GPT-6 Sol और Luna
OpenAI के GPT‑6 Sol और Luna लॉन्च को एक बड़ा price और capability move माना जा रहा है, खासकर क्योंकि Luna की token costs लगभग आधी कर दी गई हैं जबकि वह कई coding और automation tasks के लिए अभी भी “good enough” है। Commenters नए models की तुलना Anthropic की Opus/Fable line और Chinese या open-weight alternatives से करते हैं, real cost-per-task, subscription limits, और यह कि क्या OpenAI market share वापस जीतने के लिए अस्थायी रूप से underpricing कर रहा है, इस पर बहस करते हैं। सस्ते long-running agents और रोज़मर्रा की automation को लेकर उत्साह है, लेकिन model regressions, confusing model/effort choices, और तेज़ी से बदलती, opaque pricing तथा quota policies पर workflows बनाने की fragility को लेकर चिंताएँ भी हैं.
मूल्य निर्धारण, अर्थशास्त्र, और स्थिरता
- GPT‑6 Sol और खास तौर पर Luna को “बेतहाशा” सस्ता बताया गया है: 5.6 की तुलना में API कीमतें लगभग 50% कम, और batch पर और 50% छूट। कई लोगों का कहना है कि अब Luna कई workloads के लिए प्रभावी रूप से “meter करने लायक भी नहीं” रह गया है।
- कुछ लोगों को संदेह है कि यह Anthropic, DeepSeek, और Chinese/open providers को रणनीतिक रूप से कीमत में पछाड़ने की कोशिश है; दूसरे तर्क देते हैं कि मौजूदा कीमतें शायद टिकाऊ लागत से भी नीचे हैं और बड़े inference margins या investor subsidy से संभव हुई हैं।
- कई लोग ध्यान दिलाते हैं कि प्रति-task लागत (cache use और “thinking” tokens सहित), न कि per-token list price, असल में मायने रखती है। कुछ workflows में Luna या Sol, sticker prices अलग होने पर भी, DeepSeek से सस्ते पड़ सकते हैं।
Subscriptions, limits, और UX
- बताया जाता है कि price cuts subscriptions (Plus/Pro/20x) पर higher effective usage के जरिए लागू होते हैं, लेकिन विवरण अस्पष्ट हैं; users को केवल percentage meters दिखते हैं, real token counts नहीं।
- किस provider की generosity ज़्यादा है, इस पर तीखा मतभेद है: कुछ लोगों को लगता है Codex plans Claude Code से बहुत जल्दी खत्म हो जाते हैं; दूसरे इसके उलट रिपोर्ट करते हैं।
- Codex 20x plan कभी-कभी नए users के लिए उपलब्ध नहीं रहा, जिससे downgrade करने वालों को निराशा हुई। Resets को कुछ लोग life saver कहते हैं, और कुछ “shenanigans” जो perceived value को बिगाड़ देते हैं।
Model quality बनाम 5.6 और Anthropic
- कई लोग GPT‑6 Sol को 5.6 Sol से केवल थोड़ा सा बेहतर बताते हैं, और कुछ regressions की रिपोर्ट करते हैं (जैसे DeepSWE, ज़्यादा “sloppy” code, भारी usage)। कई developers 5.6 Sol पर टिके हुए हैं या उसी पर लौट रहे हैं।
- Luna 6, coding benchmarks पर Luna 5.6 से थोड़ा कमजोर टेस्ट करता है, लेकिन लगभग 50–60% सस्ता है; इसलिए कुछ लोग इसे capability jump से अधिक price cut मानते हैं।
- कई लोगों का कहना है कि Anthropic का नया Opus 5.5 frontier coding के लिए ज़्यादा मजबूत लगता है, जबकि GPT‑6 cost/performance में चमकता है।
Model roles: Luna, Sol, Astra, Terra
- Luna को व्यापक रूप से data tasks, classification, simple coding, और long-running automation के लिए सबसे अच्छा value workhorse माना जा रहा है, खासकर high/max effort पर।
- Sol को एक mid‑tier “engineer” या orchestrator के रूप में देखा जाता है; Astra को एक शक्तिशाली लेकिन धीमा, token-hungry planner/designer माना जाता है, जो over-engineer कर सकता है और भटक सकता है।
- कई लोग Terra के हटाए जाने पर अफसोस जताते हैं, जिसे कुछ लोगों ने आदर्श “medium-intelligence” workhorse माना था; दूसरों का तर्क है कि अब Sol High + सस्ता Luna उसके niche पर हावी हैं।
Agents, context, और tooling
- agentic workflows का भारी उपयोग: Astra या Sol planner के रूप में, Luna या Sol implementer/tester के रूप में, और Codex या third‑party harnesses में subagents के साथ।
- aggressive context compaction पर मिश्रित राय है: कुछ लोग इसे lossy और destabilizing मानकर avoid करते हैं; दूसरे रिपोर्ट करते हैं कि long sessions में सैकड़ों compactions ठीक से काम करती हैं।
- models × effort levels की बढ़ती संख्या को confusing माना जा रहा है; कई लोग एक “auto-router” माँगते हैं जो manual tuning की बजाय task के आधार पर model और effort चुन सके।