สรุปสั้นๆ ก่อนเข้าเนื้อหา
GPT‑5.6 Sol เปิดตัวรอบพรีวิวเมื่อ 26 มิถุนายน 2026 และเริ่ม rollout ทั่วไปทั้งใน ChatGPT, Codex และ API ตั้งแต่ 9 กรกฎาคม 2026 — ตัวเลขสำคัญที่ยืนยันจาก OpenAI ตอนนี้คือ context 1.05M token, output สูงสุด 128K token และราคา $5 input / $30 output ต่อล้าน token สำหรับงานสั้นกว่า 272K token
จุดที่น่าตื่นเต้นคือ Terminal‑Bench 2.1 ที่ Sol ทำได้ 88.8% (Sol Ultra 91.9%) และ DeepSWE v1.1 ที่ 72.7% — ตัวเลขในกลุ่มงาน coding chain ยาวๆ ที่ dev ไทยเจอบ่อย ไล่จาก debug ยาวข้าม file จนถึง agent ที่ต้องเรียก tool ต่อกันหลายรอบ
ข้อควรระวังคือช่วง 272K token ขึ้นไปเข้าสู่โซนราคาระดับพรีเมียม $10 input / $45 output ต่อล้าน token ซึ่งหมายความว่างานที่โยน codebase ทั้งโปรเจกต์เข้าไปให้ Sol อ่านจะเสียเงินเร็วกว่าที่เห็นจากราคาหน้าปกหลายเท่า — ต้องวางแผน context budget ให้ดีก่อน commit ระบบทั้งชุดเข้ากับตัวนี้
หน้าตาแรกของ Sol ตอนเปิดตัว
การเปิดตัวรอบ 26 มิถุนายน OpenAI ใช้คำว่า limited preview — เข้าถึงได้เฉพาะ trusted partner ผ่าน API และ Codex ก่อน โชว์ demo เขียนโค้ดและ agent workflow มากกว่าดีล UI ใหม่ๆ เพราะแกนคือตัวโมเดลไม่ใช่ผลิตภัณฑ์หน้าจอ
พอถึง 9 กรกฎาคม ตัว Sol พร้อมพี่น้อง Terra กับ Luna เริ่ม rollout ทั่วไปใน ChatGPT, Codex และ API — จากนั้นตัวเลข benchmark, ราคาต่อ token, และ context window ก็ถูกเปิดเผยครบ
สำหรับ dev ที่ตามข่าว จุดที่ต่างจากรอบก่อนคือคราวนี้ OpenAI ยอมโชว์ตารางเทียบ benchmark กับคู่แข่งอย่าง Claude Mythos 5 และ GPT‑5.5 ตรงๆ ไม่ต้องรอ third-party ทดสอบเองเหมือนหลายรุ่นที่ผ่านมา
คืนหนึ่งผมนั่งแก้บั๊กที่ logic ซับซ้อนหลายชั้น ปัญหาคือพรอมต์เดิมตอบได้แค่ผิวๆ พอถามลึกขึ้นมันเริ่มหลุดบริบท ต้องอธิบายซ้ำทุกรอบเหมือนคุยกับคนละคน
งานที่ควรจบใน 1 ชั่วโมง กลายเป็นต้อง refactor prompt เองสามสี่รอบ แก้คำถาม ตัดทอนบริบท หวังว่าโมเดลจะจับจุดได้สักที บางทีก็ต้องแยกงานเป็นชิ้นเล็กๆ เพราะโมเดลรุ่นก่อนจำ context ยาวๆ ไม่ไหว
ตรงนั้นเองที่เริ่มเข้าใจว่าปัญหาไม่ใช่ prompt engineering ไม่เก่งพอ แต่เป็นข้อจำกัดของตัวโมเดลเอง reasoning หลายชั้นแบบนี้ต้องรอรุ่นถัดไปที่ออกแบบมาให้คิดยาวขึ้นโดยไม่หลุดโฟกัส
นั่นแหละคือเหตุผลที่ข่าว Sol ถึงถูกจับตา — มันไม่ใช่แค่ตัวเลข benchmark แต่คือคำตอบของค่ำคืนแบบนั้นที่ dev ทุกคนเคยเจอ
แกะโครง GPT‑5.6 สามพี่น้อง Sol / Terra / Luna
รอบนี้ OpenAI ไม่ปล่อยรุ่นเดียวแบบเรือธงแล้วให้เรียกใช้แบบ single-model เหมือนก่อน แต่แบ่งเป็นสามระดับให้เลือกตามลักษณะงาน
Sol คือตัวเรือธง ราคา $5 input / $30 output ต่อล้าน token เน้นงาน reasoning หนัก, coding chain ยาว, cybersecurity, ชีววิทยา — และมี Sol Ultra เป็นโหมด compute-heavy สำหรับงานที่ยอมจ่ายเพิ่มเพื่อเพิ่มความแม่นยำ
Terra คือรุ่นสมดุล ราคา $2.50 input / $15 output ต่อล้าน token — ครึ่งราคาของ Sol แต่คุณภาพยังสูงพอสำหรับงานทั่วไปที่ไม่ต้อง reasoning ลึกสุด
