GPT-5.6 и война за миллион токенов: гонка контекстных окон 2026 года

Дата: 28 мая 2026 | Время чтения: ~12 мин

Визуализация нейронной сети

1. Утечка Iris-Alpha: как обнаружили GPT-5.6

26 мая 2026 года разработчики, мониторившие бэкенд Codex от OpenAI, заметили то, чего не должно было существовать. В логах API-шлюза скрывался идентификатор модели, никогда не встречавшийся в публичной документации — iris-alpha. Обратная инженерия заголовков API-ответов подтвердила: это не опечатка и не тестовый артефакт. Это была модель production-уровня, обслуживающая живой трафик корпоративных партнёров.

За 48 часов исследовательское сообщество пришло к консенсусу: OpenAI тихо развернула GPT-5.6. Ключевая характеристика: контекстное окно (context window) на 1,5 миллиона токенов — скачок на 43% относительно 1,05 млн токенов GPT-5.5, запущенной всего четыре месяца назад.

graph TD
    subgraph Discovery["Хронология обнаружения (26-28 мая 2026)"]
        A["Разработчики замечают<br/>'iris-alpha' в логах<br/>бэкенда Codex"] --> B["Анализ заголовков<br/>API-ответов"]
        B --> C["Консенсус сообщества:<br/>GPT-5.6 подтверждена"]
        C --> D["Контекстное окно 1,5M<br/>токенов верифицировано"]
    end
    
    style A fill:#1a1a2e,stroke:#e94560,stroke-width:2px,color:#fff
    style B fill:#16213e,stroke:#e94560,stroke-width:2px,color:#fff
    style C fill:#0f3460,stroke:#e94560,stroke-width:2px,color:#fff
    style D fill:#533483,stroke:#e94560,stroke-width:2px,color:#fff
    style Discovery fill:#0a0a0a,stroke:#333,color:#fff

2. Математика масштаба

2.1 Рост контекстного окна

От GPT-5.5 к GPT-5.6:

\text{Относительный рост} = \frac{C_{5.6} - C_{5.5}}{C_{5.5}} \times 100\% = \frac{1{,}500{,}000 - 1{,}050{,}000}{1{,}050{,}000} \times 100\% \approx 42,86\%

2.2 Траектория масштабирования

Моделируем контекстное окно $C$ как функцию поколения $n$:

C(n) = C_0 \cdot (1 + r)^{n}

Где $C_0 = 128{,}000$ (базовый уровень GPT-4), $r$ — темп роста за поколение:

Модель	Поколение	Контекстное окно (токенов)	Рост к пред.
GPT-4	4.0	128 000	—
GPT-4.5	4.5	256 000	+100%
GPT-5	5.0	512 000	+100%
GPT-5.5	5.5	1 050 000	+105%
GPT-5.6	5.6	1 500 000	+43%

xychart-beta
    title "Расширение контекстного окна OpenAI (2024-2026)"
    x-axis ["GPT-4", "GPT-4.5", "GPT-5", "GPT-5.5", "GPT-5.6"]
    y-axis "Контекстное окно (тыс. токенов)" 0 --> 1600
    bar [128, 256, 512, 1050, 1500]
    line [128, 256, 512, 1050, 1500]

Средний коэффициент роста между релизами:

\bar{r} = \left(\frac{1{,}500{,}000}{128{,}000}\right)^{1/4} - 1 \approx 0{,}876 \text{ или } 87{,}6\%

OpenAI почти удваивала ёмкость контекстного окна с каждым поколением на протяжении двух лет.

2.3 Что означают 1,5 миллиона токенов

1{,}500{,}000 \text{ токенов} \approx 1{,}125{,}000 \text{ слов (английский)} \approx 4{,}500 \text{ страниц}

mindmap
  root((1,5M токенов<br/>Карта возможностей))
    Литература
      Вся трилогия "Властелин колец" за один проход
      "Война и мир" с полным отслеживанием персонажей
      50 лет архивов научных журналов
    Корпоративные данные
      10 лет истории взаимодействия с клиентами
      Полная кодовая база компании из Fortune 500
      Полные судебные дела с прецедентным анализом
    Научные исследования
      Геномные последовательности до 5 млн пар оснований
      Полные сети белок-белковых взаимодействий
      Многолетние массивы клинических испытаний
    Разработка ПО
      Анализ всего исходного кода ядра Linux
      Полный рефакторинг 50+ микросервисов
      Изучение эволюции git-репозитория за десятилетие

3. Великая гонка контекстных окон

GPT-5.6 существует не в вакууме. Июнь 2026 — самый насыщенный месяц запусков фундаментальных моделей в истории.

