OpenAI wprowadziło 17 listopada 2026 modele GPT-6.2 Astra i Sol - tańsze i wydajniejsze wersje w ChatGPT Work, środowisku Codex oraz w API pod identyfikatorami gpt-6.2-astra i gpt-6.2-sol. Flagowa Astra zeszła z ceną do 8 USD za milion tokenów wejściowych i 40 USD za wyjściowe (zrównując się z Claude Fable 5.2) oraz ścięła koszt cache aż o 60%, z kolei kompaktowy Sol utrzymał pułap 2 USD / 10 USD. Jeśli budujesz agentic workflows, skrypty analityczne czy automatyzacje w SEO, ta rotacja bezpośrednio wpływa na budżet wywołań.
Oficjalny komunikat OpenAI News pozycjonuje oba modele jako narzędzia o podniesionej precyzji w programowaniu, zadaniach z bezpośrednią obsługą komputera (computer use) i orkiestracji subagentów. Nowości od razu zyskały wsparcie w ekosystemie deweloperskim - niezależny deweloper Simon Willison wypuścił wersję 0.38 biblioteki llm z natywną obsługą obu wariantów. Sprawdźmy, jak wyglądają twarde liczby i co pokazują pierwsze niezależne próby.
Astra i Sol w ofercie OpenAI: podział ról w GPT-6.2
Podział na dwa modele w rodzinie GPT-6.2 to kontynuacja strategii rozdzielania zadań na model wagi ciężkiej oraz szybki silnik roboczy:
- GPT-6.2 Astra: model klasy frontier, przeznaczony do najtrudniejszych projektów inżynieryjnych, wieloetapowego planowania, operowania na komputerze oraz pisania złożonego kodu. To bezpośredni konkurent takich jednostek jak Claude Fable 5.2 czy Gemini 4 Carbon.
- GPT-6.2 Sol: wariant efektywnościowy do codziennej pracy, prostszych transformacji danych, klasyfikacji i powtarzalnych zadań w potokach automatyzacji, gdzie priorytetem jest niski koszt jednostkowy i krótki czas odpowiedzi.
Oba modele trafiły równolegle do ChatGPT Work, interfejsu Codex oraz bezpośrednio do API.
Cennik API: ile realnie oszczędzasz na tokenach i cache?
Najbardziej odczuwalną zmianą w GPT-6.2 jest obniżka progu wejścia dla flagowca. GPT-6.2 Astra kosztuje 8 USD za milion tokenów wejściowych i 40 USD za milion tokenów wyjściowych. To dokładnie 80% stawki poprzednika (GPT-6 Astra kosztował 10 USD / 50 USD) i identyczny poziom, na jaki Anthropic wycenił model Claude Fable 5.2.

Jeszcze większa zmiana dotyczy prompt cache. W zadaniach agentowych, gdzie model wielokrotnie czyta ten sam kontekst (repozytorium kodu, dokumentację, bazę reguł SEO czy stan projektu), koszt odczytu z pamięci podręcznej dla Astry spadł z 1,00 USD do 0,40 USD za milion tokenów. To aż 60% oszczędności przy długich sesjach.
Z kolei GPT-6.2 Sol zachował stawkę 2 USD / 10 USD za milion tokenów - taką samą jak wersje 6.1 Sol i 6 Sol, co wciąż stanowi połowę ceny starszego GPT-5.6 Sol (4 USD / 20 USD).
W potokach, które dotychczas analizowałem m.in. przy okazji testów modeli w artykule Gemini 4 Hydrogen vs Gemini 3.8 Flash czy porównań takich jednostek jak Claude Sonnet 5.5, koszt tokenów wejściowych z pamięcią podręczną decyduje o opłacalności całego procesu. Tani cache w Astrze otwiera drogę do trzymania w promptach całych schematów bazodanowych bez obawy o gwałtowny wzrost faktury.
Benchmarki kodowania: jak Astra i Sol wypadają na tle konkurencji?
Niższa cena to jedna strona medalu, drugą stanowi powtarzalna jakość kodu. Pierwsze niezależne próby pokazują, że skok wydajnościowy nie we wszystkich aspektach deklasuje rywali.
W testach porównawczych przeprowadzonych m.in. na benchmarku rysowania pelikana (pelican benchmark) oraz w złożonym zadaniu generowania sceny 3D w Codex CLI przy maksymalnym poziomie wysiłku (Ultra effort), oba modele OpenAI stanęły przed sporym wyzwaniem. Zadanie polegało na stworzeniu animacji w bibliotece three.js z wykorzystaniem danych przestrzennych z OpenStreetMap, w której miasto Yonkers wstaje jako potężny mech i przemierza Manhattan, Queens oraz Brooklyn.
Zarówno GPT-6.2 Astra, jak i GPT-6.2 Sol miały trudności z poprawną animacją transformacji geometrii terenu w robota. W bezpośrednim zestawieniu animacji wygenerowanych przez oba modele OpenAI efekt końcowy ustępował płynności i poprawności strukturalnej, jaką w tym samym zadaniu osiągnęły Claude Fable 5.2 oraz Gemini 4 Carbon.
Astra radzi sobie z generowaniem kodu i logiki, ale w zadaniach wymagających kreatywnej interpretacji przestrzennej i nietypowych bibliotek frontendowych modele Anthropic i Google nadal stawiają poprzeczkę bardzo wysoko.
Zarządzanie subagentami: gdzie Astra gubi rytm?
