GPT‑6.1 Sol i Codex: fem ganger billigere enn Astra – men er den like god i praksis?

Den samme forespørselen i et repository kan kreve flere forsøk: Agenten foreslår en patch, kjører tester og retter deretter feil. Lav tokenpris alene besvarer ikke hovedspørsmålet: Hvor mye koster det å få en endring som kan godkjennes?

Per 2. oktober 2026 er svaret dette: Standardprisene for GPT‑6.1 Sols inngående og utgående API-tokener er fem ganger lavere enn prisene for GPT‑6 Astra. OpenAI hevder også at Sol er på nivå med Astra i én test av agentisk koding. Men det beviser ikke generell paritet i Codex, og garanterer heller ikke fem ganger lavere kostnad for en ferdig patch.

Skill først mellom API og Codex-abonnementet

API-et faktureres etter antall brukte tokener. I Codex via ChatGPT gjelder en inkludert bruksgrense for arbeidsplanen, så API-prisene kan ikke overføres direkte til dette. OpenAI forklarer at forbruket av grensen avhenger av modell, oppgave og innstillinger, og at API-et faktureres separat – dette er beskrevet i hjelpen om bruk av Work og Codex.

Tabellen viser standard API-priser per million tokener for forespørsler med en inngående kontekst på opptil 272 000 tokener:

Med standardprisene for input og output koster Sol en femtedel av Astra, og bufret input koster en tidel. Sammenlignet med GPT‑6 Sol er den nye versjonen imidlertid ikke billigere for vanlig input og output: Prisfordelen ligger i bufret input, som er blitt halvparten så dyrt. Luna er mye billigere enn alle de tre andre, men lav pris alene sier ikke hvor godt modellen løser en krevende oppgave. Prisene står i OpenAIs API-prisliste.

Hva koster et likt forsøk?

For å gjøre det konkret kan vi ta en tenkt forespørsel: 20 000 nye inputtokener, 80 000 bufrede tokener og 10 000 outputtokener. Vi antar at hurtigbufferen brukes; skriving til hurtigbuffer, verktøykall og nye forsøk er ikke medregnet.

Med denne sammensetningen koster ett forsøk med Sol omtrent 5,3 ganger mindre enn med Astra. Sammenlignet med GPT‑6 Sol er forskjellen $0,008 – rundt 5,1 % av kostnaden for forsøket. Dette er et regneeksempel, ikke en måling av en typisk Codex-oppgave: Modellene kan bruke ulikt antall tokener, ha ulikt antall verktøykall og kreve ulikt antall nye forsøk.

Det finnes også en pristærskel: For forespørsler med kontekst på over 272 000 inputtokener dobles prisene for input og hurtigbuffer, mens prisen for output øker med halvannen gang – for hele forespørselen. Beregningen over passer derfor ikke for lang kontekst uten justeringer; vilkårene står på modellsiden for GPT‑6.1 Sol.

Hva viser egentlig sammenligningen med Astra?

I kunngjøringen av GPT‑6.1 Sol hevdet OpenAI at Sol kom på nivå med Astra på DeepSWE v1.1, en test av krevende ingeniøroppgaver i virkelige kodebaser, til omtrent en femtedel av kostnaden. Den presise formuleringen er «på DeepSWE v1.1 ifølge OpenAI».

På OSWorld 2.0, som vurderer utførelse av oppgaver på en datamaskin, lå Sol 2,1 prosentpoeng bak Astra med høyeste resonneringsnivå. Ifølge OpenAI var kostnaden per oppgave samtidig omtrent sju ganger lavere. Selskapet advarer om at målingene ble utført i et forskningsmiljø eller via API-et, og at resultatene kan avvike fra produksjonsgrensesnitt på grunn av systeminstruksjoner, verktøy og innstillinger.

Dette er resultater publisert av leverandøren selv, ikke en uavhengig testing av modellene med samme arbeidsflyt i Codex. Materialet som er gjennomgått for denne artikkelen, inneholder ingen sammenlignbar, uavhengig test av Sol og Astra på de samme Codex-oppgavene.

Hva utviklerne sier

De første diskusjonene etter lanseringen gir grunn til å prøve modellen i sitt eget miljø, men utgjør ingen representativ test. I én Reddit-tråd om hastighet og forbruk av bruksgrensen klager brukere over treg generering. Én skribent skriver at en enkel handling eller komprimering av konteksten tok minst to minutter hos dem. Dette er enkeltobservasjoner uten like oppgaver eller kontrollerte forhold.

