Röviden: 2026-ban az olcsó worker AI-modell nem feltétlenül egyetlen konkrét márkanév. A jó választás egy kis vagy közepes modellből álló munkaréteg, amelyhez egy router szabály alapján rendel feladatot, a nehéz eseteket pedig erősebb modellhez vagy emberhez továbbítja. A teljes költséget a hibák, az újrapróbálkozások, az eszközhívások és az ellenőrzési idő is meghatározza.
OpenAI Luna vagy Terra: melyik worker-réteg illik a feladathoz?
Az OpenAI hivatalos modelloldalai alapján a költségtudatos worker-routing jó kiindulópontja a GPT-5.6 Luna és a GPT-5.6 Terra. A közzétett árakat mindig ellenőrizd a fejlesztői dokumentációban, mert a szolgáltatói díjak, limitek és elérhetőségek változhatnak.
| Modell | Bemenet / 1M token | Cache-elt bemenet / 1M | Kimenet / 1M token | Kontextus | Effort |
|---|---|---|---|---|---|
| GPT-5.6 Luna | $0.20 | $0.02 | $1.20 | 1.05M token | max |
| GPT-5.6 Terra | $2.00 | $0.20 | $12.00 | 1.05M token | max |
Egyszerű workerhez Luna: rövid osztályozás, mezők kinyerése, címkézés, összefoglaló vagy előre definiált JSON-kimenet esetén a Luna alacsony ára és nagy kontextusa jó alap. Összetett workerhez Terra: több lépéses eszközhasználat, hosszú dokumentumok közötti egyeztetés, nehéz strukturált döntés vagy magasabb pontossági igény esetén a Terra lehet indokolt. Ha a validáció sikertelen, a források ellentmondanak, vagy a kockázat magas, eszkalálj erősebb modellhez vagy emberhez; ne próbáld a workerrel mindenáron lezárni a feladatot.
A táblázat listaárakat mutat, nem teljes feladattár-költséget. Mérd a kimeneti tokeneket, a cache-találatokat, az újrapróbálkozást, az eszközhívásokat és az emberi ellenőrzést is. A Luna és Terra szerepe így nem merev rangsor, hanem mérhető routing-szabály.
Frissítve: 2026. szeptember 8. A „melyik a legolcsóbb AI-modell?” kérdés önmagában félrevezető. Egy tömegesen futó címkéző, kivonatoló vagy adatkinyerő feladatnál a tokenár számít, de ugyanilyen fontos a válasz hossza, a hibaarány, a késleltetés, a párhuzamosíthatóság és az, hogy kell-e embernek javítania az eredményt. Egy olcsó modell, amely gyakran téveszt, a végén drágább lehet a kevesebb hibát okozó, kicsit nagyobb modellnél.
Az alábbi útmutató ezért nem pillanatnyi árlistát vagy rangsort ad. A szolgáltatók modellnevei és díjai gyorsan változnak, a csomagok, a batch-feldolgozás és a gyorsítótár kedvezményei pedig eltérhetnek. A döntéshez mindig az adott szolgáltató hivatalos modell- és árlistáját, valamint a saját feladataidon végzett próbát használd.
Mit jelent az, hogy worker modell?
A worker az AI-rendszer végrehajtó munkása: egy jól körülhatárolt részfeladatot kap, strukturált választ ad, és nem feltétlenül ő hozza meg a végső üzleti döntést. Ilyen feladat a dokumentumok osztályozása, mezők kinyerése, rövid összefoglaló készítése, címke vagy válaszvázlat generálása, illetve egy eszköz meghívásának előkészítése.
Ez különbözik a fő ügynöktől. A fő ügynök tervezi a munkát, kezeli a bizonytalanságot, dönt a következő lépésről és szükség esetén eszkalál. A workernek ezzel szemben érdemes szűk feladatot, rövid kimeneti sémát, alacsonyabb kreativitást és meghatározott hibakezelést adni. Ettől olcsóbban, gyorsabban és kiszámíthatóbban skálázható.
Ha weboldalra kerül AI-funkció, először a használati esetet és a felelősségi határt tisztázd. Az AI-chatbot weboldalra szóló döntési útmutató segít megkülönböztetni a valódi ügyfélszolgálati értéket a puszta látványelemtől.
Melyik modellréteg mire való?
