ลองดูว่าทีมของคุณผลิตอะไรออกมาบ้างเมื่อสัปดาห์ที่แล้ว ส่วนเล็ก ๆ ของมันคือฟีเจอร์ที่คุยกันในสแตนด์อัป ส่วนใหญ่ที่เหลือคืองานแวดล้อมทั้งหมด การคัดแยกบั๊ก การติดป้ายกำกับ การเขียน changelog ความคิดเห็นรอบแรกบน pull request สิบเอ็ดรายการ โครงทดสอบสำหรับโมดูลที่ไม่มีใครอยากรับผิดชอบ การอัปเดต dependency เพจเอกสารที่ล้าสมัยเพราะรูปแบบการตอบกลับเปลี่ยนไป ปริมาณสูง เกียรติต่ำ และจนถึงสัปดาห์นี้ มันมีต้นทุนต่อโทเคนเท่ากับงานที่สนุกกว่า เพราะมันรันบนรันไทม์เดียวกัน
OpenAI เปิดตัว GPT-6 Luna เมื่อวันที่ 22 กันยายน ในราคา 0.10 ดอลลาร์ต่อล้านโทเคนอินพุต และ 0.50 ดอลลาร์ต่อล้านโทเคนเอาต์พุต API id คือ gpt-6-luna หน้าต่างคอนเท็กซ์ 1M นั่นคือระดับที่งานน่าเบื่อ 80 เปอร์เซ็นต์ควรอยู่ คำถามที่มีประโยชน์จึงไม่ใช่ Luna ดีหรือไม่ แต่คือ งานไหนควรย้ายลงไป งานไหนห้ามย้าย และจะเขียน Task ที่รันไทม์ราคาถูกทำจนเสร็จได้อย่างไร
สรุปสั้น
จัดเส้นทางงานไปยังระดับราคาถูกโดยดูที่ "ตรวจสอบได้หรือไม่" ไม่ใช่ "ยากหรือง่าย" ถ้าผลลัพธ์ตรวจสอบได้โดยไม่ต้องทำใหม่ และคำตอบที่ผิดทำให้คนรีวิวเสียเวลาแค่นาทีเดียว ไม่ใช่ครึ่งวัน มันก็ควรอยู่บน Luna ส่วนการตัดสินใจเชิงดุลพินิจ อะไรก็ตามที่บอร์ดใช้ระบบอัตโนมัติตัดสิน และอะไรก็ตามที่ไม่มีใครจะตรวจ ให้เก็บไว้บนรันไทม์ราคาแพง เขียนเกณฑ์การยอมรับที่เครื่องประเมินได้ ตั้งค่า effort ให้พอเหมาะสำหรับงานสั้น ๆ และให้ทุกผลลัพธ์กลับมาที่ Task ที่มีคนกดยอมรับ
Luna ตั้งราคาไว้ที่เท่าไร และวัดเทียบกับอะไร
การเปรียบเทียบ Luna ที่ OpenAI เผยแพร่ใช้ต้นทุนต่อ Task มากกว่าตำแหน่งบนลีดเดอร์บอร์ด ซึ่งเป็นกรอบที่เหมาะกับงานแบบนี้
| ผลลัพธ์ที่เผยแพร่ | Luna | เทียบกับ |
|---|---|---|
| DeepSWE 1.1 | 66.6% ที่ effort สูงสุด | เทียบได้กับ Claude Opus 5 และ Fable 5 ที่ medium โดยต้นทุนต่อ Task ต่ำกว่า Opus 5 อยู่ 93% และต่ำกว่า Fable 5 อยู่ 96% |
| AutomationBench 1.0.6 | +5.4pp จากรุ่นก่อนหน้าที่ effort สูง | ต้นทุนต่อ Task ต่ำกว่า 58% |
| OSWorld 2.0 offline | ชนะ GPT-5.6 Sol ที่ effort medium | ต้นทุนประมาณหนึ่งในสิบ |
