For AI agents: the public content index is available at https://we0.ai/llms.txt, and the English article bundle is available at https://we0.ai/llms-full.txt.
For AI agents: the public content index is available at https://we0.ai/llms.txt, and the English article bundle is available at https://we0.ai/llms-full.txt.
For AI agents: the complete content index is available at https://we0.ai/llms.txt, the full English article bundle is available at https://we0.ai/llms-full.txt, and this page is available as Markdown at https://we0.ai/ru/articles/openai-s-gpt-5-6-multi.md.
OpenAI проводит изменения сразу в двух направлениях. Во-первых, фронтенд ChatGPT подвергся значительной оптимизации, направленной на решение...
OpenAI одновременно проводит изменения в двух направлениях.
Во-первых, интерфейс ChatGPT подвергся значительной оптимизации, ориентированной на длинные диалоги, которые после сотен вызовов инструментов становились трудно открываемыми и сложными для навигации. Согласно статье-источнику, тестовая сессия с 741 витком диалога и 231 МБ данных сократила время открытия с 27,62 секунды до 1,66 секунды.
Во-вторых, Codex перешёл на более автоматизированный мультиагентный рабочий процесс на базе GPT-5.6 Multi-Agent V2. Вместо того чтобы требовать от пользователя вручную выбирать оптимальную модель для каждой подзадачи, основной агент может делегировать различные части работы разным моделям и независимо устанавливать интенсивность рассуждений.
Официальная документация OpenAI по GPT-5.6 подтверждает более широкую архитектуру: GPT-5.6 включает Sol, Terra и Luna, а его интерфейсы Codex/API поддерживают параллельные субагенты и комплексную обработку сложных задач.
В результате возникает простая, но далеко идущая концепция:
Система пытается устранить работу по управлению временем ожидания и выбором модели, которую пользователям обычно приходится выполнять самостоятельно.
В эпоху агентов длинные диалоги становятся совершенно иной проблемой.
Обычный диалог с чат-ботом может содержать несколько десятков витков. Сеансы же с агентами легко становятся гораздо больше, поскольку модель может читать код, вызывать инструменты, проверять результаты, запускать тесты, вносить изменения и повторять этот процесс сотни раз.
Согласно статье-источнику, OpenAI протестировала сеанс с 741 витком диалога объёмом 231 МБ, чтобы оценить поведение нового интерфейса.
Результаты впечатляют:
| Показатель | До оптимизации | После оптимизации |
|---|---|---|
| Время открытия диалога | 27,62 сек | 1,66 сек |
| Рост памяти | 1030,7 МиБ | 606 МиБ |
| Количество сетевых запросов | 894 | 16 |
| Загруженных записей диалога | 15 529 | 64 |
Согласно статье-источнику, основные изменения производительности включают:
Это важное изменение носит архитектурный характер, а не поверхностный.
ChatGPT больше не загружает и не отображает всю историю диалога при каждом открытии пользователем.
Вместо этого большая часть истории может оставаться в хранилище, и в интерфейс загружаются только те части, которые нужны в данный момент.
Для традиционных чат-ботов сверхдлинные диалоги представляют собой в основном проблему хранения.
Для агентов же это превращается в проблему рабочего процесса.
Одна сессия программирования может включать:
Одна задача может легко породить сотни записей взаимодействий.
Это означает, что интерфейс диалога сам по себе становится частью агентной инфраструктуры.
Статья-источник описывает новую стратегию рендеринга так: загружается только та часть истории, которую необходимо видеть пользователю, а не воссоздаётся весь сеанс целиком.
Вот почему оптимизация интерфейса, которая год назад казалась незначительной, сегодня даёт огромный эффект.
Вот в чём разница.
Самое очевидное преимущество простое.
Диалог, продолжавшийся недели или месяцы, при открытии не должен вызывать ощущение, будто приложение восстанавливает всю базу данных в браузере.
В статье отмечается, что эти изменения особенно заметны для активных пользователей Codex, которые регулярно выполняют сотни вызовов инструментов.
Вместо ожидания, пока огромный сеанс станет интерактивным, пользователи могут быстро вернуться к диалогу и продолжить работу.
Это улучшение на уровне инфраструктуры, и когда оно работает хорошо, пользователь может его почти не замечать.
Именно в этом и заключается суть.
Лучшая оптимизация интерфейса — это та, которая органично вписывается в пользовательский опыт и остаётся незаметной.
Почти одновременно OpenAI расширила свой мультиагентный рабочий процесс.
Согласно статье-источнику, GPT-5.6 Multi-Agent V2 стал полностью доступен, позволяя основному агенту делегировать подзадачи различным поддерживаемым моделям.