A gyakorlatban négy réteggel érdemes tervezni. Ezek nem hivatalos termékkategóriák, hanem költség- és képességalapú szerepek:
| Réteg | Jó feladat | Mire figyelj? |
|---|---|---|
| Mini / nano worker | Egyszerű osztályozás, rövid kivonat, formátum-ellenőrzés, ismétlődő címkézés | Rövid prompt, zárt séma és mintavételes minőségellenőrzés kell |
| Középkategóriás worker | RAG-válasz vázlata, több mezős adatkinyerés, többnyelvű szöveg, eszközparaméterek előállítása | Jól kezeli az összetettebb utasítást, de még ne kapjon korlátlan jogosultságot |
| Erősebb ellenőrző / planner | Bizonytalan esetek, hosszabb érvelés, több eszköz összehangolása, végső szerkesztés | Csak routing alapján kapjon munkát, különben a költség gyorsan nő |
| Helyi vagy nyílt súlyú modell | Adatvédelmi érzékenység, offline előfeldolgozás, nagy mennyiségű egyszerű feladat | A hardver, üzemeltetés, frissítés és minőségbiztosítás is költség |
A kis modell akkor jó, ha a feladatnak van ellenőrizhető kimenete. Például egy számla „dátum–összeg–számlaszám” mezőinek kinyerését könnyebb automatikusan validálni, mint egy jogi állásfoglalást. Magas kockázatú, érzékeny vagy ügyfélnek közvetlenül kiküldött válasznál állíts be erősebb ellenőrzést és emberi jóváhagyást.
A routing fontosabb, mint az egyetlen „legjobb” modell
A modellrouting azt jelenti, hogy nem minden kérés ugyanahhoz a modellhez kerül. A szabály lehet egyszerű döntési fa, pontszám-alapú osztályozó vagy egy kis router-modell. A lényeg, hogy a szabály előre meghatározható és utólag mérhető legyen.
- Egyszerű út: rövid, strukturált és alacsony kockázatú feladat megy a mini workerhez.
- Közepes út: hosszabb dokumentum, több mező vagy több nyelv középkategóriás workerhez kerül.
- Ellenőrzési út: bizonytalan eredmény, tiltott adat, ellentmondó forrás vagy sikertelen validáció erősebb modellhez vagy emberhez kerül.
A router ne csak a kérdés hosszát nézze. Hasznos jel a kockázati szint, a dokumentum típusa, a források száma, a korábbi hibák, a kívánt válaszformátum és az SLA. A kimenetben mindig maradjon meg a modellazonosító, a routing-indok, a tokenhasználat, a késleltetés és a validáció eredménye. Ezek nélkül nem fogod látni, miért lett egy folyamat drága vagy bizonytalan.
A routing különösen jól illeszkedik a professzionális modellek összehasonlításához: a nagyobb modellnek nem kell minden apró munkát átadni, de a saját tesztjeid alapján érdemes fenntartani számára az eszkalációs szerepet.
Hogyan mérd az egy feladatra jutó valódi költséget?
A „tokenár × tokenek” csak az első becslés. Tarts feladatszintű naplót legalább az alábbi adatokkal:
- bemeneti és kimeneti tokenek, valamint a cache-találat;
- modell, reasoning- vagy effort-szint és szolgáltatási mód;
- eszközhívások, böngészés, újrapróbálkozás és időtúllépés;
- helyes, hiányos, formailag hibás és ember által javított válaszok;
- átlagos és p95 késleltetés;
- egy elfogadott kimenetre jutó teljes költség.
Az utolsó mérőszám a legfontosabb: elfogadott kimenet költsége = modell- és infrastruktúraköltség + újrapróbálkozás + emberi javítás becsült költsége. Egy olcsó worker lehet jó, ha a validáció olcsó és kevés a hiba. Ugyanez a modell rossz választás lehet, ha minden ötödik válasz kézi javítást igényel.
A saját tesztkészleted legyen legalább 20–50 valódi, anonimizált feladat. Rögzítsd előre az elfogadható választ, a maximális költséget, a hibakategóriákat és azt, hogy mi számít eszkalációnak. A nyilvános benchmarkok tájékozódási pontok, de nem helyettesítik a saját munkafolyamaton végzett mérést.
Hat módszer a worker-rendszer olcsóbbá tételére
- Rövidítsd a kontextust. A worker csak a feladathoz szükséges mezőket és releváns részletet kapja meg. A teljes beszélgetés automatikus továbbadása gyakran felesleges.
- Használj strukturált kimenetet. JSON-sémával könnyebb validálni, újrapróbálni és később másik modellre váltani.
- Cache-eld az ismétlődő részeket. Állandó szabályok, példák és rendszerutasítások esetén ellenőrizd a prompt cache lehetőségét, de számold bele a cache-írás és -olvasás feltételeit is.
