29 сентября 2026 года OpenAI объявила о GPT‑6.1 Sol для Codex и ChatGPT Work. Для владельца сайта, интернет-магазина или маркетингового агентства этот релиз интересен прежде всего работой над длинными задачами: когда нужно изучить несколько источников, сопоставить данные, подготовить документы, внести изменения и проверить результат. Разбираем, что подтверждено официально, как устроен доступ и где новую модель можно применять в SEO, рекламе и электронной коммерции.

Материал подготовлен по официальной документации, доступной 30 сентября 2026 года. Практические сценарии и расчёты ниже — редакционные рекомендации Digi-Web. Они не являются результатами сравнительного тестирования модели и не обещают конкретного роста продаж.

Что именно вышло: GPT‑6.1 Sol, Codex и ChatGPT Work

В официальной истории изменений релиз называется GPT‑6.1 Sol in Codex and ChatGPT Work. OpenAI позиционирует Sol как модель для сложной профессиональной работы, близкую по возможностям к Astra при более низкой стоимости. Идентификатор модели — gpt-6.1-sol.

Название модели и название приложения отвечают на разные вопросы. Модель формирует ответы и принимает решения внутри рабочего процесса. Приложение предоставляет файлы, подключённые сервисы, инструменты, интерфейс и настройки доступа. Поэтому одинаковое название модели в двух приложениях ещё не означает одинаковый набор возможностей. Анализировать таблицу она сможет только после получения данных, а изменить сайт — после подключения подходящего инструмента и предоставления соответствующих прав.

Согласно документации о доступности моделей, запуск GPT‑6.1 Sol охватывает Plus, Pro, Business, Enterprise и Edu в Codex и ChatGPT Work. Free и Go в стартовое развёртывание не включены. Для Enterprise и Edu требуется включение администратором. GPT‑6.1 Sol доступна в Work и Codex, а обычный режим Chat в этом анонсе не заявлен. Конкретное появление модели зависит от клиента, плана и настроек рабочего пространства.

Это имеет практическое значение при внедрении в команду. Перед покупкой доступа полезно проверить именно тот рабочий интерфейс, который будут использовать сотрудники: веб-версию Work, приложение, CLI или расширение среды разработки. Документировать нужно доступную модель и инструменты, а также владельца аккаунта и порядок передачи подготовленных материалов коллегам.

Доступность API также зависит от страны или территории. На дату проверки Россия не входит в официальный перечень поддерживаемых стран API. До проектирования интеграции проверьте действующие условия для места её использования; этот перечень описывает API, а доступность остальных интерфейсов проверяется отдельно.

Что изменилось относительно GPT‑6 Sol

Публичный анонс описывает позиционирование новой Sol, но сам по себе не доказывает превосходство в конкретной задаче маркетолога. Вместо обещания, что модель стала лучше на произвольный процент, полезно посмотреть на проверяемые характеристики и затем провести собственное сравнение.

В официальном сравнении GPT‑6.1 Sol и GPT‑6 Sol указаны следующие параметры. Цены относятся к показанным в сравнении текстовым токенам API; условия других режимов обработки и дополнительных инструментов проверяются отдельно.

Большой контекст помогает разместить в задаче больше исходных материалов, однако не гарантирует, что модель одинаково внимательно использует каждую строку. Для анализа каталога или рекламы по-прежнему нужны понятная структура входных данных, актуальные версии файлов и явные критерии результата. В противном случае объём информации растёт быстрее, чем её полезность.

Таблица показывает базовые ставки Standard. По карточке GPT‑6.1 Sol, при входе свыше 272 000 токенов стоимость всего запроса повышается: вход и кэш оплачиваются по ставке 2×, выход — 1,5×. Режимы обработки и создание кэша имеют отдельные условия; большое контекстное окно не означает сохранения базовой цены при любом объёме.

Дата среза знаний тоже требует правильного прочтения. Выход модели в сентябре не превращает её встроенные знания в справочник всех сентябрьских событий. Свежие тарифы маркетплейсов, изменения Директа и условия платформ необходимо проверять по действующим источникам. Доступ к поиску и источникам зависит от используемой среды.

