اگر برای کدنویسی، کار با کامپیوتر یا پروژه های حرفه ای به مدلی قدرتمند نیاز داری اما نمی خواهی هزینه GPT-6 Astra را پرداخت کنی، GPT-6.1 Sol دقیقا برای همین نقطه طراحی شده است. OpenAI این مدل را در 29 سپتامبر 2026 منتشر کرد و آن را نسخه جدید خانواده Sol با عملکرد نزدیک به Astra و هزینه پایین تر معرفی می کند. تمرکز اصلی مدل روی Complex Coding، Computer Use و Workflow های چند مرحله ای است؛ یعنی جایی که مدل باید فقط پاسخ تولید نکند و بتواند ابزار استفاده کند، فایل بررسی کند، کد تغییر دهد و چند مرحله از یک کار را جلو ببرد.

نسل 6.1 چه تغییری ایجاد کرده است؟

OpenAI می گوید خانواده 6.1 تازه ترین شاخه از سری GPT-6 است. عضو Sol این خانواده قرار نیست جای Astra را به عنوان قدرتمندترین مدل بگیرد. هدف آن نزدیک شدن به سطح عملکرد Astra با ترکیب بهتر سرعت و هزینه است. در راهنمای انتخاب مدل، Astra برای سخت ترین مسائل پیشنهاد می شود و Sol جدید برای کارهای پیچیده ای که زمان و هزینه هم اهمیت دارند.
این تفاوت برای توسعه دهنده مهم است. بسیاری از پروژه ها به بالاترین سطح توانایی ممکن احتیاج ندارند. اگر یک مدل بتواند Migration، بررسی Codebase یا Workflow مبتنی بر ابزار را با کیفیت مناسب و هزینه کمتر انجام دهد، انتخاب مدل میانی می تواند منطقی تر باشد.

تمرکز اصلی روی کدنویسی و Agentها

یکی از کاربردهای اصلی مدل جدید Software Engineering است. OpenAI آن را برای Complex Coding معرفی می کند؛ یعنی کارهایی که به خواندن چند فایل، درک ساختار پروژه، پیدا کردن وابستگی ها، اصلاح کد و بررسی نتیجه نیاز دارند. چنین کاری با تولید یک قطعه کد کوتاه تفاوت دارد و Context و استدلال بیشتری می خواهد.
در یک Agent برنامه نویسی، مدل می تواند فایل های مرتبط را پیدا کند، تغییر لازم را اعمال کند و با ابزار مناسب تست یا فرمان اجرا کند. پشتیبانی از Hosted Shell، Apply Patch، Code Interpreter و Skills کمک می کند مدل در Responses API فقط پیشنهاد ندهد و بخشی از جریان اجرایی را هم انجام دهد.

Computer Use و کارهای حرفه‌ای

Computer Use برای Agent هایی کاربرد دارد که باید با مرورگر یا رابط نرم افزار تعامل کنند، اطلاعات را از چند محیط جمع کنند یا بخشی از یک فرآیند حرفه ای را جلو ببرند. صفحه رسمی مدل این قابلیت را در فهرست ابزارهای پشتیبانی شده قرار می دهد.
OpenAI در Model Selection نیز مدل را برای Complex Technical Work و Coordinated Deliverables پیشنهاد می کند. بنابراین کاربرد آن فقط برنامه نویسی نیست و می تواند در پروژه هایی که کد، فایل، مرورگر و خروجی نهایی به هم وابسته هستند استفاده شود.

Context Window و Reasoning

مدل Context Window برابر با 1,050,000 Token دارد و می تواند حداکثر 128,000 Token خروجی تولید کند. Knowledge Cutoff آن نیز 30 آوریل 2026 اعلام شده است. این ظرفیت برای Repository های بزرگ، مجموعه اسناد و Agent هایی که باید تاریخچه زیادی را حفظ کنند اهمیت دارد.
مدل از سطح های low، medium، high، xhigh و max برای Reasoning Effort پشتیبانی می کند و medium حالت پیش فرض است. حالت های none و minimal در این نسخه پشتیبانی نمی شوند. توسعه دهنده می تواند میزان استدلال را با سختی Task هماهنگ کند و برای کارهای ساده تر از سطح پایین تر استفاده کند.
Context بزرگ به معنی ارسال همه داده ها نیست. اطلاعات غیر مرتبط هزینه و زمان را بالا می برند. بهتر است Retrieval و Context Engineering طوری طراحی شوند که فقط داده مورد نیاز هر مرحله وارد مدل شود.

قیمت API چقدر است؟

قیمت استاندارد برای درخواست هایی با حداکثر 272 هزار Token ورودی، 2 دلار به ازای هر یک میلیون Token ورودی و 10 دلار برای هر یک میلیون Token خروجی است. Cached Input فقط 0.10 دلار و Cache Write برابر با 2.50 دلار قیمت دارد.
برای مقایسه، GPT-6 Astra در حالت استاندارد 10 دلار برای ورودی و 50 دلار برای خروجی قیمت دارد. یعنی نرخ پایه ورودی و خروجی Sol جدید یک پنجم Astra است. هزینه واقعی پروژه البته به تعداد مرحله ها، Tool Call ها و Token مصرفی هم بستگی دارد.
در مقایسه با GPT-6 Sol قبلی، نرخ پایه ورودی و خروجی ثابت مانده، اما Cached Input از 0.20 دلار به 0.10 دلار کاهش یافته است. اگر Prompt بیش از 272 هزار Token ورودی داشته باشد، نرخ Input و Cache برای کل درخواست دو برابر و نرخ Output یک و نیم برابر می شود.