Luna คือรุ่นถูกสุด ราคา $1 input / $6 output ต่อล้าน token เหมาะกับงาน high-volume เช่น classification, สรุปข้อความสั้น หรือ agent step ที่โยนงานย่อยเยอะๆ
พูดง่ายๆ ถ้างานเราคือ agent workflow ที่มี tool-call หลายรอบ Sol กับ Sol Ultra คือคนต่อยหลัก ส่วน Terra กับ Luna เอาไปประกอบเป็น sub-agent ที่รับงานเล็กๆ ก่อนส่งกลับมาให้ Sol ตัดสินใจปลายทาง — เป็น pattern ที่คุ้มเงินกว่ายัด Sol ตัวเดียวทุก step
เทียบชัดๆ กับ GPT‑5.5 รุ่นก่อนหน้า
OpenAI เปิดตารางเทียบเองในโพสต์เปิดตัว ตัวเลขที่ใช้เทียบส่วนใหญ่อยู่บน Terminal‑Bench 2.1 ซึ่งเน้นงาน command-line ที่ต้องวางแผน + iterate + จัดคิว tool ต่อกัน
| Factor | GPT‑5.6 Sol | GPT‑5.6 Sol Ultra | GPT‑5.5 |
|---|---|---|---|
| Terminal‑Bench 2.1 | 88.8% | 91.9% | 88.0% |
| DeepSWE v1.1 | 72.7% | — | — |
| BrowseComp | 90.4% | 92.2% | — |
| SWE‑Bench Pro | 64.6% | — | — |
| Context window | 1.05M token | 1.05M token | เล็กกว่า |
| ราคา input/output ต่อ 1M | $5 / $30 | $5 / $30 | ต่ำกว่า |
จุดสังเกตคือช่องว่างระหว่าง Sol กับ Sol Ultra บน Terminal‑Bench 2.1 เหลือแค่ 3.1 จุด แต่ Sol Ultra กินคอมพิวต์หนักกว่ามาก — งานส่วนใหญ่ที่ไม่ได้ต้องการความแม่นยำสุดขีด Sol ธรรมดาก็คุ้มกว่าในทางเงินอยู่ดี
ฟีเจอร์ใหม่เจองานจริงแบบไหนบ้าง
Context window 1.05M token คือหมัดหลัก — โยนโค้ดเบสระดับกลาง (ราวๆ 20-30 file, งานประมาณ SaaS ขนาดเล็ก) เข้าไปทั้งชุดได้ในรอบเดียว ไม่ต้อง chunk แล้ว retrieve เป็น RAG เหมือนตอนใช้รุ่น 128K
Output สูงสุด 128K token ก็เยอะพอจะให้ Sol เขียน module ยาวๆ หรือ refactor plan ครบทั้ง file ในรอบเดียว ไม่ต้อง stitch ทีละท่อน
ฝั่ง agent workflow ตัวเลข Terminal‑Bench 2.1 ที่ 88.8% แปลตรงๆ ว่า Sol แก้งาน CLI ที่ต้องเรียก tool ต่อกัน 5-10 step ผ่านเกือบ 9 ใน 10 ครั้ง — ลดโอกาสหลุดกลาง chain ที่รุ่นก่อนเจอบ่อย
BrowseComp 90.4% บอกอีกด้านว่า Sol พอไปไหว้ในงาน browsing agent ที่ต้องเปิดหน้าเว็บอ่านแล้ววิเคราะห์ต่อ — เหมาะกับ workflow แบบ deep research ที่ต้องไล่ link เอง
จุดที่ต้องระวังคือทุกตัวเลขนี้เป็นของ Sol ตัวเรือธง ถ้าย้ายไปใช้ Terra หรือ Luna เพื่อประหยัดต้นทุน ตัวเลข benchmark ก็จะร่วงตาม — ไม่ใช่ทุกงานที่ Sol เก่ง Luna จะทำได้เท่ากัน
สนามแข่งตอนนี้เป็นยังไง
หลังจาก 9 กรกฎาคม Sol ขึ้นชั้นเดียวกับ Claude Mythos 5 และ Gemini รุ่นล่าสุด — ทุกตัวเปิดให้ใช้งานผ่าน API แล้ว การเทียบทำได้ตรงมากขึ้นเพราะมีตัวเลข benchmark กลางอย่าง Terminal‑Bench 2.1 ที่วัดตัวเดียวกันหมด
| Factor | GPT‑5.6 Sol | Claude Mythos 5 | GPT‑5.5 |
|---|---|---|---|
| Terminal‑Bench 2.1 | 88.8% | 88.0% | 88.0% |
| สถานะเข้าถึง | GA ตั้งแต่ 9 ก.ค. 2026 | GA แล้ว | GA แล้ว |
| ราคา input/output ต่อ 1M | $5 / $30 | ระดับใกล้เคียง | ต่ำกว่า |
| Context window | 1.05M token | แล้วแต่ tier | เล็กกว่า |
| จุดขาย | Agent + coding chain | Reasoning + writing | Cost-per-quality |
ช่องว่างระหว่าง Sol กับคู่แข่งบน Terminal‑Bench 2.1 เหลือแค่ 0.8 จุด — เล็กกว่าที่หลายคนคาด และเล็กพอที่การเลือกใช้ตัวไหนควรดูจากราคา, latency, และ ecosystem tool มากกว่าตัวเลข benchmark เดี่ยวๆ
