خانوادهی GPT-5.6: سه رده، سه هدف کاملاً متفاوت
بهجای تعریف کلی، بیایید با یک تصویر شروع کنیم تا ساختار این خانواده را در نگاه اول متوجه شوید:
هر سه مدل از نظر فنی اشتراکهای مهمی دارند: پنجرهی زمینه (Context Window) یکسان ۱٬۰۵۰٬۰۰۰ توکن و حداکثر خروجی ۱۲۸٬۰۰۰ توکن. نام آنها در API به ترتیب gpt-5.6-sol، gpt-5.6-terra و gpt-5.6-luna است. از نظر قیمت، Sol با نرخ ۵ دلار به ازای هر میلیون توکن ورودی و ۳۰ دلار برای خروجی گرانترین گزینه است؛ Terra با ۲.۵۰ دلار ورودی و ۱۵ دلار خروجی (پیش از کاهش قیمت) در میانه قرار میگیرد و Luna با ۰.۲۰/۱.۲۰ دلار ارزانترین مدل خانواده محسوب میشود.
پرچمدار، متعادل یا ارزان: کدام رده جواب کدام نیاز روزمره را میدهد؟
وقتی بحث انتخاب میان سه رده خانوادهی GPT-5.6 پیش میآید، پاسخ به این پرسش که «کدام رده» برای شما مناسبتر است، به دو عامل اصلی برمیگردد: سطح پیچیدگی کار و حساسیت شما به هزینه. در ادامه، ماتریسی از نیازهای روزمره و رده پیشنهادی برای هرکدام و راهنمای انتخاب رده مناسب برای شما ارائه شده است:
| نیاز روزمره | رده پیشنهادی | چرا؟ |
| نوشتن ایمیل ساده و کوتاه | Luna | سرعت بالا، هزینهی ناچیز و بدون نیاز به استدلال پیچیده |
| ترجمهی عمومی و روان متنهای غیرتخصصی | Luna (متنهای کوتاه) یا Terra (حفظ لحن و دقت بالا) | Luna برای حجم بالا و متن ساده کافی است؛ Terra وفاداری بیشتری به لحن و ساختار دارد |
| خلاصهسازی مقاله یا خبر کوتاه | Luna | متن ورودی کوتاه است و به تحلیل عمیق نیاز ندارد |
| برنامهریزی درسی یا برنامهی روزانه | Terra | ترکیب سازماندهی و توضیح منطقی با هزینهای متعادل |
| تحقیق عمیق دربارهی یک موضوع تخصصی با منابع متعدد | Sol | نیازمند استدلال چندمرحلهای، ارزیابی منابع و مدیریت حجم بالای اطلاعات |
| کدنویسی پیشرفته، دیباگ و بازبینی منطق | Sol | پیچیدگی بالا و نیاز به دقت استدلالی در سطح پرچمدار |
| تحلیل دادههای متنی ساده یا ساختاردهی اطلاعات | Terra | تعادل مناسب میان دقت خروجی و هزینهی پردازش |
| تولید محتوای طولانی (سناریو، مقالهی تخصصی) | Sol یا Terra (بسته به بودجه) | Sol برای بالاترین کیفیت و انسجام؛ Terra برای بودجهی محدودتر |
در مورد تولید تصویر با هوش مصنوعی، باید توجه داشت که خودِ فرآیند تولید تصویر در ChatGPT مستقل از انتخاب رده متنی است؛ اما برای نوشتن پرامپتهای توصیفی دقیقتر، انتخاب مدل متعادل Terra منطقی به نظر میرسد. اگر تولید تصویر یکی از نیازهای روزمرهتان است، پیش از انتخاب رده مدل، بهتر است با اصول پرامپتنویسی تصویر آشنا شوید و برای مقایسهی ابزارها به تولید تصویر با هوش مصنوعی: راهنمای انتخاب بهترین ابزار سر بزنید.
در نهایت، انتخاب رده مناسب نهتنها به نام مدل، بلکه به ماهیت کار و انتظار شما از خروجی گره خورده است: کارهای ساده و پرتکرار به Luna میرسند، وظایف روزمره با کمی پیچیدگی به Terra، و پروژههای عمیق و حساس به Sol.
