Siirry pääsisältöön
Suomi— Valitse kieli
Valikko

Reasoning Agents (GPT-5.6 Sol, high to max effort)

Oppitunti 16 / 25 Päivitetty 2. marraskuuta 2026 Kehittäjä
Tällä sivulla
  1. Reasoning Agents (GPT-5.6, high to max effort)
  2. Milloin ottaa päättely käyttöön agentissa
  3. Sol + high/xhigh effort: syvällinen päättely
  4. Terra + medium effort: nopea päättely
  5. Malli: konfiguraatio-reititin
  6. Streamauskäyttäytyminen päättelyn ollessa käytössä
  7. Kustannusten optimointi
  8. Keskeiset asiat

Päivitetty 2. marraskuuta 2026 — mallit. o3, o3-pro ja vanhentuneet GPT-5-snapshotit poistetaan APIsta 11. joulukuuta 2026, ja o4-mini on jo pitkään korvattu. Uusien agenttien kohdalla aloita GPT-6-perheestä: GPT-6.1 Sol tasapainoon ja GPT-6 Astra vaativimpiin tehtäviin.

Reasoning Agents (GPT-5.6, high to max effort)

GPT-5.6-perheen myötä (saatavilla heinäkuusta 2026 lähtien) päättelyä ei enää hoideta erillisillä malleilla kuten edellisessä sukupolvessa (o3-pro, o4-mini): siitä on tullut pyyntökohtainen asetus (none, low, medium, high, xhigh, max), jota voi soveltaa jokaiseen malliin. Agentti, jonka todella tarvitsee ajatella – eli tutkia useita polkuja ennen vastaamista – käyttää tyypillisesti GPT-5.6 Solia asetuksilla high tai xhigh. Integroituina agenteihisi nämä päättelyominaisuudet avaavat ovet tehtäviin, jotka vaativait aitoa harkintaa.

Milloin ottaa päättely käyttöön agentissa

Syvällinen päättely loistaa tietyissä tilanteissa, ja kokemus osoittaa niiden kaikkien jakavan yhteisen piirteen: mahdollisten polkujen vertailun ennen päätöksen tekemistä. Tämä pätee monimutkaiseen suunnitteluun, jossa jaat tehtävän optimaalisiin vaiheisiin, sekä matemaattiseen analyysiin – laskelmiin, tilastoihin, optimointiin – jossa yksi virheellinen askel mitätöi loput. Se pätee myös vianetsintään, joka edellyttää oireen jäljittämistä sen juurisyyhyn, sekä päätöksentekoon, jossa sinun on arvioitava useita vaihtoehtoja ja valittava paras. Koodin katselmus kuuluu samaan kategoriaan: hienovaraisen bugin löytäminen vaatii suoritusten henkistä simulointia, jota lineaarinen lukeminen ei paljasta.

Yksinkertaisissa tehtävissä (kysymykseen vastaaminen, tekstin muotoilu) GPT-5.6 Terra tai Luna alhaisella vaativuustasolla (tai jopa none) on nopeampi ja edullisempi. Päättelyn maksaminen kappaleen uudelleenmuotoiluun on kuin kilpa-auton tyhjäkäyntiä ruuhkassa.

Sol + high/xhigh effort: syvällinen päättely

GPT-5.6 Sol korkealla päättelyvaativuudella korvaa sen, mitä o3-pro aiemmin teki. Agentti vie enemmän aikaa, mutta tuottaa syvällisempiä analyysejä. Alla oleva esimerkki on tyypillinen: strateginen kysymys kolmella vaihtoehdolla, jossa oikea vastaus riippuu riskin, kustannusten ja aikajänteen välisistä kompromisseista. Huomaa, että ohjeet määrittelevät nimenomaisesti huomioon otettavat ulottuvuudet – päättely hyötyy aina selkeistä rajoitteista.