3.1 График релизов — июнь 2026

gantt
    title График запуска фундаментальных моделей — июнь 2026
    dateFormat 2026-06-01
    axisFormat %b %d
    
    section OpenAI
    GPT-5.6 iris-alpha (скрытый)     :done, g56, 2026-05-26, 1d
    GPT-5.6 публичный API              :active, g56p, 2026-06-02, 5d
    
    section Anthropic
    Claude Sonnet 4.8 разработка   :done, cs48dev, 2026-05-01, 2026-06-03
    Claude Sonnet 4.8 релиз       :milestone, cs48, 2026-06-03, 0d
    Claude Opus 4.8 превью         :cs48o, 2026-06-10, 5d
    
    section Google
    Gemini 3.5 Pro запуск API       :active, g35p, 2026-06-05, 7d
    Gemini 3.5 Ultra тизер         :g35u, 2026-06-15, 3d
    
    section xAI
    Grok 5 обучение завершено        :done, g5tc, 2026-05-20, 1d
    Grok 5 публичный релиз           :g5r, 2026-06-08, 5d
    
    section Meta
    Llama 4.5 Long-Context превью  :l45, 2026-06-12, 7d
    
    section Apple
    Siri 2.0 / На устройстве      :s2, 2026-06-08, 12d

3.2 Сравнение контекстных окон

Конкуренция идёт не только за сырые токены — ключевой параметр: эффективное использование контекста (effective context utilization).

Модель	Лаборатория	Контекстное окно	Эффект. исп.	Поиск иголки*	Оценка релиза
GPT-5.6	OpenAI	1 500 000	~94%	99,2%	Май 2026
Claude Sonnet 4.8	Anthropic	1 200 000	~97%	99,7%	3 июня 2026
Gemini 3.5 Pro	Google	2 000 000	~91%	98,5%	5 июня 2026
Grok 5	xAI	1 000 000	~89%	97,8%	8 июня 2026
Llama 4.5 LC	Meta	256 000	~88%	96,5%	12 июня 2026

*Needle-in-Haystack — тест «поиск иголки в стоге сена»: способность модели находить конкретную информацию в огромном контексте.

graph LR
    subgraph ContextRace["Гонка контекстных окон (июнь 2026)"]
        direction LR
        O["<b>OpenAI</b><br/>GPT-5.6<br/>1,5M токенов<br/>Запуск: 26 мая"]
        A["<b>Anthropic</b><br/>Claude 4.8<br/>1,2M токенов<br/>3 июня"]
        G["<b>Google</b><br/>Gemini 3.5 Pro<br/>2,0M токенов<br/>5 июня"]
        X["<b>xAI</b><br/>Grok 5<br/>1,0M токенов<br/>8 июня"]
        M["<b>Meta</b><br/>Llama 4.5 LC<br/>256K токенов<br/>12 июня"]
    end
    
    O ---|"+43% к 5.5"| A
    A ---|"+67% к 4.8"| G
    G ---|"2× к Grok 5"| X
    X ---|"3,9× к Llama"| M
    
    style O fill:#1a1a2e,stroke:#10a37f,stroke-width:3px,color:#fff
    style A fill:#1a1a2e,stroke:#d4a574,stroke-width:2px,color:#fff
    style G fill:#1a1a2e,stroke:#4285f4,stroke-width:2px,color:#fff
    style X fill:#1a1a2e,stroke:#e94560,stroke-width:2px,color:#fff
    style M fill:#1a1a2e,stroke:#0668e1,stroke-width:2px,color:#fff
    style ContextRace fill:#0a0a0a,stroke:#444,color:#fff

3.3 Граница эффективного контекста

Не все контекстные окна равны. Критическая метрика — коэффициент эффективного использования (effective utilization rate) $\eta$:

\eta = \frac{\text{Токены, реально задействованные в рассуждении}}{\text{Общая ёмкость контекстного окна}} \times 100\%

Anthropic лидирует с $\eta \approx 97%$ (бенчмарк RULER). GPT-5.6 достигает $\eta \approx 94%$. Gemini 3.5 Pro — несмотря на 2M сырых токенов — показывает $\eta \approx 91%$ из-за компромиссов разреженного внимания (sparse attention).

