6 Luna, GPT-6.1 Sol এবং GPT-6 Astra-র নথিতে এখানে ব্যবহৃত API ID, সমর্থিত effort, context, মূল্য ও tier-ভিত্তিক limit আছে। account-এ access ও billing আলাদাভাবে যাচাই করতে হবে।
• OpenAI-র API deployment checklist representative task মূল্যায়ন, Responses API configuration এবং production control পরিকল্পনার পরামর্শ সমর্থন করে। ওপরের worksheet BIG CHANGE-এর প্রস্তাবিত পদ্ধতি, vendor benchmark নয়।
• Structured Outputs, compaction এবং background mode workflow-তে উল্লেখ করা নির্দিষ্ট interface-গুলো ব্যাখ্যা করে।