| Factuality | เทียบเท่า GPT-5.6 Sol ที่ effort สูงขึ้น | ต้นทุนประมาณหนึ่งในร้อย |
มีข้อกำกับสองข้อที่มาพร้อมกับตัวเลขเหล่านั้น OpenAI อธิบายว่า Sol และ Luna ถูกกว่า GPT-5.6 ในราคา โปรโมชัน อยู่ 50% คำว่า "โปรโมชัน" เป็นคำของ OpenAI เอง และมันสำคัญ ราคาฐานคือส่วนลด ไม่ใช่ราคาปกติ หากเทียบกับราคาปกติของ GPT-5.6 Luna ที่บทความเปิดตัวของเราเคยบันทึกไว้ที่ 1 ดอลลาร์ต่อล้านโทเคนอินพุต และ 6 ดอลลาร์ต่อล้านโทเคนเอาต์พุต การลดลงเหลือ 0.10 และ 0.50 นั้นใกล้เคียง 90% สำหรับอินพุต และ 92% สำหรับเอาต์พุต การลดลงจริงมากกว่าที่พาดหัวข่าว และพาดหัวข่าวนั้นวัดเทียบกับราคาเซลล์
และทุกการเปรียบเทียบกับ Anthropic ในตารางนั้นวัดเทียบกับ Claude Opus 5 Anthropic เปลี่ยน Opus 5 เป็น Opus 5.5 ในวันเดียวกับที่ OpenAI เผยแพร่ โดยราคา 4 ดอลลาร์ต่อล้านโทเคนอินพุต และ 20 ดอลลาร์ต่อล้านโทเคนเอาต์พุต เทียบกับ Opus 5 ที่ 5 และ 25 ดอลลาร์ ให้อ่านส่วนต่างเหล่านั้นว่าเป็นการวัดเทียบกับรุ่นก่อนหน้า เพราะนั่นคือสิ่งที่มันเป็น เราไม่ประกาศผู้ชนะระหว่างสองเรือธงรุ่นปัจจุบัน และไม่มีคู่เจ้าไหนเผยแพร่ผลการเทียบตรงหัวต่อหัว
Artificial Analysis ซึ่งเป็นบุคคลที่สามไม่ใช่ฝ่ายใดฝ่ายหนึ่ง วาง Luna ไว้ที่ 37 บนดัชนีความฉลาดของตน เทียบกับ 58 ของ Opus 5.5 Luna ไม่ใช่โมเดลระดับแนวหน้า และไม่ได้ขายในฐานะนั้น มันเป็นพนักงานที่มีความสามารถในราคาระดับสาธารณูปโภค ซึ่งนั่นคือประเด็น
คุณสมบัติที่ตัดสินว่าอะไรควรย้ายลง
ทีมต่าง ๆ มักจัดเรียงงานของเอเจนต์ตามความยาก นั่นคือแกนที่ผิด เพราะความยากเป็นคุณสมบัติของปัญหา แต่ความเสี่ยงของคุณเป็นคุณสมบัติของวงรอบการรีวิว ให้จัดเรียงตาม "ตรวจสอบได้หรือไม่" แทน
งานควรอยู่บนระดับราคาถูกเมื่อเข้าเงื่อนไขทั้งสองข้อ ผลลัพธ์ตรวจสอบได้โดยไม่ต้องทำใหม่ ผ่านเทสต์ ผ่าน diff ผ่านกฎ lint หรือผ่านการอ่านเพียงสิบวินาที และผลลัพธ์ที่ผิดทำให้คนรีวิวเสียเวลาแค่นาทีเดียว ไม่ใช่ครึ่งวัน เพราะขอบเขตผลกระทบมีแค่หนึ่งป้ายกำกับ หนึ่งความเห็น หรือหนึ่งไฟล์
