Modele GPT-5.6: Sol, Terra, Luna — kiedy użyć którego
Na tej stronie
Zaktualizowano 2 listopada 2026 r. Model
o4-minizostał wycofany 23 października 2026 r., a rodzina modelio3,o3-proorazgpt-5zostanie wycofana 11 grudnia 2026 r. Rodzina GPT-5.6 pozostaje dostępna, lecz OpenAI rekomenduje obecnie rodzinę GPT-6 dla nowych projektów:gpt-6-astra(najbardziej zaawansowany),gpt-6.1-sol,gpt-6.1-terraorazgpt-6-luna(zob. ChatGPT w 2026 roku: Od GPT-5.6 do GPT-6, Lekcja 9). Zarówno GPT-5.6, jak i GPT-6 obsługują tryb rozumowaniapro(reasoning={"mode": "pro", "effort": "medium"}) dla trudnych zadań. Źródła: Wycofania · Modele · Rozumowanie.
Modele: Wybór właściwego do każdego zadania
Od 9 lipca 2026 r. rodzina GPT-5.6 jest ogólnodostępna: trzy modele, każdy zoptymalizowany pod inne przypadki użycia, z poziomem rozumowania dostosowywanym dla każdego żądania. Wybór odpowiedniej kombinacji modelu i poziomu rozumowania to decyzja mająca największy wpływ na jakość i koszt Twojej aplikacji — różnica między najdroższym a najbardziej ekonomicznym modelem wynosi 25-krotność, a porównywalny współczynnik dotyczy skrajnych ustawień rozumowania.
| Model | ID w API | Mocna strona | Cena ($/Mtok wejście / wyjście) | Przypadek użycia |
|---|---|---|---|---|
| GPT-5.6 Sol | gpt-5.6-sol (alias gpt-5.6) | Flagowy, najbardziej zaawansowany | $5 / $30 | Złożone zadania, głębokie rozumowanie, maksymalna jakość |
| GPT-5.6 Terra | gpt-5.6-terra | Zrównoważony | $2 / $12 | Zastosowania ogólne, chatboty, generowanie treści |
| GPT-5.6 Luna | gpt-5.6-luna | Duża skala, szybki, ekonomiczny | $0.20 / $1.20 | Proste zadania, klasyfikacja, ekstrakcja |
Wszystkie trzy modele przyjmują jako dane wejściowe tekst i obrazy, są wielojęzyczne i korzysta się z nich poprzez API Responses. Szczegółowe specyfikacje (okna kontekstowe, limity) znajdziesz na oficjalnej stronie modeli pod adresem platform.openai.com.
Terra: Twój domyślny punkt startowy
Terra to model, którego będziesz używać najczęściej, ponieważ oferuje najlepszy stosunek jakości do ceny dla większości zadań: chatboty, generowanie treści, podsumowania, tłumaczenia i ogólne pytania i odpowiedzi. Właściwe podejście polega na rozpoczęciu pracy z Terrą, zmierzeniu uzyskanej jakości i przejściu do Sol tylko wtedy, gdy wynik jest niewystarczający — a nie odwrotnie.
from openai import OpenAI
client = OpenAI()
# Zastosowanie ogólne — Terra jest idealna
response = client.responses.create(
model="gpt-5.6-terra",
input="Napisz profesjonalny e-mail z prośbą o spotkanie."
)
print(response.output_text)
Sol, gdy błędy są kosztowne
Sol to model o najwyższej wydajności w rodzinie. Rezerwuj go dla sytuacji, w których kluczowa jest maksymalna jakość: analiza dokumentów o wysokim ryzyku, zadania wymagające głębokiego rozumowania lub wszystko, co człowiek musiałby sprawdzać linijka po linijce, gdyby model popełnił błąd. Analiza raportu rocznego w celu wyodrębnienia kluczowych ryzyk idealnie wpisuje się w tę kategorię — pominięcie tutaj czegoś wiąże się z kosztem znacznie przewyższającym kilka centów zaoszczędzonych na wywołaniu API.
# Wymagająca analiza dokumentu
with open("annual_report.txt", "r") as f:
document = f.read()
response = client.responses.create(
model="gpt-5.6-sol",
input=f"Przeanalizuj ten raport roczny i zidentyfikuj 5 głównych "
f"ryzyk:\n\n{document}"
)
print(response.output_text)
Luna dla dużych wolumenów
Luna jest zoptymalizowana pod kątem szybkości i kosztów, co czyni ją idealną do przetwarzania powtarzalnego na dużą skalę: klasyfikacja, ekstrakcja danych, parafrazowanie i szybkie prototypowanie. Rozumowanie modelu flagowego nie wnosi żadnej wartości przy decydowaniu, czy opinia klienta jest pozytywna, czy negatywna; jednak przy 100 000 opinii różnica w cenie staje się jedyną zmienną, która ma znaczenie.