from agents import Agent, Runner, ModelSettings
from openai.types.shared import Reasoning

strategic_advisor = Agent(
    name="Strategic Advisor",
    instructions="""You are a business strategy consultant.
    Analyze deeply before recommending.
    Always consider: risks, opportunities,
    costs, and alternatives.""",
    model="gpt-5.6-sol",
    model_settings=ModelSettings(reasoning=Reasoning(effort="high")),
)

result = Runner.run_sync(
    strategic_advisor,
    """Our SaaS startup has 500 clients, €2M MRR, and is growing 15% per month.
    We are debating:
    A) Raise a Series B (€20M) and accelerate in the US
    B) Stay bootstrapped and consolidate in Europe
    C) Seek a strategic acquirer
    Which strategy do you recommend and why?"""
)
print(result.final_output)

Kriittisimmissä analyyseissä voit nostaa tasoa arvoihin xhigh tai max. Käytössä on myös ultra-asetus (julkistettu heinäkuussa 2026), joka koordinoi oletuksena neljää agenttia rinnakkain (tietyissä arvioinneissa jopa 16) raskaimpiin tehtäviin – tehokas, mutta huomattavasti suuremmalla token-kulutuksella: varaa se vain ongelmille, jotka perustelevat kustannukset.

Terra + medium effort: nopea päättely

Ei päättelyn ja syvällisen analyysin välissä on makea piste, jota käytetään laajasti tuotannossa. GPT-5.6 Terra asetuksella medium tarjoaa hyvän kompromissin päättelykyvyn ja nopeuden välillä – se vastaa entistä o4-miniä. Ihanteellinen agenteille, jotka tarvitsevat nopeaa päättelyä, kuten tämä diagnostiikka-agentti, joka lukee palvelinmittareita ja jonka on yhdistettävä muistin kyllästyminen 5xx-virheiden piikkiin sekunneissa, samalla kun sivustolla on häiriö.

from agents import Agent, Runner, ModelSettings, function_tool
from openai.types.shared import Reasoning

@function_tool
def get_server_metrics(server: str) -> str:
    """Retrieves metrics for a server."""
    import json
    metrics = {
        "cpu": 87.5,
        "ram": 92.1,
        "disk": 65.3,
        "requests_per_second": 1250,
        "response_time_p99": 450,
        "errors_5xx": 23,
    }
    return json.dumps(metrics)

diagnostic_agent = Agent(
    name="Diagnostic Agent",
    instructions="""You diagnose infrastructure problems.
    Analyze the metrics and identify the probable cause.
    Propose immediate and long-term corrective actions.""",
    model="gpt-5.6-terra",
    model_settings=ModelSettings(reasoning=Reasoning(effort="medium")),
    tools=[get_server_metrics],
)

result = Runner.run_sync(
    diagnostic_agent,
    "The site has been slow for 30 minutes. Diagnose server web-prod-01."
)

Malli: konfiguraatio-reititin

Sinun ei tarvitse valita yhtä konfiguraatiota ikuisesti. Käytä kevyttä konfiguraatiota reititykseen ja sopivaa suorittamiseen: ensimmäinen agentti lukee tehtävän, palauttaa tyypitetyn objektin, joka ilmoittaa käytettävän mallin ja vaativuustason, minkä jälkeen luot suoritusagentin tämän päätöksen pohjalta. Kenttä reason ei ole koriste – sen avulla voit lokien tarkastelussa varmistaa, ettei reititin ylimitoita resursseja systemaattisesti.

from pydantic import BaseModel
from typing import Literal

class ConfigDecision(BaseModel):
    model: Literal["gpt-5.6-luna", "gpt-5.6-terra", "gpt-5.6-sol"]
    effort: Literal["none", "low", "medium", "high", "xhigh"]
    reason: str

router_agent = Agent(
    name="Smart Router",
    instructions="""Analyze the task and decide which configuration to use:
    - gpt-5.6-luna, effort none/low: simple tasks (summaries, rephrasing, factual answers)
    - gpt-5.6-terra, effort medium: fast reasoning (classification, diagnostics)
    - gpt-5.6-sol, effort high/xhigh: complex tasks (strategic planning, deep analysis, math)""",
    model="gpt-5.6-terra",
    model_settings=ModelSettings(reasoning=Reasoning(effort="medium")),
    output_type=ConfigDecision,
)

async def process_with_optimal_config(task: str):
    # Step 1: choose the configuration
    decision = await Runner.run(router_agent, task)
    config = decision.final_output
    print(f"Configuration: {config.model} / effort {config.effort} ({config.reason})")