- Batch-eld az elhalasztható munkát. Napi termékcímkézés vagy archívum-feldolgozás esetén a kötegelt futtatás kedvezőbb és könnyebben korlátozható lehet, mint az azonnali kérés.
- Állíts költségvédelmet. Legyen napi és havi keret, modellenkénti limit, maximális kimenethossz, timeout és circuit breaker. A limit ne némán dobja el a kérést: jelezze, hogy eszkaláció vagy későbbi feldolgozás következik.
- Válaszd le a bizalmas adatot. A személyes vagy üzletileg érzékeny adatokat csak a szükséges ideig és megfelelő jogosultság mellett add át. Helyi előfeldolgozás vagy maszkolás csökkentheti a kitettséget, de a helyi üzemeltetés költségeit is mérd.
A költségkontrollról nem elég csak számlát nézni. A Search Console generatív AI-riportjáról szóló útmutató a webes láthatóság mérésében segít, míg egy worker-rendszernél a modellnapló, a feladatszintű sikeresség és az üzleti konverzió együtt ad értelmezhető képet.
Gyakorlati induló architektúra kisvállalkozásnak
Egy kis csapatnak nem kell rögtön bonyolult multi-agent rendszert építenie. Kezdj három szolgálattal:
- Bejövő kérés és szabályok: ellenőrizd a jogosultságot, a személyes adatot, a feladattípust és a maximális költséget.
- Worker: a mini vagy középkategóriás modell adjon strukturált kimenetet, amelyet kódos validátor ellenőriz.
- Ellenőrző: hibás, bizonytalan vagy magas kockázatú eredmény esetén erősebb modell vagy ember kapja meg a feladatot.
Az első héten mérj, ne optimalizálj vakon. Készíts egy egyszerű táblázatot a feladattípusról, választott modellről, költségről, késleltetésről, elfogadási arányról és az eszkaláció okáról. A második héten csak azt a routing-szabályt változtasd, amelyről már van összehasonlítható adat. Így a megtakarítás nem az eredmény minőségének rejtett romlásából származik.
Tömeges AI-tartalomnál a minőség és az egyediség különösen fontos. A AI-val írt tartalom SEO-útmutatója arra figyelmeztet, hogy az olcsó generálás önmagában nem ad hasznos, indexelhető oldalt: kell szerkesztés, saját információ, ellenőrzött állítás és világos keresési szándék.
GYIK az olcsó worker modellekről
Mi a legolcsóbb AI-modell 2026-ban?
Nincs minden feladatra érvényes legolcsóbb modell. A szolgáltatók ára és modellkínálata változik, ráadásul a teljes költséget a hibaarány és az újrapróbálkozás is módosítja. A saját feladatkészleteden mért elfogadott kimenet költsége alapján dönts.
Elég egy mini vagy nano modell minden worker-feladatra?
Nem. Egyszerű, rövid és jól validálható munkára kiváló lehet, de hosszú, többforrásos, érzékeny vagy közvetlen ügyfélkommunikációs feladatnál szükség lehet középkategóriás workerre, erősebb ellenőrzőre vagy emberi jóváhagyásra.
Olcsóbb a helyi, nyílt súlyú modell?
Nem automatikusan. A tokenenkénti API-díj elmaradhat, de számolni kell a hardverrel, az árammal, a frissítéssel, a megfigyeléssel, a biztonsági javításokkal és a fejlesztői idővel. Helyi modell akkor lehet jó, ha az adatvédelem, az offline működés vagy a nagy és ismétlődő volumen valóban indokolja.
Mikor kell erősebb modellt használni?
Ha a mini worker nem tudja validáltan teljesíteni a feladatot, ellentmondó forrásokat kap, eszközöket kell több lépésben koordinálnia, vagy a hiba üzleti és jogi kockázata nagy. Ilyenkor routinggal eszkalálj, ne minden kérést automatikusan prémium modellen futtass.
Jelent-e indexelési előnyt, ha olcsó modellel írunk sok blogot?
Nem. A kereső nem a modell árát jutalmazza. A hasznos, egyedi, ellenőrzött és jól feltérképezhető tartalom számít; a tömeges, ismétlődő vagy ellenőrizetlen szöveg inkább minőségi kockázat. Az indexelési kérelem sem jelent garantált vagy azonnali felvételt.
Mi legyen az első mérés, ha most indul a rendszer?
Válassz 20–50 valós, anonimizált feladatot, rögzítsd az elfogadható kimenetet, majd hasonlíts össze két worker-réteget azonos prompttal és azonos validátorral. Mérd a helyességet, a költséget, a késleltetést, az újrapróbálást és a kézi javítás idejét.