Cara Menjalankan Agen GPT-6.1 Sol di Sharkly

OpenAI merilis GPT-6.1 Sol di DevDay pada 29 September dengan harga resmi yang sama seperti GPT-6 Sol—$2 per satu juta token input dan $10 per satu juta token output—serta pemotongan biaya cached input hingga separuhnya menjadi $0.10. Namun, detail yang paling penting bagi tim yang menjalankan beberapa agen Codex justru luput dari sorotan utama: layar pembuka pada dokumentasi Codex CLI kini menampilkan gpt-6.1-sol medium. Di Computer mana pun yang tidak mematok model tertentu (pinning), Agent Anda akan berganti model saat seseorang memperbarui Codex di Computer tersebut, bukan saat Anda memutuskan untuk menggantinya.

Sharkly tidak akan menampilkan perubahan tersebut. Agent selalu mengikuti model default milik Runtime dan tidak menampilkan nama model, sehingga mulai minggu ini, dua Agent dengan instruksi yang sama persis bisa saja menjalankan model berbeda di dua Computer, sementara Task keduanya tampak serupa di papan. Mengetahui agen mana yang memakai model apa, serta hasil mana yang berasal dari model tertentu, akhirnya menjadi pertanyaan yang hanya bisa dijawab dari ingatan. Panduan ini hanya membahas perubahan sejak panduan GPT-6 Sol kami: dari mana default baru ini berasal, kapan harus menguncinya, dua pengaturan yang mengalami pergeseran, serta bagaimana Crew sebaiknya mengatur rute beban kerja (routing) saat tingkatan menengah kini performanya semakin mendekati tier teratas.

Ringkasan Singkat (TL;DR)

GPT-6.1 Sol terhubung ke Sharkly melalui Codex Runtime di Computer, dan tidak ada yang berubah di antarmuka Sharkly saat hal ini terjadi. Periksa versi build Codex yang berjalan di setiap Computer dan apakah berkas ~/.codex/config.toml miliknya mengunci model tertentu. Computer tanpa pin akan mengikuti default CLI, yang di dokumentasi kini tercatat sebagai gpt-6.1-sol dengan effort medium. Computer yang dikonfigurasi berdasarkan panduan kami sebelumnya akan tetap menggunakan gpt-6-sol hingga seseorang mengubah satu baris konfigurasi. Ganti pengaturan effort none menjadi low, perhatikan bahwa potongan harga cache 50% hanya berlaku pada Computer berbasis API key dan bukan pada login paket langganan, serta perlakukan tabel routing di bawah sebagai acuan untuk diuji pada Task Anda sendiri, bukan sebagai kesimpulan mutlak.

Perubahan di Balik Codex Runtime

Dokumentasi Agents menjelaskan mengapa artikel ini lebih membahas Computer daripada Agent: “Agent mengikuti model default milik Runtime. Agent tidak menjamin atau menampilkan nama model tertentu. Ubah model di konfigurasi tool Runtime atau Computer, bukan pada Agent.” Peningkatan versi ini sepenuhnya merupakan peristiwa di tingkat Runtime. Berikut detail perubahan yang dirasakan oleh Crew Anda:

Pembaruan Codex CLI juga menghadirkan fitur suara, tampilan /agents, pengeditan prompt, resume, serta worktree di semua paket langganan. Fitur-fitur ini sangat bermanfaat saat Anda mengoperasikan Codex secara manual dari terminal. Namun, begitu pekerjaan menjadi milik tim, Task adalah catatan bersama. Dalam mode Temporary, Sharkly memberikan direktori tersendiri untuk setiap Task dan, untuk pekerjaan repositori, dapat menyiapkan worktree baru; status proses, log, pertanyaan, serta hasil kerja akan disimpan kembali ke Task sehingga anggota tim berikutnya dapat meninjau dengan mudah.

Kunci Model atau Biarkan Setiap Computer Mengikuti Default

Mulailah dengan pendataan inventaris, karena langkah yang tepat bisa berbeda untuk setiap Computer. Perintah sharkly computer list menampilkan daftar Computer yang terdaftar di organisasi Anda, dan sharkly computer show <computer-id> menampilkan rincian satu Computer beserta Runtime-nya. Pada Computer itu sendiri, menjalankan codex akan menampilkan versi build dan model yang sedang aktif. Changelog Codex mencatat bahwa versi 0.159.1 (29 September) menjadikan GPT-6.1 Sol sebagai default, dan sesi contoh di dokumentasi memperlihatkan model: gpt-6.1-sol medium.

