چت جیپیتی ۶ یا همان GPT-6 Astra، مدل پرچمدار تازه اوپناِیآی است که در ۳ سپتامبر ۲۰۲۶ منتشر شد. پنج روز بعد هم شرکت خط تصویرسازیاش را دو تکه کرد و GPT-Image-2.5 Flare و GPT-Image-2.5 Sunburst را معرفی کرد. اگر دنبال یک متن فارسی هستید که فقط تیتر خبرها را تکرار نکند و واقعاً بگوید این مدلها چه میکنند، چقدر خرج برمیدارند و کجا به درد شما میخورند، همینجا هستید.
یک نکته را از همان اول شفاف بگویم، چون در بیشتر پوششهای فارسی گم میشود: بخش بزرگی از اعدادی که در ادامه میخوانید گزارش خودِ اوپناِیآی است، نه نتیجه آزمون مستقل. هر جا عدد از منبع مستقل آمده باشد، جداگانه اشاره میکنم.
خلاصه سریع برای کسی که وقت ندارد
| موضوع | یک خطی |
|---|---|
| GPT-6 Astra | مدل پرچمدار جدید اوپناِیآی، منتشرشده ۳ سپتامبر ۲۰۲۶، ساختهشده برای کارهای طولانی و عاملمحور (agentic) |
| بزرگترین جهش | استفاده از کامپیوتر، ترمینال، امنیت سایبری و ریاضیات سطح بالا |
| کوچکترین جهش | هوش عمومی؛ در شاخص تجمیعی تقریباً همتراز نسل قبلی است |
| قیمت API | ۱۰ دلار ورودی و ۵۰ دلار خروجی بهازای هر یک میلیون توکن |
| GPT-Image-2.5 Flare | نسخه سریع و پیشفرض برای تولید انبوه تصویر |
| GPT-Image-2.5 Sunburst | نسخه کندتر و دقیقتر برای ویرایشهای حساس و کار تبلیغاتی |
| قیمت تصویر | بدون تغییر نسبت به نسل قبل: ۸ دلار ورودی و ۳۰ دلار خروجی بهازای هر میلیون توکن تصویری |
GPT-6 Astra چیست و چرا مردم به آن «چت جیپیتی ۶» میگویند؟
نام رسمی این مدل GPT-6 Astra است. عبارت «چت جیپیتی ۶» یا «ChatGPT 6» چیزی است که کاربرها در جستوجوها مینویسند، ولی اوپناِیآی آن را بهعنوان یک برند جدا معرفی نکرده. Astra هم داخل خود ChatGPT عرضه میشود و هم برای توسعهدهندهها با شناسه gpt-6-astra روی API در دسترس است. جزئیات کامل را میتوانید در اعلامیه رسمی اوپناِیآی بخوانید.
روایت اوپناِیآی از این مدل یک جمله ساده دارد: هر کاری که روی کامپیوتر انجام میدهید، Astra میتواند برایتان انجام دهد. یعنی بهجای اینکه صرفاً به سؤال جواب بدهد، در وب میگردد، با نرمافزارها کار میکند، کد مینویسد و تست میکند، سند و صفحهگسترده و ارائه میسازد و یک جریان کاری چندمرحلهای را از ابتدا تا انتها میبرد.
این تغییر جهت مهم است. نسلهای قبلی مدلهای زبانی روی «بهتر جواب دادن» رقابت میکردند؛ چت جیپیتی ۶ روی «تا آخر رساندن کار» رقابت میکند. رقیب اصلیاش هم در همین زمین، مدلهای آنتروپیک و گوگل هستند.
تاریخ انتشار و مسیر عرضه
- ۳ سپتامبر ۲۰۲۶: عرضه محدود برای سازمانهای منتخب در برنامه دسترسی معتمد (Trusted Access) اوپناِیآی.
- ۴ تا ۵ سپتامبر: باز شدن تدریجی برای اشتراکهای پولی، API، مایکروسافت Foundry روی Azure و AWS Bedrock.
- عرضه بهصورت مرحلهای بوده، یعنی ممکن است دو حساب با اشتراک یکسان، همزمان به آن دسترسی نداشته باشند.
نسخههای Free و Go از فهرست دسترسی بیرون ماندند.
