GPT-5.6 снижает стоимость задач на 82% в AWS Kiro, несмотря на снижение цены на 20%

Та же модель, официальная цена снизилась всего на 20%, а ваш счет уменьшился на восемьдесят процентов.

24 августа OpenAI опубликовала результаты теста, проведенного вместе с AWS:

На Terminal-Bench 2.1 стоимость выполнения успешной задачи GPT-5.6 Terra в Kiro снизилась примерно на 82%.

Kiro — это платформа программного обеспечения для разработки с использованием ИИ от AWS, охватывающая IDE, CLI и веб.

Три брата Sol, Terra, Luna из семьи GPT-5.6 уже бегают внутри более месяца.

Эти 82% — не официальное снижение цены.

Последняя корректировка Terra произошла 30 июля и составила 20%.

30 июля公告：OpenAI пересмотрел цены, Terra снижена на 20%.

Цена снижается всего на 20%, а счет можно сократить на восемьдесят процентов.

Те шестьдесят процентов, которые отсутствуют посередине, — именно оттуда стоит искать экономию, и это действительно заслуживает нашего внимания.

GPT-5.6 launched on Kiro in July this year.

Сначала 13-го числа AWS объявила, что GPT-5.6 Sol, Terra и Luna теперь доступны в Amazon Bedrock.

На следующий день Kiro опубликовал блог-пост о запуске трех моделей в IDE, CLI и веб-версии.

Это первый раз, когда модель OpenAI попадает в Kiro, как раз в годовщину открытого предварительного просмотра Kiro.

Сначала разместите модель на полке, затем отправьте её работать, через месяц OpenAI возвращается с выполненным заданием:

Две компании совместно настроили среду Kiro и модель OpenAI, снизив стоимость выполнения успешной задачи Terra примерно на 82%.

При корректировке 30 июля Terra снизилась на 20%, однако в тестах Kiro стоимость одиночной задачи снизилась на 82%.

А откуда взялись эти сэкономленные шестьдесят процентов?

Направлений всего несколько:

Модель генерирует меньше токенов, реже вызывает инструменты повторно и реже выполняет повторные попытки или обходные пути после неудачи.

Таким образом, экономия этой значительной суммы — это не деньги за каждый вызов, а те деньги, которые изначально были бы потрачены впустую.

Все просто: если ИИ-агент один раз провалил задачу, счет все равно выставляется. Даже если он на полпути выбрал неверный путь и три раза сбился с курса, прежде чем вернуться, все эти токены все равно списываются.

В реальной разработке деньги часто именно так и утекают.

OpenAI также указала на ту же логику в официальном блоге: эффективность происходит из трех уровней:

Фреймворк агентов, инициирующих запросы и организующих контекст, система оркестровки, координирующая запросы посередине, и наконец сама модель, запущенная на GPU.

OpenAI анализирует источники эффективности GPT-5.6: запросы начинаются с агентной архитектуры, затем передаются через систему оркестрации и в конечном итоге выполняются на GPU — каждый уровень оптимизирован для экономии.

Вы можете сэкономить даже на распределении обязанностей между моделями.

OpenAI также приводил пример использования: сначала можно использовать Sol, чтобы четко понять проблему и определить план, а затем переключиться на Luna для реализации уже четко определенных изменений, написания тестов и запуска оценок.

Одна и та же производственная линия, на разных этапах используются разные уровни интеллекта.

Этот набор вопросов Terminal-Bench 2.1 не предназначен для того, чтобы модель отвечала отдельно.

Он помещает модель в терминальную среду, ставит перед ней расплывчатую цель и заставляет её самостоятельно планировать путь, вызывать инструменты, писать скрипты, обрабатывать ошибки и многократно итерировать.

Таким образом, достигнутые результаты — это результат комбинации «агент + модель».

