Jak wybrać model GPT-6 i nie przepłacić: przewodnik krok po kroku

Najmocniejszy model z rodziny nie zawsze jest najlepszym wyborem. Według grafiki OpenAI GPT-6 Astra kosztuje $10 za wejście i $50 za wyjście, a GPT-6 Luna $0.10 i $0.50. To sto razy różnicy. Tymczasem OpenAI poleca Lunę do powtarzalnej, jasno zdefiniowanej roboty, takiej jak wyciąganie pól z faktur czy klasyfikowanie zgłoszeń. (Wysyłanie Astry do segregowania zgłoszeń to drogi sposób na nudę.)

2 października 2026 OpenAI opublikowało przewodnik po rodzinie GPT-6. Pokazuje, jak wybrać model, jak go instruować, jak pilnować długich zadań i jak przygotować wdrożenie. Poniżej dostajesz to samo jako kroki do wykonania. Jeśli nie programujesz, spokojnie: część kroków to po prostu sposób myślenia o zleceniu, a techniczne elementy tłumaczę po drodze.

Zanim zaczniesz: co przygotować

Rodzina GPT-6 to trzy modele: Astra, Sol i Luna. Dla porządku daty premier (stan na 02.10.2026): Astra weszła 03.09.2026, Luna i pierwszy Sol 22.09.2026, a GPT-6.1 Sol 29.09.2026. Wersja 6.1 istnieje tylko jako Sol. Nie ma GPT-6.1 Astra ani 6.1 Luna. Szczegóły dat znajdziesz w tekście GPT-6: Astra 3 września, Sol i Luna 22 września oraz w artykule o premierze Astry.

Ceny z grafiki OpenAI (wejście / wyjście / wejście z cache):

• GPT-6 Astra - najinteligentniejszy model, do najlepszych wyników: $10 / $50 / $1.
• GPT-6.1 Sol - inteligencja zbliżona do Astry za jedną piątą ceny: $2 / $10 / $0.10.
• GPT-6 Luna - szybki i wydajny, do codziennej pracy na dużą skalę: $0.10 / $0.50 / $0.01.

Grafika nie podaje jednostki rozliczeniowej. Według naszej karty cen API chodzi o USD za 1 mln tokenów (stan na 23.09.2026). Token to kawałek tekstu, na jakie model dzieli słowa. Jak to działa, wyjaśnia tekst o tokenizacji w GPT. Kwoty są bez podatku.

Przed startem przygotuj trzy rzeczy:

• Dostęp do miejsca pracy: API, Codex albo aplikacja. Część opcji (poziomy rozumowania, Fast mode, steering) OpenAI opisuje dla API, a Ultrafast także dla Codex.
• Próbkę prawdziwych zadań: kilka-kilkanaście przykładów z Twojej pracy, nie wymyślonych. Posłużą Ci do testu w ostatnim kroku.
• Definicję sukcesu: jedno zdanie o tym, kiedy wynik uznajesz za dobry.

Trzy pokrętła: model, wysiłek rozumowania i tempo

OpenAI proponuje myśleć o tym jak o kompromisie między inteligencją a ceną. Masz trzy pokrętła i każde ustawiasz osobno.

1. Wybierz model do rodzaju pracy.
   • GPT-6 Astra: najtrudniejsze zadania wymagające rozumowania, gdy liczy się maksymalna inteligencja.
   • GPT-6.1 Sol: złożone kodowanie, badania i obsługa komputera (computer use).
   • GPT-6 Luna: skupione, powtarzalne zadania z jasnym celem, np. wyciąganie pól z faktur, klasyfikacja zgłoszeń, strukturalne streszczenia.
   Porównaj ceny na stronie modeli OpenAI, zanim zdecydujesz.
2. Ustaw poziom wysiłku rozumowania. W API wybierasz, ile pracy model wkłada w zadanie:
   • Low: zadania rutynowe, jak wyciąganie faktów czy drobne poprawki.
   • Medium: praca wymagająca oceny, np. planowanie funkcji albo porównywanie opcji.
   • High: trudne debugowanie, głębsza analiza, staranny przegląd.
   • Extra high / Max: testuj tylko tam, gdzie jest obsługiwany, i tylko gdy High nie wystarcza. Sięgaj po niego, jeśli poprawa jest warta dodatkowego czasu i kosztu.
   W API zmienisz poziom w trakcie rozmowy bez psucia cache. W Codex zacznij od domyślnego poziomu dla danego modelu, potem obniżaj go przy prostszych zadaniach albo podnoś przy głębszej analizie.
3. Zdecyduj o tempie.
   • Fast mode w API: szybsze i bardziej spójne czasy odpowiedzi, ale przy wyższym koszcie za token niż przetwarzanie Standard. Ma sens tam, gdzie ktoś czeka na odpowiedź, np. w aplikacji czatowej albo narzędziu do kodowania.
   • Ultrafast w Codex i API: przyspiesza generowanie tokenów niezależnie od poziomu rozumowania. Opłaca się, gdy szybsze odpowiedzi są warte dopłaty, np. przy szybkich iteracjach kodu. Jest dostępny dla GPT-6 Astra.