دسترسی به ChatGPT جدید از ایران: ابهام دوطرفه
از منظر سیاست رسمی OpenAI، وضعیتی تغییر نکرده است؛ این شرکت بهعنوان یک نهاد آمریکایی، به دلیل تحریمهای صادراتی ایالات متحده، خدمات خود را بهطور رسمی در ایران ارائه نمیدهد. با وجود عرضهی خانوادهی GPT-5.6 در ژوئیهی ۲۰۲۶ و تغییرات متعدد بعدی در قیمت و دسترسی، هیچ بیانیهی رسمی دربارهی تغییر این سیاست منتشر نشده است.
جدا از سیاست رسمی OpenAI، وضعیت فیلترینگ داخلی عامل دیگریست که میزان دسترسی را تعیین میکند. طبق گزارشهای منتشرشده از ژوئن ۲۰۲۶، شماری از کاربران توانستهاند بدون استفاده از ابزارهای تغییر مسیر ترافیک به ChatGPT متصل شوند؛ روندی مشابه در همان بازه برای چند سرویس هوش مصنوعی دیگر نیز گزارش شده است. این تغییر تاکنون از سوی هیچ نهاد رسمی تایید یا تکذیب نشده و صرفاً بر اساس گزارشهای کاربری مطرح شده است، نه سند رسمی.
به همین دلیل، وضعیت دسترسی در عمل ناپایدار توصیف میشود؛ در برخی بازههای زمانی اتصال مستقیم برقرار است، اما پایدار یا تضمینشده نیست و میتواند بدون اطلاع قبلی تغییر کند. اگر با قطعی یا کندی مواجه شدید، استفاده از ابزارهای تغییر مسیر ترافیک (تحریمگذر) همچنان گزینهی مطمئنتر برای دسترسی پایدار است.
چرا رده ارزان حالا مدل پیشفرض میلیونها کاربر رایگان ChatGPT شد؟
در فاصلهی کمتر از یک ماه، Luna از یک مدل API ارزانقیمت به موتور پیشفرض میلیونها کاربر رایگان ChatGPT تبدیل شد. این تغییر سریع، نتیجهی سه رویداد پیاپی در تابستان ۲۰۲۶ بود:
- ۹ ژوئیه ۲۰۲۶ ـ عرضهی عمومی خانوادهی GPT-5.6: در این تاریخ، هر سه مدل Sol، Terra و Luna بهصورت عمومی در دسترس قرار گرفتند. Luna با جایگاه «سریع و مقرونبهصرفه» و قیمت اولیهی API معادل ۱.۰۰ دلار برای ورودی و ۶.۰۰ دلار برای خروجی معرفی شد؛ در آن لحظه هنوز خبری از نقش پیشفرض آن در نسخهی رایگان نبود.
- ۳۰ ژوئیه ۲۰۲۶ ـ کاهش ۸۰ درصدی قیمت Luna: سه هفته پس از عرضه، OpenAI قیمت API این مدل را به ۰.۲۰ دلار برای ورودی و ۱.۲۰ دلار برای خروجی کاهش داد. سم آلتمن در توییتی نوشت: «ما میخواهیم در هر سطحی بهترین تعادل قیمت و هوش را ارائه دهیم.» این کاهش قیمت، استفاده از Luna را برای کاربردهای حجیم و حساس به هزینه بهصرفه کرد و زمینهساز پذیرش گستردهتر آن شد.
- ۷ آگوست ۲۰۲۶ ـ Luna مدل پیشفرض کاربران Free و Go شد: دو هفته بعد، OpenAI این مدل را بهعنوان موتور اصلی چت رایگان ChatGPT تعیین کرد. همزمان، محدودیت روزانهی پیامهای متنی برای کاربران رایگان حذف شد و دکمهی Think نیز برای آنها فعال گردید؛ یعنی کاربران رایگان دیگر نه با مدل قدیمیتر و نه با سقف سخت پیام مواجه نبودند.
این سه گام در کمتر از یک ماه نشان میدهد که مرز میان مدلهای API و محصول مصرفی چقدر سریع میتواند جابهجا شود.
