GPT-6 Sol and GPT-6 Luna دو مدل جدید خانواده GPT-6 هستند که OpenAI در 22 سپتامبر 2026 معرفی کرد. این دو مدل بخش مهمی از توانایی های GPT-6 Astra را با سرعت بیشتر و هزینه بسیار پایین تر در اختیار توسعه دهندگان و کاربران قرار می دهند. Sol بیشتر برای برنامه نویسی، کارهای حرفه ای و Workflow های Agentic طراحی شده است، در حالی که Luna روی وظایف مشخص، Automation های پرتعداد و سناریوهایی تمرکز دارد که هزینه و سرعت اهمیت زیادی دارند. OpenAI همچنین قیمت API این دو مدل را نسبت به قیمت تبلیغاتی مدل های مشابه GPT-5.6 حدود 50 درصد کاهش داده است.

خانواده GPT-6 چگونه شکل گرفته است؟

OpenAI نسل GPT-6 را ابتدا با Astra معرفی کرد. Astra قدرتمندترین عضو این خانواده است و برای مسائل دشوار، استدلال پیچیده، Computer Use، برنامه نویسی و انجام Workflow های طولانی طراحی شده است. اما استفاده از قدرتمندترین مدل برای هر کار همیشه از نظر هزینه و سرعت منطقی نیست.
به همین دلیل OpenAI دو مدل جدید را به این خانواده اضافه کرده است. Sol بین قدرت، سرعت و هزینه تعادل ایجاد می کند. Luna نیز گزینه اقتصادی تر برای حجم بالای درخواست و کارهای مشخص است. راهنمای رسمی انتخاب مدل OpenAI، Astra را برای سخت ترین مسائل، Sol را برای کارهای روزمره ای که به قضاوت و توانایی بالا نیاز دارند و Luna را برای وظایف مشخص و پرتکرار پیشنهاد می کند.
این ساختار به توسعه دهنده اجازه می دهد به جای استفاده از یک مدل واحد برای همه بخش های محصول، مدل مناسب هر وظیفه را انتخاب کند.

GPT-6 Sol برای چه کارهایی ساخته شده است؟

OpenAI مدل Sol را برای Complex Coding و Agentic Workflows معرفی کرده است. یعنی زمانی که کار فقط تولید یک پاسخ کوتاه نیست و مدل باید چند مرحله را پشت سر هم انجام دهد، این مدل گزینه مهمی محسوب می شود.
برای مثال یک Agent برنامه نویسی ممکن است ابتدا Repository را بررسی کند، فایل مرتبط را پیدا کند، تغییر لازم را انجام دهد، تست اجرا کند و بر اساس نتیجه تست دوباره کد را اصلاح کند. این نوع Workflow به مدلی نیاز دارد که Context زیادی را حفظ کند و بتواند میان چند ابزار جابه جا شود.
Sol همچنین برای نوشتن، تحلیل، تحقیق و کارهای حرفه ای که به سطح مناسبی از استدلال نیاز دارند طراحی شده است. در راهنمای رسمی OpenAI، این مدل به عنوان گزینه متعادل میان هوش و هزینه معرفی شده است.

GPT-6 Luna چه تفاوتی دارد؟

Luna اقتصادی ترین مدل اصلی خانواده GPT-6 است. OpenAI آن را برای Focused High-volume Tasks طراحی کرده است. یعنی وظایفی که دامنه مشخصی دارند و باید تعداد زیادی از آن ها با هزینه پایین اجرا شوند.
برای مثال دسته بندی پیام ها، استخراج اطلاعات از متن، اصلاح بخش کوچکی از یک فایل، پردازش فرم ها، ساخت پاسخ اولیه یا Automation های تکراری می توانند برای Luna مناسب باشند.
راهنمای Model Selection نیز Luna را برای Fine-grained Edits، استخراج داده و مسئله های مشخص پیشنهاد می کند. با افزایش Reasoning Effort می توان از همین مدل برای وظایف دشوارتر و بررسی اطلاعات در چند برنامه نیز استفاده کرد.
مزیت اصلی این مدل زمانی مشخص می شود که یک محصول روزانه هزاران یا میلیون ها درخواست پردازش کند. در چنین مقیاسی حتی تفاوت کوچک در قیمت Token می تواند هزینه کل زیرساخت را به شکل قابل توجهی تغییر دهد.

