OpenAI har frigivet GPT-6.1 Sol til sin API og tilføjer en ny avanceret routingmulighed for teams, der har brug for stærk kodning, computerbrug og professionel workflowydeevne uden at gå til GPT-6 Astra som standard for hver opgave.
Udgivelsen betyder mindre, fordi den tilføjer endnu et modelnavn til kataloget og mere, fordi den ændrer den praktiske prisstige. OpenAI viser GPT-6.1 Sol for Responses API og Chat-afslutninger, med værktøjsopkald tilgængeligt via Responses API og Multi-agent support i beta. Udgivet standardpris er 2 USD pr. 1 million inputtokens, 0,10 USD pr. 1 million cachede inputtokens, 2,50 USD pr. 1 million cache-skrivetokens og 10 USD pr. 1 million outputtokens for prompter op til 272.000 inputtokens.
Denne kombination giver ingeniørteams en klarere mellemvej: Brug en frontier-class model til hårdere arbejde, men administrer omkostningerne ved at dirigere gentagne tunge prompter og langvarige arbejdsgange gennem cache-bevidste kontroller.
Hvad ændrede sig
GPT-6.1 Sol ankom som en navngivet API-model den 29. september. OpenAIs ændringslog viser den som tilgængelig for både svar API og Chat-afslutninger, hvilket giver eksisterende API-brugere en relativt direkte måde at teste den mod den aktuelle produktionstrafik. Modelsiden placerer den også i den moderne OpenAI-værktøjsstak: Værktøjsopkald understøttes via Responses, og Multi-agent er tilgængelig i beta.
GitHub annonceret separat GPT-6.1 Sol tilgængelighed i GitHub Copilot på samme dato, med priser håndteret gennem Copilots brugsbaserede faktureringsmodel. Det betyder, at mange udviklere vil støde på modellen først i kodningsworkflows i stedet for ved eksplicit at forbinde den med en applikations-backend.
Den vigtige operationelle detalje er prisfastsættelsen. Med $2 pr. million inputtokens og $10 pr. million outputtokens ligger GPT-6.1 Sol under grænseprofilen med de højeste omkostninger, men det er ikke en råvaremodel. Output forbliver den vigtigste omkostningsdriver for detaljerede kodningsagenter, dokumentudkast og analysearbejdsgange. Det mere karakteristiske håndtag er cache-input: OpenAI viser cachelagrede læsninger til $0,10 pr. million tokens, mens cacheskrivning koster $2,50 pr. million tokens.
Hvorfor cachelagret input nu betyder mere
Prompt caching er ofte blevet behandlet som en god optimering. Med GPT-6.1 Sol bliver det et budgetdesignspørgsmål. Mange virksomhedsapplikationer sender de samme store systeminstruktioner, politikblokke, skemaer, genfindingsskabeloner, eksempler og lagerkontekst igen og igen. Hvis disse gentagne input er berettiget til cache-hits, kan de marginale inputomkostninger falde kraftigt. Hvis de konstant omskrives, omarrangeres eller fragmenteres på tværs af agenter, vises besparelserne muligvis aldrig.
Det lægger pres på applikationsarkitekturen. Teams, der kører kodningsassistenter, vidensarbejde-copiloter, kontraktanalyse, supportautomatisering eller analytikeragenter, skal måle cache-hitrater, ikke kun aggregeret tokenvolumen. En model, der ser dyr ud i en simpel sammenligning pr. token, kan være billigere i en reel arbejdsbyrde, hvis den genbruger stabil kontekst effektivt. Det omvendte er også sandt: Et system med dårlig promptdisciplin kan slette den tilsyneladende fordel ved cachelagrede priser.
For virksomheder, der bruger en delt enterprise LLM API, styrker modeludgivelsen argumentet for centraliseret routing og omkostningsrapportering. Individuelle hold kan kun se deres eget modelopkald. Platformteams skal se, om trafikken bruger cache, hvilke arbejdsbelastninger der producerer dyre output, og om agentkørsler multiplicerer opkald bag en enkelt brugeranmodning.
Hvem er berørt
Udviklere, der bygger komplekse kodningsværktøjer, er den mest oplagte målgruppe. GPT-6.1 Sol’s positioning, Copilot availability, and Responses API tool support make it relevant for code generation, refactoring, debugging, repository search, and workflow automation. Teams that recently evaluated GPT-6 Sol or GPT-6 Astra now have another same-family option to benchmark across latency, output quality, and cost.
Produktteams, der kører professionelle workflowagenter, er også berørt. Tool calling and beta Multi-agent support point toward systems where one user task can fan out into planning, retrieval, execution, review, and follow-up steps. Det er nyttigt, men det komplicerer regnskabet. En enkelt kundevendt handling kan forbruge tokens på tværs af flere agentroller, værktøjer og genforsøg.
Finans- og platformsdriftsteam bør også være opmærksomme. Modelvalg er ikke længere en simpel "bedste model versus billig model" beslutning. Det bedre spørgsmål er, hvilken model, kontekstlængde, cachemønster og outputpolitik der skal gælde for hver arbejdsbyrde. GPT-6.1 Sol makes that question sharper because its published prices create visible tradeoffs between fresh input, cached input, cache writes, and generated output.
Praktiske konsekvenser for API hold
Det første praktiske skridt er benchmarking mod reel trafik. Syntetiske prompter viser sjældent økonomien i en model med meningsfuld cache-input-prissætning. Teams bør genafspille repræsentative anmodninger, herunder komplette systemprompter, genfindingsnyttelast, værktøjsskemaer og forventede outputlængder. De bør sammenligne de samlede omkostninger pr. udført opgave, ikke kun pris pr. million tokens.
Det andet trin er politik. Hvis GPT-6.1 Sol er aktiveret bredt, har teams brug for begrænsninger efter projekt, miljø, brugergruppe og use case. Kodningsagenter og arbejdsgange med flere agenter kan være særligt svære at budgettere, fordi udviklere muligvis ikke ser alle downstream-modelkald. Per-agent tilskrivning, forbrugsgrænser og godkendelsesgrænser bliver en del af produktionsberedskab, ikke en eftertanke.
Det tredje trin er migrationshygiejne. Fordi modellen er tilgængelig via både svar API og chatafslutninger, kan nogle teams teste den uden en større omskrivning. Men værktøjsopkaldsadfærd, cacheadfærd og multi-agent betafunktioner bør valideres separat. An application that works with ordinary chat completions may need different observability once it starts using tool calls or coordinated agents.
Hvad er fortsat usikkert
OpenAI har bekræftet tilgængelighed, understøttet API overflader, priser, værktøjsopkald og beta multi-agent support. What remains less certain is how GPT-6.1 Sol performs across specific enterprise workloads compared with GPT-6 Sol, GPT-6 Astra, Anthropic’s Sonnet and Opus tiers, Google’s Gemini line, and lower-cost open or gateway-routed models.
Multiagent-support er også eksplicit beta, så teams bør forvente, at adfærd, begrænsninger og operationel vejledning udvikler sig. That does not make the release unusable, but it argues for measured rollout: controlled projects first, cost instrumentation from day one, and clear fallback routes if latency, reliability, or spend diverge from expectations.
For B2B-teams er udgivelsen bedst at læse som endnu et tegn på, at modelindkøb er ved at blive routing af arbejdsbyrder. GPT-6.1 Sol er ikke blot et nyt slutpunkt. Det er en pris- og arkitekturbeslutning, der belønner stabil kontekst, synlige token-flows og disciplineret styring.