Terra i Luna: szybkie i przystępne rozumowanie
Na tej stronie
Rozumowanie, którego będziesz używać na co dzień
W poprzedniej generacji za szybkie i przystępne cenowo rozumowanie odpowiadał model o4-mini. Został on wycofany z API 23 października 2026 r., a jego wyznaczonym następcą został gpt-5.6-terra. W obecnej ofercie rolę tę przejęły dwa modele: GPT-6.1 Terra, który jest szybki i wydajny, oraz GPT-6 Luna, będący najbardziej ekonomiczną opcją. W połączeniu z umiarkowanymi ustawieniami wysiłku obsługują one większość codziennych zadań technicznych i zasługują na kluczowe miejsce w Twoim workflow.
Gdzie pasują Terra i Luna
W API model GPT-6.1 Terra (gpt-6.1-terra) kosztuje 1 USD za milion tokenów wejściowych i 5 USD za milion tokenów wyjściowych. OpenAI pozycjonuje go jako szybki, wydajny model do rozumowania wizualnego, precyzyjnego sterowania komputerem i klarownego pisania. GPT-6 Luna (gpt-6-luna), wyceniony na 0,10 USD i 0,50 USD, został stworzony do ukierunkowanych, powtarzalnych zadań o dużej skali: ekstrakcji, klasyfikacji, transformacji i tworzenia ustrukturyzowanych podsumowań. Oba akceptują wszystkie poziomy wysiłku od none do max i dzielą z resztą oferty okno kontekstu o wielkości 1,05 miliona tokenów.
W ChatGPT spotkasz je głównie w trybach Work i Codex. OpenAI rekomenduje Terrę do pisania, rozumienia obrazów i pracy w aplikacjach, podczas gdy Luna najlepiej sprawdza się w czystych, powtarzalnych zadaniach, gdzie łatwo rozpoznać poprawny wynik; w przypadku Luny dokumentacja sugeruje rozpoczęcie od poziomu High. W trybie Chat plany Free i Go opierają się na modelu Luna, z dostępnym przyciskiem Think do trudniejszych pytań.
Modele GPT-6.1 Sol i GPT-6 Astra zachowują przewagę w przypadku wysoce abstrakcyjnych problemów, strategicznych kompromisów obejmujących wiele czynników, wyczerpujących eksploracji oraz długich form, gdzie czas odpowiedzi ma mniejsze znaczenie.
Kiedy podkręcić pokrętło
Kluczowym pytaniem nie jest „który model wybrać?“, lecz „jaki poziom wysiłku aktywować?“. Cztery sygnały uzasadniają przejście z none lub low na medium w Terrze: zadanie obejmuje obliczenia lub weryfikację logiczną; rozkłada się na wiele kroków; odpowiedź na najniższym poziomie była przybliżona lub błędna; albo wniosek wymaga skrzyżowania wielu fragmentów informacji. Jeśli poziom high nadal nie wystarcza, czas przejść na GPT-6.1 Sol.
Pięć przypadków użycia, w których to ustawienie błyszczy
Jako codzienny asystent programistyczny, Terra ustawiona na medium analizuje logikę programu, wykrywa błędy i proponuje dobrze uzasadnione poprawki: „Oto funkcja w Pythonie, która powinna obliczać medianę listy, ale czasami zwraca błędny wynik. Znajdź błąd i go napraw: [kod]“. W przypadku szybkiej analizy danych pozwala uniknąć wywoływania droższego modelu: „Oto dane sprzedażowe dla 5 produktów z ostatnich 6 miesięcy. Który ma najlepszą trajektorię, a który jest zagrożony spadkiem? Uzasadnij obliczeniami“.
Doskonale sprawdza się również jako weryfikator, zarówno dla Twoich własnych obliczeń, jak i wyników innego modelu. Dzięki swoim możliwościom wizualnym potrafi skomentować zrzut ekranu pulpitu nawigacyjnego: „Jakie są trzy najważniejsze obserwacje i co rekomendujesz?“. Pamiętaj jednak, że liczby odczytane z obrazu nadal wymagają weryfikacji. Wreszcie, w przypadku zadań powtarzalnych, takich jak sortowanie 500 zgłoszeń czy ekstrakcja pól z 200 dokumentów, Luna ustawiona na low lub medium oferuje najlepszy stosunek jakości do kosztu; najpierw przetestuj to na próbce.
Trzy nawyki, które zmieniają wszystko
Bądź bezpośredni: „Oblicz roczne tempo wzrostu (CAGR) dla tych przychodów: 2021 = 1,2 mln €, 2022 = 1,5 mln €, 2023 = 1,9 mln €, 2024 = 2,3 mln €, 2025 = 2,8 mln €“ działa lepiej niż długie wstępy. OpenAI rekomenduje proste, bezpośrednie instrukcje dla swoich modeli rozumujących. Poproś o weryfikację w ramach wyniku: „Podaj wynik, a następnie zweryfikuj go inną metodą“. Pracuj w krótkich iteracjach: szybkość tych ustawień została zaprojektowana z myślą o szybkiej wymianie zdań.
Twoja kolej
Cztery zadania, jeden stoper. Przetestuj Terrę na poziomie medium (w API lub Work) albo poziom Medium w Chat jako rozwiązanie zapasowe, wykonując te cztery polecenia. Zanotuj czas odpowiedzi i zweryfikuj każdy wynik.
- „Rozwiąż: jeśli 3x + 7 = 2(x − 4) + 15, ile wynosi x? Zweryfikuj.“ (Oczekiwana odpowiedź: x = 0.)
- „Oto fragment kodu JavaScript: [kod z subtelnym błędem]. Znajdź błąd.“
- „Mój kwartalny przychód: Q1 = 120 tys., Q2 = 135 tys., Q3 = 128 tys., Q4 = 142 tys. Oblicz trend i dokonaj projekcji na kolejny Q1.“
- „Oprogramowanie kosztuje 15 000 € rocznie. Alternatywa open-source kosztuje 5 000 € wdrożenia, a następnie 2 000 € rocznie za utrzymanie. Kiedy alternatywa staje się opłacalna?“
Każde z nich jest obsługiwane szybko przy wystarczającym poziomie rozumowania. Użycie droższego modelu na wysokim poziomie wysiłku dla tego typu zapytań kosztuje więcej i zajmuje więcej czasu, nie dodając żadnej wartości.
Źródła oficjalne: Models (API OpenAI: GPT-6.1 Terra i GPT-6 Luna, poziomy wysiłku, cennik) · Deprecations (o4-mini usunięty 23 października 2026 r., następca) · Models (dokumentacja ChatGPT: przypadki użycia Terry i Luny w Work, poziom startowy) · Reasoning best practices (bezpośrednie instrukcje)
Kluczowe wnioski
- o4-mini opuścił API 23 października 2026 r.; GPT-6.1 Terra i GPT-6 Luna obsługują teraz szybkie rozumowanie
- Terra: 1 USD / 5 USD za milion tokenów do pisania, obrazów i sterowania aplikacjami; Luna: 0,10 USD / 0,50 USD do powtarzalnych zadań o dużej skali
- Oba akceptują wysiłek od
nonedomax; zwiększ wysiłek przed zmianą modelu - Używaj bezpośrednich instrukcji, żądaj weryfikacji w wyniku i pracuj w szybkich iteracjach
- Zarezerwuj GPT-6.1 Sol i GPT-6 Astra do problemów abstrakcyjnych, strategicznych lub wymagających wyczerpującej analizy