29 września 2026 roku podczas konferencji DevDay OpenAI zaprezentowało GPT-6.1 Sol, zaledwie tydzień po premierze GPT-6 Sol. Firma chciała zbliżyć Sol do możliwości GPT-6 Astra w programowaniu, analizie dokumentów i obsłudze aplikacji, utrzymując dotychczasowe podstawowe stawki za korzystanie z modelu.
OpenAI utrzymało ceny GPT-6 Sol. Stawki wynoszą 2 USD za milion tokenów wejściowych i 10 USD za milion wyjściowych, czyli jedną piątą standardowych stawek Astry. Samą aktualizację OpenAI wiąże z rozwojem agentów AI, czyli programów wykonujących zadania w kolejnych krokach przy użyciu dostępnych narzędzi. Analiza dokumentacji, przygotowanie zmiany w kodzie i sprawdzenie jej działania mogą wymagać wielu kolejnych zapytań do modelu. Przy takiej pracy koszt narasta wraz z liczbą operacji. GPT-6.1 Sol ma pozwolić twórcom aplikacji wykonywać bardziej wymagające zadania w ramach tego samego budżetu.
1. Czym jest GPT-6.1 Sol i co zmienia względem GPT-6 Sol?
GPT-6.1 Sol to rozwinięcie GPT-6 Sol, przeznaczone do złożonych zadań związanych z kodem, dokumentami i obsługą aplikacji. Dokumentacja OpenAI wskazuje również obsługę narzędzi, w tym wyszukiwania i wykonywania kodu. Model można wykorzystać w agencie AI połączonym z firmowymi źródłami danych i narzędziami. Agent mógłby odczytać zapytanie klienta, znaleźć właściwą specyfikację, porównać wymagania i przygotować propozycję odpowiedzi. Firma musi określić, z jakich danych agent może korzystać, jakie czynności może wykonywać samodzielnie i które wymagają zatwierdzenia przez pracownika.
Podstawowe stawki za tokeny wejściowe i wyjściowe są takie same jak w GPT-6 Sol. Spada natomiast stawka za ponowne wykorzystanie danych z pamięci podręcznej: z 0,20 do 0,10 USD za milion tokenów. Firma korzystająca z GPT-6 Sol powinna przetestować obie wersje na tych samych zadaniach i porównać jakość wyników, liczbę ponownych prób oraz zużycie tokenów.
2. Co wyniki testów mówią o zastosowaniach biznesowych?
OpenAI publikuje wyniki testów obejmujących analizę dokumentów i wykonywanie wieloetapowych zadań. Porównując wyniki, trzeba sprawdzić ustawiony poziom rozumowania. Wyższy poziom pozwala modelowi poświęcić więcej obliczeń na analizę zadania, co może zwiększać zużycie tokenów.
| Test | Badany obszar | Wynik podany przez OpenAI |
|---|---|---|
| GDP.pdf | Odpowiadanie na pytania na podstawie złożonych dokumentów PDF. | Wyniki zbliżone do wyników Astry przy około pięciokrotnie niższym koszcie zadania. |
| AutomationBench 1.0.6 | Wieloetapowe zadania w aplikacjach biznesowych. | Przewaga 4,8 punktu procentowego nad GPT-6 Sol przy średnim poziomie rozumowania. |
| OSWorld 2.0 | Obsługa aplikacji na komputerze. | Wynik niższy od wyniku Astry o 2,1 punktu procentowego. Koszt zadania wynosi około jednej siódmej kosztu Astry. Oba modele testowano przy maksymalnym poziomie rozumowania. |
Każdy z przywołanych testów sprawdza inne umiejętności modelu, dlatego ich wyniki warto rozpatrywać osobno.
- GDP.pdf, opracowany przez Surge AI, sprawdza, czy model potrafi analizować dokumenty wykorzystywane w pracy i odpowiadać na pytania dotyczące ich treści. Model musi poprawnie odczytać także tabele, schematy i przypisy oraz powiązać informacje z różnych części dokumentu. Wynik pokazuje więc, jak radzi sobie z materiałami podobnymi do tych, które analizują działy zakupów czy zespoły techniczne.