Rozsądnie jest zacząć od tańszego ustawienia i podnosić je dopiero wtedy, gdy test pokaże, że wynik jest za słaby. To moja rekomendacja, ale pasuje do logiki przewodnika OpenAI: wyższy poziom ma się zwrócić w jakości.

Jak zlecać zadania, żeby model nie zgadywał

Tu wypada obalić nawyk z poprzednich lat: im dłuższa i bardziej szczegółowa instrukcja, tym lepiej. Eric Provencher z OpenAI (dział Developer Experience) mówi, że modele znacznie lepiej rozumieją niuanse i niejednoznaczność. Dlatego zbyt szczegółowe wskazówki mogą dziś szkodzić tam, gdzie kiedyś pomagały. Dobra instrukcja jest więc jasna, a niekoniecznie długa.

1. Napisz przydział w czterech częściach: jakiego wyniku chcesz, dla kogo, jaki jest kontekst i ograniczenia oraz co oznacza słowo "gotowe".
2. Odśwież swoje skille i plik AGENTS.md. Skill to zapisana instrukcja do powtarzalnego zadania, a AGENTS.md to instrukcje dla agenta pracującego w repozytorium kodu. OpenAI wskazuje cztery poprawki:
   • skracaj opisy skilli i wyraźnie pisz, kiedy mają się uruchamiać; szczegóły ładuj dopiero wtedy, gdy są potrzebne; sztywne przepisy zamień na wskazówki dopasowane do modeli, których używa zespół,
   • w AGENTS.md wyjaśnij, kiedy konkretne dokumenty i testy mają znaczenie, i wprost zezwól na bezpieczne rutynowe czynności, np. uruchamianie lokalnych testów na danych jednorazowych, bez dostępu do produkcji,
   • określ granice decyzji: które działania model wykonuje sam, a które wymagają zgody; ogólne reguły "zawsze pytaj" zastąp konkretnymi granicami,
   • opisz, co znaczy "zrobione": wprowadzenie zmiany, uruchomienie jej, sprawdzenie wyniku, naprawa błędów, oraz które decyzje czekają na Twoją ocenę.
3. Powiedz, jakie decyzje model może podejmować sam. Przykład z przewodnika: może wybrać układ streszczenia, ale przed zmianą zakresu projektu ma się z Tobą skonsultować.
4. Opisz, jak wygląda dobra odpowiedź. Prosty język, szczegóły techniczne dopasowane do odbiorcy i krótkie przekazanie na końcu: co zmieniono, co sprawdzono, co nadal wymaga uwagi.

Zlecenie w takim duchu może brzmieć na przykład: "Przygotuj streszczenie raportu dla zarządu, prostym językiem. Układ wybierz sam, ale zapytaj mnie, zanim zmienisz zakres. Na końcu napisz, co sprawdziłeś i co wymaga mojej uwagi". Jedna kartka zamiast regulaminu.

Długie zadania: jak utrzymać je na torach

Według OpenAI modele GPT-6 pozwalają realizować zadania trwające godziny lub dni. Przy takiej skali pojawiają się decyzje, których nie przewidziałeś w pierwszym poleceniu. Potrzebujesz więc sposobu na korygowanie kursu w trakcie.

W API: korekty, praca w tle i podzlecanie

1. Koryguj w trakcie pracy (mid-turn steering). Przez Responses WebSocket API wysyłasz poprawkę, gdy model pracuje. Jest tu jedno ważne ograniczenie: aktualizacje trafiają do kolejki i nie anulują działających narzędzi ani nie cofają wykonanych działań. Poprawka nie jest więc przyciskiem "cofnij".
2. Pozwól modelowi pracować, gdy narzędzie liczy. Przy asynchronicznym wywoływaniu narzędzi model kontynuuje niezależną pracę, gdy Twoja aplikacja wykonuje wolniejsze zadanie, np. testy. Gdy wynik jest gotowy, aplikacja go zwraca. Pracę, która od niego zależy, wstrzymaj do jego otrzymania.
3. Podzlecaj niezależne podzadania. GPT-6.1 Sol obsługuje przepływy multi-agent w Responses API: potrafi przydzielić niezależną pracę subagentom (np. zbadanie różnych części bazy kodu) i połączyć ich ustalenia w jedną odpowiedź. Ta funkcja jest obecnie w becie, więc traktuj ją jako eksperyment, nie fundament.

W Codex: pytania i zmiana wymagań

• Odpowiadaj na pytania w trakcie. Z GPT-6 Astra Codex może prosić o doprecyzowanie podczas pracy. Rozstrzygaj sprawy wpływające na następny krok i wskaż, jaka niezależna praca może iść dalej, gdy decydujesz. Jeśli znikasz, napisz, które zadania mają trwać, a kiedy Codex ma się zatrzymać i czekać.
• Przekierowuj, gdy zmieniają się wymagania. Podaj nową informację, wyjaśnij, co ma się zmienić i co zostaje. Dzięki temu model nie dopracowuje podejścia, które już nie spełnia Twoich potrzeb.

