GPT-6 Astra против Claude Opus 5.5: контекст на 1M

Сентябрь 2026 года принёс две новые флагманские модели с разницей в три недели. OpenAI выпустила GPT-6 Astra 3–4 сентября, а 22 сентября добавила более лёгкие Sol и Luna. В тот же день Anthropic представила Claude Opus 5.5.

Большинство сравнений заканчиваются таблицей бенчмарков. Здесь вопрос практичнее, и он встаёт сразу, как только вы действительно открываете окно на миллион токенов: что в него положить и сколько стоит его заполнить?

Потому что большее окно не делает ваши источники чище. Оно просто позволяет платить за больший объём шума.

Два окна рядом

Вот что важно для работы с длинным контекстом, по опубликованным спецификациям и прайс-листам на момент написания:

	Claude Opus 5.5	GPT-6 Astra
Контекстное окно	1,000,000 токенов	1,050,000 токенов
Максимум входа в одном промпте	1,000,000	~922,000 (остальное зарезервировано под вывод)
Цена входа (за 1M токенов)	$4	$10
Цена вывода (за 1M токенов)	$20	$50
Надбавка за длинный промпт	Нет, единый тариф	Весь запрос тарифицируется ~2× за вход и 1.5× за вывод свыше 272K входных токенов

Бросаются в глаза две вещи.

Во-первых, «большее» окно на бумаге не означает больший промпт на практике. Окно Astra больше на 5%, но часть его удерживается под вывод, поэтому Opus 5.5 принимает более крупный вход за один раз.

Во-вторых, и для вашего кошелька это важнее: у Astra есть ценовая ступень на 272K входных токенов. Перешагните её, и пересчитывается весь запрос, а не только излишек. Промпт на 280K токенов стоит примерно вдвое дороже, чем промпт на 270K.

Одно это число меняет то, как стоит готовить для неё контекст.

Куда на самом деле уходят токены

Допустим, вы хотите, чтобы модель рассуждала по 40 веб-страницам: документация конкурентов, несколько исследовательских статей, пара веток форумов. Наивный путь: вставить или подгрузить страницы как есть.

Сырой HTML по большей части не контент. Это навигация, баннеры про cookie, скрипты, встроенные стили, атрибуты трекинга и ссылки в подвале, повторяющиеся на каждой странице. Статья на 5 000 слов в виде HTML легко весит 30 000–50 000 токенов. Та же статья в виде чистого Markdown обычно на 80–90% меньше, часто меньше 7 000 токенов.

Умножьте это на 40 страниц:

• Сырой HTML: ~1.4M токенов. Не влезает ни в одно окно. Приходится выкидывать страницы.
• Чистый Markdown: ~250K токенов. Влезает в оба окна и остаётся ниже ступени Astra в 272K.

Те же источники, тот же вопрос. Одна версия вообще не запускается; другая работает на любой из моделей по базовой цене.

Шум стоит не только денег, но и качества ответов

Модели с длинным контекстом научились отлично находить иголку в стоге сена. Но им всё равно лучше, когда сена меньше.

Когда половина промпта состоит из меню и шаблонного текста, страдают три вещи:

• Атрибуция. Повторяющийся текст навигации и блоки «похожие статьи» создают ложные совпадения. Модель цитирует боковую панель вместо статьи.
• Структура. HTML прячет иерархию в каше из div. Markdown держит её явной: заголовки #, списки, таблицы и блоки кода, которые модель читает нативно.
• Повторное использование кэша. Оба вендора дают большую скидку на кэшированный вход. Чистые, стабильные Markdown-файлы гораздо лучше подходят как префикс кэша, чем страницы, у которых реклама меняется при каждой загрузке.

Простая рутина для работы с 1M токенов

Мы сами работаем именно так, и это одинаково работает с обеими моделями:

1. Собирайте один раз, сразу в Markdown. Когда читаете что-то стоящее, сохраняйте это как файл .md, а не как закладку. С Minibase это один клик в Chrome: страница превращается в чистый Markdown с заголовком, исходным URL и датой во frontmatter.
2. Группируйте по проектам. Одна папка на каждый вопрос, над которым вы работаете. Сорок файлов в папке и есть пакет контекста.
3. Считайте до отправки. Markdown делает подсчёт честным: размер файла, делённый примерно на четыре, даёт оценку в токенах. Если целитесь в Astra, держите пакет ниже 272K.
4. Кормите модель пакетом, а не интернетом. Укажите модели на папку. Когда Minibase Vault подключён к Claude, Claude читает ваши сохранённые файлы напрямую через MCP, без копирования и вставки.
5. Сохраните пакет на следующий раз. Через месяц, когда выйдет следующая модель, та же папка сработает без изменений.

Так какую выбрать?

Для исследований и работы с документами в длинном контексте опубликованные цифры делают Opus 5.5 более простым выбором по умолчанию: единая цена на всё окно, более крупный промпт за один раз и более низкая ставка за токен. Astra тоже сильная модель с настоящими преимуществами, особенно в управлении компьютером, и ею стоит пользоваться, если вы уже на стеке OpenAI. Просто держите промпты ниже ступени.

Но честный вывод такой: выбор модели значит меньше, чем выбор входных данных. Оба окна вознаграждают одну и ту же дисциплину: меньше токенов, но чище. Команда с 250K токенов хорошо структурированного Markdown получит ответ лучше, быстрее и дешевле, чем команда, которая вставляет 900K токенов HTML в ту модель, что возглавила рейтинг на этой неделе.

Модели меняются каждые несколько месяцев. Ваши источники не обязаны.

Что почитать ещё

• Markdown как контекст для LLM: почему агенты его предпочитают
• Context engineering как новый prompt engineering
• Minibase Vault как конструктор вики для Claude