OpenAI ने GPT-6 कुटुंबासाठीचे मार्गदर्शक 2 ऑक्टोबर 2026 रोजी प्रकाशित केले. त्यात मॉडेलची निवड, सूचना, दीर्घकाळ चालणारी कामे आणि तैनातीच्या तपासण्या एकत्र मांडल्या आहेत. तरीही सॉफ्टवेअर संघाला त्यांच्या स्वतःच्या कार्यचाचण्या पूर्ण करणारा आणि खर्च व प्रतिसादकाळाच्या मर्यादेत बसणारा पर्याय शोधावा लागेल.
त्या मार्गदर्शकात सध्याचे पर्याय GPT-6 Astra, GPT-6.1 Sol आणि GPT-6 Luna हे आहेत. आम्ही 3 ऑक्टोबर रोजी OpenAI ची API कागदपत्रे आणि किमती तपासल्या. खालील निवडपद्धत आणि कार्यपत्रक हे प्रस्ताव आहेत; आम्ही मॉडेल चालवलेले नाहीत किंवा उत्पादन-वापराचे मोजमाप केलेले नाही.
मुख्य बदल
- काय बदलले: OpenAI आता GPT-6 कुटुंबातील मॉडेल्सना वेगवेगळ्या कामांसाठीचे पर्याय म्हणून मांडते. त्यात समायोजित करता येणारी तर्कपातळी आणि अनेक टप्प्यांत चालणाऱ्या कामांसाठीची साधने आहेत. एका मॉडेल सेटिंगवर प्रत्येक कामाचा भार टाकण्याऐवजी संघ कार्यप्रवाहातील प्रत्येक भाग स्वतंत्रपणे संरचित करू शकतात.
- हे महत्त्वाचे का: केंद्रित माहिती-उत्खननासाठी Luna पुरेसे आहे का, कोडिंग किंवा संशोधनासाठी Sol वापरावा का, आणि Astra ची अधिक क्षमता त्याच्या किमतीएवढा फायदा देते का, हे बिल्डर मोजू शकतो. उत्तर पूर्ण झालेली कामे, प्रतिसादकाळ आणि साधनांचा वापर व अयशस्वी प्रयत्नांसह संपूर्ण कार्यप्रवाहाच्या खर्चावर अवलंबून असते.
- कशाकडे लक्ष द्यावे: दीर्घकाळ चालणाऱ्या कामांसाठी स्पष्ट हस्तांतरण आणि तपासण्या आवश्यक आहेत. काम सुरू असताना सूचना बदलता येतात; मात्र असिंक्रोनस साधनांचे निकाल आणि सोपवलेली कामे अंतिम उत्तर स्वीकारण्यापूर्वी एकत्र तपासावी लागतात.
कामानुसार निवड करा, मग संपूर्ण कार्यप्रवाह मोजा
प्रत्यक्ष कामांचे प्रतिनिधिक संच आणि प्रत्येकासाठी स्वीकृतीचा निकष ठरवून सुरुवात करा. सध्याचे मॉडेल-वर्तन, साधनांना केलेले कॉल आणि स्थिती राखणाऱ्या कामांसाठी OpenAI Responses API ची शिफारस करते. API प्रकल्प, क्रेडेन्शियल्स, बिलिंगची परवानगी आणि त्या प्रकल्पासाठी उपलब्ध मॉडेल या पूर्वअटी आहेत. मॉडेल पानांवर मोफत टियरचा आधार दिलेला नाही; विनंती-मर्यादा वापराच्या टियरनुसार बदलतात. विस्ताराचे नियोजन करण्यापूर्वी खात्याची प्रत्यक्ष उपलब्धता आणि मर्यादा तपासा.
