Medium vagy Max?

Ha ugyanazon a modellen a Medium helyett Maxra kapcsolunk, nem új tudást vásárolunk. Több belső munkát engedünk neki a válasz előtt. Ez segíthet egy összetett feladatnál, de egyszerű munkánál előfordulhat, hogy csak tovább várunk és többet fizetünk.

Ebben a sorozatban már tisztáztuk, miért különböznek a modellek. Most azt nézzük meg, mit változtat a gondolkodási fokozat, mennyibe kerülhet, és mit mutatnak a mérések. Az árak és források ellenőrzése: 2026. október 9.

Mit jelent a Low, Medium, High, Max és Ultra?

A gondolkodási fokozat a válasz előtti belső feladatmegoldó feldolgozás keretét befolyásolja. A modell például több lehetséges megoldást vizsgálhat meg vagy több lépést ellenőrizhet. Nem minden fokozat érhető el minden modellen és felületen; az angol megnevezések is eltérhetnek.

Keskeny képernyőn a táblázat oldalra húzható.

Kap ilyenkor több tudást vagy nagyobb memóriát?

Nem tanítják újra a modellt attól, hogy feljebb állítjuk a fokozatot. Nem frissül a tudáslezárása, és nem lesz automatikusan nagyobb a kontextusablaka sem. A kontextusablak az adott feladatnál használható beszélgetés és dokumentumanyag befogadási korlátja.

A belső munkához a rendszer gondolkodási tokeneket használhat. A token a feldolgozott szöveg egyik kis egysége; nem azonos a szóval. Ezek a belső tokenek általában nem látszanak a végső válaszban, de az API-ban a kimeneti fogyasztás részei, és a kontextus keretét is használják. Ezért két hasonló hosszúságú válasz mögött eltérő fogyasztás lehet.

Mennyivel nő a fogyasztás? Erre nincs egyetlen szorzó

A gyártó nem ad olyan általános táblázatot, amely szerint a Low → High vagy a Medium → Max váltás mindig pontosan kétszer vagy háromszor annyi kreditet használ. A feladat nehézsége, a beszélgetés hossza, a használt eszközök és a modell is befolyásolják a tényleges munkát. A belső keretek teljes, minden feladatra érvényes méretét sem közli.

Ez nem fogalmazási bizonytalanság: ilyen általános adatot nem tett közzé. Konkrét mérésből viszont láthatjuk, hogy egy adott feladatcsoportnál mekkora idő- és költségkülönbség jelentkezett.

Mit kaptak a tesztekben a több gondolkodásért?

A ModelDial a GPT-6.1 Sol több fokozatát vizsgálta. Feladatai programozást, webes felületkészítést és tudáskérdéseket is tartalmaznak. Az alábbi adatok a 2026. szeptember 30-i tesztek október 8-án elérhető eredményei; nem általános sikerszázalékok és nem magyar felhasználói felmérés.

Keskeny képernyőn a táblázat oldalra húzható.

Itt a Max a Mediumhoz képest 6,3 ponttal jobb eredményt adott, körülbelül 20%-kal magasabb becsült költséggel, több mint kétszer annyi idő alatt. Az xhigh ugyanakkor rosszabb pontszámot kapott a Highnál, és tovább is tartott. Vagyis ebben a mérésben sem javult minden újabb fokozattal egyenletesen az eredmény.

Az összesített pontszám többféle feladat súlyozott eredménye; nem azt jelenti, hogy a modell a kérdések 93,8%-át hibátlanul oldotta meg. A költség a teszt készítőjének API-árakból számított összehasonlítása, nem az olvasó előfizetéséből levonandó összeg.

Egy másik mérés, a ToneBench angol YouTube-forgatókönyvek megírását vizsgálja. Tíz feladaton, többszöri futással és automatizált értékeléssel nézi, mennyire követik a modellek a szerző stílusát és követelményeit. Ez nem magyar cikkírási teszt.

Keskeny képernyőn a táblázat oldalra húzható.

