GPT-6 লুনা এখন ফেলো সার্চে: এক মিলিয়ন টোকেন মাত্র $0.10
GPT-6 লুনা এখন ফেলো সার্চে চালু: ১.০৫ মিলিয়ন কনটেক্সট এবং ফ্রন্টিয়ার-শ্রেণির রিডিং প্রতি মিলিয়ন ইনপুট টোকেনে $0.10, GPT-6 পরিবারের সবচেয়ে সাশ্রয়ী স্তর।
OpenAI ২২ সেপ্টেম্বর GPT-6 লুনা এবং GPT-6 সোল প্রকাশ করেছে। লুনা GPT-6 পরিবারের সবচেয়ে সাশ্রয়ী মডেল: প্রতি মিলিয়ন ইনপুট টোকেনে $0.10 এবং প্রতি মিলিয়ন আউটপুটে $0.50, যা সোলের খরচের প্রায় এক-বিশ ভাগ এবং অ্যাস্ট্রার এক-শত ভাগ।
এটি এখন ফেলো সার্চে চালু। এখানে প্রশ্ন থাকে, লুনা সবচেয়ে বুদ্ধিমান মডেল কি না—তুলনায়, যখন একটি ডকুমেন্ট পড়ার খরচ প্রায় শূন্য, তখন কী সম্ভব হয়।
GPT-6 লুনা আসলে কী
লুনা GPT-6 প্রজন্মের নিচের স্তরে, GPT-6 সোলের নিচে এবং GPT-6 অ্যাস্ট্রার অনেক নিচে। নামকরণ নিয়ে ভাবা যায়, কারণ এটি আগের প্রজন্মের উল্টো।
GPT-5.6 প্রজন্মে, সোল ছিল ফ্ল্যাগশিপ, তার নিচে ছিল টেরা ও লুনা। GPT-6-এ এই ক্রম উল্টো: অ্যাস্ট্রা $10/$50-এ শীর্ষে, সোল মাঝামাঝি স্তরে $2/$10-এ, এবং লুনা $0.10/$0.50-এ পরিবারকে ধরে রেখেছে। একই তিনটি নাম, উল্টো র্যাঙ্কিং। GPT-5.6 থেকে ধারণা নিয়ে এলে, দাম দেখে কোন লুনা বোঝা যায়।
| স্পেক | GPT-6 লুনা |
|---|---|
| মডেল আইডি | gpt-6-luna |
| নির্মাতা | OpenAI |
| প্রকাশ | ২২ সেপ্টেম্বর, ২০২৬ |
| কনটেক্সট উইন্ডো | ১,০৫০,০০০ টোকেন |
| সর্বোচ্চ ইনপুট | ৯২২,০০০ টোকেন |
| সর্বোচ্চ আউটপুট | ১,২৮,০০০ টোকেন |
| ইনপুট | টেক্সট, ইমেজ |
| আউটপুট | টেক্সট |
| রিজনিং এফোর্ট | none / low / medium (ডিফল্ট) / high / xhigh / max |
| দাম | প্রতি মিলিয়ন ইনপুটে $0.10, আউটপুটে $0.50 |
| লং কনটেক্সট | ২৭২,০০০ ইনপুট টোকেনের উপরে $0.20 ইন / $0.75 আউট |
| ক্যাশড ইনপুট | প্রতি মিলিয়ন টোকেনে $0.01 |
| নলেজ কাটঅফ | ১৮ মে, ২০২৬ |
দামের পাশে কনটেক্সট সারি পড়ুন। লুনা ফ্ল্যাগশিপের মতোই ১,০৫০,০০০-টোকেন উইন্ডো দেয় (৯২২,০০০ ইনপুট, ১,২৮,০০০ আউটপুট) অ্যাস্ট্রার ইনপুট দামের এক-শত ভাগে। OpenAI দাম কমাতে উইন্ডো ছোট করেনি। একই উইন্ডো, সাশ্রয়ী মডেলে।
আরো তিনটি সারি মডেলের ব্যবহার পাল্টায়।
ক্যাশড ইনপুটের খরচ প্রতি মিলিয়ন টোকেনে এক সেন্ট। একই সোর্স সেট বিশটি ভিন্ন প্রশ্নে চালালে, এই দামে সেটি প্রায় বিনামূল্যে হয়।
