Guia de GPT‑5.6 per a desenvolupadors
Lliçons tècniques d'empreses emergents en producció
La família de models GPT‑5.6 fa que el rendiment dels agents d'avantguarda sigui molt més assequible, alhora que amplia els límits del que és possible.
En aquesta guia mostrem com les empreses emergents combinen una selecció de models més intel·ligent amb nous controls de l'API que faciliten la continuïtat del raonament, l'orquestració multiagent i les crides programàtiques a eines, per crear agents més ràpids i capaços per una fracció del cost.
Des de GPT‑5, cada generació de models ha mirat d'abordar tasques de més durada amb menys segments. GPT‑5.6 manté aquesta trajectòria: més rendiment dels agents i menys costos, amb canvis mínims en l'entorn d'execució subjacent.
La millora general de l'eficiència de costos es veu reforçada per una precisió més gran amb nivells de raonament més baixos. Per exemple, a Agents' Last Exam, GPT‑5.6 Sol amb un nivell de raonament "baix" va superar GPT‑5.5 amb un nivell "alt" mantenint constant l'entorn d'execució. Hem observat casos d'èxit semblants en proves de producció, en què les empreses emergents indiquen millores de cost significatives en diversos fluxos de treball després de reduir el nivell de raonament respecte dels valors predeterminats anteriors.
Tradicionalment, passar a un model insígnia amb el màxim nivell de raonament disponible ha estat la millor opció per als casos d'ús de llarga durada. Això es devia en gran part al fet que aquests models gestionaven contextos més llargs i crides a eines molt millor que els models optimitzats per reduir costos. Això ha canviat amb la família 5.6: amb més capacitat de càlcul durant les proves, Luna i Terra sovint ofereixen un rendiment semblant al de GPT‑5.4 i 5.5, però a un cost molt inferior.
Pensem en les tasques de BrowseComp, una prova de referència basada en cerques que avalua la capacitat d'un model per trobar dades poc conegudes. Fa tres mesos, GPT‑5.5 (Molt alta) va obtenir un 84,36 % en aquesta prova, amb un cost total de 33,27 $. En el llançament, GPT‑5.6 Luna (Molt alta) ofereix pràcticament el mateix rendiment: un 84,04 % amb un cost d'1,33 $. Des d'aleshores, hem abaixat encara més els preus. Més informació sobre les nostres últimes rebaixes de preus.
Els models més petits de la família 5.6 són una opció excel·lent per a càrregues de treball de gran volum, interaccions sensibles a la latència i passos repetits dins de fluxos de treball amb agents. Per exemple, si teniu una empresa emergent de tecnologia jurídica que processa notes manuscrites abans que els agents les analitzin, ara podeu fer servir Terra o Luna per extreure'n la informació, en lloc d'utilitzar un model d'avantguarda en tot el procés, i estalviar considerablement.
A més de millorar el rendiment inicial de GPT‑5.6, també hem incorporat nous components bàsics a l'API Responses per aconseguir millores addicionals. Hem entrenat GPT‑5.6 d'extrem a extrem amb tres intervencions arquitectòniques complementàries que permeten als agents funcionar amb més eficiència:
Reutilitzar la feina ja feta: en permetre que el raonament es conservi(s'obre en una finestra nova) entre els torns del model i emprar la condensació de context nativa(s'obre en una finestra nova) per comprimir converses llargues, el model pot mantenir la coherència durant tasques més prolongades sense confondre's ni haver de reconstruir el context anterior.
Descompondre en paral·lel quan convingui: l'orquestració multiagent nativa(s'obre en una finestra nova) permet coordinar diversos agents en línies de treball paral·leles per completar tasques complexes més de pressa.
Traslladar la feina determinista al codi: les crides programàtiques a eines(s'obre en una finestra nova) permeten filtrar, agregar i orquestrar els resultats de les eines fora de la finestra de context del model, reservant els segments del model per a les decisions i reduint el cost, la latència i la degradació del context.