Context Window، Reasoning Effort و توکن خروجی: سه پارامتر فنی که باید بشناسید
برای ارزیابی فنی خانوادهی GPT-5.6، سه پارامتر از بقیه مهمترند: Context Window، Max Output Tokens و Reasoning Effort. نکتهی کلیدی که باید همین ابتدا گفت این است که هر سه رده این خانواده در این سه پارامتر مقادیر یکسانی دارند.
| پارامتر فنی | Sol | Terra | Luna | توضیح کوتاه |
| Context Window | ۱٬۰۵۰٬۰۰۰ Token | ۱٬۰۵۰٬۰۰۰ Token | ۱٬۰۵۰٬۰۰۰ Token | حداکثر Token های ورودی که مدل در یک درخواست میپذیرد |
| Max Output Tokens | ۱۲۸٬۰۰۰ Token | ۱۲۸٬۰۰۰ Token | ۱۲۸٬۰۰۰ Token | حداکثر Token هایی که مدل میتواند تولید کند |
| Reasoning Effort | none, low, medium (پیشفرض), high, xhigh, max | none, low, medium (پیشفرض), high, xhigh, max | none, low, medium (پیشفرض), high, xhigh, max | کنترل عمق استدلال مدل و بهتبع آن هزینه و زمان پاسخ |
Context Window
نشان میدهد مدل در هر درخواست چه حجمی از متن ورودی را میتواند ببیند؛ شامل تاریخچهی گفتگو، اسناد پیوستشده یا کد. مقدار ۱٬۰۵۰٬۰۰۰ Token یعنی امکان پردازش اسناد بسیار بلند بدون نیاز به قطعهقطعه کردن وجود دارد و این ظرفیت برای کارهای تحلیلی حجیم یک مزیت عملی محسوب میشود.
Max Output Tokens
مشخص میکند مدل در یک پاسخ چقدر میتواند تولید کند. سقف ۱۲۸٬۰۰۰ Token برای خروجیهای طولانی مانند گزارش کامل، مستندات فنی یا بلوکهای بزرگ کد کافی است و به توسعهدهنده اجازه میدهد خروجی را در یک درخواست دریافت کند، نه بهصورت تکهتکه
Reasoning Effort
میزان «فکر کردن» مدل پیش از تولید پاسخ نهایی است. این فرآیند، توکنهای استدلال داخلی تولید میکند که هرگز به کاربر نشان داده نمیشوند (چون صرفاً برای افزایشِ دقتِ پاسخ، پشتصحنه محاسبه میشوند)، اما دقیقاً به نرخ توکن خروجی صورتحساب میشوند. در خانوادهی GPT-5.6، فقط این سه سطح کاربردی را در نظر بگیرید:
| سطح Reasoning Effort | توکن استدلال داخلی (به ازای هر ۱٬۰۰۰ توکن ورودی) | تأثیر بر هزینهی نهایی | کاربرد پیشنهادی |
| low (یا none) | ۰ تا ۲۰۰ توکن | تا ۴۰٪ ارزانتر از پیشفرض | ترجمه، چت ساده، خلاصهسازی سطحی |
| medium (پیشفرض) | ۳۵۰ تا ۴۵۰ توکن | هزینهی پایه | کدنویسی معمولی، پاسخ به سوالات چندبخشی |
| high (شامل xhigh و max) | ۱٬۰۰۰ تا ۱٬۸۰۰ توکن | ۲ برابر گرانتر از پیشفرض | پژوهش عمیق، دیباگ حساس، ریاضیات پیشرفته |
نکتهی کلیدی: برای ۹۰٪ از کاربران، سطح medium کافی است. هر سه رده در این سه پارامتر فنی یکسان هستند؛ تفاوتها فقط در قیمت، سرعت پاسخ و سهمیهی مصرف است.
Quota و نرخ محدودیت (Rate Limit): سهمیهی واقعی هر مدل برای استفادهی سنگین چقدر است؟
تنها دانستن قیمت هر توکن برای تصمیمگیری فنی کافی نیست؛ سهمیهی مصرف (Quota) و نرخ درخواست مجاز (Rate Limit) دو پارامتر کلیدی هستند که مستقیماً روی مقیاسپذیری پروژهی شما اثر میگذارند. در خانوادهی GPT-5.6، این دو پارامتر بین سه رده تفاوت معناداری دارند:
- مدل Sol: دارای سقف Quota ماهیانهی ۵٬۰۰۰٬۰۰۰ توکن (ورودی+خروجی) در اشتراکهای پایهی API و Rate Limit معادل ۵۰۰ درخواست در دقیقه (RPM) است. این میزان برای پروژههای سازمانی و پژوهشی که به پردازش حجم بالای اسناد بلند نیاز دارند، طراحی شده است. افزایش سهمیه تا ۵۰٬۰۰۰٬۰۰۰ توکن از طریق درخواست پشتیبانی امکانپذیر است.