ابزارهای پشتیبانی شده

در Responses API مجموعه بزرگی از ابزارها در دسترس است. Web Search و File Search برای پیدا کردن اطلاعات، Code Interpreter و Hosted Shell برای پردازش و اجرا، Computer Use برای تعامل با محیط گرافیکی و MCP برای اتصال به ابزارهای خارجی پشتیبانی می شوند. Image Generation، Apply Patch، Skills و Tool Search نیز در صفحه رسمی مدل آمده اند.
مدل از Function Calling و Structured Outputs هم پشتیبانی می کند. برای Tool Calling باید از Responses API استفاده شود. Chat Completions همچنان قابل استفاده است، اما Tool Calling برای این مدل در آن در دسترس نیست.

Multi-agent چه کاربردی دارد؟

یکی از ویژگی های تازه در زمان انتشار، پشتیبانی Beta از Multi-agent در Responses API است. این قابلیت اجازه می دهد مدل بخشی از یک وظیفه را به Subagent ها واگذار کند. مثلا یک Agent می تواند روی معماری پروژه تمرکز کند و Agent دیگری تست ها یا مستندات را بررسی کند.
این روش برای هر مسئله لازم نیست، اما در کارهای قابل تقسیم می تواند اجرای موازی ایجاد کند. چون قابلیت هنوز Beta است، در پروژه های حساس بهتر است همراه با Logging، محدودیت دسترسی و بررسی خروجی استفاده شود.

ورودی تصویر و خروجی ساختار یافته

مدل متن و تصویر را به عنوان ورودی می پذیرد و خروجی اصلی آن متن است. بنابراین می تواند Screenshot، نمودار، تصویر رابط کاربری یا صفحه سند را در کنار توضیحات متنی بررسی کند. Structured Outputs نیز اجازه می دهد پاسخ در Schema مشخص تولید شود که برای اتصال مدل به Backend و Automation اهمیت دارد.
اگر پروژه به تولید تصویر نیاز داشته باشد، مدل می تواند از ابزار Image Generation در Responses API کمک بگیرد. خود مدل یک Image Model مستقل نیست و تولید تصویر از طریق ابزار مربوط انجام می شود.

دسترسی در ChatGPT Work و Codex

عرضه مدل در ChatGPT Work و Codex نیز آغاز شده است. OpenAI ابتدا دسترسی را برای کاربران Pro فعال کرده و سپس آن را به Plus، Business، Enterprise و Edu گسترش می دهد. برای Enterprise و Edu مدیر Workspace می تواند دسترسی مدل را کنترل کند.
این عرضه برای توسعه دهندگانی مهم است که می خواهند بدون ساخت API جدا، مدل را در پروژه های کدنویسی یا Work امتحان کنند. تمرکز اعلام شده در این محیط ها نیز Agentic Coding، Computer Use و Professional Work است.

وضعیت ایمنی مدل

طبق Addendum رسمی System Card، OpenAI این مدل را در Preparedness Framework در حوزه Cybersecurity در سطح Critical و در Biological and Chemical Capability در سطح High ارزیابی کرده است. به همین دلیل همان Safeguard های GPT-6 Astra برای آن استفاده می شود.
در Agent هایی که به ابزار واقعی دسترسی دارند نیز بهتر است دسترسی حداقلی، تایید انسانی برای اقدام های حساس و ثبت فعالیت ها در نظر گرفته شود.

آیا مهاجرت از نسخه قبلی Sol منطقی است؟

اگر پروژه از GPT-6 Sol استفاده می کند، نسل جدید ارزش آزمایش دارد؛ مخصوصا برای Agentic Coding، Computer Use و کارهای حرفه ای پیچیده. OpenAI کاربران نسخه قبلی را نیز به بررسی راهنمای Migration دعوت می کند.
بهتر است مدل را بدون تست مستقیم جایگزین نکنی. چند Task واقعی پروژه را روی هر دو نسخه اجرا کن و کیفیت، Latency، تعداد Tool Call، Token مصرفی و هزینه نهایی را مقایسه کن. مدل جدید زمانی ارزش بیشتری دارد که نتیجه واقعی Workflow بهتر شود.

جمع بندی

GPT-6.1 Sol جایگاه مشخصی میان Astra و مدل های اقتصادی تر OpenAI دارد. Context بیش از یک میلیون Token، ابزارهای گسترده، Computer Use، Multi-agent Beta و Reasoning قابل تنظیم، آن را برای برنامه نویسی و کارهای چند مرحله ای مناسب می کنند. در عین حال قیمت پایه 2 دلار برای ورودی و 10 دلار برای خروجی باعث می شود در بسیاری از پروژه ها هزینه بسیار پایین تری از Astra داشته باشد.
اگر پروژه به حداکثر توانایی موجود نیاز دارد، Astra همچنان مدل پرچمدار OpenAI است. اما برای توسعه دهندگانی که می خواهند کیفیت بالا را با هزینه کنترل شده ترکیب کنند، نسل جدید Sol گزینه ای است که باید روی Workflow واقعی خودشان ارزیابی شود.