Apa Itu GPT-6 Sol? ID Model, Harga, Konteks 872K, dan Benchmark

Jika Anda melihat gpt-6-sol muncul di changelog pada 22 September 2026 dan mengira itu adalah GPT-5.6 Sol yang sudah Anda integrasikan, berhenti di situ. Itu bukan model yang sama. OpenAI menggunakan kembali nama tingkatannya dan meluncurkan model baru di bawahnya, dilatih dengan metode serupa dengan GPT-6 Astra, dengan harga berbeda, dengan jendela konteks berbeda, dan dengan profil benchmark yang berbeda.

Keputusan penamaan tersebut akan menghabiskan uang dan jam debugging bagi tim. Artikel ini membahas apa sebenarnya GPT-6 Sol: ID model, biayanya, angka-angka yang diterbitkan OpenAI, satu pengukuran yang sudah kedaluwarsa, dan di mana Anda dapat memanggilnya hari ini.

GPT-6 Sol sekilas

Sebagai perbandingan dalam keluarga yang sama: GPT-6 Astra seharga $10/$50, dan GPT-6 Luna seharga $0,10/$0,50 dengan jendela konteks 1M dan indeks 37. Pernyataan OpenAI sendiri adalah bahwa Astra “terus menjadi model terbaik kami secara keseluruhan,” jadi Sol bukanlah model andalan. Ini adalah tingkatan di mana biaya per tugas bergerak.

Ini adalah model baru, bukan tingkatan yang diganti namanya

Keluarga GPT-5.6 adalah Sol, Terra, dan Luna. Keluarga GPT-6 adalah Astra, Sol, dan Luna. Dua nama diteruskan, satu tidak, dan satu lagi baru.

Tidak ada GPT-6 Terra. Jika Anda membangun tangga tingkatan berdasarkan skema penamaan GPT-5.6, anak tangga tengah sudah tidak ada dan anak tangga yang tersisa berada pada ketinggian yang berbeda. Perbandingan lama kami mengenai Sol versus Terra dan Luna menjelaskan generasi sebelumnya dan harus dibaca sebagai sejarah.

Garis keturunan harga membuat perbedaan menjadi jelas:

Harga adalah per juta token input dan per juta token output. Baris daftar dan promosi GPT-5.6 berasal dari liputan kami sendiri pada saat itu: harga GPT-5.6 dan pemotongan harga GPT-5.6.

Apa arti sebenarnya dari “50% lebih murah”

OpenAI mendeskripsikan Sol dan Luna sebagai 50% lebih murah dari harga **promosi** GPT-5.6. Kata promosi adalah milik OpenAI, dan itu penting. Perbandingan ini dilakukan terhadap tarif diskon, bukan tarif daftar yang diluncurkan GPT-5.6.

Diukur terhadap harga daftar GPT-5.6 Sol sebesar $5/$30, GPT-6 Sol dengan harga $2/$10 adalah pemotongan 60% pada input dan pemotongan 67% pada output. Pengurangan sebenarnya lebih besar dari angka utama, dan angka utama diukur dari diskon. Kedua pernyataan ini benar sekaligus, dan Anda menginginkan yang kedua dalam model anggaran Anda daripada yang pertama.

Satu hal yang tidak berubah adalah bahwa tarif per token yang lebih murah tidak secara otomatis menghasilkan tagihan yang lebih murah. Model penalaran menghabiskan token output untuk berpikir. Model yang harganya setengah lebih murah per token dan berpikir tiga kali lebih lama bukanlah penghematan. Itulah mengapa OpenAI mengunggulkan angka peluncurannya dengan biaya per tugas daripada biaya per token.

Benchmark yang diterbitkan

Setiap angka di bawah ini berasal dari materi peluncuran OpenAI. Pengaturan upaya penalaran berada dalam tanda kurung karena model-model ini mendapatkan skor yang sangat berbeda pada tingkat upaya yang berbeda, dan baris benchmark tanpa pengaturan upaya bukanlah angka yang dapat digunakan.