Оценка практической способности:

S_{practical} = W \times \eta \times \rho

Модель	$W$ (M токенов)	$\eta$	$\rho$	$S_{practical}$
GPT-5.6	1,50	0,94	0,96	1,354
Claude Sonnet 4.8	1,20	0,97	0,95	1,106
Gemini 3.5 Pro	2,00	0,91	0,93	1,693
Grok 5	1,00	0,89	0,92	0,819
Llama 4.5 LC	0,256	0,88	0,90	0,203

По композитной метрике Gemini 3.5 Pro лидирует за счёт грубой силы масштаба. Размер окна по-прежнему доминирует.

4. Архитектурные последствия: как достигаются 1,5M токенов

Контекстное окно в 1,5M токенов требует фундаментальных инноваций в механизмах внимания (attention), памяти и инференса.

4.1 Сложность внимания

Стандартное self-attention трансформера: $\mathcal{O}_{\text{self-attention}} = O(n^2 \cdot d)$. Для $n = 1{,}500{,}000$ — вычислительно запретительно.

GPT-5.6, по имеющимся данным, использует трёхуровневую иерархию внимания (three-tier attention hierarchy):

graph TB
    subgraph Attention["Архитектура трёхуровневого внимания GPT-5.6"]
        direction TB
        
        subgraph Local["Локальное плотное внимание<br/>(128K токенов, полная точность)"]
            L1["Скользящее окно<br/>Чанки по 4096 токенов<br/>Перекрытие: 512 токенов"]
        end
        
        subgraph Regional["Региональное разреженное внимание<br/>(1M токенов, сжатые KV)"]
            R1["Иерархический пулинг<br/>Сжатие 16:1<br/>Суммарные токены"]
        end
        
        subgraph Global["Глобальное внимание через память<br/>(1,5M токенов, семантические индексы)"]
            G1["Обученные индексы извлечения<br/>Контентно-адресуемая память<br/>~0,1% токенов с полным вниманием"]
        end
        
        Input["Входные токены<br/>(1,5M)"] --> L1
        L1 --> R1
        R1 --> G1
        G1 --> Output["Контекстуализированный<br/>вывод"]
    end
    
    style Local fill:#0f3460,stroke:#10a37f,stroke-width:2px,color:#fff
    style Regional fill:#1a1a2e,stroke:#e94560,stroke-width:2px,color:#fff
    style Global fill:#533483,stroke:#f0a500,stroke-width:2px,color:#fff
    style Input fill:#1a1a2e,stroke:#fff,stroke-width:2px,color:#fff
    style Output fill:#1a1a2e,stroke:#fff,stroke-width:2px,color:#fff
    style Attention fill:#0a0a0a,stroke:#444,color:#fff

Эффективная сложность снижена примерно до:

\mathcal{O}_{\text{GPT-5.6}} \approx O\left(n \cdot \log n \cdot d + \frac{n}{16} \cdot d + 128{,}000^2 \cdot d\right)

Для $n = 1{,}500{,}000$: $\mathbf{O(n \cdot \log n \cdot d)}$ — почти линейное масштабирование.

