OpenAI обрушила цены: GPT-6 Sol и Luna против Claude Opus 5.5 — калькулятор экономии

22 сентября 2026 года OpenAI сделала то, чего от неё никто не ждал: ударила по собственным ценам. Одновременно с этим Anthropic выпустила Claude Opus 5.5 — и обе компании заявили о снижении стоимости API вдвое. Ценовая война в AI-индустрии официально началась, и от неё выиграют те, кто правильно перестроит свою инфраструктуру. Но есть нюанс: дешёвый токен — не всегда дешёвая задача.

Что нового в GPT-6 Sol и Luna: цены, бенчмарки, кэширование

OpenAI представила две модели: GPT-6 Sol и GPT-6 Luna. Обе — «мини-Астры», наследующие архитектурные решения флагманской GPT-6 Astra, но с радикально иной ценовой политикой.

Цены Sol и Luna — это ровно половина от стоимости их предшественников GPT-5.6 Sol и Luna. Luna за $0.10 за миллион входных токенов — это уровень, на котором AI-инференс становится дешевле, чем электричество, необходимое для его работы. По данным VentureBeat, GPT-6 Luna стоит $0.10/$0.50 за миллион токенов вход/выход, а Sol — $2/$10.

Отдельного упоминания заслуживает кэширование. Согласно OpenAI Blog, скидка до 90% распространяется на повторно используемые префиксы в течение 30-минутного окна. Для агентных систем, выполняющих десятки последовательных вызовов с общим контекстом, это означает, что реальная стоимость задачи может быть в 3–5 раз ниже номинальной.

По бенчмаркам Sol демонстрирует существенный прогресс: на DeepSWE v1.1 (задачи программирования) модель набирает 68.8% на максимальном усилии, что всего на 1.1 процентных пункта ниже Fable 5 при цене в четыре раза меньше. Luna же показывает 66.6% — уровень, достаточный для большинства production-задач, но не для исследовательской работы.

Сравнение с Claude Opus 5.5: кто кого удешевил

Anthropic ответила на вызов OpenAI в тот же день. Claude Opus 5.5 стоит $4 за миллион входных токенов и $20 за миллион выходных. Это ровно вдвое дороже Sol и в 40 раз дороже Luna по входу. По данным Simon Willison, GPT-6 Sol вдвое дешевле Opus 5.5.

Однако простое сравнение цен обманчиво. Opus 5.5 — это модель класса «тяжёлой артиллерии», оптимизированная для длительных агентных сессий и сложной аналитической работы. GPT-6 Sol, при всей своей дешевизне, — это «рабочая лошадка» для кодинга и бизнес-задач. А Luna — это вообще другая весовая категория.

Кто выигрывает? Для 80% задач — Sol. Для 15% — Luna. И только 5% действительно требуют Opus 5.5 или Astra. Anthropic, судя по ценовой политике, делает ставку на то, что эти 5% готовы платить в четыре раза больше за «последнюю милю» качества. OpenAI же бьёт по массовому сегменту.

Кому и как переходить: калькулятор экономии для трёх сценариев

Самое интересное начинается, когда считаешь реальную экономию. Возьмём три типовых сценария и посчитаем, сколько вы сэкономите при миграции с GPT-5.6 на GPT-6.

Сценарий 1: Клиентский чат-бот. Средний диалог — 800 входных и 200 выходных токенов. 100 000 диалогов в месяц. На GPT-5.6 Sol это стоило бы $320 вход + $200 выход = $520. На GPT-6 Sol: $160 + $100 = $260. На GPT-6 Luna: $8 + $10 = $18. Экономия с Luna — 96,5%. Но помните: Luna не тянет сложные диалоги с длинной памятью.

Сценарий 2: Генерация кода в IDE. 500 000 запросов в месяц, средний контекст 2 000 токенов, вывод 500 токенов. GPT-5.6 Sol: $2 000 вход + $2 500 выход = $4 500. GPT-6 Sol: $1 000 + $1 250 = $2 250. Кэширование может дополнительно снизить входную часть до $100–200, если контекст переиспользуется. Итоговая экономия: 55–70%.

Сценарий 3: Обработка документов (извлечение, классификация). 10 000 документов по 5 000 токенов каждый. Только вход, выход минимальный. GPT-5.6 Luna: $1 000. GPT-6 Luna: $500. С кэшированием одного и того же шаблона инструкций — до $50–80.