Perhatikan dua hal penting. Pertama, biner mana yang berjalan. Di macOS, Computer tanpa Codex mandiri dapat mendaftarkan Codex CLI bawaan dari aplikasi desktop ChatGPT sebagai Runtime-nya, padahal dokumentasi Sharkly menyarankan penggunaan Codex yang diinstal secara terpisah dan didaftarkan ke PATH. Kedua, lapisan konfigurasi mana yang menentukan model. Berdasarkan dasar konfigurasi Codex, nilai default pribadi berada di ~/.codex/config.toml, repositori dapat menimpanya lewat berkas .codex/config.toml miliknya sendiri (hanya dimuat untuk proyek tepercaya), serta opsi -m atau --model pada baris perintah memiliki prioritas tertinggi di atas keduanya.

Dua opsi pengambilan keputusan: Biarkan Computer mengikuti default jika hanya dimiliki oleh satu orang, menjalankan segelintir Task per minggu, dan lebih memilih mengikuti model rekomendasi OpenAI daripada repot mengelola baris konfigurasi. Sebaliknya, kunci modelnya (pin) jika beberapa orang mendelegasikan tugas ke Agent di Computer tersebut, ketika Crew tersebar di lebih dari satu Computer, atau di tengah-tengah Sprint, di mana perubahan diam-diam bisa membuat hasil hari Selasa dan hari Kamis terlihat seolah-olah berasal dari model yang sama di Task, padahal sebenarnya berbeda.

Untuk menguncinya, edit konfigurasi pengguna di Computer yang menjalankan Codex Runtime:

# ~/.codex/config.toml
model = "gpt-6.1-sol"
model_reasoning_effort = "medium"

Kedua konfigurasi ini tercantum dalam dokumentasi konfigurasi Codex dengan nilai-nilai tersebut. Jika Anda mengikuti panduan GPT-6 Sol kami sebelumnya, berkas tersebut sudah mencantumkan model = "gpt-6-sol", sehingga Computer tidak akan berpindah model saat pembaruan berlangsung. Ubah baris tersebut hanya ketika Anda sudah siap, bukan sebelumnya.

Perbarui Codex menggunakan alat penginstal resmi yang digunakan dokumentasi untuk instalasi maupun pembaruan, atau minta Sharkly mengajukan pembaruan CLI untuk satu Runtime:

curl -fsSL https://chatgpt.com/codex/install.sh | sh
# or, from anywhere with the Sharkly CLI:
sharkly computer update <computer-id> <runtime-id>

Selanjutnya, jalankan pemindaian ulang (rescan) atau uji koneksi pada detail Computer dan pastikan Codex Runtime berstatus Available. Terakhir, cantumkan model yang dikunci ke dalam deskripsi Agent. Peninjau yang membaca diff tidak seharusnya perlu membuka terminal shell di suatu Computer hanya untuk mencari tahu model mana yang menulis kode tersebut.

Dua Pengaturan yang Berubah: Effort dan Cache

Opsi none kini ditiadakan. GPT-6.1 Sol menerima low, medium, high, xhigh, dan max, serta tidak lagi mendukung none maupun minimal. Computer dengan konfigurasi none—yang sebelumnya menjadi opsi tepat untuk proses cepat di GPT-6 Sol—harus dialihkan ke low sebelum bermigrasi, dan hasilnya patut ditinjau ulang karena level low masih melakukan penalaran (reasoning). Jika sebuah eksekusi gagal akibat pengaturan lama, log eksekusi tetap mencatat judul serta respons asli layanan model, dan panduan penanganan masalah Sharkly menyarankan untuk memeriksa opsi model dan permintaan ketimbang mencoba ulang tanpa evaluasi.

Penghematan cache adalah keunggulan tersembunyi yang sangat berharga. OpenAI mematok harga cached input sebesar $0.10 per satu juta token, “95% lebih murah dibanding harga input standar dan 50% lebih murah dibanding harga cached input GPT-6 Sol.” Keuntungan ini sangat terasa pada Agent yang berjalan dalam durasi panjang. Eksekusi yang memproses satu repositori selama berjam-jam akan berulang kali mengirimkan konteks yang serupa, dan para anggota Crew yang mengawali tugas dari struktur repositori, aturan, serta perintah pengujian yang sama akan menggunakan kembali prefix yang identik sepanjang hari.

