GPT-5.5 против GPT-5.6: нужно ли всегда выбирать новую модель

У релиза новой модели есть предсказуемый эффект: старая мгновенно начинает казаться устаревшей.

Но в рабочей системе вопрос должен звучать иначе:

Какая конфигурация дает лучший принятый результат для конкретного класса задач?

Это сложнее, чем сравнить две цифры в таблице. Зато такой подход защищает от двух крайностей: продолжать использовать старую модель по привычке или переводить все процессы на новую без проверки.

GPT-5.6 - это три модели

Семейство состоит из Sol, Terra и Luna.

Sol

Флагманская модель с максимальным потолком качества. OpenAI позиционирует ее для сложного кодинга, профессиональной аналитики, исследований, computer use и долгих агентных задач.

Terra

Средний уровень семейства. Основная идея - сохранить значительную часть возможностей Sol при более низкой цене и лучшей скорости. Для многих компаний именно Terra, а не Sol, может стать рабочей моделью по умолчанию.

Luna

Наиболее быстрая и дешевая модель семейства. Ее задача - хорошо выполнять ясные, ограниченные и массовые операции.

Это означает, что вопрос «GPT-5.5 или GPT-5.6» слишком грубый. Иногда корректнее сравнивать GPT-5.5 Medium с Terra Medium, а не с Sol Max.

Цена API

На момент подготовки статьи официальные цены за миллион токенов выглядят так:

Из этого следует только одно прямое утверждение:

При одинаковом числе входных и выходных токенов Sol и GPT-5.5 имеют одинаковую базовую API-цену, Terra примерно вдвое дешевле, Luna - примерно в пять раз дешевле.

Но реальная задача редко использует одинаковое число токенов на разных моделях. Одна модель может дольше рассуждать, другая - сделать больше tool calls, третья - потребовать повторный запуск.

Поэтому цена за миллион токенов не равна цене результата.

Что показывают официальные бенчмарки

OpenAI публикует существенный рост на ряде направлений:

• агентное программирование;
• terminal workflows;
• browsing;
• computer use;
• профессиональная аналитика;
• длинные многоэтапные задачи.

Например, в релизных материалах Sol показывает сильные результаты на Terminal-Bench 2.1, BrowseComp и OSWorld 2.0. Это согласуется с главным позиционированием модели: она особенно сильна там, где нужно не просто выдать текст, а долго взаимодействовать со средой.

Но из этого нельзя делать вывод, что Sol лучше GPT-5.5 на каждой задаче.

Бенчмарк измеряет конкретный набор задач, конкретный harness и конкретный reasoning. Небольшая разница может находиться в пределах статистического шума. Кроме того, OpenAI отдельно обращала внимание на качество отдельных наборов coding-задач и оценивала, что заметная доля SWE-Bench Pro может быть некорректно специфицирована или сломана.

Что добавляют независимые измерения

Artificial Analysis после релиза поставила GPT-5.6 Sol среди лидеров агрегированного Intelligence Index и на первое место своего Coding Agent Index в Codex harness.

Это важный независимый сигнал, но не финальный ответ.

Причины:

• агрегированный индекс смешивает разные классы задач;
• coding harness влияет на результат не меньше базовой модели;
• стоимость оценивается по конкретным прогонам;
• результаты первых дней могут обновляться;
• сильная позиция в индексе не гарантирует преимущество на внутренних документах или звонках компании.

Правильная интерпретация:

Независимые данные подтверждают, что GPT-5.6 действительно сдвигает соотношение качества и стоимости. Они не доказывают, что любая конфигурация GPT-5.6 автоматически лучше любой конфигурации GPT-5.5.

Правда ли, что GPT-5.6 лучше при меньшем reasoning

OpenAI рекомендует при миграции сначала сравнить новую модель на прежнем reasoning, а затем попробовать уровень ниже на репрезентативных задачах.

Это означает, что компания ожидает более высокую эффективность нового поколения. Но рекомендации не следует превращать в универсальную формулу вроде:

Sol Low всегда лучше GPT-5.5 High.

Открытой полной матрицы всех coding-, research- и document-бенчмарков по каждому effort нет.

Практический вывод осторожнее:

• GPT-5.6 стоит тестировать на один reasoning ниже;
• снижение нужно подтверждать приемкой;
• для отдельных сложных задач прежний High может остаться необходимым;
• выигрыш может проявляться в меньшем числе итераций, а не только в меньшем числе reasoning-токенов.

Где GPT-5.6 выглядит наиболее убедительно

1. Агентное программирование

Когда модель должна читать репозиторий, запускать команды, исправлять ошибки и повторять цикл.

2. Работа с инструментами

Браузер, computer use, терминал, файлы и внешние приложения.

3. Длинные исследования

Сбор источников, сопоставление данных, подготовка связного документа.