Нюансы для разработчиков интеграций

Карточка GPT‑6.1 Sol в API указывает уровни reasoning.effort: low, medium, high, xhigh и max. Значения none и minimal не поддерживаются. Для вызова инструментов используется Responses API; Chat Completions поддерживается без вызова инструментов. Поэтому интеграцию с предыдущими настройками следует проверить до переключения рабочих задач.

Например, сервис обработки карточек мог отправлять запросы с отключённым рассуждением, а внутренний помощник — вызывать поиск или CRM через другой интерфейс. Замены одного имени модели недостаточно: разработчику нужно проверить параметры запроса, обработку ошибок, структуру ответа и подключение инструментов. Для владельца бизнеса это повод включить в план перехода проверку интеграции, а не считать её частью автоматического обновления.

Как выбирать между Sol, Astra и Luna под рабочую задачу

В руководстве OpenAI по выбору модели предлагается учитывать сложность работы, стоимость и скорость. На практике удобно разделить задачи по цене ошибки и глубине проверки.

Эта таблица описывает способ выбора, а не результаты рейтинга моделей. Одной компании нужна обработка большого потока однотипных обращений, другой — исследование причин падения прибыли. Решение стоит принимать по стоимости принятого результата: включая проверку, исправления и повторные запуски. Более дешёвый ответ, требующий долгой переделки, может оказаться менее выгодным.

Сценарий 1. Исследование конкурентов, которое заканчивается рабочим планом

Для маркетолога полезен не перечень красивых сайтов, а понимание, как конкуренты объясняют продукт, закрывают возражения и переводят интерес в обращение. GPT‑6.1 Sol можно использовать для такого многоэтапного исследования, если предоставить проверенные страницы, условия сравнения и задачу бизнеса.

Сначала определите границы: регион, товарную группу, тип покупателя и реальных конкурентов. Оптовый поставщик, розничный магазин и производитель с дилерской сетью могут продавать похожий товар, но иметь разные предложения. Сравнение без этой оговорки приводит к рекомендациям, которые не подходят вашей модели продаж.

Попросите собрать таблицу с фиксированными полями: ассортимент, способ подбора, доступность цены, доставка, документы, гарантия, форма обращения, доказательства опыта. Для каждого факта нужен адрес страницы и дата просмотра. Если информация не найдена, в ячейке должна стоять соответствующая отметка. Отсутствие сведений на просмотренной странице не доказывает, что компания вообще не оказывает услугу.

Следующий этап — оценка собственных страниц. Модель должна указать конкретный пробел, его связь с задачей покупателя и способ проверки. Например, для совместимого комплектующего полезнее добавить таблицу применяемости и форму запроса по артикулу, чем увеличить объём рекламного текста. План изменений заканчивается приоритетами: что исправить быстро, что требует данных поставщика, что проверяется экспериментом.

Сценарий 2. Семантика и SEO: от запроса к подходящей странице

В работе с семантикой модель помогает классифицировать запросы и находить несоответствия между намерением человека и структурой сайта. Однако частотность, сезонность и позиции следует брать из соответствующих инструментов. Текст, придуманный моделью, не становится статистикой поискового спроса.

Передайте выгрузку запросов, URL существующих страниц, данные о показах и переходах, а для коммерческих задач — информацию об обращениях. Сохраните идентификаторы строк: тогда после обработки можно проверить, что запросы не исчезли и не продублировались. Отдельными полями задайте регион, устройство, период и источник выгрузки.

Для поставщика насосного оборудования классификация может учитывать модель, артикул, рабочую среду, производительность, материал и задачу применения. Но модель не должна самостоятельно определять техническую совместимость деталей. Эти сведения подтверждаются документацией производителя или специалистом. Страница под ошибочно подобранную совместимость способна привести к неправильному заказу, даже если выглядит убедительно.

Полезный результат — карта «группа запросов → существующая или новая страница → данные для содержания → целевое действие». Если подходящая страница уже есть, разумнее оценить её полноту и внутренние ссылки. Создание десятков почти одинаковых посадочных страниц без различимого предложения не становится качественным SEO благодаря более сильной модели.

Для технического каталога этот подход дополняет работу, описанную в кейсе «Торг-Снаб»: организация ассортимента и характеристик создаёт основу для продвижения. Результат будущего SEO нужно измерять отдельно от факта подготовки сайта.

