GPT‑6.1 Sol i Codex: fem gånger billigare än Astra – men är den lika bra i praktiken?

Samma förfrågan till ett kodarkiv kan kräva flera försök: agenten föreslår en patch, kör tester och rättar sedan till fel. Ett lågt tokenpris besvarar inte i sig den viktigaste frågan: vad kostar det att få fram en ändring som går att godkänna.

Den 2 oktober 2026 är svaret följande: GPT‑6.1 Sols standardpriser för API:ets in- och utgående token är en femtedel av GPT‑6 Astras. OpenAI hävdar också att Sol nådde samma nivå som Astra i ett test av agentbaserad kodning. Men det bevisar inte generell likvärdighet i Codex och garanterar inte att en färdig patch kostar en femtedel så mycket.

Börja med att skilja på API och Codex-abonnemang

API debiteras utifrån antalet använda token. I Codex via ChatGPT ingår en användningsgräns i arbetsplanen, så API-priserna kan inte direkt tillämpas där. OpenAI förklarar att förbrukningen av gränsen beror på modell, uppgift och inställningar, och att API debiteras separat – detta beskrivs i hjälpartikeln om användning i Work och Codex.

Tabellen visar standardpriserna för API per miljon token för förfrågningar med en ingående kontext på upp till 272 000 token:

Med standardpriserna är Sol fem gånger billigare än Astra för vanlig in- och utmatning, medan cachad inmatning kostar en tiondel så mycket. Jämfört med GPT‑6 Sol är den nya versionen däremot inte billigare för vanlig in- och utmatning: prisfördelen gäller cachad inmatning, vars pris har halverats. Luna kostar betydligt mindre än alla tre, men ett lågt pris säger i sig inget om hur bra modellen löser en svår uppgift. Priserna finns i OpenAIs API-prislista.

Vad kostar ett likadant försök?

För att göra det konkret kan vi anta en hypotetisk förfrågan med 20 000 nya ingående token, 80 000 cachade och 10 000 utgående. Vi antar att cachen används; kostnaden för cachelagring, verktygsanrop och omförsök räknas inte med.

Med den här sammansättningen kostar ett försök med Sol ungefär 5,3 gånger mindre än med Astra. Jämfört med GPT‑6 Sol är skillnaden $0,008 – cirka 5,1 % av kostnaden för ett försök. Det här är ett räkneexempel, inte en mätning av en typisk Codex-uppgift: modellerna kan skilja sig åt i tokenförbrukning, antal verktygsanrop och antal omförsök.

Det finns också en prisgräns: för förfrågningar med en kontext på över 272 000 ingående token fördubblas priserna för inmatning och cache, och priset för utmatning ökar med hälften – för hela förfrågan. Därför kan beräkningen ovan inte användas för lång kontext utan justeringar; villkoren finns på modelsidan för GPT‑6.1 Sol.

Vad jämförelsen med Astra faktiskt bekräftar

I tillkännagivandet av GPT‑6.1 Sol uppgav OpenAI att Sol nådde samma resultat som Astra på DeepSWE v1.1, ett test av avancerade ingenjörsuppgifter i verkliga kodbaser, till ungefär en femtedel av kostnaden. Den korrekta formuleringen är här ”på DeepSWE v1.1 enligt OpenAI”.

På OSWorld 2.0, som bedömer datorbaserade uppgifter, hamnade Sol 2,1 procentenheter efter Astra med den högsta nivån av resonemang. Enligt OpenAIs uppskattning var kostnaden per uppgift samtidigt ungefär sju gånger lägre. Företaget varnar för att utvärderingarna genomfördes i en forskningsmiljö eller via API och kan skilja sig från användning i produktionsgränssnitt på grund av systeminstruktioner, verktyg och inställningar.

Det här är resultat som publicerats av leverantören själv, inte en oberoende jämförelse av modellerna i samma Codex-arbetsflöde. Det material som granskats för den här artikeln innehåller inget jämförbart oberoende test av Sol och Astra på samma Codex-uppgifter.

Vad utvecklare säger

De första diskussionerna efter lanseringen är en anledning att testa modellen i den egna miljön, men de utgör inget representativt test. I en Reddit-tråd om hastighet och gränsförbrukning klagar användare på långsam generering. En skribent berättar att en enkel åtgärd eller komprimering av kontexten tog minst två minuter. Det är enstaka observationer utan identiska uppgifter och kontrollerade förhållanden.

