GPT-5.6 в работе: Sol, Terra и Luna
Fable уже задала для меня планку оркестрации: сама собирала команды агентов и запускала двухфазную критику. На стриме этот сценарий появился и в GPT-стеке. В Ultra команда подключилась самостоятельно, а в OMP Sol хорошо ставила агентам задачи. После эфира я оставил её основной моделью в этом стеке.
Через час я уже спорил с её отчётом. Sol объявила готовой интерактивную страницу, а я открыл её в браузере и нашёл сломанное управление. Когда я разрешил вносить критичные правки, она полезла менять поисковое описание статьи, которая уже хорошо работала в Google. Работу команды я по-прежнему принимаю сам. Данных по Terra и Luna пока мало: я увидел по одному результату и могу говорить только о первых впечатлениях.
Как устроено семейство GPT-5.6
В официальном анонсе GPT-5.6 OpenAI представила три модели. Sol является флагманом семейства, Terra представляет сбалансированный вариант, Luna рассчитана на скорость и доступность. Ultra является отдельным многоагентным режимом: он запускает несколько агентов параллельно и координирует их работу.
Для стрима я выбрал четыре вещи, которые важны мне в реальных проектах:
- Как модель разбирает большую и плохо определённую задачу.
- Умеет ли она делегировать работу другим агентам.
- Совпадает ли уверенный отчёт с тем, что работает в браузере.
- Чувствует ли модель границу между разрешённой работой и действием, которое стоит согласовать со мной.
Последние два критерия особенно важны. Код я практически не пишу руками. Я ставлю задачу, смотрю, как агент исследует проект, а затем открываю результат и пробую его как обычный пользователь. Если кнопка не нажимается, управление раздражает или новый человек не понимает, что делать, уверенный отчёт уже ничего не спасает.
Вот моя карта семейства после первого дня:
| Модель | Официальная роль | Что я увидел на стриме | Насколько уверен | Для каких задач попробую |
|---|---|---|---|---|
| Sol | Флагманская модель | В связке с Ultra подключила агентов; в OMP написала им конкретные задания | Средне по руководству, низко по дизайну | Большие задачи, исследование проекта, постановка задач другим агентам |
| Terra | Сбалансированная модель | Сделала один сдержанный вариант лендинга | Низко: один результат | Основная работа по понятному плану |
| Luna | Быстрая и доступная модель | Быстро собрала простой рабочий вариант | Низко: один результат | Короткие изолированные задачи |
Названия моделей и их точные идентификаторы опубликованы в документации OpenAI. Для обычной работы это техническая деталь. Для сравнения моделей она оказалась решающей.
Sol и Ultra собрали команду
До этого Fable уже сама собирала команды агентов. На 13:44 я увидел, что Sol с Ultra умеют подключать команду и внутри Codex. Я попросил сделать страницу о семействе GPT-5.6 и удивить меня дизайном.
В режиме Ultra запустились три субагента на 13:44. Я отдельно не просил делегировать работу и не расписывал роли. Ultra отправила агентов исследовать разные части проекта, а затем собрала их ответы.
В Dust Arena Fable уже сама собрала четырёх агентов, провела критику и запустила фазу исправлений. Сам факт делегирования был мне знаком. На стриме я смотрел, как это работает в GPT-стеке: Ultra отправила трёх субагентов на разведку и собрала их ответы. До цикла с критикой и исправлениями этот тест не дошёл. Sol без Ultra я в этом эпизоде не проверял.
Здесь легко смешать три слоя. Sol принимает решения как модель. Ultra даёт ей встроенную команду. В моей системе OMP и Orca я сам настраиваю роли и порядок работы. Orca служит терминальным менеджером для агентов. Там Sol получала общий контекст, Terra брала отдельные куски. Особенно мне понравились задания, которые Sol писала агентам. Они были узкими и проверяемыми: прочитать конкретную часть проекта, найти проблему, вернуть точные места и ничего не менять без разрешения.
На аудите моих skills, то есть инструкций для агентов, я дополнительно ограничил задачу: только чтение, никаких правок и автоматических форматеров. В OMP я проверял Sol как второго оркестратора после Fable. Она раздала агентам узкие задания, удержала запрет на правки и собрала разбор с конкретными файлами и проблемами.
Это медленно. Sol много читает, планирует и ждёт остальных агентов. Для маленьких правок я отдельно проверю Terra и Luna. Если сначала нужно понять большой проект, готов подождать.
Что я успел увидеть у Terra и Luna
Первый тест Sol, Terra и Luna я испортил. Я создал три роли с красивыми именами и получил три разных дизайна. Потом выяснилось, что под всеми тремя ролями работала одна базовая модель. Этот прогон я вычеркнул.
Во втором прогоне я явно указал gpt-5.6-sol, gpt-5.6-terra и gpt-5.6-luna, попросил дать каждому агенту отдельный контекст и запретил смотреть на версии соседей. Проверить изоляцию контекстов на стороне системы во время эфира я не мог. Итоги мы открыли на 1:41:25. Luna сделала самый простой вариант. Terra выглядела спокойнее и собраннее. Sol сильнее играла с композицией. Все три лендинга оставались сырыми.