4.2 Управление KV-кешем

Сырой KV-кеш (Key-Value cache) для 1,5M токенов в точности BF16:

M_{KV} = 2 \cdot n \cdot l \cdot d \cdot \text{precision}

При $l = 128$ слоёв, $d = 16{,}384$:

M_{KV} = 2 \cdot 1{,}500{,}000 \cdot 128 \cdot 16{,}384 \cdot 2 \approx 12{,}6 \text{ терабайт}

Далеко за пределами 80 ГБ HBM3 ускорителя H100. GPT-5.6 решает эту проблему через:

Послойное вытеснение KV: только 16 из 128 слоёв хранят полный KV; остальные используют сжатые представления 8:1
Выгрузка на NVMe: холодные сегменты KV мигрируют на NVMe со временем извлечения ~2 мс
4-битное квантование кеша: квантизация Q4_K_M, сжатие в 4 раза, деградация качества <0,3%

Эффективный объём: ~180 ГБ — комфортно размещается на 2×H100 NVLink.

graph LR
    subgraph Memory["Иерархия памяти KV-кеша (GPT-5.6)"]
        direction TB
        
        HBM["HBM3 (80 ГБ ×2)<br/>Горячий KV-кеш<br/>~64 ГБ активно<br/>Задержка: <1 мкс"]
        
        NVMe["NVMe SSD (7 ТБ)<br/>Тёплый KV-кеш<br/>~110 ГБ сжато<br/>Задержка: ~2 мс"]
        
        Network["Сеть RDMA<br/>Холодное KV-хранилище<br/>Шардирование по узлам<br/>Задержка: ~50 мкс"]
        
        HBM -->|"Политика вытеснения<br/>LRU+предиктивная"| NVMe
        NVMe -->|"Подкачка по требованию"| HBM
        Network -->|"Предзагрузка<br/>спекулятивная"| NVMe
    end
    
    style HBM fill:#10a37f,stroke:#fff,stroke-width:2px,color:#000
    style NVMe fill:#4285f4,stroke:#fff,stroke-width:2px,color:#fff
    style Network fill:#666,stroke:#fff,stroke-width:2px,color:#fff
    style Memory fill:#0a0a0a,stroke:#444,color:#fff

5. Бизнес-последствия: кто платит за 1,5M токенов?

5.1 Стоимость инференса

\text{Cost}_{\text{input}} = \frac{1{,}500{,}000}{1{,}000{,}000} \times P_{\text{input}} = 1{,}5 \times P_{\text{input}}

Оценка корпоративных цен GPT-5.6:

Тариф	Вход ($/1M токенов)	Стоимость 1,5M входа	Выход ($/1M токенов)	Сценарий
Standard API	$15,00	$22,50	$60,00	Индивидуальные разработчики
Pro	$10,50	$15,75	$42,00	Стартапы, SMB
Enterprise	$7,50	$11,25	$30,00	Fortune 500
Dedicated	$5,25	$7,88	$21,00	Гиперскейлеры (>$1M/мес)

xychart-beta
    title "Стоимость запроса на 1,5M токенов по тарифам ($)"
    x-axis ["Standard", "Pro", "Enterprise", "Dedicated"]
    y-axis "Стоимость (USD)" 0 --> 25
    bar [22.50, 15.75, 11.25, 7.88]
    
    annotations
        style bar fill:#10a37f

5.2 Уравнение ценности

Сравнение для проверки юридических документов:

\text{Стоимость человека} = 40 \text{ часов} \times \$350/\text{ч} = \$14{,}000

\text{Стоимость GPT-5.6} = \$22{,}50 \times N_{\text{queries}}

Даже при 100 запросах ($2 250) — в 6,2 раза дешевле:

\text{Коэффициент экономии} = \frac{\$14{,}000}{\$2{,}250} \approx 6{,}2

graph LR
    subgraph Economics["Затраты-выгода: проверка юридических документов"]
        H["Команда людей<br/>40 часов<br/>$14 000<br/>5 рабочих дней"]
        AI["GPT-5.6<br/>100 API-вызовов<br/>$2 250<br/>15 минут"]
        Savings["Экономия:<br/>84%<br/>Ускорение:<br/>160×"]
        
        H ---|"vs"| AI
        AI ---|"результат"| Savings
    end
    
    style H fill:#5c2a2a,stroke:#e94560,stroke-width:2px,color:#fff
    style AI fill:#0f3460,stroke:#10a37f,stroke-width:3px,color:#fff
    style Savings fill:#1a472a,stroke:#4ade80,stroke-width:2px,color:#fff
    style Economics fill:#0a0a0a,stroke:#444,color:#fff