Polanya konsisten di keempatnya: Sol berada di atau sedikit di atas model-model terdepan yang dibandingkan dengannya, dengan sebagian kecil dari biaya per tugas. Pada AutomationBench, Sol di xhigh mengalahkan Claude Opus 5 di max dengan 9% dari biaya per tugas Opus 5. Pengaturan Claude Fable 5.1 dengan fallback Opus 5 mencetak 31,4%, di bawah Sol, dengan biaya lebih dari 8,9x.

OpenAI juga menyatakan bahwa Sol membuat kesalahan faktualitas sekitar setengah lebih sedikit dibandingkan pendahulunya.

Perbandingan yang kedaluwarsa pada hari peluncuran

Baca tabel itu lagi dan perhatikan model Claude mana yang menjadi benchmark-nya. Claude Opus 5.

Anthropic meluncurkan Claude Opus 5.5 pada hari yang sama, dengan harga $4/$20 dibandingkan Opus 5 yang seharga $5/$25, dan model ini menempati posisi nomor satu dari 212 model yang diberi peringkat pada Indeks Kecerdasan Analisis Buatan, dengan skor 58. Posting peluncuran OpenAI ditulis sebelum model itu ada, jadi setiap baris “mengalahkan Opus 5 dengan 9% dari biaya” diukur terhadap model yang digantikan dalam hitungan jam.

Hal itu tidak membuat angka-angka OpenAI salah. Angka-angka tersebut akurat untuk perbandingan yang mereka lakukan. Namun, itu berarti Anda tidak boleh membawanya ke dalam presentasi pengadaan tahun 2027 sebagai kondisi terkini. Jika Anda memerlukan jawaban Sol versus Opus 5.5, belum ada yang menerbitkannya, dan angka-angka perbandingan langsung yang beredar di media sosial berasal dari penguji individu, bukan dari salah satu vendor.

Pilar perang harga kami melacak ketiga peluncuran dalam satu tabel.

Model murah bukanlah model yang cepat

Pengukuran pihak ketiga dari Artificial Analysis menempatkan GPT-6 Sol pada 115,2 token output per detik dengan **waktu hingga token pertama 102,15 detik** dalam konfigurasi penalaran maksimalnya. GPT-6 Luna, model yang lebih murah, mengukur waktu hingga token pertama lebih lambat yaitu 124,23 detik.

Dua peringatan sebelum Anda merencanakan berdasarkan angka-angka tersebut. Angka-angka tersebut berasal dari pihak ketiga, bukan diterbitkan oleh vendor. Dan angka-angka tersebut khusus untuk varian penalaran maksimal, yang merupakan pengaturan paling mahal untuk dijalankan dan paling lambat merespons. Tingkat upaya yang lebih rendah akan berperilaku berbeda, dan OpenAI belum menerbitkan angka latensi sendiri.

Bahkan dengan kedua peringatan tersebut, bentuk hasilnya adalah hal yang perlu dipahami. Penantian 102 detik sebelum token pertama tiba bukanlah celah yang mungkin dapat ditahan oleh konfigurasi timeout Anda yang sudah ada. Timeout klien HTTP default berada pada 30 atau 60 detik. Load balancer akan idle. Fungsi tanpa server akan mencapai batas eksekusinya. Jika Anda memindahkan endpoint sinkron dari GPT-5.6 Sol ke GPT-6 Sol dengan upaya tinggi, pekerjaan integrasinya ada pada lapisan timeout dan streaming Anda, bukan pada prompt.