मॉडेलला दिलेले काम | सुरुवातीचा पर्याय | सुरुवातीची तर्कपातळी | कधी पुढे न्यावे किंवा बदलावे |
|---|---|---|---|
वारंवार होणारे माहिती-उत्खनन, वर्गीकरण किंवा स्पष्ट उत्तरासह संरचित सारांश | | नियमित कामासाठी Low; Medium या पूर्वनिर्धारित पातळीशी तुलना करा | चुकांचे प्रमाण किंवा पुनरावलोकनाचा वेळ संघाच्या मर्यादेपेक्षा वाढतो |
कोडिंग, संशोधन, साधनांचा वापर किंवा व्यावसायिक निर्णयाचा टप्पा | | Medium ही पूर्वनिर्धारित पातळी; कठीण प्रकरणांसाठी High तपासा | योग्य इनपुट आणि सूचनांनंतरही प्रतिनिधिक कामे अयशस्वी होतात |
गुणवत्ता निर्णायक असलेला सर्वाधिक कठीण तर्क किंवा पुनरावलोकनाचा टप्पा | | त्याच प्रकरणांवर Medium आणि High ची तुलना करा | मोजलेला फायदा अधिक खर्च आणि वेळ यांचे समर्थन करत असेल तेव्हाच ठेवा |
हे तक्ते OpenAI च्या मॉडेलविषयक मार्गदर्शनातून आणि मॉडेल पानांतून मूल्यांकनासाठी सुरुवातीचे पर्याय घेतात. API मॉडेल ID आणि समर्थित तर्कपातळ्या तपासा: Astra आणि GPT-6.1 Sol मध्ये Low ते Max उपलब्ध आहेत; Luna मध्ये None देखील आहे. GPT-6.1 Sol मध्ये None आणि Minimal नाहीत. High अपुरे ठरल्यास, समर्थन असलेल्या ठिकाणी Extra High किंवा Max वापरून पाहावे, असे OpenAI सांगते. त्याच कामांच्या संचावर तर्कपातळ्या तुलना करा, कारण गुणवत्ता, कालावधी आणि टोकन-वापर एकाच वेळी बदलू शकतात.
Standard प्रक्रिया आणि 272,000 इनपुट टोकनपर्यंतच्या प्रॉम्प्टसाठी सध्याचे दर प्रति दशलक्ष टोकन असे आहेत:
मॉडेल | इनपुट | कॅश केलेले इनपुट | कॅश लेखन | आउटपुट |
|---|---|---|---|---|
GPT-6 Luna | $0.10 | $0.01 | $0.125 | $0.50 |
GPT-6.1 Sol | $2.00 | $0.10 | $2.50 | $10.00 |
GPT-6 Astra | $10.00 | $1.00 | $12.50 | $50.00 |
स्रोत: Luna, GPT-6.1 Sol आणि Astra यांची मॉडेल पाने. 272,000 पेक्षा अधिक इनपुट टोकन असलेल्या विनंतीसाठी संपूर्ण विनंतीवर जास्त दर लागू होतात. इतर प्रक्रिया-पद्धती, उपलब्ध असलेली प्रादेशिक प्रक्रिया आणि काही साधने बिल बदलतात. तिन्ही पानांवर 1,050,000 टोकनची संदर्भ-मर्यादा आणि कमाल 128,000 आउटपुट टोकन दिले आहेत; मोठी संदर्भ-मर्यादा ही क्षमतेची मर्यादा आहे, उपलब्ध प्रत्येक दस्तऐवज पाठवण्याचे कारण नाही.
संपूर्ण कामाच्या मार्गाचा खर्च मोजा: इनपुट, कॅश केलेले इनपुट, कॅश लेखन, आउटपुट, साधनांचे शुल्क, पुनःप्रयत्न आणि दीर्घ संदर्भामुळे वाढणारा खर्च. मग तो खर्च त्याच पुनरावलोकन-निकषाखाली स्वीकारलेल्या कामांच्या संख्येने भागा. वापरकर्त्याला दिसणाऱ्या टप्प्याचा आणि संपूर्ण कार्यप्रवाहाचा प्रतिसादकाळही तुलना करा. केवळ युनिट-किमतींवरून यशस्वी निकालासाठी कोणता मार्ग स्वस्त आहे हे कळत नाही.
साधने जोडण्यापूर्वी काम आणि आउटपुट स्पष्ट करा
प्रत्येक टप्प्यासाठी स्पष्ट इनपुट, अपेक्षित वाचक किंवा पुढील वापरकर्ता, परवानगी असलेले स्रोत व साधने, बंधने आणि पूर्णत्वाची अट ठरवा. कोणते निर्णय मॉडेल घेऊ शकते आणि कोणत्या निर्णयांसाठी व्यक्तीची मंजुरी आवश्यक आहे, हेही सांगावे असे OpenAI चे मार्गदर्शक सुचवते. प्रकल्प-सूचना, कौशल्ये आणि प्रॉम्प्टमध्ये या मर्यादांबाबत सुसंगती ठेवा.