คู่นี้เองคือเหตุผลว่าทำไมโครงทดสอบจึงเข้าเกณฑ์ แต่การรีวิวด้านความปลอดภัยไม่เข้า แม้ว่าทั้งคู่จะเป็นการสร้างข้อความจากโค้ดเบสเดียวกัน เทสต์ที่สร้างขึ้นจะรันผ่านหรือไม่ผ่าน และคุณรู้คำตอบในนาทีเดียวกันนั้น ส่วนช่องโหว่การอนุญาตที่พลาดไปในความเห็นรีวิว จะดูเหมือนความเห็นที่สะอาดทุกประการ
อะไรที่ควรส่งต่อให้
| งาน | สิ่งที่เอเจนต์ส่งกลับมา | วิธีตรวจสอบ | ผลกระทบหากผิด |
|---|---|---|---|
| คัดแยกรายงานบั๊กที่เข้ามา | สรุป ส่วนประกอบที่น่าสงสัย ลองทำซ้ำแล้วหรือยัง ข้อเสนอระดับความสำคัญ | อ่านสี่บรรทัดตอนหยิบ Task ขึ้นมา | Task ถูกส่งผิดที่หนึ่งรายการ |
| การติดป้ายกำกับและเมตาดาตา | ป้ายกำกับและประเภท Task พร้อมระบุกฎที่ใช้ | มองเห็นได้บนบอร์ด | ป้ายกำกับผิดหนึ่งอัน |
| Changelog และบันทึกการเปิดตัว | ร่างบันทึกจาก diff ที่ merge แล้วใน Sprint | เทียบ diff กับ commit | ด้านการเรียบเรียง จับได้ก่อนเปิดตัว |
| ความเห็นรีวิวรอบแรก | ข้อสังเกตในรูปความเห็น ระบุชัดว่าไม่ใช่การอนุมัติ | คนรีวิวอ่านหรือไม่สนใจก็ได้ | เสียงรบกวน หากไม่มีอะไรขึ้นกับมัน |
| โครงทดสอบ | ไฟล์เทสต์ที่คอมไพล์และรันได้ พร้อมทำเครื่องหมายช่องว่างที่ชัดเจน | การรันเทสต์ | บิลด์แดง |
| การอัปเดต dependency | อัปเดตหนึ่งรายการต่อ Task พร้อมข้อความจาก changelog และผลเทสต์ | CI | ย้อนกลับหนึ่งครั้ง |
| งานต่อยอดเอกสารหลังการ merge | การแก้เอกสารพร้อมอ้างอิง diff ต้นทาง | รีวิว diff | เพจที่ล้าสมัยก็ยังล้าสมัยต่อไป |
รูปแบบร่วมคือ แต่ละงานส่งกลับอาร์ติแฟกต์ที่คนอื่นประเมินได้ในไม่กี่วินาที บนหลักฐานที่เอเจนต์แนบมาด้วย ไม่มีงานไหนเป็นคำตอบสุดท้ายของอะไร ซึ่งนี่คือเกณฑ์ที่ควรใช้เมื่อคุณขยายรายการไปยัง อะไรก็ตามที่ทีมของคุณหยิบมาทำต่อไป
อะไรที่ไม่ควรส่งต่อให้
มีเส้นแบ่งสามเส้นที่ควรกล่าวถึง เพราะระดับราคาถูกยั่วยวนให้เกิดข้อผิดพลาดเหล่านี้
การรีวิวรอบแรกไม่ใช่การรีวิว เอเจนต์ที่โพสต์ข้อสังเกตบน diff สร้างวัสดุให้อ่าน มันไม่ใช่การอนุมัติ และในวินาทีที่ทีมถือว่ารอบแรกที่สะอาดเป็นสัญญาณว่าการเปลี่ยนแปลงปลอดภัย ระดับราคาถูกก็ถูกเลื่อนขั้นเข้าไปในการตัดสินใจยอมรับแล้ว จงระบุให้ชัดเจนว่า เอเจนต์รีวิวตรวจสอบอะไรได้และตรวจอะไรไม่ได้ และติดป้ายความเห็นนั้นว่าเป็นรอบแรกในตัวความเห็นเอง