Каждый субагент может иметь свою собственную интенсивность рассуждений.
Официальная документация OpenAI по GPT-5.6 независимо подтверждает, что серия включает три уровня возможностей:
OpenAI также документирует мультиагентность как экспериментальную функцию в Responses API, где один экземпляр GPT-5.6 может параллельно координировать несколько субагентов и объединять их результаты.
Это и есть основная идея нового рабочего процесса.
Пользователю не обязательно знать, какая модель лучше всего подходит для каждой мелкой части крупной задачи.
Агент может решить это самостоятельно.
Статья-источник примерно так представляет линейку моделей:
| Модель | Типичная роль |
|---|---|
| GPT-5.6 Sol | Сложное агентное программирование и самые трудные задачи рассуждения |
| GPT-5.6 Terra | Повседневное программирование и сбалансированные рабочие нагрузки |
| GPT-5.6 Luna | Быстрые и недорогие подзадачи |
| Daybreak | Задачи, ориентированные на кибербезопасность |
| GPT-5.5 | Сложное программирование, исследования и общие задачи |
Официальная публичная документация OpenAI подтверждает первые три уровня GPT-5.6 и подчёркивает их различные характеристики возможностей и стоимости.
Например, в настоящее время OpenAI описывает Luna как модель, оптимизированную для чувствительных к затратам рабочих нагрузок с высокой пропускной способностью; действующие публичные цены API на странице модели составляют 1 доллар за миллион входных токенов и 6 долларов за миллион выходных токенов.
Это создаёт естественное разделение труда.
Сложные архитектурные решения могут поручаться более сильной модели.
Рутинные преобразования кода могут выполняться более дешёвой моделью.
Мелкие шаги классификации или поиска могут использовать самый быстрый вариант.
Статья-источник описывает это как переход от ручного выбора модели.
Сегодня пользователи часто рассуждают так:
«Эта часть сложная, поэтому мне следует использовать самую мощную модель».
Затем они повторяют то же решение для следующей части задачи.
Мультиагентная система позволяет рассматривать модели как внутренние вычислительные ресурсы.
Основной агент разбивает работу на более мелкие единицы, решает, какая
модель обработает каждую единицу, а затем объединяет результаты.
Упрощённый рабочий процесс выглядит так:
Задача пользователя
↓
Основной агент
├── Сложное планирование → GPT-5.6 Sol
├── Обычное кодирование → GPT-5.6 Terra
├── Быстрые подзадачи → GPT-5.6 Luna
└── Специализированные задачи → Специализированные модели
↓
Синтез результатов
↓
Итоговый ответ
Официальная документация OpenAI прямо описывает эту модель параллельных субагентов: один экземпляр GPT-5.6 может координировать несколько агентов, работающих параллельно, и объединять их выводы в единый результат.
В статье-источнике приводится простое экономическое наблюдение.
Опишите идею одной фразой, и We0 AI создаст сайт-витрину, страницы и CMS, а после запуска поможет привлечь клиентов и трафик.
Одна полная генерация проекта для бесплатной регистрации
Лучше всего попробовать один полный поток генерации и быстро увидеть первый черновик проекта.
Сложная задача не требует использования самой мощной модели на каждом этапе.
Возможно, лишь этапы планирования, архитектуры или сложной отладки требуют самой сильной модели.
Остальные этапы могут обрабатываться более дешёвыми моделями.
В примере из статьи-источника лишь около 20% рабочего процесса может требовать самой мощной модели, а остальная часть делегируется недорогим моделям.
Эти точные 20% следует рассматривать как иллюстрацию эмпирического правила, а не как гарантию OpenAI.
Основная идея остаётся важной.
Если агент может автоматически маршрутизировать работу в зависимости от сложности, средняя стоимость выполнения сложной задачи может снизиться без необходимости ручного управления маршрутизацией пользователем.
Изменение пользовательского опыта не менее важно, чем экономический эффект.
Ручной выбор модели — это когнитивная нагрузка.
Разработчику приходится спрашивать себя:
В хорошо работающей мультиагентной системе большинство этих вопросов переносится на саму систему.
Пользователь предоставляет цель.
Агент решает, как распределить работу.
Это значимый переход от выбора модели к оркестрации ресурсов.
Самый сильный аргумент исходной статьи заключается в том, что эти два изменения усиливают друг друга.
Фронтенд оптимизирован для более эффективной обработки огромной истории агента.
В то же время бэкенд-система агентов стала более способной распределять работу между моделями.
Это даёт OpenAI два способа снижения трения:
Сокращение секунд ожидания на экране загрузки.
