«Тот же результат заметно быстрее, с меньшим числом запросов и токенов»: Parallel вдвое сократила время и стоимость исследования на GPT‑6 Astra

Что описала OpenAI

Для самых длинных исследовательских задач высокое качество ответа обычно означало большую модель с расширенным рассуждением — а значит, больше времени и ресурсов. По данным страницы, на GPT‑6 Astra компания увидела заметное улучшение сразу по времени и по стоимости. «С Astra мы показали, что тот же качественный результат можно получить намного-намного быстрее, с меньшим числом исследовательских вызовов и меньшим расходом токенов», — говорит Дэвин Гупта (Devin Gupta), член технического штата Parallel Web Systems.

Основные цифры OpenAI приводит в самом начале материала: на 50% меньше времени на выполнение исследовательских задач и сокращение стоимости кода на 50%. Оба числа компания описывает как результат одной и той же работы при том же качестве. Страница оформлена как короткий кейс: две метрики вынесены в отдельные блоки, к материалу приложены видеоролик длительностью 54 секунды и аудиоверсия на 1:33, а рядом со историей стоит приглашение в сообщество OpenAI для стартапов и кнопка «Start building».

Шесть месяцев данных вдвое быстрее

Методика описана на конкретном примере: Parallel попросила своего агента исследовать шесть разных статистик рынка труда по четырём штатам за шесть месяцев. Агенту нужно было искать по нескольким сайтам, собирать информацию и собрать найденное в единый исследовательский отчёт. GPT‑6 Astra выполнила эту работу вдвое быстрее предыдущих моделей, при этом стоимость кода сократилась примерно на 50%, а качество исследования осталось тем же.

Меньше шагов и делегирование субагентам

Второе наблюдение касается поведения агента: Astra стала делать более целенаправленные поисковые запросы и проходить меньше шагов до полезного результата. «Astra выдавала более точные поисковые запросы и лучше удерживала конечную задачу, подключая своё знание мира по сравнению с предыдущими моделями», — описывает это Гупта.

Экономия меняет и архитектуру исследования: делить работу между несколькими агентами становится практичнее, потому что GPT‑6 Astra умеет передавать конкретные задачи субагентам. Тогда части исследования идут одновременно, и время на проход по одной последовательности поисков сокращается. Итог для компании сформулирован без цифр: путь от сложного вопроса к исследованному ответу стал дешевле и требует меньше ожидания.

Как читать эти числа

Страница даёт два замера и две прямые цитаты заказчика, но не даёт ни протокола измерений, ни базовой линии: под «предыдущими моделями» конкретные версии не названы. Точка отсчёта по стоимости — стоимость кода, а не общий счёт за исследование. Это отчёт клиента, опубликованный поставщиком, а не независимый бенчмарк, поэтому корректно читать его как описание направления изменений, а не как воспроизводимый результат.

Место в серии тоже информативно: материал вышел в разделе Startup с пометками «Region: North America» и «Products: API», рядом с ним — истории Higgsfield AI и V7 от 21 сентября и Hex от 16 сентября, все на GPT‑6 Astra. Чтобы было понятнее, о чём именно эти кейсы: Higgsfield AI описывает выпуск новых видеофункций за день, V7 — институциональную память для AI-агентов, Hex — перевод сложной аналитики в визуальные отчёты.

Что из этого следует для заказчика

Ни версия предыдущей модели, ни методика подсчёта стоимости кода на странице не раскрыты, поэтому 50% стоит читать как единицу измерения внутри одного кейса, а не как универсальный коэффициент экономии. Показательна другая деталь: улучшение проявилось не только в скорости, но и в характере работы агента — меньше шагов, точнее запросы, и появляется смысл делить исследование между несколькими агентами вместо одной длинной цепочки поисков. Для компаний, которые строят исследовательских агентов, это описание того, где именно искать выигрыш при смене модели, а не готовый бенчмарк для сравнения поставщиков.