مشخصات فنی چت جیپیتی ۶ (GPT-6 Astra)
Astra یک مدل استدلالی متراکم (dense) است و برخلاف نسل قبل، در زمان انتشار نسخه mini یا nano ندارد.
| ویژگی | مقدار |
|---|---|
| شناسه مدل در API | gpt-6-astra |
| پنجره متن (Context) | ۱,۰۵۰,۰۰۰ توکن |
| حداکثر ورودی | ۹۲۲,۰۰۰ توکن |
| حداکثر خروجی | ۱۲۸,۰۰۰ توکن |
| تاریخ قطع دانش | ۳۰ آوریل ۲۰۲۶ |
| سطوح استدلال | low، medium، high، xhigh، max |
| ورودی و خروجی | ورودی متن و تصویر، خروجی متن |
| اندپوینتها | Chat Completions، Responses، Batch |
| ابزارها | جستوجوی وب، جستوجوی فایل، مفسر کد، شل میزبانیشده، استفاده از کامپیوتر، MCP، تولید تصویر |
همه این مقادیر در صفحه مرجع مدل در مستندات API اوپناِیآی قابل بررسی است.
یک نکته ریز اما مهم برای توسعهدهندهها: اگر از خود مدل بپرسید تاریخ قطع دانشش چه زمانی است، جواب اشتباه میدهد. مدلهای زبانی راوی قابلاعتمادی از آموزش خودشان نیستند؛ برای هر چیزِ تاریخمحور به کارت مدل یا منبع بیرونی تکیه کنید، نه به حرف خود مدل.
سطوح استدلال در GPT-6 Astra؛ از low تا max
این پنج سطح برچسب تبلیغاتی نیستند. بودجه فکر کردن مدل در هر پله تقریباً دو برابر میشود و از medium به بالا، هم تأخیر و هم صورتحساب با همان شیب بالا میرود.
تست مستقلی که سایت ComputingForGeeks روی یک پرامپت یکسان انجام داد، تصویر روشنی میدهد:
| سطح استدلال | تأخیر | توکنهای استدلال | کل توکن خروجی | هزینه |
|---|---|---|---|---|
| low | ۱۲.۴ ثانیه | ۲۱۳ | ۵۹۹ | ۰.۰۳۰۵ دلار |
| medium | ۱۶.۶ ثانیه | ۴۵۹ | ۷۷۵ | ۰.۰۳۹۳ دلار |
| high | ۳۶.۶ ثانیه | ۱,۵۵۲ | ۱,۸۸۸ | ۰.۰۹۵۰ دلار |
| xhigh | ۶۸.۰ ثانیه | ۳,۰۹۲ | ۳,۴۴۸ | ۰.۱۷۳۰ دلار |
| max | ۱۰۴.۹ ثانیه | ۵,۶۸۴ | ۶,۰۰۰ | ۰.۳۰۰۶ دلار |
از low تا max هزینه نزدیک به ده برابر و زمان هشت برابر شد — برای یک سؤال یکسان. و جالب اینکه پاسخ در سطح low هم از قبل درست بود.
برداشت عملی: پیشفرض را روی medium بگذارید، high را برای مسائل واقعاً سخت نگه دارید و max را مثل یک کلید تحقیقاتی ببینید که آگاهانه روشنش میکنید، نه چیزی که دائم روشن بماند.
بنچمارکهای GPT-6 Astra؛ کجا واقعاً جهش کرده و کجا نه
این جدول از مواد انتشار خود اوپناِیآی است و مدل را مقابل GPT-5.6 Sol و مدلهای آنتروپیک میگذارد:
| بنچمارک | Astra | GPT-5.6 Sol | Claude Opus 5 | Claude Fable 5.1 |
|---|---|---|---|---|
| Terminal-Bench 4.0 | ۵۷.۹٪ | ۳۷.۳٪ | ۵۲.۳٪ | ۵۵.۸٪ |
| OSWorld 2.0 (کار با کامپیوتر) | ۷۲.۶٪ | ۶۵.۷٪ | ۷۰.۲٪ | — |
| ScreenSpot-Pro | ۹۲.۷٪ | ۷۶.۹٪ | — | — |
| FrontierMath Tier 4 v2 | ۹۷.۶٪ | ۸۳.۰٪ | ۷۳.۲٪ | ۸۷.۸٪ |
| GPQA Diamond | ۹۶.۰٪ | ۹۴.۶٪ | ۹۳.۷٪ | ۹۳.۷٪ |
| ARC-AGI-3 | ۹۹.۹٪ | ۷.۸٪ | ۳۰.۲٪ | — |
| ExploitBench (سایبری) | ۱۰۰٪ | ۷۸.۵٪ | — | — |
| نرخ توهم (کمتر بهتر است) | ۴.۲٪ | ۱۲.۲٪ | — | — |
اوپناِیآی همچنین در بنچمارک پاسخ به حادثه SRE-Bench رقم ۸۸ درصد حلشده در تلاش اول را گزارش کرده، در برابر ۵۵.۹ درصد نسل قبل. در بازیابی متن طولانی (MRCR v2 با ۸ سوزن) میگوید تا ۵۱۲ هزار توکن دقت ۱۰۰ درصد و در بازه ۵۱۲ هزار تا یک میلیون، ۹۶.۳ درصد را حفظ میکند؛ این قویترین عدد حافظه عمیق است که تا امروز یک مدل مرزی منتشر کرده.
