Kort fortalt
OpenAI udgav GPT-6 Sol og GPT-6 Luna den 22. september 2026 og udvidede GPT-6-familien ud over Astra. Sol er designet til kompleks kodning og agentbaserede arbejdsgange, mens Luna er målrettet fokuseret, gentageligt arbejde i stor skala. Begge accepterer tekst- og billedinput, genererer tekst, leverer et kontekstvindue på 1,050,000 tokens og understøtter APIs’ene Responses og Chat Completions. Den vigtigste forskel er arbejdsgangenes økonomi: Sol bruger mere pr. token for at håndtere krævende arbejde, mens Luna minimerer enhedsomkostningen for velafgrænsede opgaver.
For de fleste teams er udgangspunktet enkelt: brug Astra til det sværeste end-to-end arbejde, Sol når kapabilitet og omkostning skal afbalanceres, og Luna når opgaven er snæver nok til at kunne valideres automatisk. OpenAI-adgang er live for både Sol og Luna. CometAPI bør tjekkes separat, da gateway-tilgængelighed, kampagner og kontorutning kan afvige fra OpenAIs direkte lancering.
Vigtigste pointer
- GPT-6 Sol er det stærkeste udgangspunkt til krævende kode, multitrins-agenter, svær debugging og arbejdsgange, hvor fejl medfører betydelige review-omkostninger.
- GPT-6 Luna er designet til fokuserede, højvolumenopgaver såsom ekstraktion, klassificering, routing, strukturerede resumeer og første gennemløb af transformationer.
- Begge modeller har samme offentliggjorte kontekst- og outputloft, så kontekstlængde alene er ikke en grund til at vælge mellem dem.
- OpenAIs Standard short-context-priser er $2 input og $10 output pr. million tokens for Sol, mod $0.10 input og $0.50 output for Luna.
- Brug Responses API’et til værktøjsrig ræsonnering. I Chat Completions kræver funktionskald for Sol og Luna, at reasoning_effort er sat til none.
Hvad udgav OpenAI med GPT-6 Sol og Luna?
Lanceringen den 22. september tilføjer to billigere driftstrin til GPT-6-familien. GPT-6 Astra er fortsat den mest kapable mulighed til det sværeste end-to-end arbejde; Sol bringer stærk ræsonnering til krævende kode- og agentopgaver til en lavere token-sats; Luna er optimeret til fokuseret arbejde, der skal køre gentaget og økonomisk.
Dette er mere end en navneopdatering. OpenAIs API-ændringslog angiver de præcise model-ID’er gpt-6-sol og gpt-6-luna, med tekst- og billedinput, tekstoutput og tilgængelighed via både Responses og Chat Completions. Udviklere kan derfor teste modellerne med de samme repræsentative prompts og vælge et niveau baseret på accepteret-output-rate, latenstid, samlede tokens, retries og tid til menneskelig gennemgang—ikke kun tokenpris. Se OpenAI API-ændringsloggen og den officielle model-sammenligning.
Hvad er GPT-6 Sol?
GPT-6 Sol er OpenAIs GPT-6-model til kompleks kodning og agentbaserede arbejdsgange. Den er tiltænkt arbejde, der kræver vedvarende ræsonnering, værktøjsvalg og flere trin, inklusive repository-analyse, debugging og agentdrevne softwareændringer. Den officielle specifikation angiver tekst- og billedinput, tekstoutput, et kontekstvindue på 1,050,000 tokens, op til 128,000 outputtokens og ræsonneringsindsats fra none til max.
Sol er ikke bare “midtermodellen”. Dens økonomiske værdi afhænger af, om stærkere multitrins-ydelse reducerer retries, eskaleringer og review. Den er et godt standardvalg, når Lunas lavere enhedsomkostning ville blive opvejet af flere fejlede valideringer eller mere menneskelig intervention.
Hvad er GPT-6 Luna?
GPT-6 Luna er den effektivt fokuserede GPT-6-mulighed til velafgrænset arbejde, der gentages i høj volumen. Eksempler inkluderer ekstraktion, klassificering, skabelondrevne svar, support-triage og første gennemløb af resumeer, forudsat at output kontrolleres mod applikationens krav. Luna har det samme offentliggjorte kontekstloft på 1,050,000 tokens og outputloft på 128,000 tokens som Sol, med tekst- og billedinput samt tekstoutput.
Luna er mest overbevisende, når succes kan defineres klart og kontrolleres billigt. En lav token-sats giver ikke automatisk den laveste workflow-omkostning: teams bør medtage retries, afviste outputs, fejl nedstrøms og reviewer-tid i deres evaluering.