- مدل Terra: سهمیهی پیشفرض ۲٬۰۰۰٬۰۰۰ توکن در ماه و Rate Limit معادل ۲٬۰۰۰ درخواست در دقیقه دارد. نرخ بالاتر درخواست در دقیقه (نسبت به Sol) نشان میدهد که این مدل برای پاسخدهی همزمان به حجم بالای کاربران عادی (مثل چتباتهای سازمانی با ترافیک متوسط) بهینهسازی شده است، نه برای پردازش اسناد چندمیلیونتوکنی.
- مدل Luna: با سهمیهی ۱٬۰۰۰٬۰۰۰ توکن در ماه و Rate Limit معادل ۳٬۰۰۰ درخواست در دقیقه، بالاترین نرخ پاسخدهی را در این خانواده دارد. این طراحی عمدی است؛ چون Luna برای تسکهای سبک و پرتکرار (مانند ترجمهی لحظهای یا خلاصهسازی هزاران پیام کوتاه) ساخته شده و نیاز به پردازش موازی بالا دارد، نه عمق محاسباتی.
نکتهی مهم برای توسعهدهندگان: برخلاف Context Window که در هر سه مدل یکسان است، سیاستهای Quota و Rate Limit کاملاً مجزا هستند. انتخاب Luna برای پردازش یک سند ۹۰۰٬۰۰۰ توکنی، علیرغم پشتیبانی فنی از پنجرهی زمینه، به دلیل سهمیهی پایینتر ماهیانه، ممکن است به سرعت سقف مصرف شما را پر کند؛ بنابراین Quota را همیشه همراه با Cost per Task محاسبه کنید.
Benchmarks و شاخص هوش (Intelligence Index): عملکرد فنی هر سه رده در اعداد
برای عبور از ادعاهای کلی و رسیدن به تحلیلی علمی، باید عملکرد هر سه ردهی GPT-5.6 را با معیارهای استاندارد صنعت بسنجیم. در ادامه، نتایج بنچمارکهای کلیدی بر اساس مستندات رسمی OpenAI و گزارشهای مستقل Artificial Analysis ارائه شده است:
| معیار (Benchmark) | توضیح مختصر | Sol | Terra | Luna |
| Agents' Last Exam | ارزیابی عملکرد در پروژههای حرفهای بلندمدت | ۵۳.۶٪ | ۵۰.۴٪ | ۵۰.۳٪ |
| Artificial Analysis Intelligence Index (v4.1) | شاخص ترکیبی هوش مصنوعی | ۵۹ | ۵۵ | ۵۱.۲ |
| Coding Agent Index | ارزیابی توانایی کدنویسی عاملمحور | ۸۰ | — | — |
| Cost per Task | هزینهی تخمینی برای هر درخواست در شاخص هوش | ~۱.۰۴ دلار | ~۵۰٪ ارزانتر از Sol | ~۸۰٪ ارزانتر از Sol |
طبق بیانیهی رسمی OpenAI، مدل Sol در آزمون Agents' Last Exam با کسب امتیاز ۵۳.۶، رکورد جدیدی ثبت کرده و با اختلاف ۱۳.۱ امتیازی از Claude Fable 5 پیشی گرفته است. همچنین در شاخص هوش Artificial Analysis، Sol با فعالسازی سطح حداکثری استدلال (max reasoning)، تنها ۱ امتیاز با Fable 5 فاصله دارد، اما تسکها را ۶۱٪ سریعتر و با هزینهای تقریباً نصف انجام میدهد.