По одному лендингу нельзя составить рейтинг. Пока это направления для следующих тестов. Сначала я проверю каждую модель на нескольких одинаковых задачах и только потом закреплю за ней постоянную роль.
Потом я открыл результат в браузере
Я попросил Sol сделать интерактивную Солнечную систему. Первый запрос она поняла слишком широко и ушла в сторону статичной картинки. После уточнения Sol собрала страницу с планетами, управлением и анимацией, а затем уверенно сообщила, что всё готово.
Я покрутил сцену несколько секунд. Вращение работало неправильно: вместо нормального управления сцена дёргалась и вела себя странно. На 1:14:13 это уже хорошо видно. Шляпа.
Я вернулся к Dust Arena. Раньше Fable за полчаса собрала и задеплоила этот шутер, а затем прогнала его через команду критиков. На стриме Sol через агентов взялась за следующую итерацию. В отчёте значились музыка, русские звуки, модели игроков и оптимизации.
Потом я начал играть. На проверке в 1:19:09 мне показалось, что стало хуже. Я бегал по карте и не понимал, где команда и откуда появляются противники. Мини-карты нет, туман войны ведёт себя странно, другие игроки возникают из воздуха. Новому человеку вообще неясно, что происходит в первые десять секунд.
Модель не поймала проблемы, которые сразу видны живому человеку. Особенно рискованны задачи с управлением, анимацией, состоянием, сетью или несколькими пользователями.
Этот прогон ещё раз подтвердил мой старый принцип: отчёт агента является списком утверждений для проверки вживую. Если написано «добавили онбординг», я захожу новым пользователем. Если написано «улучшили управление», я пытаюсь пройти основной сценарий. Если написано «всё протестировано», я смотрю, какие именно проверки запускались.
Две границы разрешений
В начале стрима я попросил Sol разобраться с подозрительным расходом API у Grok. Она изучила логи, нашла 1181 повтор события yield_complete, подготовила обращение в поддержку и заполнила форму.
На 15:53 форма была заполнена и осталась открытой. Отправка продолжилась после моего явного «Отправляй» на 16:12.
Вот такая последовательность мне нравится. Агент прошёл длинный путь, собрал доказательства и дошёл до последнего внешнего действия. Причину паузы запись не показывает. Отправку я разрешил только после этой паузы.
С SEO моего блога граница сработала хуже. Я разрешил Sol самостоятельно вносить критичные улучшения. Формулировка получилась широкой, и модель изменила поисковое описание статьи, которая уже хорошо индексировалась. На 1:38:55 я остановил этот проход.
Я сам дал слишком широкое разрешение словом «критичные». Sol прочитала его буквально. Агент увидел возможность улучшить текст и не учёл, что успешная страница требует отдельного доказательства, одного изменения за раз и понятного способа отката.
После этого случая я зафиксировал защиту страниц с подтверждённым органическим результатом. Сам подход подробнее разобран в статье про оркестрацию без целей и контроля.
В system card GPT-5.6 OpenAI описывает похожий риск: в их симуляции и внутреннем трафике Sol чаще GPT-5.5 выходила за рамки задачи, хотя такие случаи оставались редкими. Для рабочего проекта мне хватит и редкого промаха, чтобы заранее сузить разрешения.
Как я буду распределять работу
После стрима хочу проверить такой расклад:
- Sol попробую давать большой контекст, исследование проекта и план для команды. Принимать буду по качеству заданий агентам и общему результату.
- Terra получит несколько одинаковых, хорошо очерченных задач. Проверю полноту выполнения и количество моих исправлений.
- Luna возьмёт короткие независимые куски. Посмотрю на скорость, стоимость и цену ошибки.
По Terra и Luna у меня всего по одному результату. Через неделю обычной работы схема может измениться.
Для следующего запуска мне достаточно четырёх правил:
- До работы фиксирую, что считаем готовым и какая модель реально запущена.
- Перед правками перечисляю файлы и пользовательские сценарии, которые можно трогать.
- Перед внешним действием агент обязан остановиться и спросить меня.
- После отчёта я проверяю каждое обещание в браузере.
Для интерфейса критериями готовности могут быть работающий основной сценарий, понятное управление и отсутствие ошибок в консоли. Для SEO важно сохранить успешные страницы и проверить канонические адреса. Для внешнего сервиса агент готовит черновик и останавливается перед отправкой.
Мой вывод после первого дня
Fable я уже проверял как самостоятельного оркестратора: она собирала команду, запускала критику и передавала результат на исправление. На этом стриме Sol проходила похожий экзамен внутри Codex и OMP. После эфира я оставил её основной моделью в OMP, потому что мне понравилось, как она формулирует задания агентам. Первое впечатление без одинакового теста: Sol делает это увереннее модели Opus, которой я пользовался до стрима, и GPT-5.5. Проверю это на обычных задачах.
Мне ещё предстоит проверить стабильность Sol на длинных задачах, стоимость такого режима и реальное качество Terra и Luna. Пока мой расклад такой: Sol руководит, Terra и Luna получают узкие задачи, а я открываю результат в браузере и проверяю каждое обещание. Через неделю станет ясно, выдержит ли эта схема обычную работу.
Подписаться на обновления — @sereja_tech