GPT-6 Astra GPT-6 Astra — флагманская модель OpenAI для сложных многоэтапных задач, программирования, исследований, работы с документами и компьютерного управления. Идентификатор модели в API — gpt-6-astra. Контекстное окно составляет 1,05 млн токенов, максимальный объём ответа — 128 тыс. токенов, дата отсечения знаний — 30 апреля 2026 года. Доступны уровни рассуждения low, medium, high, xhigh и max. Модель поддерживает текстовый и графический ввод, function calling, structured outputs, web search, file search, code interpreter, image generation, computer use, MCP и другие инструменты. В API доступны Responses и Chat Completions. Цена стандартного API — $10 за 1 млн входных токенов, $1 за 1 млн кэшированных входных токенов и $50 за 1 млн выходных токенов. Запись в кэш стоит $12,50 за 1 млн токенов. При запросах более 272 тыс. входных токенов применяются повышенные тарифы. Batch и Flex стоят 50% от стандартного тарифа.
CADCOD
Что можно купить у ИИ за $20: проверяем самые дешёвые API-модели
Когда начинаешь подключать ИИ-агента через API, довольно быстро выясняется, что стоимость самой модели — далеко не всегда главный вопрос. Гораздо интереснее другое: сколько реальной работы можно получить за условные $20. Для эксперимента возьмём небольшой бюджет — 20 долларов — и посмотрим, что на него можно получить у современных API-провайдеров. Речь именно о моделях, которые можно подключить программно: через API, собственного агента, n8n, OpenClaw/AutoClaw или обычную программу. Ещё недавно несколько долларов API-запросов можно было потратить буквально за вечер, особенно если отправлять модели большие документы...
Промпт против «чистой» проверки агента: что реально меняется при работе с проектной документацией
Я решил проверить на практике простой вопрос: нужен ли специальный промпт, если ИИ-агент и без него способен самостоятельно разобрать проектную документацию? Для эксперимента один и тот же проект — «Система видеонаблюдения» — был проверен дважды. Сначала агент самостоятельно определял методику работы и глубину анализа. Затем тот же комплект был передан ему с формализованным промптом, задающим обязательные направления проверки: оформление, нормативную базу, оборудование, взаимную согласованность разделов, расчёты и структуру итогового отчёта...
Семантическая память для ИИ-агента: что она реально даёт и куда я хочу её развить
Когда начинаешь долго работать с ИИ-агентом, довольно быстро возникает странная ситуация: информации у него становится всё больше, а найти среди неё нужное всё сложнее. Мой агент уже умеет сохранять заметки, решения, команды, результаты экспериментов и другие данные, но пока поиск в основном работает по словам. То есть если я помню, что несколько недель назад мы что-то обсуждали, мне желательно самому вспомнить, какими словами это было записано. Я сейчас добавляю следующий уровень — семантический поиск...
Как ИИ-агент тратит токены при работе с документами
Когда начинаешь работать с документами через ИИ-агента, расход токенов устроен совсем не так, как при обычном общении с чат-ботом. Я решил посмотреть свою статистику за одну неделю работы через AutoClaw. Получилось 54,7 млн токенов при 504 сообщениях. На первый взгляд кажется, что это огромное количество,...
Нейросети в работе с документами. Часть 2. Почему я так много внимания уделил именно PDF
В первой статье я упомянул, что, начав сравнивать нейросети, довольно быстро упёрся в один вопрос: почему один и тот же документ разные модели анализируют по-разному. Но прежде чем сравнивать сами модели, пришлось разобраться с другим — почему для работы с проектами я вообще стал так много внимания уделять PDF. На первый взгляд формат файла кажется второстепенным. Есть Word, Excel, PDF, изображения, исходники. Главное вроде бы содержание. На практике оказалось иначе. Одна из главных причин — в PDF можно собрать весь проект в один документ...
