Technische Spezifikationen von GPT-6 Luna
| Element | GPT-6 Luna |
|---|---|
| Modell-ID | gpt-6-luna |
| Anbieter | OpenAI |
| Kontextfenster | 1,050,000 Tokens |
| Maximale Ausgabe | 128,000 Tokens |
| Wissensstand | 18. Mai 2026 |
| Eingabe-Modalitäten | Text, Bild |
| Ausgabe-Modalität | Text |
| Reasoning-Aufwand | none, low, medium (default), high, xhigh, max |
| Funktionsaufrufe | Supported |
| Strukturierte Ausgaben | Supported |
| Fine-Tuning | Not supported |
| Responses-API-Tools | Web search, file search, image generation, code interpreter, hosted shell, apply patch, skills, computer use, MCP, tool search |
| Hauptendpunkte | Chat Completions, Responses, Batch and other listed OpenAI API endpoints |
Diese Spezifikationen stammen aus OpenAIs aktueller Dokumentation zum Modell GPT-6 Luna.
Was ist GPT-6 Luna?
GPT-6 Luna ist für Anwendungen konzipiert, bei denen eine große Anzahl von Modellaufrufen effizient verarbeitet werden muss. OpenAI beschreibt es als sein effizientestes Modell für fokussierte Aufgaben mit hohem Volumen, während die allgemeine GPT-6-Einordnung Luna für effiziente, wiederholbare Arbeit in großem Maßstab empfiehlt.
Hauptfunktionen von GPT-6 Luna
- Sehr großer Kontext: Das 1.05M-Token-Kontextfenster unterstützt lange Dokumente, große Codekontexte und mehrstufige Anwendungs-Workflows.
- Konfigurierbares Reasoning: Sechs reasoning-effort settings ermöglichen es Entwicklerinnen und Entwicklern, eine Balance zwischen Reasoning-Tiefe, Latenz und Tokenverbrauch zu finden.
mediumist die dokumentierte Standardeinstellung. - Multimodale Eingabe: Luna akzeptiert Text und Bilder, während die Modellausgabe Text ist. Audio und Video werden als Modellmodalitäten nicht unterstützt.
- Produktionstaugliche Tool-Nutzung: Die Responses API stellt u. a. web search, file search, code interpreter, hosted shell, computer use, MCP und tool search für Luna bereit.
- Strukturierte Anwendungsintegration: Funktionsaufrufe und strukturierte Ausgaben werden unterstützt, wodurch Luna sich für Klassifizierung, Extraktion, Routing, Automatisierung und andere maschinenlesbare Workflows eignet.
- Effiziente Wirtschaftlichkeit: OpenAI gibt Standardpreise von $0.10 pro 1M Eingabe-Token und $0.50 pro 1M Ausgabe-Token an, mit separaten Tarifen für zwischengespeicherte Eingaben, Long-Context-Anfragen, Batch/Flex und Fast mode.
Benchmark-Leistung von GPT-6 Luna
Die aktuelle öffentliche Modellseite von OpenAI bietet die Modellspezifikationen und Fähigkeiten, zeigt dort jedoch keine konventionelle Benchmark-Tabelle für Luna. Independent Artificial Analysis berichtet für die Konfiguration von GPT-6 Luna mit der höchsten Reasoning-Stufe einen Intelligence Index von 37, mit niedrigeren Werten für geringere Reasoning-Einstellungen; dabei handelt es sich um eine unabhängige Bewertung und nicht um einen von OpenAI veröffentlichten Benchmark.
Da Benchmark-Methodik und Reasoning-Einstellungen die Ergebnisse wesentlich beeinflussen, sollten diese Zahlen nicht als universelles Ranking verstanden werden.
GPT-6 Luna vs GPT-6 Sol vs GPT-6 Astra
| Modell | Positionierung durch OpenAI | Kontext | Max. Ausgabe | Reasoning |
|---|---|---|---|---|
| GPT-6 Astra | Anspruchsvollste End-to-End-Arbeiten | 1.05M | 128K | low–max |
| GPT-6 Sol | Komplexes Coding und agentische Workflows | 1.05M | 128K | none–max |
| GPT-6 Luna | Fokussierte Aufgaben mit hohem Volumen | 1.05M | 128K | none–max |
Der entscheidende Unterschied ist die Workload-Positionierung, nicht die Kontextgröße: Alle drei haben derzeit ein Kontextfenster von 1.05M Token und eine maximale Ausgabe von 128K. OpenAI beschreibt Astra als sein leistungsfähigstes Modell, Sol als das Modell für anspruchsvolles Reasoning und Luna als die effizienzorientierte Option für Arbeit mit hohem Volumen.