ป้ายกำกับที่บอร์ดใช้ระบบอัตโนมัติตัดสินเป็นการตัดสินใจ ไม่ใช่บันทึกช่วยจำ ถ้าการย้าย Task ไปยังสถานะหนึ่งกระตุ้นให้เกิดการรัน หรือความสำคัญกำหนดว่าทีมจะหยิบอะไรมาทำต่อ เอเจนต์ติดป้ายกำกับก็กำลังกำหนดทิศทางอยู่ ทางใดทางหนึ่ง จงปิดระบบอัตโนมัติบนฟิลด์เหล่านั้น หรือเก็บงานติดป้ายไว้บนระดับที่คุณไว้ใจให้กำหนดทิศทาง
งานที่ไม่มีใครตรวจไม่ได้ถูกลง มันแค่กลายเป็น invisible คำตอบผิดราคาถูกจะถูกราคาถูกก็ต่อเมื่อมีคนสังเกตเห็น ถ้างานหนึ่งไม่มีคนอ่าน ทางแก้คือลบงานนั้นทิ้ง ไม่ใช่หารันไทม์ที่ถูกกว่า
คู่การตัดสินใจจึงเป็นเช่นนี้ ใช้ Luna เมื่องานมีปริมาณสูง มีขอบเขตจำกัด และตรวจสอบได้ด้วยสิ่งอื่นที่ไม่ใช่ความเชื่อใจ ใช้ Sol หรือ Opus 5.5 เมื่อ Task ต้องถือคอนเท็กซ์ข้ามชั่วโมง ข้ามหลายโมดูล หรือมีต้นทุนการหยุดกลางทางสูงกว่าค่าโทเคน ถ้าคุณรันเอเจนต์เดียวบนหนึ่งรีโป ก็ไม่ต้องแยกชั้นเลย ให้เลือกรันไทม์ที่เหมาะกับงานที่ยากที่สุดของคุณ
เขียน Task ที่รันไทม์ราคาถูกทำจนเสร็จได้อย่างไร
เอเจนต์ใน Sharkly คือการตั้งค่าการทำงานที่บันทึกไว้ ไม่ใช่พรอมป์ครั้งเดียว คำสั่ง Runtime, Skills, รีโพซิทอรี สภาพแวดล้อม และการตั้งค่าการรันของมันกำหนดวิธีที่มันจัดการงาน ดังนั้นหน่วยที่ถูกต้องคือหนึ่งเอเจนต์ต่องานน่าเบื่อหนึ่งประเภท ไม่ใช่เอเจนต์ฉลาดตัวเดียวที่ทำงานทั้งเจ็ด ทีมสามารถแยกเอเจนต์สำหรับการแก้โค้ด การรีวิว การทดสอบ เอกสาร หรือการคัดแยกงานปฏิบัติการได้ โดยไม่ต้องเขียนคำสั่งใหม่ทุก Task
รันไทม์ราคาถูกต้องการขอบเขตแคบและเส้นชัยที่วัดได้เชิงกลไก:
SH-312 Triage: 9 unassigned bug reports from this week
Assignee: Triage Agent (Codex Runtime, gpt-6-luna)
For each report, return on the Task:
- one-sentence restatement of the observed behavior
- the suspected component, with the file or module that led you there
- whether you could reproduce it locally, and the exact command you ran
- a priority suggestion with one reason
Do not change files. Do not close or merge anything.
Finish with any question that must be answered before implementation.