ছয়টি রিজনিং-এফোর্ট সেটিং, ডিফল্ট মিডিয়াম। এই সপ্তাহে প্রকাশিত চারটি মডেলের মধ্যে লুনা একমাত্র যার অফ সুইচ আছে: none সেট করলে রিজনিং পুরো বাদ পড়ে, যেখানে সেটি দরকার নেই। এটি লেটেন্সি ও খরচ দুটোই কমায়। ক্লাসিফিকেশন, এক্সট্রাকশন, রাউটিংয়ে দ্রুততম সঠিক উত্তর সাধারণত সেটি, যা আগে চিন্তা করে না।
ব্যাচ ও ফ্লেক্স আবার দাম অর্ধেক করে। লাইভ উত্তর দরকার নেই এমন কাজে, প্রতি মিলিয়ন আউটপুট টোকেনে পঞ্চাশ সেন্টই সর্বনিম্ন।
সাশ্রয়ী রিডিং কী পাল্টায়
বেশিরভাগ গবেষণা বাজেট সিনথেসিসে নয়, পড়ায় যায়: চল্লিশটি সোর্স খুলে ছয়টি গুরুত্বপূর্ণ খুঁজে বের করা, তারপর সেই ছয়টি গভীরভাবে পড়া। প্রথম ধাপটি ব্যয়বহুল, কারণ ফ্রন্টিয়ার মডেল এমন কাজ করছে, যা সাশ্রয়ী মডেলও পারত।
প্রতি মিলিয়ন ইনপুট টোকেনে $0.10 হলে হিসাব উল্টো হয়। এখন ফেলো সার্চে এগুলো করা যায়:
- কী গুরুত্বপূর্ণ তা ঠিক করার আগে সব পড়ুন। সব ফলাফল এক কনটেক্সটে এনে নির্দিষ্ট প্রশ্নের প্রাসঙ্গিকতা অনুযায়ী র্যাঙ্ক করুন, কারণসহ। এক লাখ ইনপুট টোকেনের খরচ এক সেন্ট।
- সাধারণের চেয়ে বেশি সোর্সে একই প্রশ্ন চালান। দশটি সোর্স পড়ার কারণ কভারেজ, তিনটি পড়ার কারণ খরচ। এই দামে সীমাবদ্ধতা বদলে যায়।
- রিজনিংয়ের আগে এক্সট্রাকশন করুন। লুনা চল্লিশটি ডকুমেন্ট থেকে নাম্বার, তারিখ, দাবি সহ একটি স্ট্রাকচার্ড টেবিল তৈরি করে, প্রতিটি সারিতে সোর্স সংযুক্ত। তারপর সেই টেবিল, ডকুমেন্ট নয়, শক্তিশালী মডেলকে দিন।
- কঠিনতা অনুযায়ী রাউট করুন। সহজ অংশ লুনায় পাঠান, গভীরতা দরকার এমন প্রশ্নে এগিয়ে যান। ট্রায়াজে সাশ্রয় বাড়ে।
স্কোরগুলো প্রথম ধাপে লুনা ব্যবহারের পক্ষে। OpenAI প্রকাশিত DeepSWE v1.1 লং-হরাইজন সফটওয়্যার ইঞ্জিনিয়ারিংয়ে ৬৬.৬% দেয়, Agents' Last Exam ০.৫১। HealthBench Professional ৬০.৮%। SEC-Bench Pro স্কোর, ৩৪.২%, মনে করিয়ে দেয় ফাইন্যান্স-ডোমেইন কাজ এই স্তরের সব মডেলের জন্য সাধারণ পড়ার চেয়ে কঠিন।
লুনা যা নয়
সত্যটা হলো: লুনা খরচ কমাতে রিজনিং গভীরতা ছাড়ে, এবং এই বিনিময় বাস্তব।
প্রকাশিত টেবিলে এটি পরিবারের নিচের স্তর, এবং ডিফল্ট সেটিং (মিডিয়াম এফোর্ট)-এ OpenAI-এর নিজস্ব স্কোর সোল ও অ্যাস্ট্রার উচ্চ এফোর্টের চেয়ে কম। ওপেন-ডোমেইন রিকল আগের লুনার তুলনায় অনেক উন্নত, তবুও উচ্চ ঝুঁকির প্রশ্নে চূড়ান্ত উত্তরের জন্য কাঙ্ক্ষিত নয়।