यंत्रवाचनीय आउटपुटसाठी आधी फील्ड आणि वैध मूल्ये ठरवा; कामाला schema योग्य असल्यास Structured Outputs मार्गदर्शक वापरा. योग्य रचना ही एक तपासणी समजा; schema शी जुळणारे फील्डदेखील तथ्यात्मकदृष्ट्या चुकीचे असू शकते. आउटपुट एखाद्या व्यक्तीकडे काम सोपवण्यासाठी असल्यास निकाल, वापरलेले पुरावे, केलेल्या तपासण्या आणि न सुटलेले मुद्दे नोंदवण्यास सांगा. मूळ इनपुट आणि संघाच्या स्वीकृती-निकषाशी निकाल पडताळा.
मूल्यांकन करताना स्थिर सूचना व सामायिक संदर्भ-साहित्य बदलत्या कामाच्या तपशीलांपूर्वी ठेवा: प्रॉम्प्ट कॅशिंग वापरल्याने वारंवार होणारा इनपुट खर्च कमी होऊ शकतो; मात्र कॅश लेखन आणि नंतरचा संदर्भही अंदाजात धरा. BIG CHANGE च्या आधीच्या प्रॉम्प्ट-कॅश मार्गदर्शकात कॅश निदानाचे तपशीलवार विवेचन आहे.
दीर्घकाळ चालणाऱ्या कामावर देखरेख ठेवा
तो 2 ऑक्टोबरचा मार्गदर्शक काम सुरू असताना दिशा बदलणे, असिंक्रोनस साधन-कॉल आणि स्वतंत्र कामासाठी समांतर उप-एजंट यांचे वर्णन करतो. Responses WebSocket API मधून पाठवलेली दुरुस्ती रांगेत ठेवली जाते; पूर्ण झालेली कृती ती उलटवत नाही किंवा आधीपासून चालू असलेले साधन थांबवत नाही. असिंक्रोनस साधनामुळे असंबंधित काम सुरू राहू शकते; परंतु त्यावर अवलंबून असलेल्या कामाने निकालाची वाट पाहावी. Responses API मधील GPT-6.1 Sol साठीचे मल्टी-एजंट समर्थन सध्या beta मध्ये आहे.
अनेक टप्प्यांच्या रनसाठी टास्क ID, निवडलेले मॉडेल आणि तर्कपातळी, सध्याचा टप्पा, साधन-कॉल व निकालांचे ID, मंजुऱ्या आणि अंतिम उत्तरामागील पुरावे जतन करा. वेळ संपणे, साधन-कॉल अयशस्वी होणे, सूचना बदलणे किंवा निकालाची नक्कल तयार होणे यानंतर काय करायचे ते आधी ठरवा. संदर्भ वाढल्यावर compaction पुढे नेला जाणारा संदर्भ कमी करू शकते; पुढे चालू केलेल्या रनमध्ये नेमके काय टिकून आहे ते तपासा. OpenAI चे background mode हा एका विनंतीपेक्षा जास्त काळ चालणाऱ्या कामांसाठीचा आणखी एक दस्तऐवजीकृत पर्याय आहे. कामाचा कालावधी आणि पुनर्प्राप्तीच्या गरजेनुसार ही नियंत्रणे निवडा.
कामाचा टप्पा पूर्ण करू शकत असल्यास थेट API किंवा जोडलेले साधन, आणि आवश्यक असेल तेव्हाच स्क्रीनवरील संवाद वापरण्याची शिफारस OpenAI चे मार्गदर्शक करते. BIG CHANGE चे Agents API ब्राउझर-कार्य मार्गदर्शक संगणक-वापर इंटरफेस आणि त्यावरील देखरेखीचा मार्ग स्पष्ट करते.
संघ पुन्हा वापरू शकेल असा निर्णय घेण्यासाठी कार्यपत्रक
प्रत्येक पर्यायासाठी तीच प्रकरणे आणि पुनरावलोकन-निकष वापरा. हे कार्यपत्रक सुचवलेली मूल्यांकन-पद्धत आहे; BIG CHANGE ने यात निकाल भरलेले किंवा तपासलेले नाहीत.
