Skip to Content

GPT-6.2: nem a tokenár, a kész feladat ára dönt

Az OpenAI november 17-én 20%-kal olcsóbb tokent és egy ügynökteszten harmadnyinál is kisebb feladatköltséget jelentett be. A különbség a tokenszámban van, és a saját munkán dől el
2026. november 19. · Devertix

Az OpenAI 2026. november 17-én kiadta a GPT-6.2 Astra és a GPT-6.2 Sol modellt. A tokenár csak mérsékelten változott: az Astra bemeneti és kimeneti ára 20%-kal lett alacsonyabb, a Solé maradt a régi. A bejelentés mégis azt emeli ki, hogy az Astra egy ügynökteszten az előző Astra feladatköltségének harmadánál is kevesebből dolgozott. A kettő közötti rés jól mutatja, miért félrevezető modellt választani a tokenárlista alapján.

8 / 40 USDaz Astra bemeneti és kimeneti ára millió tokenenként
−20%az Astra tokenára az előző Astrához képest
< 1/3a feladatonkénti költség az előző Astrához képest, az Agents' Last Exam teszten
~15%a Sol feladatköltsége a régi Astrához mérve, hasonló pontszámnál

A számok a cikkben hivatkozott nyilvános forrásokból származnak – nem Devertix-eredmények.

Mit jelentett be az OpenAI

A bejelentés szerint az Astra millió tokenenként 8 dollár bemenetre és 40 dollár kimenetre, a gyorsítótárazott bemenet (cached input) 0,40 dollár. A Sol ára 2, illetve 10 dollár, ugyanannyi, mint az elődjéé. Az OpenAI azt írja, hogy az Astra az Agents' Last Exam nevű ügynökteszten 5,2 ponttal jobb a GPT-6 Astránál, a feladatonkénti költség harmadánál is kevesebbért. Egy másik teszten (GDPval v2) 22%-kal kevesebb kimeneti tokent használt, mint az elődje.

A független méréseket végző Artificial Analysis összefoglalója hasonló irányt mutat: a Sol az összesített indexükön nagyjából a régi Astra szintjén teljesít, a feladatonkénti költség kb. 15%-áért.

A számtan egyszerű. Ha a tokenár 20%-kal csökken, a feladat ára ezen a teszten pedig több mint kétharmadával, a különbség zöme nem az árlistából jön, hanem abból, hogy a modell kevesebb tokent használ, illetve hogy a mérésben milyen gondolkodási szinten (reasoning effort) futott. Ez a saját következtetésünk; az OpenAI a jobb tokenhatékonyságot nevezi meg okként.

Ábra · miből áll össze egy kész feladat ára
1 · TOKENÁR
Ennyi látszik az árlistán.
Astra: −20%
2 · TOKENSZÁM
Gondolkodási szint, kimenet hossza, gyorsítótár.
Astra: 22%-kal kevesebb kimenet (GDPval v2)
3 · ÚJRAFUTTATÁS
Hányszor kell újrakérni, mire jó lesz.
csak saját méréssel derül ki
4 · ELLENŐRZÉS
Emberi idő, amíg valaki átnézi az eredményt.
csak saját méréssel derül ki
= KÉSZ FELADAT ÁRA  A gyártói teszt az 1–2. tételt méri, a 3–4. a saját folyamatban dől el.
Saját összeállítás. Az 1–2. tétel adatai az OpenAI bejelentéséből származnak; a 3–4. tételre nincs nyilvános adat.

Ami a tesztekből kimarad

A gyártói és a független teszt is szabványos feladatsoron mér. Az Önök munkája ettől két ponton tér el. Az egyik, hogy hányszor kell egy feladatot újrafuttatni vagy kézzel kijavítani, mire használható lesz. A másik az ellenőrzés: amíg egy szakember átnézi az eredményt, az ő ideje is a feladat ára.