A pontszám itt csak 0,4-del nőtt, miközben a becsült költség 3,56-szorosára, az idő körülbelül 5,7-szeresére emelkedett. Ez a kis pontkülönbség önmagában nem indokol általános Max-ajánlást szövegíráshoz. A rangsor bizonytalansági tartományai is átfednek: a mérés alapján nem mondhatjuk biztosan, hogy újabb hasonló szövegeknél is megmaradna az előny. Ez az átfedés nem bizonyítja azt sem, hogy a két beállítás azonos minőségű.

Lehet hátrány a túl sok gondolkodás?

Igen. Ha ugyanazt az elfogadható eredményt lassabban és drágábban kapjuk, az már hátrány. Rosszabb is lehet a válasz: a modell egy egyszerű feladatot túlbonyolíthat, irreleváns részleteket kezdhet vizsgálni, vagy szükségtelen módosításokat javasolhat.

Az Inverse Scaling in Test-Time Compute című kutatás bizonyos célzott feladatoknál azt találta, hogy a hosszabb belső feldolgozás mellett romlott a pontosság. Ez korábbi modelleken készült vizsgálat, nem közvetlen GPT-6.1 teszt. Arra bizonyíték, hogy a több számítás nem minden feladatban jelent automatikus javulást; arra nem, hogy a Max általában rosszabb.

Előfizetési keret, kredit és API-díj: ne keverjük össze

Az előfizetéses használati keret a csomagunkhoz tartozó korlát. A kijelzett százalék egy adott időablak fogyasztását mutatja. Nem a bankszámlánk és nem az egész feladatra számított forintköltség.

A megvásárolt kredit külön egyenleg, amelyből a támogatott használat díja levonható. Az API a saját programból történő használat; ott az API díjtáblája szerinti fizetés érvényes. Az egyik felületen látott dollárárból nem számíthatjuk ki automatikusan a másik felületen látható heti százalékot.

Az alábbi példa minden modellnél ugyanannyi feldolgozott bemenetet és ugyanannyi teljes kimenetet használ: 10 000 bemeneti és 2 000 kimeneti tokent. A kimenetbe a belső gondolkodási tokeneket is bele kell számolni. Standard feldolgozás, kedvezményes gyorsítótár-használat és külön eszközdíj nélkül számolunk.

Keskeny képernyőn a táblázat oldalra húzható.

Ez azonos tokenmennyiség ára, nem annak ígérete, hogy ugyanazt a feladatot mind a négy modell ennyiért oldja meg. Egy modell több vagy kevesebb belső munkával, eszközhívással és ismétléssel dolgozhat. A magyarországi forintköltséghez az aktuális árfolyam és az adott számlázás feltételei is számítanak; ezért nem adunk itt állandónak látszó forintárat.

A Fast mód külön sebességválasztás, nem a magasabb gondolkodási fokozat másik neve. A jelenlegi Work/Codex díjleírás szerint a megvásárolt kredites Standard díjhoz képest kétszeres díjjal, az előfizetéses használati keretben 2,5-szeres szorzóval jár. Ezek kifejezett díjazási szabályok; nem a Low → Max váltás általános szorzói.

Mikor érdemes Mediumon maradni, és mikor lehet jó a Max?

A mérések alapján nincs minden munkára jó, egyetlen fokozat. A vegyes, nehezebb ModelDial-feladatoknál a Max látható pontelőnyt adott. A ToneBench szövegeinél viszont a kis előnyhez jóval több idő és becsült költség társult.

Ebből az következik, hogy egy jól körülírt, egyszerű szerkesztésnél nem érdemes pusztán a név miatt a legerősebb beállítást választani. Több egymásra épülő következtetésnél vagy összetett fejlesztésnél a nagyobb munkakeretnek több értelme lehet. Fontos dokumentumnál egyik fokozat sem váltja ki az emberi ellenőrzést; a hozzáférést, az adatvédelmet és a szolgáltatótól való függést is mérlegelnünk kell.