Quan es fan servir conjuntament, la diferència pot ser espectacular. Per exemple, a ARC-AGI-3, GPT‑5.6 Sol va obtenir un 13,3 % amb l'entorn d'execució estàndard. Però, després d'activar la conservació del raonament i la condensació de context, la puntuació va pujar al 38,3 %, tot utilitzant aproximadament sis vegades menys segments de sortida. Sense canviar el model, però amb gairebé el triple de rendiment. Podeu trobar més informació a la nostra investigació de l'entorn d'execució d'ARC-AGI-3.
Els fluxos de treball amb agents solen incloure dos tipus de feina:
Tasques que requereixen criteri
Feina que consisteix principalment a moure, filtrar i combinar dades
Quan un agent recupera 100 documents regulatoris, els filtra per data i identifica les transaccions rellevants, el model no hauria d'haver de raonar sobre cada resultat intermedi dins de la finestra de context. Les crides programàtiques a eines permeten que GPT‑5.6 escrigui JavaScript per orquestrar eines, executar crides independents en paral·lel i processar-ne els resultats fora de la finestra de context. Així, el model es pot centrar en allò que requereix intel·ligència: aplicar criteri.
En tasques complexes que es poden paral·lelitzar, distribuir les accions i el raonament entre diverses línies de treball d'agents permet completar-les més ràpidament i augmentar-ne la intel·ligència. En aquestes configuracions, l'agent principal s'encarrega d'orquestrar els subagents i delegar-los les tasques. Els subagents treballen en paral·lel per assolir els seus objectius i, al final, retornen els resultats a l'agent principal perquè en faci la síntesi final. Els equips poden començar a aprofitar la funcionalitat multiagent nativa activant l'opció multiagent(s'obre en una finestra nova) a l'API Responses. Així és també com funciona el nivell de capacitat Ultra a ChatGPT.
“Qualia gestiona equips d'agents per resoldre problemes de recerca oberts, i GPT‑5.6 Sol va encaixar perfectament. Va mostrar una millora notable respecte a GPT‑5.5, va acabar més de pressa que gairebé tots els altres models que vam provar i aviat es va convertir en el nostre model d'OpenAI de referència.”
“GPT‑5.6 és el millor orquestrador que hem vist d'OpenAI. Li vam donar sis especificacions alhora —per redactar-les, implementar-les i comentar-les totes— i no va perdre el fil de res ni va sacrificar la qualitat.”
Tot i que GPT‑5.6 sap determinar força bé quants subagents calen i quan ha de crear-los, el comportament multiagent és molt fàcil de dirigir. Indicar al model quan ha d'invocar subagents pot fer que només els creï quan la despesa addicional de segments es tradueixi en un rendiment millor.
En tota la família de models, el TTL de la memòria cau d'indicacions s'ha ampliat a un mínim de 30 minuts, i ara es poden establir punts d'interrupció deterministes dins de la finestra de context d'un model. Això ha permès que les empreses emergents millorin considerablement la taxa d'encerts de la memòria cau.
A més d'establir punts d'interrupció de memòria cau, continuar utilitzant una prompt_cache_key(s'obre en una finestra nova) adequada augmenta la probabilitat que les sol·licituds arribin al mateix motor d'inferència que ja havia processat el mateix prefix, cosa que redueix la latència.
El que més destaca d'aquests exemples és fins a quin punt ha canviat l'economia del desenvolupament d'agents.
Els casos d'ús que abans requerien un model d'avantguarda a cada pas ara poden assolir resultats comparables o millors per una fracció del cost gràcies a models més petits, a l'ajust del nivell de raonament i a decisions arquitectòniques eficients.
Tenim moltes ganes de veure què creeu!
- 2026
- Plataforma d'API
Sobre els autors
Aquesta guia ha estat elaborada per Samarth Madduru(s'obre en una finestra nova), Prashant Mital(s'obre en una finestra nova), Dave Leo(s'obre en una finestra nova) i Julien Reiman(s'obre en una finestra nova), a partir de la seva experiència de col·laboració estreta amb empreses emergents que desenvolupen amb GPT‑5.6, des de les primeres proves fins a la producció.