گزارش مستقل Artificial Analysis نیز این ارقام را تأیید میکند: Sol (max) با ۵۹ امتیاز در شاخص هوش، Terra (max) با ۵۵ امتیاز و Luna (max) با ۵۱ امتیاز در ردههای بعدی قرار میگیرند. نکتهی کلیدی، هزینهی بهمراتب پایینتر Terra و Luna است؛ بهطوری که Luna حدود ۸۰٪ و Terra حدود ۵۰٪ هزینهی کمتری نسبت به Sol به ازای هر تسک دارند. همچنین Sol (max) با ۸۰ امتیاز در صدر شاخص کدنویسی عاملمحور (Coding Agent Index) قرار دارد که نشاندهندهی توانایی بالای آن در پروژههای برنامهنویسی پیشرفته است.
برای تبدیل این اعداد به یک معیار قابلدرک برای کاربران، شاخص هوش (Intelligence Index) را تعریف میکنیم. این شاخص، میانگین وزنی بنچمارکهای اصلی با درنظرگرفتن اهمیت هرکدام در کاربردهای واقعی است. بر اساس دادههای فوق:
- شاخص هوش Sol: ۵۹ ← بالاترین سطح استدلال برای پروژههای حساس و بدون خطا
- شاخص هوش Terra: ۵۵ ← تعادل هوش و هزینه برای کاربران حرفهای
- شاخص هوش Luna: ۵۱.۲ ← عملکرد قابلقبول برای تسکهای روزمره با کمترین هزینه
نتیجهی کلیدی: اختلاف ۷.۸ واحدی بین Sol و Luna در شاخص هوش، همراه با کاهش ۸۰٪ هزینهی Luna، نشان میدهد که برای ۸۰٪ کارهای روزمره، Luna عملکردی فراتر از نیازهای پایه ارائه میدهد. اما برای پروژههای حساس که خطا در آنها هزینهبر است، Sol با وجود قیمت بالاتر، انتخاب درست باقی میماند.
چرا قیمت API رده ارزان ظرف سه هفته ۸۰٪ افت کرد؟ ماجرای واقعی جنگ قیمتی مدلها
همانطور که در بخشِ پیشین دیدیم، در بازۀ ۹ تا ۳۰ ژوئیه ۲۰۲۶، قیمت Luna با کاهشِ ۸۰ درصدی مواجه شد. اما این افتِ قیمت، صرفاً یک تصمیمِ فنی نبود؛ بلکه واکنشی مستقیم به سه موجِ فشارِ رقابتی بود که در ادامه بهتفکیک بررسی میکنیم:
موج اول (گوگل و آنتروپیک): تنها دوازده روز پس از عرضۀ GPT-5.6، گوگل مدل Gemini 3.6 Flash را با قیمتی رقابتی معرفی کرد و سه روز بعد، آنتروپیک نیز Claude Opus 5 را در سگمنت پرچمدار عرضه کرد. این دو رویداد، قیمت اولیۀ Luna را در موقعیتی ضعیف قرار داد.
موج دوم (واکنش فوری OpenAI): در ۳۰ ژوئیه، OpenAI با کاهش ۸۰٪ قیمت Luna و ۲۰٪ کاهش Terra، مستقیماً به میدان رقابت وارد شد. سَم آلتمن در توییتی نوشت: «ما میخواهیم در هر سطحی بهترین تعادل قیمت و هوش را ارائه دهیم.» اگرچه در اعلامیۀ رسمی، این کاهش نتیجهی «انتقال بهبود بهرهوری زیرساخت» به مشتریان عنوان شد، اما زمانبندیِ آن بلافاصله پس از عرضهی رقبا، روایت رسمی را زیر سؤال میبرد.
موج سوم (فشار مدلهای چینی و تخفیف موقت Sol): فشار رقابتی فقط به غربیها محدود نشد. بر اساس تحقیق CNBC در ۷ ژوئیه ۲۰۲۶، مدلهای چینی ۴۶٪ از مصرف توکنهای سازمانی آمریکایی در OpenRouter را به خود اختصاص داده بودند. مدلهایی مانند DeepSeek V4 Pro با قیمت ۰.۴۳۵ دلار ورودی و ۰.۸۷ دلار خروجی، و Kimi K3 با ۳.۰۰ دلار ورودی و ۱۵.۰۰ دلار خروجی، فشار قابلتوجهی بر OpenAI وارد کرده بودند. در چنین شرایطی، کاهش قیمت Luna نهتنها جلوی از دست رفتن سهم بازار را گرفت، بلکه این مدل را به گزینهی پیشفرض کاربران رایگان ChatGPT نیز تبدیل کرد. در واکنش به این فشارها، OpenAI در ۲۱ آگوست قیمت Sol را نیز با یک تخفیف تبلیغاتیِ موقت (تا ۲۱ نوامبر ۲۰۲۶) به ۴.۰۰ دلار ورودی و ۲۰.۰۰ دلار خروجی کاهش داد.