و حالا عددی که هیجان را تعدیل میکند
در شاخص تجمیعی هوش Artificial Analysis — که یک منبع مستقل است — Astra امتیاز ۶۱.۲ گرفته در برابر ۶۰.۹ برای GPT-5.6 Sol. یعنی روی هوش عمومی تقریباً درجا زده. حتی جدول خود اوپناِیآی آن را در همین شاخص پشت Claude Fable 5.1 و Claude Opus 5 نشان میدهد.
این فاصله میان تیترهای بنچمارک و شاخص تجمیعی، تمام داستان است: جهش نسلی واقعی است، ولی فقط در کارهای عاملمحور، کار با کامپیوتر، امنیت و ریاضی. اگر بار کاری شما جای دیگری زندگی میکند، دارید نرخ مرزی میپردازید برای تواناییهایی که اصلاً صدایشان نمیزنید.
دو ردیف هم توضیح میخواهند. امتیاز ARC-AGI-3 با یک هارنس آداپتور به دست آمده، نه در حالت خام تکشات؛ پس آن را «با داربست درست» بخوانید، نه «مدل بهتنهایی». و امتیاز ۱۰۰ درصد ExploitBench دقیقاً همان چیزی است که عرضه را با یک حاشیه امنیتی همراه کرد — که پایینتر به آن میرسیم.
ساخت و ویرایش تصویر با هوش مصنوعی همین حالا ایدهتان را در استودیو پندید اجرا کنید ورود به استودیوقیمت GPT-6 Astra در API و ترفندی که هزینه را ۹۲ درصد کم میکند
اینجا همان جایی است که Astra دیگر یک ارتقای بیدردسر نیست. این مدل گرانترین چیزی است که اوپناِیآی تا امروز روی API عمومی فروخته.
| نوع توکن | قیمت هر یک میلیون |
|---|---|
| ورودی استاندارد | ۱۰.۰۰ دلار |
| ورودی کششده | ۱.۰۰ دلار |
| نوشتن در کش | ۱۲.۵۰ دلار |
| خروجی | ۵۰.۰۰ دلار |
| Batch (ورودی/خروجی) | ۵.۰۰ / ۲۵.۰۰ دلار |
| متن طولانی بالای ۲۷۲ هزار توکن | ۲۰.۰۰ / ۷۵.۰۰ دلار |
| حالت Fast | دو برابر نرخ استاندارد |
نرخ ورودی نسبت به GPT-5.6 Sol دو و نیم برابر شده. اما نرخ ورودی کششده با ۱ دلار مهمترین عدد این جدول است و در عمل همان چیزی است که Astra را قابلتحمل میکند.
در یک تست عملی، یک فایل پیکربندی حدوداً ۲۲,۵۰۰ توکنی دو بار به مدل فرستاده شد:
| فراخوانی | توکن ورودی | توکن کششده | هزینه |
|---|---|---|---|
| سرد (بار اول) | ۲۲,۵۳۱ | ۰ | ۰.۲۸۱۹۸ دلار |
| گرم (پیشوند یکسان) | ۲۲,۵۳۱ | ۲۲,۵۲۸ | ۰.۰۲۲۹۱ دلار |
فراخوانی گرم ۹۱.۹ درصد ارزانتر تمام شد، آن هم برای ورودی بایتبهبایت یکسان.
نتیجهگیری مهندسی: اگر بار کاری شما یک متن ثابت بزرگ را بارها میفرستد — پرامپت سیستمی، اسکیما، مستندات، بخشی از کدبیس — آن قسمت ثابت را همیشه در ابتدای درخواست بگذارید تا کش فعال شود. بدون این نظم، Astra بیسروصدا ماهی پنجرقمی از شما میگیرد، جایی که Sol چهاررقمی میگرفت.
دسترسی به چت جیپیتی ۶ در ChatGPT: تفاوت Chat، Work و Codex
اینجا جایی است که بیشترین سردرگمی پیش آمده. خیلیها اشتراک Plus دارند، منوی مدل را باز میکنند و خبری از Astra نیست. دلیلش هیچ ربطی به حساب شما ندارد.
ChatGPT حالا سه سطح دارد:
- Chat — همان گفتوگوی معمولی
- Work — عاملی برای کارهای طولانی: تحقیق، تحلیل، ساخت سند و صفحهگسترده و ارائه
- Codex — مخصوص توسعه نرمافزار
| اشتراک | وضعیت دسترسی به Astra |
|---|---|
| Free و Go | ندارد |
| Plus | فقط در Work و Codex، نه در Chat معمولی |
| Pro، Business، Enterprise | دارد، از جمله در Chat معمولی؛ بهعلاوه نسخه جداگانه GPT-6 Astra Pro |
| فضای کاری Enterprise | در دسترس است ولی بهصورت پیشفرض خاموش؛ مدیر باید فعالش کند |
در بخش Chat، مدل با نام GPT-6 Pro ظاهر میشود و اوپناِیآی آن را فقط در پلنهای گرانتر گنجانده.