Wczesne opinie programistów i testerów zwracają uwagę na specyficzny problem z interakcją podczas długich sesji roboczych. Astra została zaprojektowana tak, aby sprawnie delegować pracę do subagentów - potrafi tworzyć instancje pomocnicze, rozdzielać pliki i równolegle analizować zależności w projekcie.
Kłopot pojawia się w warstwie komunikacji zwrotnej z człowiekiem. Model potrafi zablokować trwający proces, zadając użytkownikowi pytania o drobiazgowe, wewnętrzne szczegóły implementacyjne, których nikt na poziomie promptu nadrzędnego nie konfiguruje. Dobrym przykładem jest relacja dewelopera Theo Browne'a: podczas dwugodzinnego zadania budowy poziomu do gry model wstrzymał pracę całego łańcucha agentów, pytając wprost, czy dany wewnętrzny recenzent zapisuje klipy wideo do pliku 24_g521.mp4, czy 24_p11.mp4.
Taki styl komunikacji w systemach autonomicznych to spore utrudnienie. W środowiskach nienadzorowanych (unattended), gdzie agent ma działać w tle, nieoczekiwane pytanie o detal techniczny przerywa cały potok wykonawczy. Do orkiestracji wieloagentowej w terminalu warto więc nadal rygorystycznie definiować instrukcje systemowe dotyczące samodzielnego rozwiązywania konfliktów nazw, o czym pisałem przy omawianiu narzędzia Herdr do zarządzania agentami kodującymi.
Co GPT-6.2 oznacza w praktyce dla SEO i developerów?
Dla osób pracujących na styku programowania i marketingu pojawienie się pary Astra/Sol przynosi trzy bezpośrednie konsekwencje:

- Tańsze potoki ETL i ekstrakcji w n8n: GPT-6.2 Sol przy cenie 2 USD / 10 USD staje się doskonałym kandydatem na domyślny węzeł LLM w potokach przetwarzających tysiące adresów URL, ekstrakcję encji czy klastrowanie słów kluczowych. Jeśli budujesz scenariusze z wykorzystaniem n8n i autonomicznych agentów AI, Sol pozwoli utrzymać niskie koszty bez schodzenia do najmniejszych modeli pokroju Nano.
- Ekonomiczny context-caching w Codex i terminalu: Spadek ceny cache Astry do 0,40 USD za milion tokenów oznacza, że zasilanie modeli pełnym kontekstem projektu (np. plikami routingu Next.js, schematami Sanity czy mapami witryny) kosztuje grosze przy kolejnych iteracjach.
- Konieczność dywersyfikacji dostawców: Benchmarki wizualne i testy złożonego kodu pokazują, że żaden model nie dominuje we wszystkich kategoriach. W środowiskach takich jak Jev przez OpenRouter najrozsądniejszą taktyką pozostaje elastyczny routing: kierowanie trudnej architektury do Fable 5.2 lub Carbona, a ciężkich prac agentowych z dużym context cache do Astry 6.2.
Zanim przekonfigurujesz produkcyjne workflowy, przelicz realny wolumen tokenów wejściowych w swoich skryptach w n8n czy terminalu Codex. Nowe stawki Astry i Sol dają spore pole do oszczędności, o ile architektura Twoich promptów potrafi skutecznie wykorzystać obniżkę cen pamięci podręcznej.
Często zadawane pytania (FAQ)
GPT-6.2 Astra to flagowy model OpenAI przeznaczony do złożonych zadań inżynieryjnych, programowania i obsługi komputera. Kosztuje 8 USD za milion tokenów wejściowych i 40 USD za wyjściowe (20% taniej niż GPT-6 Astra), a stawka za tokeny z pamięci podręcznej (prompt cache) wynosi 0,40 USD za milion.
Sol to lekki i szybki model zoptymalizowany pod kątem powtarzalnych zadań oraz prostych automatyzacji w cenie 2 USD za wejście i 10 USD za wyjście na milion tokenów. Astra oferuje znacznie większe możliwości wnioskowania, orkiestracji subagentów i generowania kodu, lecz jej tokeny wejściowe są czterokrotnie droższe.
Oba modele udostępniono w ChatGPT Work, środowisku programistycznym Codex oraz przez oficjalne API pod identyfikatorami gpt-6.2-astra i gpt-6.2-sol. Obsługę modeli dodano również do otwartoźródłowej biblioteki llm w wersji 0.38.
W niezależnych testach, w tym przy generowaniu złożonych animacji three.js, GPT-6.2 Astra ustępuje płynnością i strukturą modelom Claude Fable 5.2 oraz Gemini 4 Carbon. Użytkownicy wskazują również na tendencję Astry do przerywania pracy pytaniami o techniczne detale podczas długich zadań.
Przejście na GPT-6.2 Astra jest bardzo opłacalne z uwagi na 20-procentową obniżkę cen bazowych i 60-procentowy spadek kosztu prompt cache. W przypadku Sol cena za milion tokenów pozostała na poziomie 2/10 USD, ale model zyskał wyższą stabilność w codziennych potokach danych.
Źródła
- OpenAI News: Introducing GPT-6.2 Astra and Sol
- Simon Willison: GPT-6.2 Astra and GPT-6.2 Sol
Miniaturka i ilustracje w treści zostały wygenerowane przez AI.
Sprawdzę indeksację, robots.txt i renderowanie - dostaniesz listę konkretów do naprawy.