| مدل | قیمت ورودی | قیمت خروجی |
| Sol (قبل از ۲۱ آگوست) | ۵.۰۰ | ۳۰.۰۰ |
| Sol (تبلیغاتی، پس از ۲۱ آگوست) | ۴.۰۰ | ۲۰.۰۰ |
| Terra (قبل از ۳۰ ژوئیه) | ۲.۵۰ | ۱۵.۰۰ |
| Terra (پس از ۳۰ ژوئیه) | ۲.۰۰ | ۱۲.۰۰ |
| Luna (قبل از ۳۰ ژوئیه) | ۱.۰۰ | ۶.۰۰ |
| Luna (پس از ۳۰ ژوئیه) | ۰.۲۰ | ۱.۲۰ |
| Gemini 3.6 Flash | ۱.۵۰ | ۷.۵۰ |
| Claude Opus 5 | ۵.۰۰ | ۲۵.۰۰ |
| DeepSeek V4 Pro | ۰.۴۳۵ | ۰.۸۷ |
| Kimi K3 | ۳.۰۰ | ۱۵.۰۰ |
اولین درخواست به API: نمونهکد Python برای هرکدام از سه رده
برای شروع کار با خانوادهی GPT-5.6 از طریق API، کافی است کتابخانهی رسمی OpenAI را در پایتون نصب داشته باشید و یکی از سه نام مدل را فراخوانی کنید. در ادامه، سه نمونهکد رسمی برای Sol، Terra و Luna آمده است که میتوانید مستقیماً اجرا کنید. اگر با پایتون و کتابخانههای آن آشنایی کامل ندارید، پیشنیازهای این بخش را در مقالهی آموزش یادگیری ماشین با پایتون بخوانید.
کد ۱ ـ Sol با Responses API (روش توصیهشده برای مدل پرچمدار):
کد ۲ ـ Terra با Chat Completions API:
کد ۳ ـ Luna با Responses API و تنظیم reasoning.effort:
در کد سوم، پارامتر reasoning با کلید effort روی مقدار "medium" تنظیم شده است؛ همان سطح پیشفرضی که برای بیشتر کارهای روزمره کافی است. در کارهای سادهتر میتوانید آن را روی "low" یا "none" قرار دهید و در مسائل پیچیدهتر به "high"، "xhigh" یا "max" ارتقا دهید. اگر بعد از تست API، به فکر بهینهسازی و سفارشیسازی مدل برای پروژهتان افتادید، حتماً نگاهی به مقالهی آموزش فاینتیونینگ مدلهای زبانی بزرگ بیندازید.
Guardrails و لایههای ایمنی: محافظت از خروجی در برابر سوءاستفاده
در خانوادهی GPT-5.6، OpenAI سه لایهی ایمنی (Guardrails) را بهصورت پیشفرض بر روی هر سه رده اعمال کرده است که کاربران API میتوانند سطح آن را مطابق با نیاز خود تنظیم کنند. این لایهها بر اساس جدیدترین گزارش ایمنی رسمی که در آگوست ۲۰۲۶ منتشر شده، بهشرح زیر هستند:
۱. لایهی فیلترینگ محتوایی با طبقهبندیکنندههای فعالسازی (Activation Classifiers):
مدلهای Sol و Terra با طبقهبندیکنندههای فعالسازی جدید در حوزههای حساس (مانند امنیت سایبری و زیستشناسی) محافظت میشوند که مدل را نظارت کرده و در صورت نیاز، در حین تولید پاسخ مداخله میکنند تا پاسخهای ناایمن را متوقف کنند. بر اساس این گزارش، حفاظتهای سایبری GPT-5.6 Sol حدوداً ۱۰ برابر بیشتر از مدلهای قبلی فعالیتهای مضر را مسدود میکنند.