Computer use: gdy nie ma API

Computer use jest dostępne dla Astry, Sol i Luny. Model działa wtedy bezpośrednio na stronach internetowych i aplikacjach desktopowych, nawet tych bez API. OpenAI podaje przykład: model bada błąd, poprawia kod, a potem otwiera produkt w przeglądarce, żeby sprawdzić, czy poprawka działa.

1. Wybierz najprostszą niezawodną drogę dla każdego kroku. Jeśli API albo podłączone narzędzie robi robotę wprost, użyj go. Computer use włączaj, gdy model ma odczytać ekran, kliknąć przycisk albo wypełnić formularz.
2. Przy własnej integracji daj modelowi narzędzie uruchamiające kod. Playwright steruje przeglądarkami, a PyAutoGUI aplikacjami desktopowymi.

Skoro model klika w Twoje systemy, testuj go na danych jednorazowych. Jak to zrobić bez przykrych niespodzianek, opisuje tekst o bezpiecznym testowaniu agentów AI.

Przed wdrożeniem: koszt, cache i test na prawdziwych zadaniach

Zanim cokolwiek trafi do produkcji, OpenAI zaleca pięć kontroli.

1. Odchudź kontekst. Wytnij to, czego zadanie nie potrzebuje, ale zostaw dowody, które są potrzebne. Tam, gdzie aplikacja to umożliwia, uruchamiaj niezależne zadania równolegle, żeby jeden wolny krok nie blokował reszty.
2. Wykorzystaj prompt caching. Wejściowe tokeny z cache kosztują do 95% mniej niż bez cache, zależnie od modelu. Stabilne instrukcje i materiały referencyjne umieść przed zmiennymi szczegółami zadania i utrzymuj spójne definicje narzędzi. Panel cache i przewodnik diagnostyczny pokażą Ci, gdzie ponowne użycie się psuje.
3. Licz koszt całego procesu. Uwzględnij zapisy do cache i ewentualne stawki za długi kontekst. Cena z tabeli to nie cena Twojego procesu.
4. Stosuj kompaktowanie przy długich rozmowach. Compaction zmniejsza rozmiar kontekstu, zachowując stan potrzebny do kontynuowania pracy.
5. Zaplanuj monitoring i sprawdź kontrolę danych. Zdecyduj, jak będziesz obserwować zachowanie modelu, i przejrzyj ustawienia kontroli danych dla swojej aplikacji.

Na końcu zrób test. Uruchom reprezentatywne zadania i zmierz trzy rzeczy: skuteczność zadań, opóźnienie i koszt na udane zadanie. Ta ostatnia miara zamyka dyskusję "tańszy czy lepszy": tańszy model, który często zawodzi, może wyjść drożej na jedno udane zadanie. (To mój wniosek z miary, którą podaje OpenAI. Samą metodę znajdziesz w ich liście kontrolnej wdrożenia dla API.)

Co deklarują firmy testujące Astrę

OpenAI pokazuje cztery przykłady zespołów pracujących z GPT-6 Astra: Harvey, Cognition, Hex i Invideo. Harvey łączy informacje sądowe, orzecznictwo, dokumenty kancelarii i preferencje prawnika, by dopasować projekty pism. Cognition używa Astry w Devin do testowania oprogramowania i zwracania dowodów, czyli nagrania z symulatora i raportu, który oddziela sprawdzone obszary od niesprawdzonych. Hex zamienia pytania biznesowe w opisane wnioski i interaktywne dashboardy, prosząc model także o ocenę, czy liczby mają sens.

Invideo deklaruje około trzykrotnie wyższy odsetek sukcesów w zadaniach korekcji i gradingu kolorów, a kilku montażystów stworzyło około 50 efektów w jeden dzień. To dane zgłoszone przez firmę, nie niezależny test, więc traktuj je jako kierunek, nie gwarancję. Twój własny test z kroku wyżej powie Ci więcej niż cudza statystyka.

Podsumowując: GPT-6 daje trzy modele, trzy pokrętła (model, wysiłek rozumowania, tempo) i kilka mechanizmów do pilnowania długiej pracy. Najdroższa kombinacja nie jest z góry najlepsza. Najlepsza jest ta, która przechodzi Twój test przy najniższym koszcie na udane zadanie.

Jeden krok na start: wybierz jedno powtarzalne zadanie z Twojej pracy, np. streszczanie notatek albo sortowanie zgłoszeń. Napisz do niego zlecenie w czterech częściach z kroku 4 i uruchom je na modelu GPT-6 Luna. Jeśli wynik spełnia Twoją definicję sukcesu, masz tanie rozwiązanie. Jeśli nie, podnieś poziom rozumowania albo przejdź na GPT-6.1 Sol i porównaj koszt na udane zadanie.