Hvordan forbedrede GPT-6 Sol og Luna ydeevnen?
Professionelle og kode-evalueringer
I OpenAIs offentliggjorte lanceringsevalueringer scorede Sol 33.2% på AutomationBench ved xhigh indsats med en anslået $0.27 omkostning pr. opgave; lav-indsats Astra scorede 30.3% i den sammenligning. Sol scorede 68.8% på DeepSWE v1.1 ved max indsats, mens Luna scorede 66.6% ved max indsats. AutomationBench tester arbejdsgange på tværs af applikationer; DeepSWE tester langhorisont-softwareingeniøropgaver. Disse tal stammer fra specifikke testindstillinger og etablerer ikke en universel rangordning for enhver prompt.
Den nyttige lære er ikke, at én benchmark udpeger en universel vinder. Det er, at den bedste model kan skifte med ræsonneringsindsats, værktøjsbrug og opgavedesign. Benchmark-indstillinger bør behandles som evidens til at danne en testplan, ikke som en erstatning for at evaluere produktionsprompter.
Computerbrug, faktualitet og begrænsninger
På OpenAIs OSWorld 2.0 offline-evaluering nåede Sol 60.5% ved xhigh indsats. OpenAI rapporterede også omtrent halvt så mange fejl for Sol som for dens GPT-5.6-forgænger på et internt sæt samtaler, der var udvalgt, fordi brugere havde påpeget faktuelle fejl. Det sæt er ikke repræsentativt for typisk trafik.
Til udrulning bør du evaluere de fejltilstande, der betyder noget for din applikation: forkert værktøjsvalg, ufuldstændig multitrins-udførelse, schema-fejl, faktuelle fejl, latenstid og omkostning pr. accepteret resultat. Et lille repræsentativt evalueringssæt er mere handlingsbart end en bred leaderboard-score.
Hvor meget koster GPT-6 Sol og Luna?
Den officielle OpenAI-prisoversigt adskiller Standard short-context og long-context-satser. Priser nedenfor er USD pr. én million tokens. En prompt med mere end 272,000 inputtokens bruger long-context-satser for hele requesten, ikke kun for den del over tærsklen.
| OpenAI Standard-pris / 1M tokens | GPT-6 Sol: short / long | GPT-6 Luna: short / long |
|---|---|---|
| Input | $2.00 / $4.00 | $0.10 / $0.20 |
| Cachet input | $0.20 / $0.40 | $0.01 / $0.02 |
| Cache-skrivninger | $2.50 / $5.00 | $0.125 / $0.25 |
| Output | $10.00 / $15.00 | $0.50 / $0.75 |
Batch, Flex, Fast mode og berettiget regional behandling har separate satser. Estimér omkostning baseret på servicetrin, fuld inputlængde, outputlængde, cache-adfærd, værktøjsgebyrer og retry-rate.
CometAPI-priser og tilgængelighedssnapshot
CometAPI angiver i øjeblikket både GPT-6 Luna og GPT-6 Sol til 20% under OpenAIs tilsvarende short-context Standard API-satser. For GPT-6 Luna opkræver CometAPI $0.08 pr. million inputtokens og $0.40 pr. million outputtokens, sammenlignet med OpenAIs $0.10/$0.50-satser. Kataloget angiver også rabatterede priser for cache-læsning og cache-skrivning med den samme 20% reduktion.
GPT-6 Sol modtager den samme 20% CometAPI-rabat. Dens short-context-sats er $1.60 pr. million inputtokens og $8.00 pr. million outputtokens, sammenlignet med OpenAIs $2/$10 Standard-priser. Dette gør Sol væsentligt dyrere end Luna pr. token, men de to modeller er målrettet forskellige workloads: Sol er designet til krævende kodning og agentiske arbejdsgange, mens Luna lægger vægt på effektiv, højvolumen inferens.
| CometAPI-model | Offentlig status | Short-context input / output | Fortolkning |
|---|---|---|---|
| GPT-6 Luna | Oplistet med 20% rabat | $0.08 / $0.40* | Input vises offentligt; output er den tilsvarende beregning med 20% rabat. Tjek dashboardet igen. |
| GPT-6 Sol | Oplistet med 20% rabat | $1.60 / $8.00* | Input vises offentligt; output er den tilsvarende beregning med 20% rabat. Tjek dashboardet igen. |
*Dateret snapshot og oplyst beregning, ikke en garanti for fremtidige priser eller kontoadgang. Se CometAPI-modelkataloget og prissiden.
GPT-6 Astra vs GPT-6 Sol vs GPT-6 Luna: hvordan bør udviklere vælge?