Сценарий 3. Яндекс Директ: анализ причин, а не набор общих советов

Объедините сведения о расходах, поисковых запросах, объявлениях, посадочных страницах и качестве обращений. Без связи с продажами модель увидит только ту часть результата, которую ей передали. Она может предложить сократить дорогие заявки, хотя именно они приводят к крупным заказам.

Начните с проверки данных. В разных выгрузках могут отличаться даты, часовые пояса, модели атрибуции и единицы измерения. Нельзя складывать конверсии нескольких целей как независимые продажи, если один покупатель выполнил их последовательно. Попросите сначала перечислить такие ограничения, затем переходить к выводам.

Хорошая постановка задачи требует для каждой рекомендации указать наблюдение, возможное объяснение, альтернативную причину и способ проверки. Например: у категории выросла стоимость квалифицированной заявки; возможна конкуренция, изменение ассортимента или ухудшение обработки звонков; нужны сравнение запросов, наличие товаров и статусы CRM. Этот формат помогает превратить анализ в проверяемую очередь работ.

Тексты объявлений готовятся после анализа предложения. Передайте подтверждённые цены, сроки, ограничения и требования к формату. Затем отдельно проверяются длина полей, соответствие посадочной странице и отсутствие обещаний, которых компания не выполняет. Готовые варианты сначала оценивает специалист, а их влияние на рекламу проверяется на сопоставимых данных.

Сценарий 4. Карточки товаров и работа с большим ассортиментом

Для каталога на сотни позиций полезнее последовательный процесс, чем одна команда «перепиши всё». Разделите данные на фактическую часть и редакционную. В первой находятся артикул, размер, материал, комплектация и совместимость. Во второй — понятное объяснение выбора, порядок блоков и оформление преимуществ.

Сначала обработайте небольшую разнообразную группу: простой товар, модель с вариантами, комплект, технически сложное изделие и позицию с неполными исходными данными. Проверьте, как модель обозначает пробелы и противоречия. Если в карточке отсутствует параметр, допустимый результат — запрос уточнения или пропуск поля по утверждённому правилу. Догадываться о гарантии, происхождении или характеристике не следует.

Для массовой обработки задайте обязательную схему ответа. Например, отдельные поля для заголовка, краткого описания, подтверждённых характеристик, неподтверждённых сведений и редакционных замечаний. Так каталог проще сверить автоматически, а спорные записи можно направить человеку. Изображение товара также не доказывает параметр, который невозможно уверенно определить визуально.

Публикация становится отдельным этапом: проверяются соответствие товара и текста, наличие цен и остатков, вариант модели, изображения и ссылки. Проверка небольшой выборки не заменяет поиск критических ошибок во всём массиве. Особенно внимательно нужно просмотреть записи, где исходные таблицы расходятся между собой.

Сценарий 5. Статьи, исследования и материалы для клиентов

Модель может подготовить структуру материала, сопоставить источники и объяснить сложную тему простым языком. Редакционная задача начинается с вопроса, который решает статья: выбор платформы, расчёт допустимых расходов, подготовка каталога или анализ качества заявок. Объём текста определяется глубиной ответа.

Разделите факты источников, собственные выводы и условные примеры. Для новости нужен официальный анонс и точная дата. Для исследования — описание выборки и методики. Для расчёта — исходные предположения и формула. Вымышленный кейс должен быть назван учебным примером; его нельзя оформлять как достигнутый результат клиента.

Документация поиска OpenAI позволяет получать ссылки на использованные источники в соответствующем API-инструменте. Однако наличие ссылки ещё требует редакционной проверки: открывается ли страница, содержит ли нужное утверждение, не изменились ли условия и не относится ли публикация к другой стране или продукту.

После черновика полезны две независимые проверки. Первая — фактическая: даты, названия, числа, тарифы, ограничения. Вторая — смысловая: отвечает ли материал на вопрос читателя, достаточно ли примеров, не повторяются ли выводы. Для коммерческого сайта отдельно проверяются внутренние ссылки на связанные услуги и статьи, чтобы читатель мог продолжить изучение темы.

Сценарий 6. Доработка сайта и проверка изменений

В среде с инструментами GPT‑6.1 Sol может участвовать в работе с кодом и интерфейсами. Практическую задачу лучше формулировать через поведение пользователя: переключатель должен менять цену; заявка должна сохранять выбранный товар; мобильная таблица должна оставаться читаемой. После этого определяются исходные файлы, ограничения и способ проверки.

