اگر امروز برای مدلهای پیشرفته OpenAI هزینه میپردازید، باید بدانید که تعریف «پرفورمنس سطح اول» اکنون با یک برچسب قیمتی جدید همراه شده است. استنتاج (Inference) — همان لحظهای که مدل واقعاً جواب تولید میکند، شبیه به خودِ آشپزی است نه دورهی آموزش آشپز — در مدل gpt-5.6-sol اکنون ۴ دلار به ازای هر ۱ میلیون توکن ورودی هزینه دارد.
طبق اعلام رسمی در صفحه قیمتگذاری developers.openai.com که در ۲۴ اوت ۲۰۲۶ بهروزرسانی شد، این مدل در رأس سلسلهمراتبی قرار دارد که هدفش ایجاد تعادل میان قدرت پردازشی خام و بهرهوری هزینههاست. این بهروزرسانی در ادامهی روند بهینهسازی هزینهها صورت میگیرد، بهطوری که پیش از این نیز شاهد کاهش ۳۳ درصدی هزینههای خروجی برای همین مدل بودیم. همانطور که در تحلیل قبلی ما دربارهی استراتژی OpenAI برای انتقال عاملهای هوشمند به میزهای اداری اشاره کردیم، این تغییرات قیمتی نشاندهندهی چرخش شرکت به سمت سامانههای خودگردان است. به نظر میرسد هدف این است که عاملهای (Agents) با قدرت استدلال بالا، برای مقیاسهای سازمانی از نظر اقتصادی توجیهپذیر شوند.
سطوح قیمتگذاری مدلها
بر اساس مستندات جدید، مدلها بر اساس قابلیت و پنجرهٔ زمینه (Context Window) — که مثل میز کاری است که جا برای چند ورق دارد، نه برای کل کتابخانه — به سه دسته تقسیم شدهاند:
- gpt-5.6-sol: پرچمدار خانواده؛ ۴ دلار برای ورودی و ۲۰ دلار برای خروجی در متون کوتاه، و ۸ دلار/۳۰ دلار برای متون بلند.
- gpt-5.6-terra: گزینهی میانرده با هزینه ۲ دلار برای ورودی و ۱۲ دلار برای خروجی در متون کوتاه.
- gpt-5.6-luna: نسخهی اقتصادی با هزینه ۰.۲۰ دلار برای ورودی و ۱.۲۰ دلار برای خروجی در متون کوتاه.
ابزارهای تخصصی و رسانه
به گزارش OpenAI، هزینههای ابزارهای چندوجهی (Multimodal) — مدلی که همزمان متن، عکس و صدا را میفهمد، شبیه به ما که با چند حس دنیا را میخوانیم — استاندارد شده است. تولید ویدیو با Sora-2 بسته به وضوح تصویر، بین ۰.۱۰ تا ۰.۷۰ دلار برای هر ثانیه هزینه دارد. جستوجوی وب نیز با نرخ ثابت ۱۰ دلار به ازای هر ۱۰۰۰ فراخوانی محاسبه میشود.
برای توسعهدهندگان Realtime API، ورودی صوتی در مدل gpt-realtime-2.1 قیمتی معادل ۳۲ دلار به ازای هر ۱ میلیون توکن (Token) — تکههای کوچکی از متن، مثل برشهای یک کیک طولانی که مدل تکهتکه میخورد — دارد. این تمرکز بر قابلیتهای صوتی در حالی است که شرکت همچنان با چالشهای دقت در مدلهای بازشناسی گفتار خود در مقایسه با رقبا دستوپنجه نرم میکند. همچنین در ۳۰ ژوئیه ۲۰۲۶، حالت Fast mode جایگزین سطح پردازش اولویتدار قبلی شد.
تغییر در استراتژی تنظیم دقیق
یک نکته کلیدی دیگر، توقف تدریجی پلتفرم تنظیم دقیق (Fine-tuning) است. تنظیم دقیق مثل وقتی است که به یک پزشک عمومی، تخصص پوست میدهیم؛ مدل کلی است و روی یک حوزه دقیق میشود. طبق اعلام شرکت، این پلتفرم برای کاربران جدید بسته شده و کاربران فعلی تنها چند ماه فرصت دارند. این یعنی OpenAI از تغییر وزنهای مدل به سمت تولید بازیابیافزا (RAG) — مثل دانشآموزی که قبل از جواب دادن، اول کتاب درسی را باز میکند و از آن نقل میآورد — و پرامپتنویسی عاملمحور حرکت میکند.
این تغییرات برای جیب شما به این معناست که «مالیات هوشمندی» متنوعتر شده است. اکنون میتوانید بر اساس پیچیدگی هر وظیفه، مدل را انتخاب کنید؛ مثلاً از Luna برای مسیریابی ساده و از Sol برای استدلالهای پیچیده استفاده کنید تا هزینههای API را بهینه کنید.
گام بعدی شما
- بودجههای API خود را بر اساس مدلهای جدید Luna و Terra بازبینی کنید تا هزینههای تکراری را کاهش دهید.
- اگر از Fine-tuning استفاده میکنید، سریعاً استراتژی خود را به RAG تغییر دهید چون دسترسی به آموزش مدلهای شخصی در حال بسته شدن است.
- تاریخ ۲۱ نوامبر ۲۰۲۶ را علامت بزنید؛ چرا که قیمتهای تشویقی Sol در این تاریخ به پایان میرسد و ممکن است هزینههای عملیاتی شما ناگهان افزایش یابد.
اما داستان سختافزاری این تحول حتی شگفتانگیزتر است — به تحلیل ما دربارهی تراشههای Blackwell مراجعه کنید.
گفتگو