- AutomationBench firmy Zapier ocenia wykonywanie zadań w symulowanych aplikacjach. Sprawdza, czy model rzeczywiście wprowadził wymagane zmiany, na przykład zaktualizował właściwy rekord i wykonał wszystkie polecone czynności. Dla firmy to istotne: deklaracja modelu, że zadanie zostało wykonane, powinna mieć potwierdzenie w danych zapisanych w systemie.
- OSWorld sprawdza obsługę komputera, w tym wykonywanie czynności w interfejsach aplikacji. Przywołany przez OpenAI wynik uwzględnia punkty za częściowe wykonanie zadania. Wysoka punktacja może zatem oznaczać, że model poprawnie wykonał większość kroków, ale pominął ostatni, na przykład zatwierdzenie formularza. Przy ocenie przydatności modelu do automatyzacji trzeba więc sprawdzić również, jak często kończy on całe zadanie.
Wyniki tych testów pomagają wybrać zastosowania do firmowego pilotażu. Dopiero próby na własnych dokumentach i w używanych aplikacjach pokażą, czy model spełnia wymagania firmy oraz ile czasu zajmuje sprawdzanie i poprawianie jego pracy.
3. Ile kosztuje GPT-6.1 Sol i jak czytać cennik?
W API, czyli interfejsie pozwalającym aplikacji korzystać z modelu, rozliczenie obejmuje tokeny – jednostki przetwarzanego tekstu, często odpowiadające fragmentom słów. Dane wejściowe to między innymi polecenia i dostarczone materiały. Do płatnych tokenów wyjściowych zaliczają się również tokeny używane do rozumowania, niewidoczne w treści odpowiedzi.
Stawki w USD za milion tokenów w trybie Standard, dla zapytań zawierających do 272 tys. tokenów wejściowych:
| Model | Wejście | Odczyt z pamięci podręcznej | Zapis do pamięci podręcznej | Wyjście |
|---|---|---|---|---|
| GPT-6 Sol | 2,00 | 0,20 | 2,50 | 10,00 |
| GPT-6.1 Sol | 2,00 | 0,10 | 2,50 | 10,00 |
| GPT-6 Astra | 10,00 | 1,00 | 12,50 | 50,00 |
Porównanie dotyczy standardowego przetwarzania. Tryby przyspieszone i zapytania z większą ilością danych mają odrębne stawki, a przetwarzanie w wybranym regionie może wiązać się z dopłatą. Pamięć podręczna może obniżyć koszt kolejnych zapytań korzystających z tych samych instrukcji lub dokumentów. Oszczędności zależą od tego, ile danych można ponownie wykorzystać. Łączny koszt zadania obejmuje zużycie tokenów, opłaty za pamięć podręczną i używane narzędzia.
4. Przykład: ile można zaoszczędzić przy tysiącu zadań miesięcznie?
Policzmy to na przykładzie: firma wykonuje miesięcznie 1000 zadań, a każde zużywa 20 tys. tokenów wejściowych i 3 tys. rozliczanych tokenów wyjściowych, łącznie z rozumowaniem. Zakładamy identyczne zużycie w obu modelach. Dla przejrzystości rachunku pomijamy odczyty i zapisy pamięci podręcznej, opłaty za narzędzia oraz dopłaty. W rzeczywistym wdrożeniu zużycie tokenów trzeba zmierzyć.
| Składnik kosztu miesięcznego | GPT-6.1 Sol | GPT-6 Astra |
|---|---|---|
| 20 mln tokenów wejściowych | 40 USD | 200 USD |
| 3 mln tokenów wyjściowych | 30 USD | 150 USD |
| Łączny koszt tokenów | 70 USD | 350 USD |
Oszczędność na tokenach wynosi 280 USD miesięcznie. Teraz przyjmijmy dodatkowe założenie: godzina pracy osoby sprawdzającej wyniki kosztuje firmę 30 USD. Gdyby weryfikacja rezultatów Sol zajmowała średnio o minutę więcej na każde zadanie, miesięczny koszt pracy wzrósłby o 500 USD. W tym przykładzie korzystanie z Sol kosztowałoby firmę łącznie o 220 USD miesięcznie więcej niż korzystanie z Astry. Jeśli sprawdzanie wyników Sol zajmie tyle samo czasu co kontrola wyników Astry lub mniej, niższe wydatki na tokeny mogą obniżyć łączny koszt wykonania zadania. W pilotażu należy porównać jakość wyników, wydatki na model i czas poświęcony na kontrolę.