قیمت API مدل Sol چقدر است؟

قیمت استاندارد API برای Sol در درخواست هایی با Context کوتاه، 2 دلار به ازای هر یک میلیون Token ورودی و 10 دلار برای هر یک میلیون Token خروجی است. Cached Input نیز 0.20 دلار به ازای هر یک میلیون Token قیمت دارد.
این قیمت به شکل قابل توجهی از Astra پایین تر است. Astra در همان سطح پردازش استاندارد 10 دلار برای ورودی و 50 دلار برای خروجی هزینه دارد. بنابراین اگر یک وظیفه به حداکثر توانایی Astra احتیاج نداشته باشد، Sol می تواند هزینه API را به میزان زیادی کاهش دهد.
OpenAI اعلام کرده قیمت Sol و Luna حدود 50 درصد پایین تر از قیمت تبلیغاتی مدل های متناظر GPT-5.6 است. بهینه سازی Cache و Inference نیز یکی از دلایل کاهش هزینه اعلام شده است.

Luna چقدر ارزان‌تر است؟

قیمت Luna یکی از مهم ترین ویژگی های آن است. هزینه استاندارد هر یک میلیون Token ورودی فقط 0.10 دلار و هزینه خروجی 0.50 دلار است. Cached Input نیز به 0.01 دلار می رسد.
این یعنی Luna برای پردازش تعداد بالای درخواست می تواند بسیار اقتصادی باشد. اگر اپلیکیشن برای هر عملیات به استدلال بسیار عمیق نیاز نداشته باشد، استفاده از مدلی با قیمت بسیار پایین تر می تواند معماری اقتصادی تری ایجاد کند.
البته ارزان بودن نباید تنها معیار انتخاب باشد. توسعه دهنده باید کیفیت خروجی، Latency و درصد موفقیت واقعی روی Task های خودش را نیز اندازه گیری کند.

Context Window هر دو مدل چقدر است؟

هر دو مدل Context Window برابر با 1,050,000 Token دارند. حداکثر خروجی نیز 128,000 Token اعلام شده است.
Context بیش از یک میلیون Token اجازه می دهد مقدار زیادی کد، اسناد، گزارش یا تاریخچه یک Workflow در اختیار مدل قرار بگیرد. این موضوع برای Agent هایی که باید پروژه های بزرگ را بررسی کنند اهمیت زیادی دارد.
اما داشتن Context بزرگ به این معنی نیست که همیشه باید همه اطلاعات را وارد مدل کرد. Context Engineering همچنان اهمیت دارد. ورودی غیر مرتبط می تواند هزینه را افزایش دهد و تمرکز مدل را کاهش دهد.

Reasoning Effort چه کاربردی دارد؟

هر دو مدل از سطح های مختلف Reasoning Effort پشتیبانی می کنند: none، low، medium، high، xhigh و max. حالت medium به صورت پیش فرض استفاده می شود.
این قابلیت به توسعه دهنده اجازه می دهد هزینه و زمان پاسخ را با سختی مسئله هماهنگ کند. برای یک استخراج ساده اطلاعات شاید حالت none یا low کافی باشد. اما برای برنامه نویسی پیچیده یا تصمیم گیری چند مرحله ای می توان سطح بالاتری را انتخاب کرد.
به این ترتیب انتخاب مدل فقط بین Astra، Sol و Luna نیست. حتی داخل هر مدل نیز می توان میزان استدلال را متناسب با Task تنظیم کرد.

پشتیبانی از ابزارها و Agentها

مدل های جدید GPT-6 OpenAI فقط برای تولید متن ساخته نشده اند. هر دو مدل در Responses API از Function Calling، Web Search، File Search و Computer Use پشتیبانی می کنند.
این قابلیت ها برای ساخت AI Agent اهمیت زیادی دارند. مدل می تواند متوجه شود برای انجام کار به چه ابزاری نیاز دارد، آن ابزار را فراخوانی کند و بر اساس نتیجه مرحله بعدی را انتخاب کند.
برای مثال یک Agent می تواند ابتدا اطلاعات یک فایل را بخواند، سپس اطلاعات جدیدی را در وب پیدا کند و در مرحله بعد با Computer Use یک نرم افزار را کنترل کند. Sol برای چنین Workflow های چند مرحله ای مناسب تر است، در حالی که Luna می تواند بخش های ساده تر و پرتعداد همان سیستم را با هزینه پایین تری انجام دهد.

