«Примерно вдвое меньше фактических ошибок, чем у GPT-5.6 Sol»: GPT-6 Sol и GPT-6 Luna стали общедоступны в Amazon Bedrock

Две оси масштабирования: что модель умеет и как часто её применяют

AWS формулирует задачу через две величины: что модель способна сделать и насколько часто её можно использовать. Больше интеллекта расширяет сложность задач — от тонких проблем в коде до многошаговых процессов в разных инструментах, — а эффективность определяет, насколько широко эту способность можно применять к повседневной и повторяемой работе, где каждый лишний токен, повтор запроса и секунда задержки умножаются на число обращений.

Место в семействе распределено явно: GPT-6 Astra задаёт верхнюю границу для самых амбициозных проектов, где качество результата важнее стоимости, GPT-6 Sol приносит сильные рассуждения и работу с кодом в задачи, которые выполняются в течение недели, а GPT-6 Luna делает узкие повторяемые операции практичными при большом объёме. Обе новые модели доступны в Amazon Bedrock на движке вывода, построенном для производительности, безопасности и надёжности при масштабе.

GPT-6 Sol: сложные задачи, которые повторяются

Sol рассчитан на требовательную работу, которая возвращается в разработке и эксплуатации: реализацию функций, отладку, рефакторинг и ревью кода, анализ данных и многошаговые процессы в разных приложениях. Улучшения по сравнению с GPT-5.6 Sol в программировании и работе с компьютером позволяют вести задачу от исследования через реализацию к проверке, сохраняя контекст своих решений.

Поскольку агент проходит всё больше этого пути, командам нужно видеть, что он изменил, что проверил и что подтвердить не смог. На внутренней оценке фактичности OpenAI обнаружила, что GPT-6 Sol допускает примерно вдвое меньше фактических ошибок, чем GPT-5.6 Sol, а более ясные сообщения о ходе работы помогают раньше замечать пробелы и понимать, где всё ещё нужно человеческое суждение. Итоговой мерой AWS называет полную стоимость получения пригодного результата — с учётом качества, расхода токенов, повторов и задержки.

GPT-6 Luna: экономика массовых вызовов

Когда задача выполняется тысячи раз в день, экономика каждого вызова определяет, масштабируется ли процесс: одиночная классификация или сводка стоит немного, но извлечение, маршрутизация и последующие шаги в полном конвейере документов накапливают расход с каждым запросом. Luna предназначена именно для таких объёмов — извлечения информации из больших коллекций документов, суммаризации входящих материалов, классификации входных данных и ответов на узкие вопросы для многих пользователей и приложений.

Эффективность при объёме требует и стабильности результата: оценки OpenAI показывают улучшения фактической надёжности Luna и более ясную подачу выводов, а усилие рассуждения можно настраивать на каждый запрос, балансируя качество, скорость ответа и стоимость.

Разная глубина на разных шагах без пересборки контекста

Одному приложению нужны разные уровни интеллекта по мере продвижения запроса: Luna может классифицировать входящие обращения, Sol — разбирать сложные случаи, а Astra — подключаться там, где дополнительная глубина рассуждений действительно меняет решение. Это концентрирует интеллект там, где он создаёт наибольшую ценность, и одновременно удерживает задержку и стоимость по всей системе.

Внутри каждого шага повторные вызовы одной модели нередко переиспользуют инструкции, описания инструментов, политики и справочные материалы, и повторная обработка этого контекста съедает выигрыш от правильного выбора модели. Поэтому Sol и Luna поддерживают явное кэширование промптов в Amazon Bedrock: содержимое можно пометить как переиспользуемое, а последующие запросы будут обрабатывать только новый ввод — это полезно ассистентам по коду, поддержке на общих политиках и документным процессам с единой схемой извлечения.

Доступ, аудит и данные

Качество модели — лишь часть условий успеха в продакшене; нужны инфраструктура, выдерживающая изменение спроса, экономика, сохраняющаяся при повторах, и контроль доступа к чувствительным данным. В Amazon Bedrock доступ к моделям регулируется политиками AWS Identity and Access Management, каждый вызов можно отследить через AWS CloudTrail, а конечные точки виртуального частного облака на базе AWS PrivateLink помогают удерживать трафик внутри границ сети. Вывод выполняется на аппаратно изолированной инфраструктуре с нулевым операторским доступом, так что даже сотрудники AWS не могут обратиться к промптам и ответам во время инференса.

Данные инференса не используются для обучения моделей, и применение Sol и Luna не требует согласия на передачу данных OpenAI. Для автоматического выявления злоупотреблений трафик, помеченный классификатором, хранится в AWS до 30 дней и обрабатывается программно, а нулевое хранение данных можно запросить через команду своего аккаунта. Начать работу с моделями можно в консоли Amazon Bedrock или программно через поддерживаемые API, а регионы, конечные точки, профили вывода и цены перечислены в документации Amazon Bedrock.