Aby obliczyć koszt poprawnie wykonanego zadania, należy podzielić łączne koszty procesu przez liczbę zadań ukończonych zgodnie z przyjętymi wymaganiami. Do rachunku należy włączyć również nieudane próby, poprawki, obsługę wyjątków i utrzymanie rozwiązania. Koszty przygotowania danych i połączenia systemów należy rozłożyć na planowany okres korzystania z rozwiązania.
5. Które zastosowania GPT-6.1 Sol warto sprawdzić w firmie?
Pilotaż może objąć porównywanie dokumentów i ofert, przygotowanie danych do obsługi klienta oraz opracowanie poprawek w kodzie.
5.1 Porównywanie dokumentów technicznych i ofert
Dział zakupów otrzymuje oferty zawierające specyfikacje, tabele parametrów i warunki serwisu. Zadaniem systemu może być przygotowanie porównania według ustalonego zestawu wymagań. Przy każdej wartości powinien podać dokument i miejsce, z którego ją odczytał, oraz oznaczyć brakujące informacje. W zestawie testowym warto uwzględnić dwie wersje tej samej specyfikacji, parametry podane w różnych jednostkach oraz zastrzeżenie zapisane w przypisie. Osoba oceniająca sprawdzi, czy system wybrał aktualną wersję i prawidłowo odczytał zastrzeżenia. Łączny czas przygotowania i sprawdzenia zestawienia warto porównać z czasem wykonania tego zadania bez AI.
5.2 Przygotowanie danych do obsługi klienta w kilku systemach
Po otrzymaniu zapytania handlowego agent mógłby odnaleźć historię współpracy, sprawdzić status wcześniejszych zgłoszeń i przygotować wpis w CRM, czyli systemie zarządzania relacjami z klientami. Warunkiem jest zapewnienie odpowiednich połączeń z aplikacjami oraz dostępu do potrzebnych danych. Pierwszy etap wdrożenia może kończyć się przedstawieniem pracownikowi propozycji zmian. Po zatwierdzeniu system zapisuje je i sprawdza rezultat. W testach warto uwzględnić dane różnych klientów o podobnych nazwach, aby sprawdzić, czy agent wybiera właściwego. Należy też ponownie zlecić mu to samo zadanie i sprawdzić, czy rozpoznaje wcześniejszy zapis oraz unika tworzenia duplikatu.
5.3 Diagnozowanie błędów i przygotowywanie zmian w oprogramowaniu
Zespół IT może porównać modele przy analizie zgłoszeń, odtwarzaniu błędów i przygotowywaniu poprawek wraz z testami. Do testów warto wybrać rozwiązane już zgłoszenia, dla których znane są przyczyna błędu i wymagany sposób działania programu. Ocena powinna uwzględniać poprawność zmiany, wyniki testów oraz czas przeglądu przez programistę. Dodatkowo warto sprawdzić, czy model ograniczył modyfikacje do potrzebnego zakresu. Zbyt wiele zmian w kodzie może wydłużyć jego sprawdzanie i utrudnić ustalenie, które z nich usuwają zgłoszony błąd.
6. Jak porównać GPT-6.1 Sol z Astrą we własnym procesie?
OpenAI zaleca w wytycznych doboru modeli porównanie Sol i Astry na tym samym zadaniu. W porównaniu trzeba uwzględnić jakość wyników, czas wykonania i koszt zadania w warunkach zbliżonych do planowanego zastosowania.
-
- Wybierz zadanie z jednoznacznym kryterium ukończenia. Może nim być porównanie wszystkich wymaganych parametrów oferty albo przygotowanie zmiany w kodzie, która przechodzi określone testy.
- Zbuduj zestaw przykładów z codziennej pracy. Uwzględnij typowe sprawy, niepełne dane i znane wyjątki. Oddziel materiały używane do dopracowania instrukcji od tych, na których ocenisz gotową konfigurację.
- Zapewnij porównywalne warunki. Modele powinny otrzymać te same materiały, narzędzia i uprawnienia. Zapisuj ustawienia rozumowania oraz limity. Następnie można dostosować ustawienia każdego modelu do tych samych wymagań jakościowych.