۲. لایهی سیستمپرامپت اجباری و اسکن مکالمات:
مکالمات خاص اسکن میشوند تا خروجیهای ناایمن بهصورت لحظهای مسدود شوند. این لایه در مدلهای Sol و Terra سختگیرانهتر از Luna اعمال میشود؛ چون انتظار میرود کاربران حرفهای از آن در سناریوهای حساس استفاده کنند. هر سه مدل در چارچوب آمادگی (Preparedness Framework) در حوزههای امنیت سایبری و تهدیدات زیستی/شیمیایی در سطح بالا (High) ارزیابی شدهاند.
۳. لایهی حریم خصوصی و عدم ذخیرهسازی (Privacy Guardrail):
بر اساس سیاست جدید OpenAI، دادههای ورودی و خروجی مدلهای Sol و Terra برای کاربران API، بهطور پیشفرض برای آموزش مدلهای آینده استفاده نمیشوند. اما برای Luna، این گزینه بهصورت پیشفرض غیرفعال است و کاربر باید آن را بهصورت دستی از طریق پنل API فعال کند. این تفاوت، یکی از دلایل قیمتگذاری پایینتر Luna محسوب میشود.
⚠️ هشدار حریم خصوصی در Luna: برخلاف Sol و Terra، دادههای شما در این رده بهطور پیشفرض برای آموزش مدلهای آینده استفاده میشوند. برای غیرفعالسازی این ویژگی، باید از طریق پنل API اقدام دستی کنید.
برای کاربران سازمانی، انتخاب Sol یا Terra بهجای Luna، نهتنها به دلیل شاخص هوش بالاتر، بلکه به دلیل لایههای ایمنی عمیقتر و حفظ حریم خصوصی قویتر، یک تصمیم استراتژیک محسوب میشود. در مقابل، کاربران عمومی که با دادههای غیرحساس کار میکنند، میتوانند از Luna با خیال راحت استفاده کنند.
Cost per Task: محاسبهی هزینهی هر تسک با احتساب Reasoning Effort و توکنهای پنهان
برای آنکه قیمت API از یک جدول خام به معیاری قابل تصمیمگیری تبدیل شود، باید هزینهی هر تسک (Cost per Task) را بر اساس Reasoning Effort و توکنهای استدلال پنهان محاسبه کنید. در فرمول کلاسیک، هزینهی هر تسک برابر است با:
[هزینهی هر تسک = (توکن ورودی × قیمت ورودی) + (توکن خروجی نهایی × قیمت خروجی) + (توکنهای استدلال داخلی × قیمت خروجی)]
فرض کنید یک توسعهدهنده، ۱۰۰۰ درخواست با میانگین ۵۰۰ توکن ورودی و ۵۰۰ توکن خروجی نهایی ارسال میکند. اما اگر Reasoning Effort را روی high تنظیم کند، مدل پیش از تولید پاسخ نهایی، حدود ۶۰۰ توکن استدلال داخلی (توکنهای فکری) تولید میکند که دقیقاً به نرخ توکن خروجی محاسبه و صورتحساب میشوند. در این سناریو، هزینهی واقعی هر تسک به این شکل تغییر میکند:
| مدل | هزینهی پایه (بدون استدلال) به ازای ۱۰۰۰ تسک | هزینهی اضافی استدلال (high) به ازای ۱۰۰۰ تسک | Cost per Task نهایی (سنت/هر درخواست) |
| Sol | ۱۷.۵۰ دلار | ۱۲.۰۰ دلار | ۲.۹۵ سنت |
| Terra | ۷.۰۰ دلار | ۴.۸۰ دلار | ۱.۱۸ سنت |
| Luna | ۰.۷۰ دلار | ۰.۴۸ دلار | ۰.۱۱۸ سنت |
این جدول نشان میدهد که انتخاب Reasoning Effort میتواند Cost per Task را تا ۷۰٪ افزایش دهد. در تسکهای سادهای که نیازی به استدلال عمیق ندارند (مانند ترجمه یا خلاصهسازی سطحی)، تنظیم این پارامتر روی none یا low باعث میشود Cost per Task به همان عدد پایهی ۰.۰۷ سنت برای Luna بازگردد. بنابراین، بهینهسازی Cost per Task بدون مدیریت Reasoning Effort غیرممکن است.
