Ugrás a főtartalomra
Magyar— Nyelv kiválasztása
Menü

GPT-5.6 modellek: Sol, Terra, Luna – mikor melyiket használd

6. lecke 22 közül Frissítve 2026. november 2. Fejlesztő
Ezen az oldalon
  1. A modellek: a megfelelő kiválasztása minden feladathoz
  2. Terra: az alapértelmezett kiindulópont
  3. Sol, amikor a hibák költségesek
  4. Luna nagy volumenhez
  5. Következtetés: paraméter, nem modell
  6. Dinamikus útvonalválasztás éles környezetben
  7. Főbb megállapítások

Frissítve: 2026. november 2. Az o4-mini modellt 2026. október 23-án, az o3, o3-pro és a gpt-5 családot pedig 2026. december 11-én vezetik ki. A GPT-5.6 család továbbra is elérhető, de az OpenAI az új projektekhez már a GPT-6 családot ajánlja: gpt-6-astra (legnagyobb tudású), gpt-6.1-sol, gpt-6.1-terra és gpt-6-luna (lásd: ChatGPT 2026-ban: A GPT-5.6-tól a GPT-6-ig, 9. lecke). Mind a GPT-5.6, mind a GPT-6 támogatja a pro következtetési módot (reasoning={"mode": "pro", "effort": "medium"}) nehéz feladatokhoz. Források: Kivezetések · Modellek · Következtetés.

A modellek: a megfelelő kiválasztása minden feladathoz

  1. július 9-től a GPT-5.6 család általánosan elérhető: három modell, amelyek mindegyike eltérő használati esetre van optimalizálva, és kérésenként állítható a következtetési szintjük. A megfelelő modell és következtetési kombináció kiválasztása a legmeghatározóbb döntés az alkalmazásod minősége és költsége szempontjából: a legdrágább és a leggazdaságosabb modell között 25-szörös a különbség, és hasonló tényező választja el a szélsőséges következtetési beállításokat is.
ModellAPI azonosítóErősségÁr ($/M token bemenet / kimenet)Használati eset
GPT-5.6 Solgpt-5.6-sol (álnév: gpt-5.6)Zászlóshajó, legnagyobb tudású$5 / $30Komplex feladatok, mély következtetés, maximális minőség
GPT-5.6 Terragpt-5.6-terraKiegyensúlyozott$2 / $12Általános használat, chatbotok, tartalomgenerálás
GPT-5.6 Lunagpt-5.6-lunaNagy volumen, gyors, gazdaságos$0.20 / $1.20Egyszerű feladatok, osztályozás, kinyerés

Mindhárom modell elfogad szöveget és képet bemenetként, többnyelvűek, és a Responses API-n keresztül használhatók. A részletes specifikációkért (kontextusablakok, korlátok) lásd a hivatalos modellek oldalt a platform.openai.com címen.

Terra: az alapértelmezett kiindulópont

A Terra lesz a leggyakrabban használt modelled, mivel a legtöbb feladatnál ez kínálja a legjobb ár-érték arányt: chatbotok, tartalomgenerálás, összefoglalók, fordítás és általános kérdések-válaszok. A helyes megközelítés, hogy a Terrával kezdesz, méred az elért minőséget, és csak akkor lépsz feljebb a Solra, ha az eredmény nem elég jó – nem fordítva.

from openai import OpenAI
client = OpenAI()

# Általános használat — a Terra tökéletes
response = client.responses.create(
    model="gpt-5.6-terra",
    input="Írj egy professzionális e-mailt egy találkozókéréshez."
)
print(response.output_text)

Sol, amikor a hibák költségesek

A Sol a család legteljesítményképzőbb modellje. Olyan helyzetekre tartogasd, ahol a maximális minőség elengedhetetlen: nagy tétű dokumentumok elemzése, mély következtetést igénylő feladatok, vagy bármi, amit embernek soronként ellenőriznie kellene, ha a modell hibázna. Egy éves jelentés elemzése a fő kockázatok kinyerésére pontosan ebbe a kategóriába esik – egy itt elkövetett kihagyás költsége messze meghaladja az API-híváson megtakarított néhány centet.

# Igényes dokumentumelemzés
with open("annual_report.txt", "r") as f:
    document = f.read()

response = client.responses.create(
    model="gpt-5.6-sol",
    input=f"Elemezd ezt az éves jelentést, és azonosítsd az 5 fő "
          f"kockázatot:\n\n{document}"
)
print(response.output_text)

Luna nagy volumenhez

A Luna a sebességre és a költséghatékonyságra van optimalizálva, így ideális nagy volumenű, ismétlődő feldolgozáshoz: osztályozás, adatkinyerés, átfogalmazás és gyors prototípuskészítés. Egy zászlóshajó modell következtetési képessége nem ad hozzá értéket annak eldöntéséhez, hogy egy vásárlói vélemény pozitív vagy negatív; viszont 100 000 vélemény esetén az árkülönbség válik az egyetlen számítóbíró változóvá.