प्रत्येक प्रकरण आणि पर्यायासाठी नोंदवा | जतन करायची नोंद |
|---|---|
काम आणि अपेक्षित निकाल | प्रत्यक्ष इनपुट ID, आउटपुटच्या गरजा, अनुमत साधने, स्वीकृतीचा निकष |
कॉन्फिगरेशन | API मॉडेल ID, तर्कपातळी, प्रक्रिया-पद्धत, प्रॉम्प्ट आवृत्ती, schema किंवा आउटपुट करार |
निकाल | स्वीकृत, नाकारले किंवा पुनरावलोकन आवश्यक; अपयशाचे कारण; पुनरावलोकनकर्ता |
वेळ | सुरुवातीपासून शेवटपर्यंतचा कालावधी आणि वापरकर्त्याला दिसणाऱ्या टप्प्याचा कालावधी |
वापर आणि शुल्क | इनपुट, कॅश केलेले इनपुट, कॅश-लेखन आणि आउटपुट टोकन; साधनांचे शुल्क; पुनःप्रयत्न; दीर्घ-संदर्भ किंवा प्रादेशिक प्रक्रियेचा वाढीव खर्च |
निर्णय | प्रयत्न केलेल्या कामांपैकी स्वीकारलेल्या कामांचे प्रमाण; स्वीकृत कामामागील एकूण खर्च; न सुटलेल्या अपयशांचे प्रकार |
प्रत्यक्ष कार्यप्रवाहात येणारी सोपी व कठीण प्रकरणे, चुकीच्या स्वरूपातील इनपुट आणि मध्येच खंडित झालेल्या साधन-टप्प्यांचा समावेश करा. मॉडेल तुलना करताना तीच प्रकरणे ठेवा आणि प्रॉम्प्ट किंवा साधन-परवानग्या बदलल्यानंतर पुन्हा चाचणी घ्या. अपयशांचे प्रकार पाहा: अपुरे पुरावे, चुकीचे फील्ड, साधनातील त्रुटी, चुकलेली सूचना किंवा मानवी दुरुस्ती आवश्यक असलेले उत्तर. समान स्वीकृती-निकष उपयोगी सुधारणा दाखवेल तेव्हाच टप्पा दुसऱ्या मॉडेलकडे द्या. अधिक पुनर्काम लागणारे स्वस्त मॉडेल प्रत्येक स्वीकृत कामामागे महाग पडू शकते; धीमे मॉडेल पार्श्वभूमीच्या टप्प्यात चालू शकते, पण परस्परसंवादी टप्प्यासाठी अयोग्य ठरू शकते.
रिलीजपूर्वी प्रकल्पाच्या प्रत्यक्ष दर व खर्च-मर्यादा, डेटा-नियंत्रणे, वेळ-मर्यादा, पुनःप्रयत्न-वर्तन, देखरेख आणि मानवी मंजुरीच्या मर्यादा OpenAI च्या तैनाती तपासणीसूचीशी पडताळा. रिलीज झाल्यानंतर नमुना-पुनरावलोकन सुरू ठेवा आणि मॉडेल alias, प्रॉम्प्ट, साधन किंवा वर्कलोड बदलल्यावर कार्यपत्रक पुन्हा भरा. रूटिंगचा निर्णय घेण्यासाठी कामांतून मिळालेला डेटा वापरा.
स्रोत आणि पुढील वाचन
- 2 ऑक्टोबरची OpenAI GPT-6 कुटुंब मार्गदर्शिका मॉडेल, तर्कपातळी, सूचना आणि दीर्घकाळ चालणाऱ्या कार्यप्रवाहांबाबत विक्रेत्याच्या शिफारसी देते. त्यात BIG CHANGE चे चाचणी-निकाल किंवा एखाद्या संघाच्या विशिष्ट वर्कलोडसाठी सर्वोत्तम मॉडेल सांगितलेले नाही.
- GPT-6 Luna, GPT-6.1 Sol आणि GPT-6 Astra यांची कागदपत्रे येथे वापरलेले API ID, समर्थित तर्कपातळ्या, संदर्भ-क्षमता, किमती आणि टियरनुसार असलेल्या मर्यादा सांगतात. खात्याची सध्याची उपलब्धता आणि बिलिंग तपासणे आवश्यक आहे.
- OpenAI ची API तैनाती तपासणीसूची प्रतिनिधिक कामांचे मूल्यांकन, Responses API चे कॉन्फिगरेशन आणि उत्पादन-नियंत्रणांच्या नियोजनाची शिफारस समर्थित करते. वरील कार्यपत्रक ही BIG CHANGE ची प्रस्तावित पद्धत आहे, विक्रेत्याचा बेंचमार्क नाही.
- Structured Outputs, compaction आणि background mode कार्यप्रवाहात उल्लेखलेल्या विशिष्ट इंटरफेसचे स्पष्टीकरण देतात.