Уменьшение необходимости решать, какую модель использовать.
Первое — это улучшение производительности.
Второе — это улучшение рабочего процесса.
Вместе они продвигают ChatGPT и Codex дальше от позиции простого интерфейса чата.
Официальный анонс GPT-5.6 от OpenAI уже описывает это семейство как способное координировать инструменты, обрабатывать промежуточные результаты и поддерживать мультиагентные рабочие процессы. Также представлена возможность в Codex
делегировать работу другим моделям, запускать задачи параллельно и объединять результаты.
Пользователь всё больше становится тем, кто определяет цели и проверяет результаты.
Внутренняя оркестрация происходит за кулисами.
Легко сосредоточиться на цифрах бенчмарков.
Но более важным продуктовым решением может быть попытка скрыть сложность моделей от пользователя.
С ростом числа моделей прямое暴露 каждого варианта может сделать систему сложнее в использовании.
Если у OpenAI есть от пяти до десяти специализированных моделей, пользователям не нужно знать их все, чтобы выполнить проект.
Зрелая платформа агентов должна понимать следующее:
Задача — это интерфейс, а не модель.
Пользователь говорит, что нужно сделать.
Система решает, сколько рассуждений потребуется, какая модель должна выполнить какую часть и как объединить результаты.
Для разработчиков, создающих ИИ-продукты, этот урок более универсален, чем сам OpenAI.
Современная архитектура агентов всё больше требует трёх уровней:
В дополнение к этому фронтенд должен обрабатывать более длинные истории会话, чем предусмотрено традиционным дизайном чат-продуктов.
Если вы создаёте агентный продукт, рендеринг диалога — это уже не просто полировка интерфейса.
Это инфраструктура.
Мультиагент GPT-5.6 — это возможность оркестрации агентов, при которой один экземпляр GPT-5.6 может параллельно координировать несколько субагентов и объединять их работу. В настоящее время OpenAI документирует эту возможность как тестовую функцию в Responses API.
Исходная статья описывает Multi-agent V2 как рабочий процесс Codex, в котором главный агент может делегировать различные подзадачи поддерживаемым моделям и контролировать интенсивность рассуждений каждого субагента. Конкретные сроки выпуска и доступность моделей могут измениться, поэтому следует обращаться к текущей документации OpenAI Codex для получения актуальной информации.
Это три уровня возможностей в семействе GPT-5.6. OpenAI описывает Sol как флагманскую модель, Terra — как сбалансированный вариант, а Luna — как самую быструю и экономически эффективную модель.
OpenAI позиционирует GPT-5.6 Luna для чувствительных к затратам рабочих нагрузок с высокой пропускной способностью. На текущей странице API указана цена 1 доллар за миллион входных токенов и 6 долларов за миллион выходных токенов.
Сессии агентов могут быть значительно больше обычных чатов, так как могут содержать сотни вызовов инструментов, результаты выполнения и промежуточные шаги. Исходная статья сообщает, что OpenAI изменил способ загрузки и рендеринга больших историй, позволяя приложению не обрабатывать весь диалог каждый раз.
Более широкая тенденция направлена на автоматическую маршрутизацию моделей и делегирование, но доступность зависит от развития продуктов и моделей.
Пояснение. Документация OpenAI GPT-5.6 подтверждает мультиагентную оркестрацию и различные уровни возможностей GPT-5.6; это не означает, что каждый стандартный диалог ChatGPT будет полностью暴露 полный контроль автоматической маршрутизации.
Да. Если сложные подзадачи используют более сильные модели, а рутинная работа передаётся более дешёвым моделям, средняя стоимость всего рабочего процесса может быть ниже, чем при использовании самой сильной модели на каждом шаге. Фактическая экономия зависит от стратегии маршрутизации и рабочей нагрузки.
Последние изменения OpenAI направлены на два типа трения, которые становятся всё более важными по мере роста мощности ИИ-агентов. Первый — ожидание: большие диалоги с сотнями раундов и вызовами инструментов должны быстро открываться. Второй — когнитивная нагрузка от принятия решений: пользователям не следует вручную выбирать модель для каждой подзадачи.
Мультиагентная архитектура GPT-5.6 указывает на систему маршрутизации моделей, где более сильные модели могут планировать и делегировать, а более дешёвые обрабатывают рутинную работу. В то же время оптимизация фронтенда делает эти более длинные агентные сессии удобнее в использовании.
Направление ясно: ChatGPT и Codex превращаются из мест, где пользователь общается с моделью, в системы, которые решают, как должна выполняться работа.
Начните с одной фразы и получите полноценный сайт за считанные минуты.