6. Влияние на экосистему: что меняется навсегда

6.1 Векторы disruption в индустрии

graph TD
    subgraph Impact["Карта disruption экосистемы GPT-5.6"]
        Core["GPT-5.6<br/>Контекстное окно 1,5M"]
        
        Legal["Юридические технологии"]
        Bio["Поиск лекарств"]
        SWE["Разработка ПО"]
        Intel["Анализ разведданных"]
        Finance["Финансовый анализ"]
        Creative["Креативные индустрии"]
        
        Core --> Legal
        Core --> Bio
        Core --> SWE
        Core --> Intel
        Core --> Finance
        Core --> Creative
        
        Legal -->|"Полный анализ истории дел"| L1["Проверка контрактов:<br/>-80% времени"]
        Bio -->|"Интеграция мульти-омикс"| B1["Анализ метаболических путей:<br/>ранее невозможен"]
        SWE -->|"Контекст всей кодовой базы"| S1["Рефакторинг:<br/>осведомлённость между репо"]
        Intel -->|"Десятилетие сигналов"| I1["Обнаружение паттернов:<br/>на уровне человека"]
        Finance -->|"Полная история рынка"| F1["Моделирование рисков:<br/>беспрецедентная детализация"]
        Creative -->|"Полные нарративные арки"| C1["Генерация библии сериала:<br/>консистентность 100+ эпизодов"]
    end
    
    style Core fill:#10a37f,stroke:#fff,stroke-width:3px,color:#000
    style Legal fill:#1a1a2e,stroke:#d4a574,stroke-width:2px,color:#fff
    style Bio fill:#1a1a2e,stroke:#e94560,stroke-width:2px,color:#fff
    style SWE fill:#1a1a2e,stroke:#4285f4,stroke-width:2px,color:#fff
    style Intel fill:#1a1a2e,stroke:#f0a500,stroke-width:2px,color:#fff
    style Finance fill:#1a1a2e,stroke:#4ade80,stroke-width:2px,color:#fff
    style Creative fill:#1a1a2e,stroke:#a855f7,stroke-width:2px,color:#fff
    style Impact fill:#0a0a0a,stroke:#444,color:#fff

6.2 Контекстно-ориентированные приложения

GPT-5.6 позволяет создавать приложения, изначально спроектированные исходя из того, что модель уже видела всё:

Парадигма	Эпоха до 5.6	Эпоха после 5.6
Архитектура памяти	RAG + векторная БД + чанкинг	Единый контекст, без извлечения
Состояние приложения	Суммаризированное, с потерями	Полное, дословное
Онбординг пользователя	Формы, туториалы	«Просто говори, я знаю твою историю»
Многосессионное рассуждение	Конечные автоматы	Непрерывный, неразрывный нарратив
Отладка	Логи, breadcrumbs	Полный трейс выполнения в контексте

Формула сложности смещается:

\text{Сложность приложения}_{\text{до 5.6}} \propto \frac{\text{Объём данных}}{\text{Размер контекста}} + \text{RAG-инфраструктура}

\text{Сложность приложения}_{\text{после 5.6}} \propto \text{Качество промпта}

graph LR
    subgraph ParadigmShift["Смена парадигмы: архитектура приложений"]
        direction TB
        
        Old["СТАРОЕ: RAG-центричное<br/>Запрос → Эмбеддинг → Векторный поиск →<br/>Top-K → Ре-ранжирование → Сборка контекста →<br/>LLM → Ответ<br/>Задержка: 2-5с | Точность: ~85%"]
        
        New["НОВОЕ: Контекстно-ориентированное<br/>Запрос → [Всё в контексте] →<br/>LLM → Ответ<br/>Задержка: 0,5-1с | Точность: ~97%"]
        
        Old ---|"GPT-5.6 устраняет<br/>узкое место извлечения"| New
    end
    
    style Old fill:#5c2a2a,stroke:#e94560,stroke-width:2px,color:#fff
    style New fill:#1a472a,stroke:#4ade80,stroke-width:3px,color:#fff
    style ParadigmShift fill:#0a0a0a,stroke:#444,color:#fff

7. Стратегический контекст: почему сейчас?