ข้อดีและจุดที่ยังต้องตั้งคำถาม
ข้อดี
- +Context 1.05M token กับ output 128K token ครอบคลุมงานโค้ดเบสระดับกลางในรอบเดียว
- +Terminal‑Bench 2.1 88.8% แซง GPT‑5.5 กับ Claude Mythos 5 (ทั้งคู่ 88.0%) — เล็กแต่นำ
- +สามพี่น้อง Sol / Terra / Luna ทำให้เลือกจับคู่ตามงบได้ ไม่ต้องใช้ Sol ทุก step
- +OpenAI เปิดตารางเทียบ benchmark กับคู่แข่งเองตั้งแต่วันเปิดตัว ไม่ต้องรอ third-party
ข้อเสีย
- −ราคา long-context (>272K token) พุ่งเป็น $10 input / $45 output ต่อ 1M — โยน codebase ทั้งชุดเข้าไปแพงกว่าที่คิด
- −งานที่เข้าถึงเฉพาะบัญชี trusted partner ตอนพรีวิวยังเจอคิว rate limit ในช่วงแรกของ GA
- −ตัวเลข Terminal‑Bench เก่งกว่าคู่แข่งไม่ถึง 1 จุด — การตัดสินใจย้ายไป Sol ควรวัด use case ของตัวเองก่อน
- −Sol Ultra กินคอมพิวต์หนัก latency สูงกว่า Sol ปกติชัดเจน ไม่เหมาะกับงาน real-time
จุดที่น่าสนคือ Sol ไม่ได้แซงคู่แข่งแบบทิ้งห่าง แต่ชนะเล็กน้อยในหลายด้านพร้อมกัน — เหมาะกับทีมที่ต้องการเลือก stack เดียวจบ มากกว่าทีมที่ยอมจ่ายแพงเพื่อได้ที่หนึ่งบน benchmark ตัวเดียว
ราคาที่ประกาศกับราคาที่ต้องจ่ายจริงต่างกันแค่ไหน
ราคาหน้าปกของ Sol คือ $5 input / $30 output ต่อล้าน token — ฟังดูสมเหตุสมผลกับตัวเรือธง แต่นี่คือเรตของงานสั้นกว่า 272K token เท่านั้น
พอ prompt ยาวเกิน 272K token ขึ้นไป OpenAI คิดเรต long-context ทั้ง request ที่ $10 input / $45 output ต่อล้าน token — คือ 2 เท่าและ 1.5 เท่าตามลำดับ ไม่ใช่แค่ส่วนที่เกิน แต่ทั้งก้อน
แปลตรงๆ ว่างานโยน codebase 500K token เข้าไปครั้งเดียว ค่าจะแพงกว่าที่นักบัญชีเห็นในสไลด์เปิดตัวประมาณเท่าตัว — ต้องคิดวิธี chunk ก่อนโยนถ้าอยากรีดต้นทุนให้อยู่ที่เรตปกติ
อีกก้อนที่ช่วยลดเงินได้จริงคือ cached input $0.50 ต่อล้าน token — ต่ำกว่าราคาปกติ 10 เท่า เหมาะกับ prompt ที่มี system message ยาวและซ้ำๆ ทุก request เช่น agent scaffold หรือ product knowledge base
ต้นทุนย้ายระบบก็ยังมี — เขียน prompt ใหม่, ทดสอบ integration ใหม่, ปรับ token budget ให้พอดีกับ Sol vs Terra vs Luna แต่ละ step — ต้องนับเวลาทีมด้วย ไม่ใช่แค่ค่า API
หลัง GA แล้วเดินหน้ายังไงต่อ
ตอนนี้ Sol เข้าสถานะ GA เดือนเดียว รีวิว hands-on จากทีม dev ทั่วโลกยังทยอยออกมา — เรื่องที่ต้องรอดูอีกก้อนคือ latency จริงตอน traffic สูง, ความเสถียรของ rate limit ในโซนเอเชีย, และตัวเลขคุณภาพจริงของ Terra กับ Luna ที่ยังไม่เยอะเท่า Sol
ที่ควรทำก่อน migrate จริงคือ pilot ที่ split traffic ระหว่างโมเดลปัจจุบันกับ Sol แล้ววัด delta ทั้ง cost และ output quality บน use case จริงของทีม — อย่าอิงตัวเลข Terminal‑Bench 2.1 ตัวเดียวแล้วเปลี่ยนทั้งระบบ เพราะ workload ของแต่ละทีมต่างจาก benchmark กลางไม่น้อย
ถ้างานหลักคือ agent chain ยาวๆ และ code review อัตโนมัติ Sol น่าลอง ถ้างานคือ classify comment หรือสรุปข้อความสั้น Luna น่าจะคุ้มกว่าเยอะ — เลือกให้ตรงงานสำคัญกว่าเลือกให้ตรง benchmark