نکتهای که کاربران Plus باید بدانند: دسترسی هزینه جداگانه ندارد، ولی نامحدود هم نیست. Astra از سهمیه Work و Codex اشتراک شما مصرف میکند و سریعتر از GPT-5.6 Sol آن سهمیه را تمام میکند. بعد از رسیدن به سقف، میتوانید اعتبار اضافه بخرید — ولی خرید اعتبار سرعت دسترسی به مدل را جلو نمیاندازد.
برای پیدا کردنش: در اپلیکیشن دسکتاپ، از منوی بالا-چپ ChatGPT را انتخاب کنید و با کلید بالای صفحه بین Chat و Work جابهجا شوید. روی موبایل، Work در منوی کشویی بالای صفحه است. راهنمای رسمی ساخت سند، صفحهگسترده و ارائه در ChatGPT Work جزئیات این بخش را کامل توضیح داده.
تغییری که کمتر کسی به آن اشاره کرد: زنجیره استدلال دیگر کامل نیست
این مهمترین بخش برای هر کسی است که روی خواندن استدلال مدل حساب باز کرده.
Astra از تکنیکی استفاده میکند که اوپناِیآی آن را عمق بازگشتی (recurrent depth) مینامد، و یکی از عوارضش این است که API دیگر زنجیره استدلال خام را برنمیگرداند. آنچه دریافت میکنید یک خلاصه بازنویسیشده است.
در یک تست، مدل ۴۸ توکن استدلال صورتحساب کرد ولی استدلال به شکل یک خلاصه ۴۳۲ کاراکتری به زبان طبیعی و سومشخص برگشت — نه ردِ توکنبهتوکنی که واقعاً تولید شده بود. روی Responses API این خلاصه در آرایه summary میآید و روی اندپوینتهای سازگار، در فیلد reasoning_details. در هر دو حالت، استدلال کامل تولید میشود، صورتحساب میشود، و بعد نگه داشته میشود.
خود کارت سیستم اوپناِیآی هم صادقانه میگوید این کار قابلیت نظارت را کم میکند و مدل میتواند وقتی تشخیص دهد تحت نظر است، استدلال قابلمشاهدهاش را کوتاه کند.
برای یک دستیار کدنویسی، این خبر بیاهمیتی است. اما اگر ابزار ایمنی میسازید، عاملی دارید که با خواندن استدلالش ممیزیاش میکنید، یا جریان کاری انطباقی دارید که باید دلیل هر تصمیم را ثبت کند — از این به بعد دارید خلاصهای را لاگ میکنید که مدل انتخاب کرده به شما نشان دهد، نه استدلالی که واقعاً انجام داده. معماری لاگبرداریتان را با این فرض بچینید.
ساخت و ویرایش تصویر با هوش مصنوعی همین حالا ایدهتان را در استودیو پندید اجرا کنید ورود به استودیوتوانایی امنیت سایبری و چیزی که عمداً قفل شد
Astra در ExploitBench نمره ۱۰۰ گرفت و اوپناِیآی صریحاً میگوید این مدل میتواند نقصهای امنیتی ناشناخته را پیدا کند و بدون راهنمایی گامبهگام انسان از آنها بهرهبرداری کند. این اولین باری است که شرکت مدلی را با ارزیابی «بحرانی» در توان سایبری بهصورت گسترده عرضه میکند.
پاسخ به این ریسک، یک عرضه مرحلهای بود: نسخه با توان کامل فقط به سازمانهای حاضر در برنامه امنیت دفاعی Daybreak رسید، و نسخه عمومی محدودشده — که پرامپتهای تهاجمی مشخصی را رد میکند — طی روزهای بعد به اشتراکهای پولی رسید.
در تستها، مرز بهشکل هوشمندانهای رسم شده: یک سؤال دفاعی مثل توضیح حمله SYN flood و تنظیم sysctl برای مهارش، کامل جواب میگیرد؛ ولی درخواست نوشتن اکسپلویت کارآمد برای نفوذ به سروری که مالکش نیستید، تمیز رد میشود و کاربر به سمت تست مجاز هدایت میشود. یعنی فیلتر کلیدواژهای نیست، یک قضاوت است.
اعداد ایمنی هم بهتر شدهاند: نرخ موفقیت حمله تزریق پرامپت غیرمستقیم روی بنچمارک Gray Swan به ۸.۵ درصد رسیده در برابر ۲۷ درصد نسل قبل، و نرخ ناهمراستایی در کار واقعی ۳.۴ درصد در برابر ۱۸.۸ درصد.