Открытый рейтинг Terminal-Bench 2.1: справа от точности добавлена статья затрат. (Источник изображения: Terminal-Bench)

Четыре строки цифр в рейтинге лучше всего это демонстрируют:

Claude Code с Fable 5, 83,8%, 552,67 доллара;

Codex с GPT-5.5, 83,1%, 2059,19 доллара;

Codex с GPT-5.6 Terra, 78,4%, 421,15 доллара;

Codex в паре с GPT-5.6 Luna, 75,7%, 241,45 доллара.

Разница в баллах между первыми двумя строками составила всего 0,7 процентных пункта, но счет отличался почти в четыре раза.

Одна и та же модель, встроенная в разные фреймворки с различными стратегиями организации контекста и инструментов, дает совершенно разные результаты.

Согласно данным, предоставленным Kiro, Terra набрала 77,4 балла по индексу Coding Agent, что лишь немного выше, чем 77,2 у Claude Fable 5.

Его преимущества заключаются не в баллах, а в цене, соответствующей этим баллам.

Точка приложения усилий Киро здесь также — суть геймплея проста: нельзя сразу писать код.

Он сначала разбивает расплывчатую цель пользователя на официальный документ требований, технический дизайн и список выполнимых задач, а затем передает это модели.

Таким образом, модель получает не расплывчатое высказывание, а четко структурированную задачу.

Знакомые с Agent люди сразу поймут, что этот шаг исключает самые дорогие расходы.

Модель сбивается с пути, требует переделки, полного сноса и перезапуска — сожженные токены часто превышают те, что были потрачены на настоящую работу.

Кирилл оставил два контрольных пункта в процессе: перед фактическим изменением кода — остановиться и дать кому-нибудь его проверить; после завершения работы — автоматически запустить тесты для проверки корректности.

Каждая повторная обработка, остановленная этими двумя воротами, позволяет сэкономить реальные деньги.

Год назад Kiro был всего лишь IDE, ориентированным на спецификации, а выбор модели был прерогативой Anthropic.

Через год AWS разместил на своей собственной платформе агентов сразу три модели OpenAI.

Sol, Terra, Luna и Claude расположены в одном выпадающем меню — год назад это было трудно представить.

Хотя GPT-5.6 на этот раз «все члены семьи прибыли», он еще не «полностью открыт».

Три модели выпускаются постепенно и экспериментально для пользователей Pro, Pro+, Pro Max и Power; регионы — только северная Вирджиния в США и Франкфурт в Европе, поддерживается межрегиональное вычисление.

Еще один момент, который многим непривычен: эти модели в Kiro используют скрытую цепочку рассуждений — вы не видите их шагов рассуждения, только конечный результат.

Те, кто привык следить за тем, как агент пошагово рассуждает, чувствуют, будто бросают задачу в непрозрачную коробку.

Официально заявлено, что это ожидаемое поведение, не влияющее на качество вывода.

Трехуровневая модель явно указана в Kiro.

В тот день, 14 июля, при выходе того же задания Sol вычитался в 2,4 раза, Terra — в 1,2 раза, Luna — в 0,6 раза.

30 июля, после снижения ставок OpenAI, на следующий день Kiro последовал примеру: Luna была снижена с 0,6 до 0,1, Terra — с 1,2 до 1,0, а Sol осталась без изменений.

Позиция AWS очевидна: платформа для разработки не может быть привязана только к одной модели.

В одном и том же селекторе две передовые модели начинают конкурировать по ценам.

Критерии оценки модели также изменились: высокий балл больше не означает автоматическую победу, победить можно и с минимальными затратами.

Для разработчиков раньше спрашивали: «Сколько стоит этот модель за миллион токенов?», а теперь нужно спрашивать: «Сколько мне будет стоить заставить её выполнить эту задачу?»

Справочные материалы:

https://x.com/OpenAIDevs/status/2091966982015103068

https://openai.com/index/gpt-5-6-in-kiro/

Эта статья взята из официального аккаунта WeChat «Синьчжиюань» (ID: AI_era), автор: АСИ, редактор: Юаньюй