# Szybka klasyfikacja tekstu
texts = [
"Ten produkt jest fantastyczny, polecam go!",
"Opóźniona dostawa, nieistniejąca obsługa klienta.",
"W porządku, nic specjalnego.",
]
for text in texts:
response = client.responses.create(
model="gpt-5.6-luna",
input=f"Skategoryzuj sentyment (pozytywny/negatywny/neutralny): {text}",
)
print(f"{text[:50]}... → {response.output_text}")
# Wynik:
# Ten produkt jest fantastyczny, polecam go!... → Pozytywny
# Opóźniona dostawa, nieistniejąca obsługa klienta.... → Negatywny
# W porządku, nic specjalnego.... → Neutralny
Rozumowanie: parametr, a nie model
W poprzedniej generacji (o3, o3-pro, o4-mini) rozumowanie było воплоcone w dedykowanych modelach: aby uzyskać możliwości rozumowania, zmieniało się model. Już tak nie jest. Każdy model GPT-5.6 akceptuje parametr reasoning dla każdego żądania, z sześcioma poziomami wysiłku: none, low, medium, high, xhigh, max.
# Złożony problem logiczny: Sol + wysoki wysiłek
response = client.responses.create(
model="gpt-5.6-sol",
input="Ślimak znajduje się na dnie 30-metrowej studni. "
"Każdego dnia wspina się 3 metry, ale w nocy zsuwa się 2 metry. "
"Ile dni zajmie mu wydostanie się? Wyjaśnij swoje rozumowanie krok po kroku.",
reasoning={"effort": "high"} # none, low, medium, high, xhigh, max
)
print(response.output_text)
# Szczegółowy wynik ze strukturalnym rozumowaniem:
# Dni 1–27: postęp netto 1 m/dzień → 27 m
# Dzień 28: wspina się 3 m z 27 m → osiąga 30 m i wychodzi
# Odpowiedź: 28 dni
Poziom none po prostu wyłącza rozumowanie: odpowiedź jest natychmiastowa, a koszt minimalny, co pasuje do zadań mechanicznych, takich jak powyższa klasyfikacja. Poziomy medium i high pokrywają większość zadań technicznych. Zachowaj xhigh i max dla naprawdę trudnych problemów, pamiętając, że wewnętrzne rozumowanie zużywa tokeny rozliczane jako wyjście: w zagadce ze ślimakiem niewidoczne myślenie może ważyć więcej niż wyświetlana odpowiedź. Dodatkowe ustawienie, ultra, domyślnie koordynuje 4 agentów równolegle, aż do 16 przy niektórych ewaluacjach, dla najcięższych zadań — przy znacznie wyższym zużyciu tokenów.
Jeśli migrujesz kod napisany dla poprzedniej generacji (GPT-5.3, GPT-5.4, o3, o3-pro, o4-mini), oto odpowiedniki:
o3→gpt-5.6-sol, ao3-pro→gpt-5.6-solzreasoning={"mode": "pro"}(wyznaczone zamienniki zgodnie z oficjalną tabelą wycofań; następnie ustaweffortnahigh,xhighlubmaxw zależności od trudności)o4-mini→gpt-5.6-terrazreasoningustawionym namediumgpt-5.3/gpt-5.4(zastosowanie ogólne) →gpt-5.6-terra- Zadania o dużym wolumenie →
gpt-5.6-luna
Dynamiczne routowanie w środowisku produkcyjnym
W środowisku produkcyjnym nie będziesz mieć tylko jednego typu żądań, lecz wiele, a sztywne zakodowanie jednego modelu oznacza albo przepłacanie za proste zadania, albo fuszerkę przy trudnych. Wzorzec routera polega na scentralizowaniu decyzji w funkcji, wywoływanej przed każdym żądaniem, która zwraca odpowiednią konfigurację. Możesz ją następnie dostosować bez dotykania reszty aplikacji.
def choose_config(task: str, complexity: str, budget: str) -> dict:
"""Wybiera optymalny model i wysiłek rozumowania."""
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"}}
# Użycie
config = choose_config(task="chatbot", complexity="medium", budget="standard")
response = client.responses.create(
input="Twoje pytanie tutaj",
**config
)
Cennik na dzień 5 sierpnia 2026 r. — ceny zmieniają się regularnie: przed jakimkolwiek obliczeniem budżetu sprawdź aktualny cennik na oficjalnej stronie cenowej OpenAI.
Kluczowe wnioski
- Terra to domyślny wybór dla większości zadań (2 $ / 12 $ za Mtok)
- Sol dla maksymalnej jakości i głębokiego rozumowania (5 $ / 30 $); Luna dla dużych wolumenów (0,20 $ / 1,20 $)
- Rozumowanie to parametr dla każdego żądania (
none→max, plusultra), a nie osobny model - Odpowiedniki migracji: o3 → Sol; o3-pro → Sol w trybie
pro; o4-mini → Terra medium; GPT-5.3/5.4 → Terra - W środowisku produkcyjnym dynamicznie kieruj żądania do właściwej kombinacji modelu i wysiłku w zależności od kontekstu