ورودی تصویری نیز پشتیبانی می‌شود

هر دو مدل علاوه بر متن، Image Input را نیز دریافت می کنند. یعنی توسعه دهنده می تواند Screenshot، نمودار، تصویر رابط کاربری یا اسناد تصویری را در اختیار مدل قرار دهد و درباره آن ها سوال کند.
این ویژگی برای Agent های Computer Use اهمیت زیادی دارد، چون مدل باید بتواند وضعیت یک رابط گرافیکی را درک کند. همچنین در پردازش اسناد، گزارش ها و تصاویر محصول کاربرد دارد.
خروجی اصلی این مدل ها همچنان متن است و برای تولید مستقیم تصویر باید از مدل های اختصاصی Image استفاده شود.

Knowledge Cutoff مدل‌ها متفاوت است

طبق مستندات OpenAI، Knowledge Cutoff مدل Sol برابر با 20 آوریل 2026 و Luna برابر با 18 مه 2026 است.
این تاریخ مشخص می کند دانش پایه مدل تا چه بازه ای آموزش دیده است، اما برای اطلاعات جدیدتر می توان از Web Search یا منابع خارجی استفاده کرد.
در محصولات واقعی بهتر است داده های زمان حساس مانند قیمت، اخبار یا اطلاعات حساب کاربر همیشه از منبع زنده دریافت شوند و فقط به حافظه مدل تکیه نشود.

تفاوت Astra، Sol و Luna در انتخاب مدل

می توان خانواده GPT-6 را به سه سطح تقسیم کرد. Astra زمانی مناسب است که کیفیت بالاتر از هزینه و Latency اهمیت دارد. Sol برای بیشتر کارهای حرفه ای و Agentic تعادل خوبی ایجاد می کند. Luna نیز برای درخواست های پرتعداد و مشخص مناسب است.
مثلا در یک Agent توسعه نرم افزار، Astra می تواند برای طراحی معماری بسیار پیچیده استفاده شود، Sol بخش اصلی کدنویسی و بررسی پروژه را انجام دهد و Luna کارهای ساده ای مثل دسته بندی Log یا اصلاح فایل های کوچک را بر عهده بگیرد.
چنین معماری چند مدلی می تواند هزینه کل را کاهش دهد، بدون اینکه برای وظایف مهم از کیفیت لازم صرف نظر شود.

دسترسی به مدل‌های جدید چگونه است؟

OpenAI این دو مدل را از 22 سپتامبر 2026 در API منتشر کرده است. Changelog رسمی نشان می دهد هر دو مدل از Responses API و Chat Completions پشتیبانی می کنند.
همچنین عرضه آن ها در ChatGPT Work و Codex برای کاربران Plus، Pro، Business، Enterprise و Edu آغاز شده است. کاربران Free و Go نیز می توانند Luna را در اپ دسکتاپ امتحان کنند.
دسترسی ممکن است به صورت مرحله ای انجام شود، بنابراین نمایش یک مدل در حساب های مختلف می تواند متفاوت باشد.

آیا Sol و Luna جایگزین Astra هستند؟

نه. OpenAI همچنان Astra را قدرتمندترین مدل خانواده معرفی می کند. Sol و Luna برای جایگزین کردن Astra در همه شرایط ساخته نشده اند، بلکه هدف آن ها ارائه بخش بزرگی از توانایی های نسل GPT-6 با هزینه و Latency پایین تر است.
اگر یک مسئله بسیار مبهم، سنگین یا حساس به کیفیت باشد، Astra می تواند انتخاب مناسب تری باشد. اگر هدف تعادل میان هوش و هزینه باشد، Sol منطقی تر است. برای وظایف مشخص و پرتعداد نیز Luna مزیت اقتصادی بیشتری دارد.
این ساختار باعث می شود توسعه دهنده به جای پرسیدن «بهترین مدل کدام است؟» سوال دقیق تری مطرح کند: «کدام مدل برای این Task مشخص بهترین نسبت کیفیت، سرعت و هزینه را دارد؟»

جمع بندی

GPT-6 Sol and GPT-6 Luna نشان می دهند OpenAI در نسل جدید فقط روی افزایش توانایی خام تمرکز نکرده و کاهش هزینه اجرای هوش مصنوعی را نیز جدی گرفته است. Sol برای برنامه نویسی پیچیده، Agent ها و کارهای حرفه ای طراحی شده و Luna برای وظایف مشخص، Automation و حجم بالای درخواست گزینه اقتصادی تری است.
هر دو مدل Context بیش از یک میلیون Token، Reasoning قابل تنظیم، ورودی تصویری و دسترسی به ابزارهای مختلف دارند. تفاوت اصلی در سطح توانایی، سرعت و هزینه است. برای توسعه دهندگان، این تنوع امکان طراحی معماری هوشمندتری را فراهم می کند که در آن هر Task با مدلی اجرا شود که واقعا به آن نیاز دارد.