Erre maga az OpenAI ad példát. A bejelentés szerint két biztonsági (alignment) teszten mindkét új modell nagyobb eséllyel hallgatta el, ha valami akadályozta a munkáját, például hiányzott egy fájl, vagy nem működött a keresőeszköz. A Codexben ezt utasításokkal jelentősen csökkentették, a jelenséget pedig tovább vizsgálják. Ha egy ügynök nem jelzi, hogy félbemaradt a feladat, a hibát később, drágábban veszik észre.

Egy szemléltető számítás (nem mért adat): 30 ezer bemeneti és 4 ezer kimeneti tokennel, mindkét modellre azonos tokenszámot feltételezve, az Astrával 0,40 dollár, a Sollal 0,10 dollár. A Sol akkor is jóval olcsóbb marad, ha minden második esetben újra kell futtatni: átlagosan 0,15 dollár. Ha viszont minden harmadik eredményét valakinek tíz percig javítania kell, a modellköltség mellékes tétel lesz. Ezt a konkrét feladaton elsőre jó válaszok aránya dönti el.

Mi szól a mérés ellen

Véleményünk szerint a saját feladatokon végzett mérés megéri a ráfordítást, de nem ingyenes. Kell hozzá néhány tucat valódi, ismert jó megoldású eset, és valaki, aki értékeli az eredményt. A modellek ráadásul gyorsan cserélődnek: amit most lemérnek, azt fél év múlva újra kell mérni. Ha a havi modellköltség néhány száz dollár, az alapos összevetés többe kerülhet, mint amennyit megtakarít. Ott elég a legolcsóbb modellel indulni, és csak a gyenge eredményeknél feljebb lépni.

Nagy volumenű, ismétlődő folyamatnál, például szerződések előszűrésénél vagy ügyféllevelek osztályozásánál, más a helyzet. Ott a gyorsítótárazás is számít: ha ugyanaz a hosszú szabályzat minden kérés elején ott van, az Astránál a gyorsítótárazott bemenet huszadannyiba kerül, mint a normál bemenet.

Négy kérdés a következő modellváltás előtt

  1. Mi a mértékegység? Egy elfogadott, kész eredmény ára, nem a millió token ára.
  2. Milyen beállítással mért a gyártó? A gondolkodási szint nagyban változtatja a tokenszámot, ezért ugyanazzal a beállítással kell összevetni.
  3. Jelzi-e az ügynök, ha elakadt? Kérjenek kötelező állapotjelentést, és ellenőrizzék is, hogy a hiányzó bemenetet tényleg jelzi-e.
  4. Mennyi az ellenőrzés ideje? Ha nem mérik, a legolcsóbb modell könnyen a legdrágább lesz.
Devertix

A modellválasztást érdemes a folyamattal együtt eldönteni: milyen feladat, mekkora volumen, ki ellenőrzi az eredményt. Ebben segít az AI-stratégia kialakítása, a méréshez és az éles futtatáshoz pedig az AWS-alapú generatív AI-környezet, ahol több gyártó modellje ugyanazon a felületen vethető össze. Ha a cél egy konkrét folyamat gépesítése, a munkafolyamat-automatizálás oldalunkon találnak kiindulópontot.

Források

Modellválasztás

Mennyibe kerül Önöknél egy kész AI-feladat?

Egy valódi folyamatukon lemérjük az újrafuttatást és az ellenőrzés idejét, és ennek alapján javaslunk modellt.

Ingyenes egyeztetés

Új cikkek és webináridőpontok e-mailben

Értesítjük, amikor új cikk jelenik meg, vagy új webinárt hirdetünk. Bármikor leiratkozhat.

Köszönjük, feliratkozott a hírlevélre.

A feliratkozással megismertem az adatkezelési tájékoztatót.

Miért téved az AI, és hogyan tehető ellenőrizhetővé?
Vezetői AI-sorozat, 2. rész – a forrásmegjelölés ellenőrizhetővé teszi a választ, hibátlanná nem