خلاصه معاملهای که اوپناِیآی روی آن شرط بسته: مدل هم تواناتر برای آسیبزدن است، هم مقاومتر در برابر هدایتشدن به سمت آن.
مدلهای تصویرسازی جدید OpenAI: GPT Image 2.5 Flare و Sunburst
پنج روز بعد از Astra، در ۸ سپتامبر ۲۰۲۶، اوپناِیآی کاری کرد که تا امروز سابقه نداشت: بهجای یک مدل تصویری پرچمدار، دو تا منتشر کرد.
GPT-Image-2.5 Flare و GPT-Image-2.5 Sunburst مدلهای خواهر و برادر زیر یک ارتقای مشترک هستند، اما تقسیمبندیشان بر اساس نوع بار کاری است، نه نسل. هر دو همان روزی روی Images API آمدند که نسخه مصرفی ChatGPT Images 2.5 هم عرضه شد. تحلیل فنی مفصل این دو مدل تفاوتهایشان را بند به بند باز کرده.
GPT-Image-2.5 Flare — انتخاب پیشفرض و سریع
شناسه: gpt-image-2.5-flare
اوپناِیآی این مدل را بهعنوان پیشفرض بیشتر اپلیکیشنها معرفی میکند و برای این موارد جایگذاریاش کرده: محتوای سازندگان و شبکههای اجتماعی، تجربه محصول، جستوجوی تصویری، پروتوتایپ سریع تصویر، داراییهای برند، و هر خط تولید تصویر با حجم بالا.
ادعاهای شرکت: کیفیت بالاتر از GPT-Image-2 با تأخیر تا ۵۰ درصد کمتر، و در ارزیابیهای داخلی حدود دو تا چهار برابر سریعتر. مستندات API این مدل را با برچسب «small» میشناسند.
جالب اینکه یکی از مشتریهای اولیه اعلامشده، Manus، مستقلاً همان شتاب دو تا چهار برابری را گزارش کرده و اضافه کرده که خروجی با پسزمینه شفاف هم بهتر شده — که تا امروز نزدیکترین چیز به یک تأیید بیرونی است.
GPT-Image-2.5 Sunburst — نسخه دقیق و گرانتر از نظر زمان
شناسه: gpt-image-2.5-sunburst
این مدل برای جریانهایی ساخته شده که از کنترل سفتوسخت روی ویرایشها سود میبرند: خلاقیت کمپین در سطح تولید نهایی، عکاسی محصول صیقلی، ابزارهای طراحی و هر جایی که دقت برند اصل ماجراست.
زمان تولید هر تصویر بیشتر از Flare است و همین محاسبه اضافه است که به قول اوپناِیآی یک پله دقت و وفاداری جزئیات بیشتر روی ویرایش میخرد. در مستندات API با برچسب «base» میآید، یعنی بزرگتر و سنجیدهتر از این دو.
Higgsfield AI، مشتری اولیه دیگر، جملهبندی خوبی برایش دارد: این مدل میفهمد چه چیزی را نباید تغییر دهد. و همین خلاصه کل داستان ویرایش در نسل ۲.۵ است — بخشهایی از تصویر که دستور شما دربارهشان چیزی نگفته، دستنخورده میمانند، حتی در صحنههای شلوغ.
چه کسانی از همان روز اول سوارش شدند
Adobe اعلام کرده هر دو مدل را در Firefly ادغام میکند — که اینها را به اولین مدلهای تصویری اوپناِیآی در آن خط محصول تبدیل میکند. Runway هم یک روز بعد اعلام کرد هر دو روی پلتفرمش در دسترساند، با همان تقسیمبندی: Flare برای تکرار سریع و کاوش، Sunburst برای ویرایش دقیق با بالاترین وفاداری.
تفاوت Flare و Sunburst در یک نگاه
| معیار | GPT-Image-2.5 Flare | GPT-Image-2.5 Sunburst |
|---|---|---|
| جایگاه | پیشفرض بیشتر اپلیکیشنها | جریانهای دقتمحور و پریمیوم |
| بهترین کاربرد | شبکه اجتماعی، محتوای سازنده، حجم بالا | کمپین تبلیغاتی، عکس محصول، کار طراحی |
| سرعت | تا ۵۰٪ تأخیر کمتر، ۲ تا ۴ برابر سریعتر | کندتر و عمدی |
| رفتار ویرایشی | خوب | کنترل بیشتر روی ویرایشهای پشتسرهم |
| برچسب API | small | base |
| قیمت توکن | یکسان | یکسان |
| امتیاز مستقل | هنوز ندارد | هنوز ندارد |
توصیه عملی برای بیشتر تیمها: با Flare شروع کنید و فقط وقتی به Sunburst ارتقا بدهید که یک ویرایش باید از زیر ذرهبین سالم بیرون بیاید. چون هر دو شکل یکسانی روی Images API دارند و نرخ توکن یکسانی میگیرند، جابهجایی بینشان یک تغییر پیکربندی است، نه مهاجرت.