4. Профессиональные артефакты

Документы, таблицы, презентации, технические материалы.

5. Сложные неоднозначные задачи

Где нужно не только выполнить инструкцию, но и удерживать несколько ограничений одновременно.

Где GPT-5.5 может остаться рациональной

Проверенный стабильный процесс

Если агент на GPT-5.5 уже регулярно проходит приемку, миграция должна иметь измеримую цель.

Низкая частота использования

Если процесс запускается раз в квартал, экономия Terra может не окупить время на перенастройку.

Чувствительность к изменению стиля

Новая модель может иначе интерпретировать творческие или редакционные инструкции. Иногда стабильность важнее потенциального улучшения.

Временная совместимость

Часть инфраструктуры, интеграций или сохраненных промтов может быть привязана к старой модели.

Отсутствие доказанного выигрыша

Если задача простая, GPT-5.5 и новая модель могут давать одинаково приемлемый результат.

Когда старая модель перестает быть рациональной

Сохранять ее только из осторожности тоже неправильно.

Сигналы перехода:

• новая модель стабильно проходит приемку на меньшем reasoning;
• Terra дает сопоставимое качество при меньшей цене;
• Sol заметно снижает число повторных итераций;
• старый workflow регулярно застревает на tool use или длинном контексте;
• появилась официальная рекомендация о прекращении поддержки;
• модель больше недоступна в нужной поверхности.

Как сравнивать честно

Минимальный тест должен включать три конфигурации:

1. GPT-5.5 в текущем рабочем режиме;
2. GPT-5.6 на том же effort;
3. GPT-5.6 на один effort ниже.

Оценивать нужно:

• принятие с первой попытки;
• полноту требований;
• количество фактических ошибок;
• лишние действия;
• время человека на проверку;
• число повторных запусков;
• токены или расход allowance;
• полное время до принятого результата.

Стоимость принятого результата

Рабочая формула:

Стоимость принятого результата = стоимость запусков + повторные итерации + время проверки + цена пропущенной ошибки.

Она объясняет, почему самая дешевая модель не всегда экономична и почему максимальная модель не всегда оправдана.

Практическая политика

Luna

Начальная точка для:

• извлечения;
• классификации;
• нормализации;
• коротких текстовых преобразований;
• массовых операций.

Terra

Кандидат на основной рабочий дефолт для:

• документов;
• типовых исследований;
• регулярных бизнес-процессов;
• большинства инженерных задач средней сложности.

Sol

Для:

• критичных документов;
• сложного кодинга;
• многошаговых исследований;
• неоднозначных задач;
• архитектуры;
• высокой цены ошибки.

GPT-5.5

Оставлять временно там, где:

• процесс стабилен;
• миграция не проверена;
• выигрыш не подтвержден;
• важна воспроизводимость старой конфигурации.

Что меняем после этой статьи

1. Не отключаем GPT-5.5 одномоментно.
2. Сравниваем конкретные конфигурации, а не названия поколений.
3. Terra рассматриваем как основной источник экономии.
4. Sol используем по сложности и цене ошибки.
5. Luna тестируем на массовых формализованных процессах.
6. Снижаем reasoning только после приемочного сравнения.

Следующая статья переводит эту модельную карту в практику: встречи, документы, КП, исследования, звонки и контент.

Навигация по серии

• Предыдущая статья: ChatGPT теперь не только чат: Chat, Work, Codex, Research, Projects и API
• Следующая статья: Как выбирать модель для встреч, документов, исследований и контента
• Страница всей серии

FAQ

Новая модель обязательно лучше старой?

Нет. Она может иметь более высокий общий потолок, но конкретный старый процесс может быть лучше откалиброван под GPT-5.5.

Можно ли сравнить модели одним запросом?

Для предварительного впечатления да, для решения о миграции нет. Нужен набор репрезентативных задач и одинаковые критерии оценки.

Почему benchmark недостаточен?

Он измеряет конкретный набор задач и конфигурацию. Ваш процесс может требовать другого формата, инструментов, данных и уровня стабильности.

Источники и границы выводов

Материал подготовлен по состоянию на 10 июля 2026 года. Функции, доступность и лимиты OpenAI могут меняться. Перед операционным решением стоит проверять актуальную документацию.

• GPT-5.6: Frontier intelligence that scales with your ambition
• GPT-5.6 in ChatGPT
• OpenAI model guidance
• OpenAI prompt guidance
• Reasoning models
• Codex models
• Codex rate card
• Projects in ChatGPT
• Deep research in ChatGPT
• Scheduled Tasks in ChatGPT

Официальные бенчмарки показывают возможности в конкретной конфигурации теста, а не гарантированный результат на любой бизнес-задаче. Любой переход между моделями нужно проверять на собственных примерах, критериях качества и ограничениях процесса.