GPT-6 для разработчиков: что изменилось и как перейти на новые модели

Разработка 10 мин чтения

---

OpenAI выпустила семейство GPT-6 и вместе с ним - подробную документацию по миграции. Для большинства разработчиков переход не сводится к замене строки с идентификатором модели: изменилась логика агентов, параметры рассуждения и правила кэширования. Ниже - разбор того, что именно поменялось, как это затрагивает продуктовые команды и что проверить перед тем, как переключить прод.

Три модели семейства GPT-6: чем они отличаются

Семейство состоит из трёх вариантов с разными профилями применения. GPT-6 Astra - флагман с максимальными возможностями, ориентированный на задачи, где качество важнее скорости и стоимости. GPT-6 Sol - модель для сложных сценариев, требующих глубокого рассуждения, при этом с более сбалансированным соотношением возможностей и цены. GPT-6 Luna закрывает нишу высокообъёмной повторяющейся обработки, где важна предсказуемость и экономичность.

Все три поддерживают текстовый и графический ввод, мультиязычность и работу со зрением. Доступ к ним осуществляется через Responses API - OpenAI явно называет его предпочтительным интерфейсом, особенно при работе с инструментами и рассуждением. Chat Completions API остаётся доступным, но для новых проектов его использование уже не рекомендуется в качестве основного пути.

Для выбора модели под конкретную задачу полезна простая логика: если задача требует сложного анализа или нестандартных решений - Astra или Sol. Если задача повторяется тысячи раз в день и результат должен быть стабилен - Luna. Разные агенты одного приложения могут использовать разные модели: быстрая и дешёвая для первичной маршрутизации, более мощная - для финального анализа.

Что изменилось в поведении агентов

Главное архитектурное изменение GPT-6 касается агентных сценариев. Модель теперь умеет продолжать работу во время ожидания ответа от внешнего инструмента, учитывать новые инструкции, поступившие в процессе выполнения задачи, и динамически менять глубину рассуждения по ходу диалога - без перезапуска сессии.

Это меняет поведения в сценариях, где агент параллельно вызывает несколько инструментов или получает уточнения от пользователя в середине длинного шага. Раньше такие случаи требовали явной оркестрации на уровне кода приложения. Теперь часть этой логики берёт на себя модель - но это же означает, что конфликты между инструкциями стали влиять на результат сильнее.

OpenAI прямо предупреждает: GPT-6 строже соблюдает заданные инструкции, чем предыдущие версии. Если в системном промпте и в файле AGENTS.md есть противоречия, модель не «усредняет» их, а реагирует на конфликт более выраженно. Перед миграцией стоит пройтись по всем файлам конфигурации агентов и убедиться, что инструкции согласованы.

Параметры рассуждения: что проверить при миграции

Одно из ключевых отличий GPT-6 от предыдущих моделей - явное управление глубиной рассуждения через параметр reasoning_effort. Здесь есть несколько важных нюансов.

• GPT-6 Astra не поддерживает значение none для этого параметра - рассуждение всегда включено. Sol и Luna значение none поддерживают. Если в текущем коде явно передаётся none для Astra, запрос завершится ошибкой.
• Значение minimal больше не рекомендуется как рабочая настройка. OpenAI советует заменить его на low и сравнить результаты на реальных задачах - поведения может отличаться от ожидаемого.
• При любом ненулевом уровне рассуждения становятся несовместимы параметры temperature, top_p и top_logprobs. В Chat Completions к ним добавляется ещё logprobs. Если эти параметры остаются в запросе при включённом рассуждении, API вернёт ошибку. Их нужно убрать или обнулить до миграции.

Практический чек-лист по параметрам рассуждения:

• Проверить, передаётся ли reasoning_effort: none для Astra - убрать или заменить.
• Найти все вхождения minimal и заменить на low, затем протестировать.
• Убедиться, что при ненулевом рассуждении из запросов удалены temperature, top_p, top_logprobs.
• В Chat Completions дополнительно убрать logprobs.

Кэширование промптов: новый параметр

Если приложение использовало кэширование промптов при работе с GPT-5.5 или более ранними моделями, параметр prompt_cache_retention больше не работает. Его заменяет prompt_cache_options.ttl со значением 30m.

Это небольшое, но критичное изменение для высоконагруженных сценариев: если кэширование молча перестало работать после смены модели, стоимость запросов может вырасти незаметно. Проверить это стоит сразу после миграции - сравнить количество кэш-хитов до и после переключения.

В целом логика кэширования в GPT-6 стала более явной: параметры теперь вложены в объект prompt_cache_options, что позволяет в будущем расширять настройки без конфликтов имён. Но для тех, кто мигрирует с более старых версий, это означает обязательный рефакторинг соответствующих вызовов.

Как устроена работа с моделями в Agents SDK

OpenAI Agents SDK - как Python-, так и TypeScript-версия - скрывает детали взаимодействия с API за двумя интерфейсами. Model отвечает за выполнение отдельного запроса к конкретному API. ModelProvider сопоставляет удобные строковые имена моделей с их реализациями.