- Policz pełny koszt i sprawdź rezultat. Mierz poprawność, liczbę ponownych prób, czas pracy systemu i czas kontroli przez człowieka. Rejestruj także sprawy wymagające ręcznego dokończenia.
- Rozszerzaj zastosowanie po spełnieniu ustalonych warunków. Określ, które wyniki mogą być wykorzystywane od razu, które wymagają zatwierdzenia i kiedy sprawa powinna trafić do specjalisty.
OpenAI zaleca testowanie systemów AI na zadaniach odpowiadających codziennej pracy i ocenianie wyników przez osoby znające daną dziedzinę. Testy warto powtarzać po zmianie modelu, instrukcji lub źródeł danych. Można też przetestować podział pracy między modele. Sol obsługiwałby sprawy, w których osiągnął wymagany poziom jakości, a Astra wybrane trudniejsze przypadki. Trzeba z góry określić, kiedy zadanie trafia do Astry, na przykład gdy Sol błędnie interpretuje dokumenty lub przygotowuje niepoprawną odpowiedź. Jeśli brakuje wymaganych danych, należy je uzupełnić przed ponowną analizą. Koszt ponownej analizy trzeba włączyć do rachunku. Ostateczny podział będzie zależał od rezultatów testów.
7. Porozmawiajmy o automatyzacji w Twojej firmie
W TTMS pomagamy dobierać rozwiązania AI do konkretnych procesów i integrować je z firmowymi systemami. Jeśli rozważasz wykorzystanie GPT-6.1 Sol, skontaktuj się z nami. Wspólnie ustalimy, które zadania warto objąć pilotażem oraz jak ocenić jakość wyników i pełny koszt ich wykonania.
Czy GPT-6.1 Sol można połączyć z firmową bazą wiedzy?
Tak, aplikacja może udostępniać modelowi informacje wyszukane w zatwierdzonych materiałach firmy. Służą do tego między innymi mechanizmy wyszukiwania opisane w dokumentacji OpenAI. Podejście, w którym system najpierw pobiera odpowiednie fragmenty źródeł, a następnie wykorzystuje je do przygotowania odpowiedzi, określa się jako RAG — generowanie odpowiedzi wspomagane wyszukiwaniem. Przy jego wdrożeniu trzeba zadbać o aktualizację dokumentów, rozpoznawanie wersji i respektowanie uprawnień użytkowników. Dla osoby korzystającej z systemu przydatne będzie wskazanie źródła pozwalającego sprawdzić odpowiedź. Skuteczność należy oceniać również na pytaniach, dla których baza nie zawiera wystarczających informacji.
Czy przejście z GPT-6 Sol na GPT-6.1 Sol wymaga zmian w aplikacji?
Zakres zmian zależy od sposobu integracji. Zespół powinien sprawdzić dostępne interfejsy, ustawienia rozumowania, obsługę narzędzi i formaty odpowiedzi. Przykładowo karta GPT-6.1 Sol wskazuje, że korzystanie z narzędzi wymaga Responses API, a ustawienie rozumowania none nie jest obsługiwane. To może mieć znaczenie dla aplikacji przygotowanych pod poprzednią wersję. Po dostosowaniu konfiguracji potrzebne są próby na zapisanym zestawie zadań, obejmujące także obsługę błędów. Warto zachować możliwość powrotu do poprzedniej konfiguracji, jeżeli nowa nie spełni wymagań. OpenAI API
Czy GPT-6.1 Sol sprawdzi się w pracy z dokumentami po polsku?
Ocenę warto oprzeć na polskich materiałach używanych w danej organizacji. Przytoczone wyniki testów nie rozstrzygają, jak model poradzi sobie z konkretną dokumentacją branżową po polsku. W zestawie próbnym powinny znaleźć się skróty, odmienne formy nazw, odwołania do załączników oraz charakterystyczne dla firmy określenia. Osobnego sprawdzenia wymagają liczby z przecinkiem dziesiętnym, jednostki, daty i wartości odczytywane z tabel. Jeżeli odpowiedzi trafiają do klientów, należy ocenić także naturalność języka i spójność terminologii. Wyniki takich prób pozwolą ustalić, w jakich zadaniach rozwiązanie spełnia wymagania firmy.