তবুও এটি এড়ানোর কারণ নয়। বরং কাজের সঠিক অংশে ব্যবহারের কারণ: লুনা পড়ে, শক্তিশালী মডেল সিদ্ধান্ত নেয়। ফেলো সার্চে দুই অংশ একই ওয়ার্কস্পেসে। লুনায় বিস্তৃত পড়া, তারপর পিকার থেকে মডেল বদলে এক্সট্রাক্টেড এভিডেন্সসহ চূড়ান্ত প্রশ্ন।
ফেলো সার্চে GPT-6 লুনা ব্যবহারের উপায়
১. মডেল পিকার খুলে GPT-6 লুনা নির্বাচন করুন। একই সার্চ বক্স, একই সোর্স।
২. বিস্তৃতভাবে শুরু করুন। এমন প্রশ্ন করুন, যাতে সাধারণত যত সোর্স পড়তেন তার চেয়ে বেশি পড়া লাগে: "এটির সব প্রকাশিত সংখ্যা, সোর্স ও তারিখসহ খুঁজুন।"
৩. গঠনমূলক ফলাফল চান, গদ্য নয়। টেবিল, তালিকা, এক্সট্রাক্টেড ফিল্ড—সাশ্রয়ী মডেল এগুলো ভালো করে। লিখিত সিনথেসিস ব্যয়বহুল ধাপে রাখুন।
৪. প্রশ্ন কঠিন হলে এফোর্ট সেটিং বাড়ান। মিডিয়াম ডিফল্ট, তবে high ও xhigh দরকারে আছে।
৫. চূড়ান্ত উত্তরে মডেল বদলান। এভিডেন্স রাখুন, মডেল বদলান। পিকার একটি কন্ট্রোল, প্রতিশ্রুতি নয়।
বাকি তিনটি মডেলও ফেলো সার্চে
লুনা এসেছে তিন ভাইবোন নিয়ে, এবং চারটিই ফেলো সার্চে।
| মডেল | প্রকাশক | প্রতি মিলিয়ন টোকেন দাম | কনটেক্সট | তৈরি হয়েছে |
|---|---|---|---|---|
| Grok 4.7 | SpaceXAI | $2 ইন / $6 আউট | ৫০০কে | লং-হরাইজন রিজনিং ও নলেজ ওয়ার্ক |
| Claude Opus 5.5 | Anthropic | $4 ইন / $20 আউট | ১এম | যাচাই টিকে থাকা উত্তর |
| GPT-6 Luna | OpenAI | $0.10 ইন / $0.50 আউট | ১.০৫এম | সর্বনিম্ন খরচে উচ্চ-ভলিউম সার্চ |
| GPT-6 Sol | OpenAI | $2 ইন / $10 আউট | ১.০৫এম | এজেন্ট লুপ ও রিপিট কল মিড-টিয়ার দামে |
লুনা চারটির মধ্যে সবচেয়ে সাশ্রয়ী, এবং একমাত্র যার রিজনিং-অফ সেটিং আছে। যদি মনে হয় সাশ্রয়ী মডেল মানে অপ্রয়োজনীয় প্রশ্ন, মিলিয়ন-টোকেন উইন্ডো সেই ধারণা বদলাতে পারে।
ফেলো সার্চে GPT-6 লুনা ব্যবহার করুন
GPT-6 লুনা এখন ফেলো সার্চে, ১,০৫০,০০০-টোকেন কনটেক্সট উইন্ডো, ছয়টি রিজনিং-এফোর্ট সেটিং, এবং $0.10/$0.50 দামে। এটি সেই মডেল, যা সব পড়াকে সাশ্রয়ী করে তোলে।
ফেলো সার্চে GPT-6 লুনা খুলুন →
এই পোস্টটি নিম্নলিখিত ভাষায়ও উপলব্ধ: English, 简体中文, 日本語, 한국어, 繁體中文, हिन्दी, Français, العربية, Русский, اردو, Bahasa Indonesia, Deutsch, Tiếng Việt, Türkçe, Italiano, ไทย, Español and Português।