7.1 Конкурентная позиция

quadrantChart
    title Конкурентная позиция: контекстное окно vs. привязка к экосистеме (июнь 2026)
    x-axis Низкая привязка к экосистеме --> Высокая привязка к экосистеме
    y-axis Малое контекстное окно --> Большое контекстное окно
    quadrant-1 Претенденты (Большой контекст, Слабая привязка)
    quadrant-2 Лидеры (Большой контекст, Сильная привязка)
    quadrant-3 Нишевые игроки (Малый контекст, Слабая привязка)
    quadrant-4 Стражи платформ (Малый контекст, Сильная привязка)
    OpenAI: [0.85, 0.75]
    Anthropic: [0.65, 0.60]
    Google: [0.90, 0.85]
    xAI: [0.40, 0.55]
    Meta: [0.70, 0.20]
    Mistral: [0.25, 0.45]

OpenAI находится в квадранте Лидеров. Google на позиции [0,90, 0,85] — самая серьёзная угроза: Gemini 3.5 Pro на 2M токенов плюс контроль над Search, Workspace и Android.

7.2 Война капиталов

Раунд Anthropic на $30B+ при оценке $900B (превышающей $852B OpenAI) показывает: инвесторы рассматривают это как рынок, где победитель получает почти всё. Общий объём капитала в ИИ за 2026: ~$287 миллиардов.

Лаборатория	Капитальные/операционные расходы 2026 (оценка)	Основной фокус
Microsoft/OpenAI	$65B	Вычислительные мощности, дата-центры
Google DeepMind	$58B	Кластеры TPU v6, Gemini
Meta AI	$42B	Экосистема Llama, открытые веса
Anthropic	$35B	Constitutional AI, безопасность
xAI	$18B	Обучение Grok, Colossus
Amazon	$42B	Inferentia3, Trainium2, Bedrock
NVIDIA (косвенно)	$27B	Цепочка поставок H200/B200

pie title Распределение капитала в ИИ-инфраструктуру 2026 ($287B)
    "Microsoft/OpenAI" : 65
    "Google DeepMind" : 58
    "Meta AI" : 42
    "Anthropic" : 35
    "xAI" : 18
    "Amazon" : 42
    "Прочие" : 27

7.3 Геополитическое измерение

Гонка контекстных окон — не только коммерция. Сообщения об ограничениях Китая на поездки ИИ-исследователей отражают признание: модели масштаба контекстного окна дают стратегическое преимущество:

A_{context} = W \times Q \times D

Страны с превосходящим $A_{context}$ получают преимущества в экономической разведке, научных исследованиях, кибербезопасности и военном планировании.

8. Дорога к 10M токенов

8.1 Прогнозируемый график

Траектория экспоненциального роста:

W(t) = W_0 \cdot e^{kt}

Подгонка: $k \approx 1{,}07 \text{ год}^{-1}$

t_{10M} = \frac{\ln(10{,}000{,}000 / 128{,}000)}{1{,}07} \approx \mathbf{3{,}8 \text{ лет}} \Rightarrow \text{Конец 2027}

timeline
    title Прогноз вех контекстного окна
    2024 Q2 : GPT-4 : 128K токенов
    2024 Q4 : GPT-4.5 : 256K токенов
    2025 Q2 : GPT-5 : 512K токенов
    2025 Q4 : GPT-5.5 : 1,05M токенов
    2026 Q2 : GPT-5.6 : 1,5M токенов
    2026 Q4 : GPT-6 (прогноз) : 3-4M токенов
    2027 Q2 : GPT-6.5 (прогноз) : 6-8M токенов
    2027 Q4 : GPT-7 (прогноз) : 10M+ токенов