I en annen diskusjon om Sols hastighet er deltakerne uenige: Noen mener treg generering er et problem, mens andre påpeker at hastigheten på tokenutdata alene ikke viser hvor lang tid hele oppgaven tar. Dette er ulike målinger, og tråden gir ingen kontrollert måling av noen av dem.

Det finnes også en enkeltstående negativ tilbakemelding etter et forsøk på å lage en spilldemo: Skribenten forteller at modellen overså krav og ikke rettet vesentlige mangler etter en oppfølging. Dette måler ikke modellens kvalitet generelt og sammenligner den heller ikke direkte med Astra.

Til slutt meldte en bruker 30. september i et GitHub-issue om valg av modell i VS Code-utvidelsen at Sol var synlig i Codex-skrivebordsappen, men manglet fra modellisten i Windows-utvidelsen. Dette beskriver én bestemt konfigurasjon; det fastslår verken årsaken eller omfanget av problemet.

Forfatterne av disse innleggene bruker pseudonymer, og identiteten deres er ikke bekreftet, så vi gjengir ingen direkte sitater med bekreftede virkelige navn. Den nøkterne praktiske konklusjonen fra disse tidlige tilbakemeldingene er at kvalitet, tiden det tar å fullføre oppgaven og forbruket av bruksgrensen bør måles hver for seg.

Kort tidslinje

1. 3. september 2026. OpenAI introduserte GPT‑6 Astra.
2. 22. september 2026. GPT‑6 Sol og GPT‑6 Luna ble tilgjengelige via API-et.
3. 29. september 2026. OpenAI kunngjorde lanseringen av GPT‑6.1 Sol for API-et, ChatGPT Work og Codex.
4. 30. september 2026. En melding på GitHub fortalte at Sol manglet fra modellisten i VS Code-utvidelsen på Windows.

Lanseringsdatoene står i OpenAIs API-endringslogg, mens VS Code-meldingen finnes i det konkrete GitHub-issue-et. Dette er en tidlig tidslinje, ikke en vurdering av modellens tilgjengelighet for alle brukere.

Når bør du velge Sol, og når Astra?

For Plus og Standard Business oppgir OpenAI et anslått spenn på 15–160 lokale meldinger per femtimersperiode for Sol og 5–45 for Astra. Dette er ikke et garantert antall oppgaver: Forbruket avhenger av modell, oppgave og innstillinger; skybaserte oppgaver kan bruke mer av bruksgrensen, og det kan også gjelde ukentlige grenser. Disse anslagene kan ikke gjøres om til en besparelsesfaktor eller sammenlignes direkte med API-priser – vilkårene beskrives i hjelpen om bruksgrenser i Work og Codex.

Det praktiske valget avhenger av hvor kostbar en feil er, og hvor lenge du kan vente:

• Sol er verdt å prøve på gjentakende oppgaver med resultater som er enkle å kontrollere – for eksempel når du har tester og tydelige godkjenningskriterier. Standard API-prisene er betydelig lavere enn Astras.
• Du kan beholde Astra til krevende oppgaver eller oppgaver med høy risiko, der kvaliteten på resultatet er viktigere enn kostnaden for ett forsøk. Hvor mye bedre den løser oppgavene til akkurat ditt team, må testes i praksis.
• Luna kan passe til enkle, gjentakende operasjoner hvis kvaliteten er god nok. Den svært lave tokenprisen beviser ikke at krevende arbeid med denne modellen blir billigere.

For å sammenligne modellene kan du kjøre det samme lille oppgavesettet på hver av dem og på forhånd bestemme hva som regnes som et akseptabelt resultat: for eksempel at testene består, kravene er oppfylt og løsningen godkjennes i kodegjennomgangen. Registrer antall forsøk, tokenforbruk, verktøykall og tiden fram til ferdig patch. Da måler du kostnaden for resultatet, ikke prisen på svaret.

Konklusjon: Sol koster faktisk en femtedel av Astra for vanlige API-input- og outputtokener; på én test av agentisk koding rapporterer OpenAI om et like godt resultat. Men det finnes ikke tilstrekkelig dokumentasjon for generell paritet i Codex. I abonnementet gjelder ikke API-besparelsen direkte, og de tidlige tilbakemeldingene fra utviklere er fortsatt spredte og motstridende. Sol er et godt begrunnet alternativ å prøve for å redusere kostnadene, men om den bør erstatte Astra, avhenger av hvordan begge modellene løser teamets konkrete oppgaver.