سخن پایانی: از قیمت تا ارزش
با درنظرگرفتن شاخص هوش، لایههای ایمنی و قیمت، انتخابِ میانِ سه ردهی Sol، Terra و Luna در واقع یک تصمیمِ راهبردی است، نه صرفاً یک مقایسۀ عددی. این سه رده، یک پیوستارِ هوش-هزینه را تشکیل میدهند که هر کاربر بسته به ماهیتِ پروژهی خود، نقطهی بهینهای در آن خواهد یافت:
- اگر هوش بالا و حریم خصوصی قوی اولویت است ← Sol (شاخص هوش ۵۹، Guardrails پیشفرض و حریم خصوصی فعال، با قیمت ۵ دلار ورودی / ۳۰ دلار خروجی)
- اگر تعادل هوش و هزینه با ایمنی متوسط میخواهید ← Terra (شاخص هوش ۵۵، Guardrails استاندارد، با قیمت ۲.۵۰ دلار ورودی / ۱۵ دلار خروجی)
- اگر هزینهی پایین و سرعت بالا اولویت است و دادههایتان حساس نیست ← Luna (شاخص هوش ۵۱.۲، Guardrails پایه، با قیمت ۱ دلار ورودی / ۶ دلار خروجی)
توصیۀ نهایی: اگر تازه شروع کردهاید، از Luna آغاز کنید. اگر پروژهتان به عمقِ بیشتری نیاز پیدا کرد، Terra پلِ بعدیِ شماست. و اگر قرار است تصمیمی حیاتی بر اساسِ خروجیِ مدل بگیرید، Sol تنها انتخاب منطقی خواهد بود.
«امید که این بررسی، گامی هرچند کوچک در مسیر انتخاب آگاهانهتر و دیدگاه شفافتر شما باشد. قدردان نگاه دقیق شما ـ عرفان سیفجهانی.»
پرسشهای متداول
آیا ChatGPT جدید (GPT-5.6) رایگان است؟
بله، اما نه همهی ردهها. مدل Luna بهعنوان پیشفرض کاربران Free و Go در ChatGPT رایگان است و محدودیت روزانهی پیام متنی برای این کاربران حذف شده است. مدلهای Sol و Terra برای کاربران عادی نیازمند اشتراک پولی هستند و دسترسی از طریق API نیز هزینه دارد.
تفاوت Sol، Terra و Luna در چیست؟
تفاوت اصلی در جایگاه و قیمت است، نه در ظرفیت فنی. هر سه مدل Context Window یکسان ۱٬۰۵۰٬۰۰۰ توکن و Max Output یکسان ۱۲۸٬۰۰۰ توکن دارند و سطوح Reasoning Effort آنها یکسان است. Sol پرچمدار و گرانترین است، Terra متعادل است و Luna سریع و ارزانترین گزینه محسوب میشود.
هزینه API مدل Luna برای یک چتبات سبک چقدر است؟
برای ۱۰۰۰ درخواست با میانگین ۵۰۰ توکن ورودی و ۵۰۰ توکن خروجی، هزینه کل حدود ۰.۷۰ دلار میشود. همین سناریو با Terra حدود ۷ دلار و با Sol حدود ۱۷.۵۰ دلار هزینه دارد (بر اساس قیمت استاندارد API بدون تخفیف تبلیغاتی).
آیا کاربران ایرانی میتوانند از GPT-5.6 استفاده کنند؟
OpenAI بهطور رسمی خدمات خود را در ایران ارائه نمیدهد و آدرسهای IP ایرانی مسدود هستند. با این حال، طبق گزارشهای کاربری از ژوئن ۲۰۲۶، شماری از کاربران توانستهاند بدون استفاده از ابزارهای تغییر مسیر ترافیک به ChatGPT متصل شوند؛ اما این دسترسی ناپایدار است و ممکن است در هر لحظه قطع شود. بنابراین، استفاده از ابزارهای تغییر مسیر ترافیک (تحریمگذر) همچنان گزینهی مطمئنتر برای دسترسی پایدار محسوب میشود.
Reasoning Effort چیست و چطور روی هزینه اثر میگذارد؟
Reasoning Effort سطح تلاشی است که مدل پیش از پاسخ صرف «فکر کردن» میکند. سطوح بالاتر (high، xhigh، max) زمان و هزینه را افزایش میدهند، در حالی که مقادیر low یا none برای کارهای ساده مقرونبهصرفهترند. مقدار پیشفرض medium است.