Если требуется исправить одну функцию, сообщите границы изменения. Укажите используемую CMS, тему, плагины и зависимые участки. Полезно заранее сохранить исходную версию и проверить изменение в подходящей среде. В задаче с оплатой, доставкой или отправкой формы тестируется сам пользовательский путь, а не только внешний вид кнопки.

Для маркетинговой страницы критерии могут включать скорость загрузки, читаемость на телефоне, соответствие объявления и предложения, корректные ссылки и понятную форму обращения. Получив красивый экран, проверьте, что за ним работает весь сценарий. Сильная модель облегчает эту работу, но сама по себе не предоставляет доступ к серверу и не подтверждает результат выполненного действия.

Как написать задание, с которым удобно работать

Ниже — пример постановки для анализа рекламы промышленного поставщика. Это шаблон редакции Digi-Web, который можно адаптировать под свой проект.

Проанализируй рекламу поставщика промышленного оборудования за два сопоставимых периода. Цель — повысить число квалифицированных обращений при заданном бюджете. Используй выгрузки расходов, запросов, посадочных страниц и обезличенных статусов CRM. Сначала проверь совместимость периодов, атрибуции и единиц измерения. Не придумывай отсутствующие данные. Для каждой гипотезы укажи наблюдение, альтернативные причины, необходимые дополнительные сведения и действие для проверки. Раздели изменения на быстрые исправления и эксперименты. В результате нужна таблица приоритетов, без изменения действующих кампаний.

Здесь важны цель, исходные материалы, границы действий и форма результата. Указание профессиональной роли само по себе не заменяет эти сведения. Когда задача меняется по ходу работы, уточните, какое прежнее условие отменяется и какое сохраняется. Иначе итог может соединить несовместимые версии задания.

Для длинного проекта заведите краткую сводку решений: актуальные источники, согласованные определения, выполненные действия и открытые вопросы. Она помогает человеку и модели возвращаться к общему контексту. При этом хранить все промежуточные рассуждения подряд обычно менее полезно, чем поддерживать понятный набор действующих требований.

Скорость, глубина рассуждения и стоимость результата

В интерфейсах Work и Codex настройка глубины рассуждения и режим скорости решают разные задачи. Более глубокая обработка может требовать больше времени и токенов. Быстрый режим меняет условия выполнения и расхода, но не означает, что любой ответ будет готов за фиксированное число секунд.

В документации тарифов Work и Codex отдельно описаны включённые лимиты, кредиты и режимы скорости. Цены API нельзя использовать как прямую формулу количества задач, входящих в подписку. Для GPT‑6.1 Sol при запуске заявлены Standard и Fast; Ultrafast ещё не включён в стартовую доступность.

Для команды удобно установить простое правило: повторяемые короткие операции выполняются с достаточной для них настройкой, а глубокий режим включается для задач с несколькими источниками, расчётами и зависимостями. Выбор проверяется по итоговой доле исправлений. Если после более глубокой обработки специалист всё равно восстанавливает половину анализа, причина может быть в данных или постановке задачи.

Условный расчёт API без обещания итогового счёта

Предположим, в запросе 20 000 обычных входных токенов и суммарно 5 000 оплачиваемых выходных токенов. При показанных выше ставках расчёт составит $0,04 за вход и $0,05 за выход, всего $0,09. Для 100 таких запросов — $9. Это арифметический пример, а не измерение расхода реальной задачи; в выход нужно включать учитываемые при оплате токены рассуждения, а не только видимый текст.

Если ровно 15 000 входных токенов действительно читаются из кэша, а 5 000 остаются обычным входом, входная часть по указанным ставкам составит $0,0015 + $0,01 = $0,0115. С теми же 5 000 выходных токенов — $0,0615. Из этого расчёта исключены создание кэша, дополнительные инструменты и прочие условия обработки. Фактический счёт проверяется по статистике использования.

Механизм кэширования требует подходящего совпадающего префикса и доступной точки повторного использования. Одинаковое вступление в двух запросах не гарантирует попадания в кэш. При автоматизации стоит сохранять постоянные инструкции и измерять реально кэшируемый объём, прежде чем закладывать экономию в бюджет.

