Bài viết này do AI tạo ra, có thể mắc sai sót.
Trong hướng dẫn công bố ngày 13/08/2026, OpenAI tập trung vào cách xây agent với GPT-5.6: chọn model đúng tầng tác vụ, giữ reasoning qua lượt gọi, nén hội thoại dài, chạy công việc độc lập song song và chuyển xử lý dữ liệu xác định sang code. Mục tiêu không phải đưa mọi token qua model mạnh nhất, mà dành năng lực suy luận cho phần cần phán đoán.
OpenAI nhấn mạnh các model nhỏ hơn trong family phù hợp workload khối lượng lớn, tương tác nhạy latency và các bước lặp. Đây là thay đổi thực tế cho đội API có pipeline nhiều bước, nơi chi phí inference thường bị đẩy lên bởi extraction, filter và aggregate hơn là quyết định cuối.
OpenAI đưa ví dụ BrowseComp: GPT-5.6 Luna ở Extra High đạt 84,04% với $1,33; GPT-5.5 Extra High đạt 84,36% với $33,27, trong điều kiện benchmark được họ nêu. Đây là số liệu nhà cung cấp công bố, không thay thế benchmark độc lập hoặc chi phí production của từng ứng dụng.
Với ARC-AGI-3, OpenAI cho biết GPT-5.6 Sol đạt 13,3% với harness chuẩn; bật retained reasoning và compaction nâng lên 38,3% trong ví dụ của họ, đồng thời dùng ít hơn khoảng 6 lần output token. Bài học là harness, context management và tool orchestration có thể ảnh hưởng kết quả lớn như đổi model.
Reasoning persistence cho phép tái sử dụng công việc đã làm giữa các lượt. Native compaction nén hội thoại dài để agent tiếp tục task dài hạn mà không phải nhét toàn bộ lịch sử nguyên dạng vào context. Cả hai giảm context rot và chi phí dựng lại trạng thái.
Multi-agent orchestration phân rã các workstream độc lập, sau đó agent chính tổng hợp. Cách này hữu ích khi có thể chạy song song, nhưng không mặc định tốt hơn: mỗi subagent tăng token, độ trễ phối hợp và bề mặt lỗi.
Model có thể viết JavaScript để điều phối tool, lọc và tổng hợp output ngoài context window. Ví dụ phù hợp: lấy 100 hồ sơ, lọc theo ngày và chuẩn hóa trường dữ liệu trong code; model chỉ nhận phần đã rút gọn để đánh giá.
Benchmark model không đủ dự đoán agent production. Context, retry, tool latency, schema và quyền truy cập quyết định phần lớn độ tin cậy. Primitive mới làm rõ rằng tối ưu orchestration có thể mang lại bước nhảy lớn mà không đòi hỏi đổi model liên tục.
Ví dụ $1,33 và $33,27 là minh họa theo benchmark, không phải báo giá chung. Đội triển khai phải đặt quality gate theo nghiệp vụ, rồi mới hạ reasoning effort hoặc đổi sang model nhỏ cho từng công đoạn.
Đưa filter và aggregation xác định ra code giảm token và giúp dễ audit hơn. Đổi lại, code điều phối trở thành phần production cần test, phân quyền tool và logging đầy đủ.
Hướng dẫn GPT-5.6 cho developer của OpenAI, 13/08/2026.