در کیفیت تصویر دقیقاً چه چیزی بهتر شده؟
یادداشتهای انتشار همه بهبودها را زیر یک تیتر جمع کردهاند: جزئیات تیزتر، پایبندی قویتر به سبک، کنترل بیشتر روی ویرایش. اما زیر آن، موارد مشخصی هست که ارزش دقت دارند:
- نورپردازی طبیعیتر و بافتهای غنیتر — همان چیزی که بازبینها بهعنوان جهش قابلمشاهده نسبت به نسل قبل توصیف میکنند.
- حفظ بهتر سوژه از روی عکس مرجع — ویژگیهای چهره و جزئیات هویتی در هر تولید دوباره اختراع نمیشوند.
- ویرایش چندمرحلهای قابلاتکاتر — تغییرات قبلی پایدار میمانند و هر ویرایش تازه روی کار قبلی بنا میشود، بدون خراب کردن نواحی بیربط.
- تا ۵۰ درصد تأخیر کمتر در سمت کاربر عادی.
- متن تیزتر و مدیریت بهتر پسزمینه شفاف — دقیقاً دو قابلیتی که خریداران API تصویر بیشتر از همه محکشان میزنند.
نکته مهم برای کارهای نظارتشده: خروجی هر دو مدل متادیتای C2PA و واترمارک نامرئی دارد. این نسبت به نسل قبل تغییری نکرده، ولی ارزش تکرار دارد چون در بعضی جریانهای کاری قانونی یک الزام سخت است.
پارامترهای جدید Images API که باید بشناسید
مدلهای جدید روی همان اندپوینتهای آشنای تولید و ویرایش مینشینند، اما سطح پارامترها رشد کرده:
- پارامتر
quality: حالاauto(پیشفرض)،low،medium،high، و دو پله جدید بالاتر:xhighوmax. - اندازهها: فراتر از سقف ۲۰۴۸×۲۰۴۸ نسل قبل، تا ۳۸۴۰×۲۱۶۰ افقی و ۲۱۶۰×۳۸۴۰ عمودی.
- محدودیتها: طول ضلع حداکثر ۳۸۴۰ پیکسل، ابعاد مضربی از ۱۶، نسبت تصویر حداکثر ۳:۱، و مجموع پیکسل بین ۶۵۵,۳۶۰ تا ۸,۲۹۴,۴۰۰. یعنی بزرگترین خروجی کمی بالای ۸ مگاپیکسل و در محدوده ۴K است.
- پارامتر
background: مقادیرauto،opaqueیاtransparent— همین راه درخواست خروجی PNG با پسزمینه شفاف است.
دو احتیاط که این بخش را صادق نگه میدارد: اول اینکه در زمان انتشار کاملاً مستند نشده بود که آیا همه پلههای کیفیت و همه اندازهها روی هر دو مدل در دسترساند و هر سطح کیفیت چند توکن خرج برمیدارد. دوم اینکه gpt-image-2 همچنان در API فهرست است — انتشار ۲.۵ افزایشی است و یکپارچهسازیهای موجود شما نمیشکنند.
قیمت GPT Image 2.5: هیچ تغییری نکرده
اوپناِیآی نرخ توکن را دقیقاً مثل GPT-Image-2 نگه داشته:
- ۸.۰۰ دلار بهازای هر میلیون توکن ورودی تصویری
- ۳۰.۰۰ دلار بهازای هر میلیون توکن خروجی تصویری
- بهعلاوه توکنهای متنی معمول برای پرامپت
برای درک اینکه این نرخ روی مدل قبلی چه معنایی داشت: Artificial Analysis قیمت GPT-Image-2 در کیفیت high را حدود ۲۱۱ دلار برای هر ۱۰۰۰ تصویر اعلام کرده، یعنی تقریباً ۰.۲۱ دلار برای یک خروجی باکیفیت ۱۰۲۴×۱۰۲۴.
اما اینجا یک «اما»ی مهم هست. چون نرخها یکسان مانده، تمام سؤال هزینه به این برمیگردد که هر تولید واقعاً چند توکن مصرف میکند — و دقیقاً همین چیزی است که در زمان انتشار منتشر نشد. پس عادت قدیمی بودجهبندی بر اساس «چند دلار برای هر تصویر ۱۰۲۴×۱۰۲۴» تا انباشته شدن داده مصرف واقعی، عددی است که باید حواستان بهش باشد.