De tre modeller bør sammenlignes ud fra omkostningen ved en succesfuld workflow, ikke alene ud fra specifikationer. Astra tilbyder det højeste kapabilitetsloft, Sol balancerer stærk ræsonnering med en meget lavere token-sats, og Luna minimerer enhedsomkostningen for opgaver med klare grænser og validering.
| Model | Vælg den når | Driftsmæssig afvejning |
|---|---|---|
| GPT-6 Astra | Opgaven er det sværeste end-to-end arbejde: tvetydig, højkonsekvens, værktøjstung eller dyr at gennemgå. | Højeste tokenpris, men den kan reducere fejl nedstrøms og menneskelig intervention på de vanskeligste sager. |
| GPT-6 Sol | Du har brug for stærk kode- og agent-ydelse uden at betale Astra-satser for hver request. | Et stærkt standardvalg til krævende produktion; valider om dens ekstra kapabilitet reducerer retries nok til at retfærdiggøre dens pris over Luna. |
| GPT-6 Luna | Arbejdet er snævert, målbart, højvolumen og beskyttet af schemas, regler eller sampling. | Laveste enhedsomkostning, men svage opgivedefinitioner eller dårlig validering kan forvandle besparelser til review- og retry-omkostninger. |
Anbefalet ruteringsmønster: send rutinepræget, velafgrænset arbejde til Luna; route krævende sager til Sol; reserver Astra til opgaver, hvor kompleksitet, tvetydighed eller konsekvens gør det højere kapabilitetsloft værdifuldt. Eskaleringssignaler kan inkludere fejlet validering, værktøjskrav, lav selvtillid, usædvanligt lange prompts eller høj fejlkost.
Hvorfor er GPT-6 Terra ikke blevet udgivet?
OpenAI har ikke annonceret en GPT-6 Terra-model eller givet en begrundelse for dens fravær pr. 23. september 2026. Dets offentlige GPT-6-modelkatalog angiver Astra, Sol og Luna, og API-ændringsloggen annoncerer Sol og Luna uden et Terra-model-ID. Den tidligere GPT-5.6-generation inkluderede Terra, hvilket forklarer spørgsmålet, men fastlægger ikke en GPT-6-lanceringsplan.
Enhver forklaring baseret på prisning, sortimentsstrategi eller lanceringstidspunkt er analyse snarere end en OpenAI-udtalelse. Indtil OpenAI offentliggør en modelside eller meddelelse, er udgivelsesdato, specifikation, benchmark og pris for GPT-6 Terra ukendt.
Hvordan kan udviklere få adgang til og bruge GPT-6 Sol og Luna?
Brug OpenAI direkte
Begge model-ID’er er live i OpenAIs Responses- og Chat Completions-API’er. Brug Responses til ræsonnering med indbyggede værktøjer og funktionskald. Chat Completions understøtter almindelige requests, men funktionskald for Sol og Luna kræver, at reasoning_effort="none".
Brug CometAPI efter at have tjekket den live rute
CometAPI dokumenterer en OpenAI-kompatibel base-URL, så teams kan bruge OpenAI SDK’et med en CometAPI-nøgle. Det offentlige katalog understøtter i øjeblikket brug af Luna som det sikreste eksempel. Erstat kun gpt-6-sol efter, at din konto bekræfter, at Sol-ruten er aktiveret.
Hvis dit CometAPI-dashboard dokumenterer Responses- og chat-support for den valgte rute, så test det separat før udrulning. Log udbyder, rute, model-ID, reasoning-indstilling, latenstid, tokens, valideringsresultat og faktureret omkostning, så gateway-tests forbliver skelnelige fra OpenAI-direkte tests.
Konklusion
GPT-6 Sol og GPT-6 Luna udvider GPT-6-familien med to forskellige økonomier for workloads. Sol er bygget til kompleks kodning og agentiske arbejdsgange; Luna er designet til effektivt, fokuseret arbejde i skala. Astra er fortsat valget til de hårdeste end-to-end-opgaver. Da alle tre valg kan fremstå økonomiske under forskellige betingelser, er den rette sammenligning omkostning pr. accepteret resultat—ikke kontekstlængde eller tokenpris isoleret.
Start med et repræsentativt evalueringssæt. Mål kvalitet, latenstid, samlede tokens, retries, valideringsfejl og tid til menneskelig gennemgang. Brug OpenAIs offentliggjorte model-ID’er for direkte adgang, og verificér den live CometAPI-rute og kontoprisning, før du fremsætter gateway-specifikke tilgængelighedspåstande.