I en annan diskussion om Sols hastighet går deltagarna isär: vissa tycker att långsam generering är ett problem, medan andra påpekar att tokenutmatningens hastighet i sig inte visar hur lång tid hela uppgiften tar. Det är olika mått, och tråden ger ingen kontrollerad mätning av något av dem.

Det finns också ett enstaka negativt omdöme om ett försök att bygga en speldemo: skribenten uppger att modellen missade krav och inte rättade till betydande brister efter ett förtydligande. Det här mäter inte modellens kvalitet i stort och jämför den inte direkt med Astra.

Slutligen rapporterade en användare den 30 september i ett GitHub-ärende om modellval i VS Code-tillägget att Sol syntes i Codex-datorappen men saknades i modellistan i Windows-tillägget. Det är en beskrivning av en specifik konfiguration; den fastställer varken orsaken eller problemets omfattning.

Författarna till de här inläggen använder pseudonymer och har inte kunnat verifieras, så inga direkta citat med bekräftade riktiga namn återges här. Den praktiska slutsatsen av de tidiga omdömena är mer begränsad: kvalitet, tiden det tar att slutföra uppgiften och gränsförbrukning bör mätas var för sig.

Kort tidslinje

1. 3 september 2026. OpenAI presenterade GPT‑6 Astra.
2. 22 september 2026. GPT‑6 Sol och GPT‑6 Luna lanserades i API:t.
3. 29 september 2026. OpenAI tillkännagav att GPT‑6.1 Sol släpptes för API, ChatGPT Work och Codex.
4. 30 september 2026. Ett inlägg på GitHub rapporterade att Sol saknades i modellistan i Windows-versionen av VS Code-tillägget.

Lanseringsdatumen anges i OpenAIs API-ändringslogg, och VS Code-rapporten finns i det specifika GitHub-ärendet. Det här är en tidig tidslinje, inte en bedömning av modellens tillgänglighet för alla användare.

När ska du välja Sol – och när Astra?

För Plus och Standard Business anger OpenAI ett ungefärligt intervall på 15–160 lokala meddelanden under ett femtimmarsfönster för Sol och 5–45 för Astra. Det är inget garanterat antal uppgifter: förbrukningen beror på modell, uppgift och inställningar; molnbaserade uppgifter kan förbruka mer av gränsen och veckogränser kan också gälla. De här uppskattningarna kan inte omvandlas till en besparingsfaktor eller jämföras direkt med API-priserna – villkoren beskrivs i hjälpartikeln om gränser i Work och Codex.

Det praktiska valet beror på kostnaden för fel och väntetiden:

• Sol är värd att testa på återkommande uppgifter med ett tydligt sätt att kontrollera resultatet – till exempel när det finns tester och klara acceptanskriterier. Standardpriserna för API är betydligt lägre än Astras.
• Du kan behålla Astra för komplexa uppgifter eller uppgifter med hög risk, där resultatets kvalitet är viktigare än kostnaden för ett enskilt försök. Hur mycket bättre den fungerar för just ditt teams uppgifter behöver testas i praktiken.
• Luna kan passa för enkla, återkommande uppgifter om kvaliteten räcker. Lägsta tokenpriset bevisar inte att komplext arbete med modellen blir billigare.

För att jämföra modellerna kan du köra samma mindre uppsättning uppgifter på dem och i förväg bestämma vad som räknas som ett godtagbart resultat: exempelvis godkända tester, uppfyllda krav och godkännande vid granskning. Anteckna antal försök, tokenförbrukning, verktygsanrop och tiden tills patchen är färdig. Då mäter du kostnaden för resultatet, inte för svaret.

Slutsats: Sol kostar verkligen en femtedel så mycket som Astra för vanliga API-token in och ut; i ett test av agentbaserad kodning rapporterar OpenAI ett likvärdigt resultat. Men det finns inte tillräckliga belägg för generell likvärdighet i Codex. I abonnemanget gäller API-besparingen inte direkt, och utvecklarnas tidiga omdömen är än så länge splittrade och motstridiga. Sol är ett välgrundat alternativ att testa för lägre kostnader, men om den ska ersätta Astra beror på hur båda modellerna presterar på just ditt teams uppgifter.