Модель можно задать тремя способами: напрямую при создании агента, через RunConfig в момент запуска или через переменную окружения OPENAI_DEFAULT_MODEL как резервный вариант. В производственной среде OpenAI рекомендует всегда указывать модель явно - не полагаться на дефолтное значение конкретной версии SDK, которое может измениться при обновлении зависимостей.

Помимо выбора модели, поведение агента определяют modelSettings: уровень рассуждения, степень детализации вывода (verbosity) и настройки работы с инструментами. Параметр prompt позволяет использовать сохранённую конфигурацию промпта вместо того, чтобы хранить полный системный промпт в коде - удобно для команд, которые итерируют промпты без деплоя.

Для транспорта SDK предлагает выбор между Responses API и Chat Completions API. Responses API поддерживает потоковую генерацию, вызовы инструментов и гибкие форматы вывода - именно поэтому он рекомендован как основной. Chat Completions остаётся доступным для обратной совместимости. SDK также допускает подключение сторонних провайдеров и собственных реализаций интерфейса Model.

Документация платформы: что охватывает и где искать нужное

OpenAI Platform Docs структурирована по слоям сложности. Для быстрого старта есть раздел с первым API-запросом. Для продуктовых команд - разделы по работе с моделями, генерации текста и структурированных данных, обработке изображений, инструментам и агентным сценариям.

API Reference охватывает REST-, потоковые и realtime-интерфейсы, схемы запросов и ответов, события потоковой передачи, методы SDK, аутентификацию, обработку ошибок, ограничения частоты запросов и идентификаторы запросов. Официальные клиентские библиотеки доступны для Python, Node.js и .NET.

Отдельные разделы посвящены поиску по файлам и веб, вызовы пользовательских функций, MCP-сервером, генерации изображений и выполнению кода в изолированном контейнере. Последнее особенно актуально для агентных сценариев, где модель пишет и запускает код - как в примере из документации, где агент создаёт файл, запускает его в песочнице OpenAI и возвращает результат.

Для работы с Agents API через прямые HTTP-запросы нужен заголовок OpenAI-Beta: agents=v1 - SDK добавляет его автоматически, но при ручных запросах через cURL или собственный HTTP-клиент его нужно указывать явно.

Агентные сценарии: строительные блоки и подходы

OpenAI выделяет четыре основных строительных блока агентных систем: модели, инструменты, состояние и память, а также оркестрация. Для разработки агентов предлагается два пути.

Responses API позволяет самостоятельно определять логику и координацию - подходит командам, которым нужен полный контроль над поведением агента. Agents SDK - более высокоуровневый фреймворк для создания как отдельных агентов, так и сетей агентов, где несколько моделей взаимодействуют между собой.

Сети агентов открывают интересную возможность для оптимизации стоимости: разные агенты одного процесса могут использовать модели разных размеров. Например, первичная маршрутизация запроса - через Luna, а сложный анализ с рассуждением - через Sol или Astra. Это позволяет платить за мощность модели только там, где она действительно нужна.

Для команд, которые строят агентов для обработки пользовательских запросов в масштабе - например, для автоматизации ответов на отзывы или аналитики отзывов маркетплейсов, - такая архитектура позволяет держать операционные расходы под контролем без потери качества на критических шагах. Именно по этому принципу работают мультиагентные системы, например, использующие нейросотрудников, которые круглосуточно обрабатывают отзывы - и разделение задач между агентами разного уровня здесь напрямую влияет на экономику решения.

Как применить это на практике: чек-лист перед миграцией

Если вы разрабатываете или поддерживаете приложение на базе OpenAI API, вот конкретные шаги перед переключением на GPT-6.

Первое, что нужно сделать - не менять идентификатор модели в проде до проверки остального. Миграция GPT-6 отличается от простой замены строки тем, что несовместимые параметры вызовут ошибки, а не молча проигнорируются.

Чек-лист перед переходом:

• Проверить файлы AGENTS.md и конфигурации skills на противоречия между инструкциями.
• Убедиться, что для Astra не передаётся reasoning_effort: none.
• Заменить minimal на low в параметрах рассуждения и протестировать на реальных задачах.
• При ненулевом рассуждении убрать из запросов temperature, top_p, top_logprobs (и logprobs для Chat Completions).
• Заменить prompt_cache_retention на prompt_cache_options.ttl: 30m при миграции с GPT-5.5 и ранее.
• Перевести новые проекты на Responses API вместо Chat Completions.
• Задать модель явно в коде или конфигурации - не полагаться на дефолт SDK.
• Прогнать типичные рабочие задачи на тестовом окружении до переключения прода.

Типичная ошибка при миграции - проверять только «счастливый путь». GPT-6 строже реагирует на конфликты инструкций, поэтому стоит специально протестировать граничные случаи: запросы с неполными данными, конкурирующие инструкции, длинные диалоги с уточнениями в середине.

Для новых проектов OpenAI рекомендует начинать с основной рекомендованной модели, а на вариант меньшего размера переходить только если снижение задержки или стоимости важнее качества - и только после измерения реального влияния на метрики продукта.