    # Step 2: execute with the right configuration
    execution_agent = Agent(
        name="Execution Agent",
        instructions="Accomplish the requested task with precision.",
        model=config.model,
        model_settings=ModelSettings(reasoning=Reasoning(effort=config.effort)),
    )
    result = await Runner.run(execution_agent, task)
    return result.final_output

Streamauskäyttäytyminen päättelyn ollessa käytössä

Kun päättely on käytössä, streamauksessa on erityispiirre: mallin sisäistä ajatusprosessia ei streamata raakatekstinä. Käyttöliittymäsi vastaanottaa therefore tokeneita vain lopullista vastausta varten, eikä mitään päättelyvaiheen aikana.

agent = Agent(
    name="Analyst",
    instructions="Analyze the data deeply.",
    model="gpt-5.6-sol",
    model_settings=ModelSettings(reasoning=Reasoning(effort="high")),
)

# Streaming delivers the final answer, not the intermediate reasoning
result = Runner.run_streamed(agent, "Analyze this complex problem.")
async for event in result.stream_events():
    if event.type == "raw_response_event":
        if hasattr(event.data, "delta") and event.data.delta:
            print(event.data.delta, end="", flush=True)

Huomioi tämä viive UX-suunnittelussasi: asetuksilla high tai korkeammilla ensimmäiset tokenit voivat saapua vasta merkittävän miettimisajan jälkeen. Selkeä odotusindikaattori estää käyttäjiä luulemasta sovelluksen jumiutuneen ja päivittämästä sivua väärällä hetkellä.

Kustannusten optimointi

Päättely kuluttaa lisätokeneita (sisäinen ajattelu laskutetaan). Kaksi vipua auttaa hillitsemään kustannuksia: laske oletusvaativuutta ja nosta sitä vain tarvittaessa, sekä erota päätöksenteko suorittamisesta – eli käytä päättelyä päätöksen tekemiseen, mutta suorita ilman päättelyä. Alla oleva hybridityönkulku soveltaa toista periaatetta: Terra asetuksella medium määrittää lähestymistavan, Luna toteuttaa sen työkalujen avulla.

# Pattern: hybrid reasoning
# Terra + medium for decision, Luna without reasoning for execution

decision_agent = Agent(
    name="Decider",
    instructions="Decide on the optimal approach.",
    model="gpt-5.6-terra",
    model_settings=ModelSettings(reasoning=Reasoning(effort="medium")),
)

executor_agent = Agent(
    name="Executor",
    instructions="Execute the decided plan.",
    model="gpt-5.6-luna",  # Cheaper for execution
    tools=[search_crm, generate_report],
)

async def hybrid_workflow(task: str):
    plan = await Runner.run(decision_agent, f"How to handle: {task}")
    result = await Runner.run(executor_agent, plan.final_output)
    return result.final_output

Keskeiset asiat

  • Päättely on pyyntökohtainen asetus jokaisessa GPT-5.6-mallissa (none → max), ei enää erillisiä malleja kuten o3-pro/o4-mini
  • GPT-5.6 Sol asetuksilla high/xhigh: strateginen suunnittelu, monimutkainen analyysi, matematiikka
  • GPT-5.6 Terra asetuksella medium: nopea päättely diagnostiikkaan ja reititykseen
  • Asetus ultra koordinoi useita agentteja rinnakkain raskaimpiin tehtäviin – huomattavasti suurempi token-kustannus
  • Reititin-malli valitsee dynaamisesti malli + vaativuus -yhdistelmän ja optimoi kustannuksia
  • Käytä päättelyä päätöksentekoon, suorita ilman päättelyä: paras laatu-hinta-suhde