• Luna — для задач, где ответ можно проверить программно: классификация, извлечение полей, маршрутизация, саммари.
• Sol — для кодинга, агентов, анализа данных, клиентских диалогов с нечёткой логикой.
• Astra — для research, длинных цепочек рассуждений и задач, где ошибка стоит дороже токенов.

Пример миграции на Python с использованием нового кэширования:

from openai import OpenAI
client = OpenAI()

response = client.chat.completions.create(
    model="gpt-6-sol",
    messages=[
        {"role": "system", "content": "Ты — ассистент. Длинная инструкция..."},
        {"role": "user", "content": "Вопрос пользователя"}
    ],
    extra_headers={"OpenAI-Cache": "true"}  # включает 90% скидку на префикс
)

Главный вывод из калькулятора: миграция на GPT-6 окупается в первый же месяц, если у вас есть production-нагрузка. Но слепая замена одной модели на другую без пересборки промптов и логики кэширования даст лишь 40–50% экономии вместо возможных 80–90%. Если вы используете Amazon Bedrock, обратите внимание на подключение Kimi K3 — это ещё один вариант дешёвого инференса.

Скрытые расходы и ограничения: что не расскажут в пресс-релизе

А теперь — холодный душ. GPT-6 Luna галлюцинирует в 77% случаев при попытке ответить на вопросы вне её знаний. Для сравнения: у Sol этот показатель — 60%, а у Opus 5.5 — значительно ниже. Если вы строите систему на Luna без внешней верификации, вы рискуете получить поток уверенных, но ложных ответов. Эти данные приводит Artificial Analysis.

Второе ограничение — многошаговые задачи. На бенчмарке AutomationBench Luna набирает 20.7% против 33.2% у Sol. В сценарии с 40 последовательными действиями в браузере Luna начинает «терять нить» уже на 15–20 шаге. Sol справляется лучше, но и он не Astra. Подробнее — в разборе OrcaRouter.

Третье — скрытые расходы кэша. Запись в кэш стоит $2.50 за миллион токенов для Sol и $0.125 для Luna. Если ваш кэш не переиспользуется (например, каждый запрос уникален), вы платите эту надбавку впустую. Кэширование выгодно только там, где один и тот же контекст повторяется десятки раз в течение 30 минут.

И четвёртое: GPT-6 Sol на высоких уровнях reasoning может быть медленнее, чем GPT-5.6 на средних. Дешевле — не значит быстрее. Для latency-критичных приложений придётся искать баланс между effort и временем отклика.

Практические выводы: что делать бизнесу и разработчикам

Ценовая война между OpenAI и Anthropic — это не разовая акция, а смена парадигмы. Инференс перестаёт быть статьёй расходов и становится commodity. Ваше конкурентное преимущество теперь не в том, какую модель вы используете, а в том, как вы строите вокруг неё пайплайн.

• Проведите аудит задач. Разделите их на три категории: «Luna-совместимые» (программно верифицируемые), «Sol-совместимые» (кодинг, агенты), «только Astra/Opus» (research, сложные рассуждения). Мигрируйте поэтапно.
• Пересоберите кэширование. Убедитесь, что статические части промптов (инструкции, схемы, примеры) вынесены в префикс, который переиспользуется. Это даст больше экономии, чем смена модели.
• Внедрите fallback-логику. Luna для быстрых ответов, Sol для сложных. Если Luna выдаёт низкую уверенность — автоматически переключайтесь на Sol. Это дешевле, чем сразу гонять всё через Astra.
• Мониторьте hallucination rate. 77% — это не «немного ошибается», это «систематически выдумывает». Для Luna обязательна внешняя проверка фактов.

Мы уже разбирали, как GPT-6 Astra справляется с задачами уровня Навье-Стокса — и теперь видим, что Sol и Luna наследуют часть этой архитектуры, но с ограничениями по глубине. Также рекомендуем материал о Xiaomi MiMo-V2.6, которая может стать ещё одним игроком в гонке дешёвого инференса.

Подпишитесь на дайджест «Деньги не пахнут», чтобы первыми получать разборы ценовых войн в AI и не переплачивать за токены.

Материал носит информационный характер и не является индивидуальной инвестиционной рекомендацией.