8.2 Жёсткие ограничения

Ограничение	Описание	Потенциальное решение
Стенка памяти	HBM растёт ~1,4×/год	Дезагрегированная память (CXL), 3D-стекинг
Бутылочное горлышко внимания	Субквадратичные методы напрягаются при >10M	Линейное внимание (linear attention), модели пространства состояний
Ограничение по энергии	Доступность энергии для дата-центров	Ядерные SMR, распределение на периферию
Дефицит данных	Высококачественные длинные обучающие данные	Синтетическая генерация, мультимодальное слияние

graph TD
    subgraph Limits["Барьер 10M токенов"]
        M["Стенка памяти<br/>HBM: макс. 192 ГБ (2026)<br/>10M токенов = 84 ТБ KV-кеш"]
        A["Бутылочное горлышко внимания<br/>O(n log n) дорого при n=10M<br/>Задержка инференса ×50"]
        P["Ограничение по энергии<br/>1 запрос = 500 кВт·ч<br/>$50/запрос на энергию"]
        D["Дефицит данных<br/>Мало когерентных документов<br/>длиной 10M токенов"]
        
        M -->|"CXL 3.0<br/>Дезагрегированная память"| M1["2 ТБ+ при ~100 нс"]
        A -->|"Линейное внимание<br/>+ MoD"| A1["Масштабирование O(n)"]
        P -->|"Ядерные SMR<br/>+ Периферия"| P1["$0,02/кВт·ч"]
        D -->|"Синтетическая<br/>длинноформатная генерация"| D1["Корпусы, сгенерированные LLM"]
    end
    
    style M fill:#5c2a2a,stroke:#e94560,stroke-width:2px,color:#fff
    style A fill:#5c2a2a,stroke:#e94560,stroke-width:2px,color:#fff
    style P fill:#5c2a2a,stroke:#e94560,stroke-width:2px,color:#fff
    style D fill:#5c2a2a,stroke:#e94560,stroke-width:2px,color:#fff
    style M1 fill:#1a472a,stroke:#4ade80,stroke-width:2px,color:#fff
    style A1 fill:#1a472a,stroke:#4ade80,stroke-width:2px,color:#fff
    style P1 fill:#1a472a,stroke:#4ade80,stroke-width:2px,color:#fff
    style D1 fill:#1a472a,stroke:#4ade80,stroke-width:2px,color:#fff
    style Limits fill:#0a0a0a,stroke:#444,color:#fff

9. Контекст — это компьютер

Контекстное окно GPT-5.6 на 1,5M токенов — не просто прирост спецификаций. Это смена парадигмы. Переход от RAG-архитектур к контекстно-ориентированным приложениям столь же фундаментален, как переход от пакетной обработки к интерактивным вычислениям.

Июньская волна 2026 — Claude Sonnet 4.8, Gemini 3.5 Pro, Grok 5, публичный rollout GPT-5.6 — отмечает момент, когда «длинный контекст» становится просто «контекстом». Приложения-победители будут исходить из того, что модель помнит всё.

С оценкой Anthropic в $900B и Google, продвигающей окна на 2M токенов, кристаллизуется одна истина: контекстное окно — это новая тактовая частота. Закон Мура определял 50 лет прогресса вычислений. Расширение контекстного окна определяет следующую эпоху.

Гонка к 10 миллионам токенов — не вопрос «если». Только «когда».

\boxed{\text{Контекст} \times \text{Качество} \times \text{Масштаб} = \text{Интеллект}}

Приложение A: Ключевые спецификации

Параметр	GPT-5.5	GPT-5.6	Изменение
Контекстное окно	1 050 000	1 500 000	+43%
Кодовое имя	—	iris-alpha	—
Архитектура	Плотный трансформер	Иерархическое внимание	Новое
Эффективное использование	~92%	~94%	+2 п.п.
KV-кеш (оптимизированный)	~140 ГБ	~180 ГБ	+29%
Задержка инференса (1,5M)	Н/Д	~8 с	Базовый уровень
Вычислительные затраты на обучение	~$120M	~$180M	+50%
Цена API (вход)	$12/1M	$15/1M	+25%

Последнее обновление: 28 мая 2026. Анализ основан на публичных логах API, технической документации и верифицированных отраслевых отчётах. Ценовые оценки являются extrapolation на основе опубликованных корпоративных тарифов.

GPT-5.6 и война за миллион токенов: гонка контекстных окон 2026 года — взгляд изнутри