جایگاه GPT Image 2.5 در رقابت مدلهای تصویری
قبل از این انتشار، GPT-Image-2 از قبل مدلی بود که باید شکست داده میشد. در جدول مستقل متنبهتصویر Artificial Analysis صدرنشین بود و در جدول ویرایش تصویر، رتبه دوم را پشت MAI-Image-2.6 مایکروسافت داشت.
دقت کنید که امتیازهای Elo این جدولها زندهاند و با اضافه شدن رأی و مدل جدید مدام جابهجا میشوند؛ برای عدد لحظهای، خودِ جدول را باز کنید. چیزی که پایدار مانده، ترتیب است: اوپناِیآی در تولید تصویر از متن جلوتر است و در ویرایش تصویر، مایکروسافت رقیب نزدیکی دارد.
روایت انتشار ۲.۵ این است که اوپناِیآی آن جایگاه پیشرو را برداشته و به یک لایه سرعت و یک لایه دقت تقسیمش کرده. این بهاندازه یک ادعای کیفی، یک استراتژی محصول است: بهجای دفاع از یک امتیاز پرچمدار، از دو موقعیت قیمت-کارایی همزمان دفاع کن.
احتیاط صادقانه این است که هنوز هیچکدام از اینها برای مدلهای جدید اندازهگیری نشده. تا زمان نگارش این مقاله نه gpt-image-2.5-flare و نه gpt-image-2.5-sunburst روی جدولهای Artificial Analysis ظاهر نشدهاند و هیچ بازتولید مستقلی از ادعاهای سرعت منتشر نشده. اعدادی که پشتوانه مستقل دارند، مربوط به مدل قبلی هستند، نه تازهواردها.
در بخش ایمنی، اوپناِیآی نرخ تولید محتوای ناامن را ۱.۴۱ درصد برای Flare و ۱.۰۹ درصد برای Sunburst گزارش کرده، در برابر خط پایه ۱.۶۴ درصد در ارزیابیهای داخلی خودش. این اعداد را جهتنما بدانید، نه قطعی.
و یک عدد برای درک مقیاس ماجرا، باز هم از خود اوپناِیآی: کاربران در پلتفرمهای این شرکت هفتهای بیش از سه میلیارد تصویر میسازند.
کدام مدل برای کدام کار؟ سناریوهای عملی
بیایید از حالت نظری بیرون بیاییم.
اگر تیم محتوا یا آژانس دیجیتال مارکتینگ هستید: Flare را پیشفرض بگذارید. تولید تصویر برای شبکههای اجتماعی، تصویر شاخص مقاله، و کاور پادکست همه در دسته حجم بالا و تکرار سریع میافتند. Sunburst را فقط برای خروجیهای نهایی کمپین نگه دارید.
اگر فروشگاه اینترنتی دارید: عکس محصول صیقلی و ویرایشهایی که باید رنگ و جزئیات واقعی کالا را دستنخورده نگه دارند، دقیقاً همان جایی است که Sunburst برایش ساخته شده. تصویر بندانگشتی و دستهبندی را با Flare بزنید.
اگر توسعهدهنده SaaS هستید: یک الگوی معقول این است که بخش عمده ترافیک را به Flare بدهید — هم تأخیر کمتری دارد و هم با قیمت توکن یکسان شرط ارزانتری است — و فقط برش ویرایشمحور و کیفیتبحرانی را به Sunburst بفرستید.
اگر کارتان کدنویسی و دیباگ روزمره است: Astra را پیشفرض نکنید. در تستهای واقعی، روی سؤالات معمولی دیباگ، Astra به همان پاسخی رسید که مدلهای ارزانتر خانواده ۵.۶ رسیدند — با هزینه چند برابر و زمان تقریباً دو برابر. جایی که Astra واقعاً جلو میزند، کارهای عاملمحور چندمرحلهای، کار با کامپیوتر، بازیابی از متنهای بالای نیممیلیون توکن، و مسائلی است که اشتباه کردن در آنها گران تمام میشود.
قاعده سرانگشتی: Astra را برای آن ۵ درصد سختِ درخواستها نگه دارید و بقیه را به مدل ارزانتر مسیریابی کنید.
چند نکته که کاربران فارسیزبان باید بدانند
دسترسی رسمی. سرویسهای اوپناِیآی بهصورت رسمی در ایران در دسترس نیستند و این وضعیت با انتشار Astra تغییری نکرده. کاربران داخل ایران عملاً از طریق واسطهها، پلتفرمهای ثالث یا سرویسهای ابری میانی به این مدلها میرسند — که بهمعنای نرخ متفاوت، تأخیر بیشتر و گاهی نسخههای قدیمیتر مدل است.
