Laden...

OpenAI heeft zojuist nieuwe prompt‑sjablonen en API‑aanpassingen uitgebracht voor zijn nieuwste GPT‑6.2‑modellen—Astra voor zware taken en Sol voor goedkopere, complexe werkzaamheden. Het grootste nieuws? Astra begint nu bij $8 per miljoen invoertokens en $40 per miljoen uitvoertokens, en OpenAI dringt er bij ontwikkelaars op aan om oude prompt‑stapels te schrappen en de nieuwe, resultaatgerichte versies te gebruiken.
Volgens The Decoder heeft OpenAI kant‑klaar systeem‑prompts gepubliceerd voor GPT‑6.2 Astra en Sol die drie pijnpunten aanpakken: schrijfstijl, initiatief en coderen. Astra wordt beschreven als “korter en directer” dan zijn voorgangers, dus prompts die hem vragen “wees beknopt” zijn nu overbodig. De aanbevolen alledaagse werk‑prompt vertelt het model om de terminologie van de gebruiker te gebruiken, in de actieve vorm te schrijven en de belangrijkste punten vooraan te plaatsen. Voor externe doelgroepen moet het context toevoegen die de lezer mist; bij bewerken moet het de toon van de auteur behouden.
Bij langere taken kan het model onbedoeld verkorte notities uit zijn eigen redenering meenemen in het uiteindelijke antwoord. OpenAI’s nieuwe sjabloon instrueert het model expliciet om de uiteindelijke respons zelf‑voorzienend te maken, zodat gebruikers nooit door samengevouwen tussenliggende berichten hoeven te graven. Wanneer het model niet zeker weet wat het vervolgens moet doen, kan het een stap voorstellen en wachten op bevestiging. De richtlijn vertelt ontwikkelaars nu om het model toestemming te geven die stap automatisch te nemen, tenzij de actie een grote scope‑wijziging, een blokkade, een beslissing die de gebruiker moet nemen, of een destructieve handeling betreft.
De code‑prompt stimuleert het hergebruik van bestaande repository‑logica, vermijdt overbodige hulpfuncties, en voegt nieuwe tests alleen toe op verzoek of wanneer de repository dat vereist. Het verbiedt ook “code‑golf” shortcuts die de leesbaarheid schaden. Voor front‑end werk geeft het sjabloon de voorkeur aan realistische afbeeldingen of SVG’s alleen op aanvraag en instrueert het model om decoratieve nummering en opvultekst weg te laten.
Aan de API‑kant zal de Responses‑API eerdere redeneer‑inhoud verwijderen als je de gespreksgeschiedenis bewerkt, van model wisselt, of de eindgebruiker/organisatie wijzigt. Dit kan het tokenverbruik opdrijven omdat het model werk kan herhalen. OpenAI raadt nu een “medium” redeneer‑niveau aan voor gloednieuwe integraties en een verschuiving van “none” of “minimal” naar “low” voor bestaande installaties. Temperature‑ en top_p‑parameters worden niet langer ondersteund.
Wat de prijzen betreft, begint Astra’s API bij $8 / M invoertokens en $40 / M uitvoertokens tot 272 k tokens, waarna het respectievelijk stijgt naar $16 / M en $60 / M. Cache‑lezingen kosten $0,80 / M tokens. De tarieven van Sol zijn lager maar niet gespecificeerd in het fragment. The Decoder merkt op dat lange code‑sessies snel de limiet kunnen bereiken, waardoor OpenAI’s Codex automatisch de context comprimeert na 272 k tokens.
Als je een slanke operatie runt, bijten twee dingen het hardst: token‑rekeningen en outputkwaliteit. De nieuwe prijzen maken het gemakkelijk om te veel uit te geven aan één langlopende prompt, vooral als je nog steeds “none” redeneerniveau gebruikt en het model zijn eigen schetswerk blijft opnieuw sturen. Overschakelen naar het aanbevolen “low” of “medium” redeneerniveau kan tokens besparen zonder bruikbaarheid op te offeren.
Even zo belangrijk, de standaard beknopte stijl van Astra betekent dat veel van de “wees beknopt” instructies die je in je prompts hebt gestrooid nu ruis zijn. Het behouden van oude prompt‑stapels verspilt niet alleen tokens maar activeert ook de gewoonte van het model om vervolgvragen te stellen—iets dat OpenAI probeerde te beperken met de september‑Astra‑prompts. Het bijwerken naar de nieuwe sjablonen maakt de antwoorden van het model meer zelf‑voorzienend, wat leidt tot minder heen‑en‑terug‑berichten en een soepelere gebruikerservaring voor je interne tools of klantgerichte bots.
Tot slot is de code‑richtlijn een herinnering dat AI‑gegenereerde code er glanzend uit kan zien, maar een onderhoudsnachtmerrie kan zijn. Door leesbaarheid en hergebruik af te dwingen, helpen de nieuwe prompts je verborgen technische schuld te vermijden die kleine teams later niet kunnen afbetalen.
Open-source Hermes Agent is coming to Microsoft Teams, allowing workers to package successful AI workflows into team-wide reusable skills.

OpenAI's internal data shows researchers value their AI coding agents so highly they'd rather give up staff, despite the tools frequently producing 'AI slop' and requiring significant human oversight.

Reson8 open-sourced Rumble-2-Flash, a 0.5B parameter ASR model for 40+ languages that outperforms models up to 60x larger, with Apache 2.0 licensing.

Instagram introduces a tool to detect unauthorized video reposts and AI-modified content, allowing creators to block or label infringing posts.

Reacties2
Dropping the redundant "be concise" instructions is long overdue, especially for operations teams managing high-volume document pipelines where every extra token adds up. I am more interested in whether Sol can actually maintain that logic-to-cost ratio in multi-step agentic workflows without needing constant human sanity checks on the intermediate steps.
In my benchmark tests with Sol last week, the error rate spiked dramatically by step three of an agent loop, forcing me to throw in extra validator calls just to keep it on the rails. For complex workflows, you are definitely still paying the "babysitting tax" in both API costs and dev hours.
The new pricing for Astra seems steep; we tried a similar model and ended up with a 30% increase in costs, how do you plan to mitigate this?