# Gyors szövegosztályozás
texts = [
    "Ez a termék fantasztikus, ajánlom!",
    "Késői szállítás, nem létező ügyfélszolgálat.",
    "Rendben van, semmi különös.",
]

for text in texts:
    response = client.responses.create(
        model="gpt-5.6-luna",
        input=f"Osztályozd az érzelmeket (pozitív/negatív/semleges): {text}",
    )
    print(f"{text[:50]}... → {response.output_text}")

# Eredmény:
# Ez a termék fantasztikus, ajánlom!... → Pozitív
# Késői szállítás, nem létező ügyfélszolgálat.... → Negatív
# Rendben van, semmi különös.... → Semleges

Következtetés: paraméter, nem modell

Az előző generációnál (o3, o3-pro, o4-mini) a következtetés dedikált modellekben testesült meg: modellt kellett váltanod a következtetési képességek eléréséhez. Ez már nincs így. Minden GPT-5.6 modell elfogad egy reasoning paramétert kérésenként, hat erősségi szinttel: none, low, medium, high, xhigh, max.

# Komplex következtetési probléma: Sol + magas erősség
response = client.responses.create(
    model="gpt-5.6-sol",
    input="Egy csiga egy 30 méteres kút alján van. "
          "Minden nap felmászik 3 métert, de éjszaka vissza csúszik 2 métert. "
          "Hány nap alatt ér ki? Indokold lépésről lépésre a gondolatmeneted.",
    reasoning={"effort": "high"}  # none, low, medium, high, xhigh, max
)
print(response.output_text)
# Részletes eredmény strukturált következtetéssel:
# 1–27. nap: nettó haladás 1 m/nap → 27 m
# 28. nap: 27 m-ről felmászik 3 m-t → eléri a 30 m-t és kijut
# Válasz: 28 nap

A none szint egyszerűen kikapcsolja a következtetést: a válasz azonnali, a költség minimális, ami mechanikus feladatokhoz illik, mint a fenti osztályozás. A medium és high szintek lefedik a legtöbb technikai feladatot. Az xhigh és max szinteket valóban nehéz problémákra tartogasd, tudva, hogy a belső következtetés tokeneket fogyaszt, amelyeket kimenetként számláznak: a csiga-rejtvénynél a láthatatlan gondolkodás súlyosabb lehet, mint a megjelenített válasz. Egy további beállítás, az ultra, alapértelmezetten 4 ügynököt koordinál párhuzamosan, bizonyos értékeléseknél akár 16-ot is, a legnehezebb feladatokhoz – jelentősen magasabb tokenfogyasztással.

Ha olyan kódot migrálsz, amelyet az előző generációhoz írtak (GPT-5.3, GPT-5.4, o3, o3-pro, o4-mini), itt vannak a megfelelő párok:

  • o3 → gpt-5.6-sol, és o3-pro → gpt-5.6-sol a reasoning={"mode": "pro"} beállítással (hivatalos kivezetési táblázat szerinti kijelölt helyettesítők; ezután állítsd az effort értéket high, xhigh vagy max szintre a nehézség függvényében)
  • o4-mini → gpt-5.6-terra a reasoning paraméter medium értékre állítva
  • gpt-5.3 / gpt-5.4 (általános használat) → gpt-5.6-terra
  • Nagy volumenű feladatok → gpt-5.6-luna

Dinamikus útvonalválasztás éles környezetben

Éles környezetben nem csak egyféle kéréssel találkozol, hanem sokfélével, és egyetlen modell hardcoded használata azt jelenti, hogy vagy túlfizetsz az egyszerű feladatokért, vagy elrontod a nehezeket. A router minta lényege, hogy a döntést egy központi függvénybe helyezed, amelyet minden kérés előtt meghívsz, és ez visszaadja a megfelelő konfigurációt. Így ezt módosíthatod anélkül, hogy az alkalmazás többi részéhez hozzá kellene nyúlnod.

def choose_config(task: str, complexity: str, budget: str) -> dict:
    """Kiválasztja az optimális modellt és következtetési erősséget."""
    if complexity == "high" and task in ["math", "code", "logic"]:
        return {"model": "gpt-5.6-sol", "reasoning": {"effort": "high"}}
    elif budget == "minimal" or complexity == "low":
        return {"model": "gpt-5.6-luna", "reasoning": {"effort": "none"}}
    elif task in ["diagnostic", "fine_classification"]:
        return {"model": "gpt-5.6-terra", "reasoning": {"effort": "medium"}}
    else:
        return {"model": "gpt-5.6-terra", "reasoning": {"effort": "low"}}

# Használat
config = choose_config(task="chatbot", complexity="medium", budget="standard")
response = client.responses.create(
    input="A te kérdésed itt",
    **config
)

Árak 2026. augusztus 5-től – az árak rendszeresen változnak: bármilyen költségvetés-számítás előtt ellenőrizd az aktuális díjszabást a hivatalos OpenAI árlapon.

Főbb megállapítások

  • A Terra az alapértelmezett választás a legtöbb feladathoz ($2 / $12 per M token)
  • A Sol a maximális minőséghez és mély következtetéshez ($5 / $30); a Luna nagy volumenhez ($0.20 / $1.20)
  • A következtetés kérésenkénti paraméter (none → max, plusz ultra), nem külön modell
  • Migrációs megfelelőek: o3 → Sol; o3-pro → Sol pro módban; o4-mini → Terra medium; GPT-5.3/5.4 → Terra
  • Éles környezetben dinamikusan irányítsd a kéréseket a megfelelő modell + erősség kombinációra a kontextus alapján