Tiga catatan penting agar tetap objektif: Penghematan biaya per token hanya muncul di Computer yang menagihkan Codex ke API key; Computer yang masuk dengan paket akun ChatGPT akan menggunakan kuota pemakaian paket, yang merupakan topik bahasan pada artikel pendamping mengenai menjalankan GPT-6.1 Sol tanpa API key. Harga dasar tidak berubah, sehingga pekerjaan tanpa cache tetap memakan biaya yang sama seperti minggu lalu. Selain itu, konteks yang sangat panjang dikenakan biaya tambahan: OpenAI menetapkan harga setiap prompt di atas 272K token input dengan tarif 2x lipat untuk input dan cache serta 1.5x output untuk seluruh request, sehingga Agent yang membawa beban konteks besar di setiap gilirannya sebaiknya diberikan prefix yang lebih ringkas dan stabil sebelum diberikan alokasi anggaran yang lebih besar.

Strategi Routing Crew: Astra, 6.1 Sol, Luna, atau Claude Runtime

Daya tarik utama OpenAI untuk 6.1 Sol adalah performa yang mendekati Astra dengan biaya yang jauh lebih hemat, dan seluruh metrik pendukungnya berasal dari uji coba OpenAI sendiri. Pada DeepSWE v1.1, OpenAI menyatakan 6.1 Sol menyamai performa Astra dengan biaya sekitar seperlimanya dan melampaui skor terbaik GPT-6 Sol sebesar 6,4 poin pada tingkat effort yang lebih rendah. Pada OSWorld 2.0, sebuah benchmark pengoperasian komputer (computer-use), model ini hanya terpaut 2,1 poin di bawah Astra pada max effort dengan biaya per tugas sekitar sepertujuhnya. OpenAI juga menyampaikan batasannya secara terbuka: Astra tetap memegang skor tertinggi di Terminal-Bench Science sebesar 68,1%, dan OpenAI menyarankan tetap menggunakan Astra untuk pekerjaan sains yang paling rumit.

Panduan pemilihan model dari OpenAI mengelompokkan lini modelnya dengan cara yang sama: Astra untuk masalah yang ambigu, 6.1 Sol untuk pekerjaan kompleks di mana waktu dan biaya diperhitungkan, Luna untuk tugas dengan cakupan terdefinisi serta triase, dan mereka menyebut panduan ini sebagai titik awal. Karena penentuan model berada di konfigurasi Runtime, aturan routing di Sharkly pada dasarnya merupakan aturan tentang Computer: Agent yang terikat pada Computer dengan default Codex Astra akan menjalankan Astra. Berikut acuan aturan awal yang dapat diuji:

Baris terakhir adalah wujud nyata dari netralitas penyedia, bukan klaim benchmark. Claude Sonnet 5.5 dirilis sehari sebelum 6.1 Sol dengan harga yang sama ($2 dan $10), dan artikel OpenAI hanya membandingkan 6.1 Sol dengan Opus 5.5 dan Fable 5.1, tanpa pernah menyandingkannya dengan Sonnet 5.5. Belum ada vendor yang merilis perbandingan langsung tersebut, sehingga satu-satunya perbandingan yang benar-benar relevan adalah yang Anda jalankan pada Task Anda sendiri. Pembahasan mendalam mengenai aturan tertulis dengan jalur eskalasi manual dapat ditemukan di artikel model routing untuk Crew.

Semua perkembangan ini tidak mengubah muara akhir dari alur kerja: jalur yang lebih hemat menuju hasil setara Astra berarti semakin banyak proses kerja terselesaikan setiap hari, dan setiap hasil tetap bermuara pada manusia yang membaca serta meneliti diff. Agent meneliti, mengeksekusi, menguji, dan melaporkan. Manusialah yang menentukan arah, memberikan otorisasi, dan menerima hasilnya. Langkah paling produktif minggu ini adalah memastikan papan tugas Anda dapat menjawab Computer mana yang menjalankan model apa, pekerjaan mana yang telah selesai, mana yang gagal karena konfigurasi effort yang usang, serta apa saja yang masih menunggu proses peninjauan (review). Jika Anda masih mengelola terminal Codex secara manual, artikel mengelola beberapa agen Codex memaparkan panduan alur kerja manualnya terlebih dahulu.

Anda dapat membangun alur ini secara manual menggunakan worktree, atau memanfaatkan Sharkly untuk mengelola seluruh alur kerja ini.