کیفیت فارسی. مدلهای تصویری اوپناِیآی روی متن درون تصویر پیشرفت داشتهاند، ولی این بهبود عمدتاً روی خط لاتین محک خورده. برای تولید تصویری که متن فارسی درونش دارد، هنوز انتظار خروجی بینقص نداشته باشید؛ رویکرد امنتر این است که تصویر را بدون متن بسازید و تایپوگرافی فارسی را در مرحله بعد اضافه کنید.
بودجهریزی. اگر با نرخ ارز بودجه میبندید، حساسیت به قیمت توکن بهمراتب بیشتر از تیمهای دلاری است. دو کار بیشترین اثر را دارد: سطح استدلال را روی medium نگه دارید، و ساختار پرامپت را طوری بچینید که بخش ثابت همیشه اول بیاید تا تخفیف ۹۰ درصدی کش فعال شود.
سؤالات متداول درباره چت جیپیتی ۶ و GPT Image 2.5
چت جیپیتی ۶ همان GPT-6 Astra است؟ عملاً بله. نام رسمی مدل GPT-6 Astra است و «چت جیپیتی ۶» عبارتی است که کاربران در جستوجو مینویسند. اوپناِیآی برند جدایی با این نام معرفی نکرده.
چت جیپیتی ۶ کی منتشر شد؟ سوم سپتامبر ۲۰۲۶ برای سازمانهای منتخب، و از چهارم سپتامبر بهصورت تدریجی برای اشتراکهای پولی و API.
پنجره متن GPT-6 Astra چقدر است؟ ۱,۰۵۰,۰۰۰ توکن، با حداکثر ورودی ۹۲۲ هزار و حداکثر خروجی ۱۲۸ هزار توکن.
چرا Astra را در منوی مدلهای ChatGPT Plus نمیبینم؟ چون در پلن Plus فقط در بخشهای Work و Codex فعال شده، نه در Chat معمولی. در Chat با نام GPT-6 Pro و فقط برای پلنهای Pro، Business و Enterprise در دسترس است.
آیا چت جیپیتی ۶ از نسل قبلی بهطور کلی باهوشتر است؟ نه به شکلی که تیترها القا میکنند. در شاخص تجمیعی مستقل Artificial Analysis امتیاز ۶۱.۲ در برابر ۶۰.۹ نسل قبل گرفته، یعنی تقریباً همتراز. جهش واقعی در کار با کامپیوتر، ترمینال، امنیت سایبری و ریاضیات سطح بالاست.
تفاوت اصلی Flare و Sunburst چیست؟ Flare سریع است و برای تولید انبوه؛ Sunburst کندتر است و برای ویرایشهای دقیق و کار تبلیغاتی حرفهای. قیمت توکنشان یکسان است، پس تفاوت هزینه فقط از توکن بیشتری میآید که تولیدهای طولانیتر Sunburst مصرف میکند.
آیا مدل قبلی gpt-image-2 از کار افتاده؟ خیر. انتشار ۲.۵ افزایشی است و gpt-image-2 همچنان در API فهرست شده؛ یکپارچهسازیهای موجود نمیشکنند.
بیشترین رزولوشنی که GPT Image 2.5 میسازد چقدر است؟ تا ۳۸۴۰×۲۱۶۰ در حالت افقی و ۲۱۶۰×۳۸۴۰ در حالت عمودی، با سقف مجموع پیکسل ۸,۲۹۴,۴۰۰ — یعنی کمی بالای ۸ مگاپیکسل.
جمعبندی
انتشار این هفته اوپناِیآی دو پیام متفاوت دارد.
چت جیپیتی ۶ (GPT-6 Astra) یک مدل تخصصی است که لباس مدل عمومی پوشیده. اگر کارتان عاملهای چندمرحلهای، خودکارسازی کار با کامپیوتر، یا متنهای بسیار طولانی است، این مدل واقعاً چیزی به شما میدهد که نسل قبل نمیداد — به شرطی که پرامپتهایتان را برای فعال شدن کش مرتب کنید و بپذیرید که دیگر نمیتوانید تمام استدلالش را ببینید. اگر کارتان جای دیگری است، نگهش دارید برای سختترین درخواستها و بقیه را به مدل ارزانتر بدهید.
GPT-Image-2.5 اما یک دوراهی تمیز است. Flare مسیر مهاجرت منطقی از GPT-Image-2 است: همان API، همان قیمت توکن، سرعت بهتر روی کاغذ. Sunburst آن نصفهای است که اگر کارتان ویرایش زیر ذرهبین است، ارزش صبر کردن دارد.
و در هر دو مورد، یک جمله را فراموش نکنید: تا وقتی جدولهای مستقل امتیاز این مدلها را منتشر نکردهاند، تمام ادعاهای سرعت و کیفیت گفته فروشنده است. با یک برش کوچک از ترافیک واقعی خودتان تستشان کنید و بگذارید پرامپتهای خودتان تصمیم بگیرند، نه صفحه معرفی محصول.