Полная стоимость внедрения включает подготовку данных, разработку интеграции, проверку, сопровождение и время специалиста. Для разовой статьи эти расходы могут превышать стоимость токенов. Для регулярной обработки каталога или отчётов они распределяются по большому числу задач. Поэтому оценивать проект нужно через повторяемый процесс и принятую единицу результата.

Как проверить новую модель на своих задачах

Рекомендации OpenAI по оценке предлагают использовать конкретные рабочие задачи и проверяемые критерии, а затем повторять оценку после изменений. Для небольшой команды можно начать с набора типичных заданий и отдельно включить трудные случаи: неполные данные, конфликтующие источники, технические ограничения и спорные формулировки.

Сравнивайте одинаковые исходные материалы. Сохраните версию задания, модель и настройки. Если одна модель получила свежую выгрузку CRM, а другая — только показатели кликов, сравнение не покажет различия моделей. Желательно скрыть название модели от проверяющего, когда оцениваются качество текста и обоснованность рекомендаций.

Критические ошибки полезно учитывать отдельно от общего балла. Хорошая стилистика не компенсирует неправильную совместимость товара или ошибочный расчёт бюджета. По итогам испытания определите, какие операции можно стандартизировать, где нужен специалист и какие данные необходимо улучшить до дальнейшего внедрения.

Данные клиентов и подключённые сервисы

При работе с CRM и коммерческими документами сначала определите, какие сведения нужны для анализа. Во многих задачах достаточно обезличенного идентификатора, статуса, суммы и даты. Имя клиента, телефон и полный текст переписки не всегда добавляют полезность, но усложняют обращение с данными.

По документации OpenAI о данных API, отправленные через API данные не используются для обучения по умолчанию, если пользователь явно не включил их передачу для этой цели. При этом существуют журналы мониторинга и данные состояния приложений; режимы хранения зависят от функции и условий аккаунта. Это описание API нельзя автоматически переносить на любой личный аккаунт и сторонний сервис.

Подключения стоит давать под нужную операцию: чтение отчёта, подготовку черновика или сохранение согласованного изменения. Перед запуском автоматизации проверьте, где сохраняются результаты и кто может их открыть. Для команды полезно определить ответственного за источники, человека, принимающего результат, и порядок исправления ошибки. Это часть организации процесса, особенно когда один анализ влияет на несколько каналов продаж.

План внедрения для сайта или маркетинговой команды

1. Выберите один повторяемый процесс. Например, еженедельный анализ квалифицированных заявок или подготовку карточек нового ассортимента. Зафиксируйте текущие затраты времени и типичные ошибки.
2. Подготовьте входные данные. Уберите дубли, определите поля и периоды, приложите действующие условия продукта. Назначьте источник, который считается основным при расхождении сведений.
3. Составьте критерии принятия. Решите, какие поля обязательны, что требует ссылки, какие расчёты перепроверяются и какие ошибки блокируют дальнейшее использование.
4. Сравните модели на одинаковых задачах. Оцените точность, время проверки, стоимость и устойчивость на сложных примерах. Не меняйте одновременно все параметры процесса.
5. Оформите рабочий шаблон. Сохраните задание, структуру результата, проверку и ответственного. После этого расширяйте объём на близкие задачи.
6. Проверяйте процесс после обновлений. Изменение модели, инструмента или исходных данных может повлиять на ранее удачную схему работы.

Для владельца бизнеса полезным первым результатом станет небольшой, проверенный процесс, которым команда умеет пользоваться. GPT‑6.1 Sol даёт новый вариант для сложной профессиональной работы; реальная ценность проявится в точных данных, принятых материалах и изменениях, результат которых можно измерить. Если задача связана с каталогом, сайтом или рекламой, начать можно с подготовки данных и критериев в рамках SEO-продвижения Digi-Web, затем проверить, какую часть работы имеет смысл автоматизировать.

Официальные источники

Дата проверки — 30 сентября 2026 года. Анонс, доступность, тарифы и настройки могут обновляться по мере развёртывания.

• Анонс GPT‑6.1 Sol в Work и Codex.
• Модели и условия доступа; поддерживаемые страны API.
• Карточка GPT‑6.1 Sol в API.
• Сравнение GPT‑6.1 Sol и GPT‑6 Sol.
• Выбор модели; тарифы Work и Codex.
• Работа с поисковыми источниками; кэширование запросов.
• Проверка качества моделей; правила обращения с данными API.