Ini layak Anda ukur sendiri daripada hanya mempercayai kami atau Artificial Analysis. Di Apidog, Anda dapat mengarahkan permintaan ke endpoint OpenAI, mengatur ID model sebagai variabel lingkungan sehingga satu koleksi mencakup setiap tingkatan, dan membaca waktu respons langsung dari setiap eksekusi. Buat permintaan yang sama tiga kali pada tiga tingkat upaya, simpan sebagai skenario uji, dan Anda memiliki tabel latensi sendiri untuk prompt Anda sendiri dalam waktu sekitar sepuluh menit. Angka itulah yang harus menjadi dasar konfigurasi timeout Anda.

Prompt caching mendapatkan rilis nyata

Bersamaan dengan model-model tersebut, OpenAI meluncurkan perubahan caching yang lebih penting daripada harga utama bagi siapa pun yang menjalankan agen:

• Diskon 90% untuk pembacaan input yang di-cache. Dengan input $2, pembacaan yang di-cache adalah $0,20 per juta token.
• Tingkat keberhasilan cache yang lebih tinggi secara default, tanpa perlu perubahan kode.
• Mengubah upaya penalaran atau ketersediaan alat tidak lagi merusak cache. Sebelumnya, peningkatan upaya di tengah percakapan akan membatalkan prefiks yang di-cache.
• Titik henti eksplisit, sehingga Anda memilih di mana prefiks yang di-cache berakhir alih-alih menebak.
• Dasbor Cache Prompt dan alat diagnostik, sehingga tingkat keberhasilan tidak lagi tidak terlihat.

GitHub melaporkan lebih dari 50% lebih sedikit token prompt yang memerlukan pemrosesan baru di seluruh miliaran permintaan. Pada jendela konteks 872.000 token, perbedaan antara tingkat keberhasilan 20% dan 80% adalah perbedaan antara produk agen yang layak dan yang diam-diam Anda matikan.

Perubahan upaya dan ketersediaan alat adalah hal yang terlupakan. Loop agen secara rutin meningkatkan upaya ketika tugas menjadi sulit dan menukar set alat antara langkah perencanaan dan eksekusi. Di bawah perilaku lama, kedua langkah tersebut membuang cache tepat ketika konteksnya paling panjang.

Di mana Anda dapat memanggilnya hari ini

Kesenjangan Obrolan adalah hal yang membuat orang tersandung. Jika Anda biasanya memeriksa prompt di antarmuka konsumen ChatGPT sebelum mengintegrasikannya ke dalam kode, Anda tidak akan menemukan GPT-6 Sol di sana. Gunakan Codex atau langsung ke API.

Panggilan minimal terlihat seperti ini:

curl https://api.openai.com/v1/responses \
  -H "Authorization: Bearer $OPENAI_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "model": "gpt-6-sol",
    "input": "Summarize the breaking changes in this OpenAPI diff.",
    "reasoning": { "effort": "high" }
  }'

Konfirmasikan bentuk permintaan terhadap referensi model OpenAI saat ini sebelum Anda meluncurkannya. ID model adalah bagian yang telah kami verifikasi.

Seberapa berharga ini bagi Anda

Salah satu angka dari peluncuran OpenAI memberikan gambaran tentang siapa yang menjadi target harga ini: peneliti OpenAI rata-rata menghabiskan lebih dari $600 per hari untuk agen pengkodean, dan persentil ke-90 menghabiskan $7.000 per hari. Pada skala tersebut, pemotongan biaya per tugas sebesar 80% adalah item baris anggaran, bukan kesalahan pembulatan.

Untuk sebagian besar tim, perhitungannya lebih kecil dan lebih spesifik:

Apa pun pilihan Anda, perubahan ini adalah perubahan perilaku, bukan perubahan konfigurasi. Prompt yang sama, model baru, output berbeda. Jalankan suite uji API Anda yang sudah ada terhadap ID model baru sebelum Anda mengarahkan lalu lintas produksi ke sana, dan pastikan skema respons serta latensi, bukan hanya kode status 200. Itulah celah antara model yang memiliki benchmark bagus dan model yang berfungsi di tumpukan Anda.