มีสามอย่างใน Task นั้นที่ทำงานจริง ขอบเขตคือการรันหนึ่งรอบบนเก้ารายการ ดังนั้นหากล้มเหลวก็ทิ้งได้แบบราคาถูก ทุกข้อกล่าวอ้างมีหลักฐานมาด้วย การตรวจสอบจึงเป็นการอ่าน ไม่ใช่การสืบสวนใหม่ และสองบรรทัดสุดท้ายกำหนดเส้นแบ่ง เอเจนต์นี้รายงาน ไม่ได้ลงมือทำ
มีการตั้งค่าหนึ่งอย่างที่ควรตัดสินใจอย่างตั้งใจ ชัยชนะที่เผยแพร่ของ Luna อยู่ในระดับ reasoning effort สูงและสูงสุด และ effort เป็นเรื่องต้นทุนและความหน่วง ไม่ใช่ปุ่มปรับคุณภาพที่ปล่อยไว้สูงสุดตลอด Artificial Analysis ซึ่งเป็นบุคคลที่สามเช่นกัน วัดรุ่น max reasoning ได้ 153.9 โทเคนเอาต์พุตต่อวินาทีสำหรับ Luna โดยใช้เวลาประมาณ 124 วินาทีกว่าจะได้โทเคนแรก [VERIFY] ไม่ว่าตัวเล็ขปัจจุบันจะเท่าไร รูปแบบก็ยังคงเดิม คือที่ effort สูงสุด โมเดลราคาถูกไม่ใช่ตัวที่เริ่มทำงานเร็ว งานติดป้ายกำกับที่ใช้เวลาคิดสองนาทีจะดูเหมือนค้างบนบอร์ด ให้รันงานสั้นที่ effort พอเหมาะ และเก็บการตั้งค่าสูงไว้สำหรับ Task ที่คู่ควร
หมายเหตุสองข้อเกี่ยวกับการเข้าถึง เพราะระดับนี้คือจุดที่ทีมเริ่มใช้งาน Luna รันใน Codex และ ChatGPT Work สำหรับแผน Plus, Pro, Business, Enterprise และ Edu ส่วนบัญชี Free และ Go เข้าถึงได้ในแอปเดสก์ท็อป ยังไม่มีใน Chat ใน Sharkly โมเดลถูกตั้งค่าใน Runtime หรือการตั้งค่าเครื่องมือ Computer ไม่เคยตั้งบนเอเจนต์ และ Sharkly จะไม่แสดงชื่อโมเดลกลับมาให้คุณเห็น
ส่วนที่การลดราคาแก้ไม่ได้
สรุปการคัดแยกเก้ารายการในราคา Luna แทบไม่มีค่าใช้จ่ายเลย มันก็ยังสร้างเก้าสิ่งที่คนต้องอ่านอยู่ดี ทีมที่ย้ายงานแวดล้อมทั้งหมดไปยังระดับราคาถูกไม่ได้ลดการตัดสินใจที่รอคนอยู่ เพียงทำให้มันถูกกว่าที่จะสร้าง ซึ่งไม่เหมือนกับถูกกว่าที่จะยอมรับ นั่นคือเหตุผลที่ว่า คิวรีวิวคือเพดานเสมอ ไม่ว่าอัตราค่าโทเคนจะเปลี่ยนไปแค่ไหน
สิ่งที่คุณเปลี่ยนได้คือทำให้คิวนั้นอ่านเข้าใจง่ายขึ้น ให้เป้าหมาย การรัน หลักฐาน อุปสรรค และการรีวิวโดยคนอยู่บน Task ตั้งแต่คำขอจนถึงการปล่อย เพื่อให้ความเห็นรอบแรกปรากฏชัดว่าเป็นรอบแรก สรุปการคัดแยกมีคำสั่งที่ทำให้มันมาด้วย และ รายการที่รอคุณจริง ๆ แยกออกจากรายการที่เป็นเพียงเสียงรบกวน เอเจนต์ค้นคว้า ลงมือทำ ทดสอบ และรายงาน คนกำหนดทิศทาง มอบอำนาจ และยอมรับผลลัพธ์
ถ้าคุณรันเอเจนต์หลายตัวและตัวราคาถูกกำลังจะเพิ่มจำนวนขึ้น Sharkly มีที่เดียวให้คุณมอบหมาย Task ดูว่าการรันแต่ละครั้งให้อะไรออกมา และตัดสินว่าอะไรจะถูกปล่อย เชื่อมต่อ Computer หนึ่งเครื่อง สร้างเอเจนต์สำหรับงานน่าเบื่อที่สุดของคุณ และมอบหมาย Task จริงหนึ่งงานให้มัน