Repräsentative Anwendungsfälle
- Hochvolumige Klassifizierung und Extraktion — strukturierte Ausgaben und niedrige Kosten pro Token passen zu repetitiven Workloads.
- Kundensupport- und Chat-Systeme — Lunas Positionierung betont fokussierte, wiederholbare Aufrufe in großem Maßstab.
- Verarbeitung langer Dokumente — das 1.05M-Token-Kontextfenster kann ungewöhnlich große Quellensammlungen aufnehmen.
- Multimodale Dokument-Workflows — die Bildeingabe ermöglicht Anwendungen, die Text mit Screenshots, Diagrammen oder gescanntem Material kombinieren.
- Agentische Automatisierung — Responses-API-Tools wie file search, code interpreter, hosted shell, computer use, MCP und tool search unterstützen mehrstufige Workflows.
- Kostensensitive Programmierunterstützung — Luna unterstützt Reasoning, Funktionsaufrufe, strukturierte Ausgaben und coding-bezogene Tools, während Sol für anspruchsvollere Coding- und agentische Arbeit positioniert ist.
Einschränkungen
GPT-6 Luna unterstützt kein Fine-Tuning, und seine nativen Modellmodalitäten schließen Audio und Video aus. OpenAI dokumentiert außerdem einen wichtigen Endpunktunterschied: In Chat Completions erfordern Funktionsaufrufe für Luna, dass reasoning_effort auf none gesetzt ist; OpenAI empfiehlt die Responses API für integrierte Tools und Funktionsaufrufe.
So greifen Sie über CometAPI auf die GPT-6 Luna API zu
GPT-6 Luna ist für effiziente AI-Workloads mit hohem Volumen konzipiert. Wenn Sie über CometAPI auf GPT-6 Luna zugreifen möchten, ist das grundlegende Integrationsmuster unkompliziert: Erstellen Sie einen CometAPI-API-Schlüssel, konfigurieren Sie einen OpenAI-kompatiblen Client mit der CometAPI-Basis-URL und wählen Sie die Modell-ID gpt-6-luna, wenn das Modell für Ihr Konto freigeschaltet ist.
CometAPI bietet ein OpenAI-kompatibles API-Gateway, das es Entwicklerinnen und Entwicklern ermöglicht, vertraute OpenAI-SDKs zu verwenden und gleichzeitig über eine einzige API auf Modelle mehrerer Anbieter zuzugreifen.
Schritt 1: CometAPI-Konto erstellen
Registrieren Sie sich zunächst für ein CometAPI-Konto oder melden Sie sich an.
Öffnen Sie nach der Anmeldung im CometAPI-Dashboard den Bereich API-Schlüssel und erstellen Sie einen neuen API-Schlüssel. CometAPI gibt an, dass neu erstellte Schlüssel das Präfix sk- verwenden.
Bewahren Sie den API-Schlüssel serverseitig auf und speichern Sie ihn in einer Umgebungsvariable, statt ihn fest im Anwendungscode zu hinterlegen.
Schritt 2: CometAPI-Basis-URL konfigurieren
Die aktuelle OpenAI-kompatible Basis-URL von CometAPI lautet:
https://api.cometapi.com/v1
Das bedeutet, dass Anwendungen, die das OpenAI-Python- oder Node.js-SDK verwenden, in der Regel durch Ändern des API-Schlüssels und der base_url auf CometAPI umstellen können.
Schritt 3: GPT-6 Luna auswählen
Der Modellkatalog von CometAPI identifiziert GPT-6 Luna mit der Modell-ID:
gpt-6-luna
Prüfen Sie vor dem Einsatz in der Produktion, dass gpt-6-luna derzeit aktiviert ist und dass der Live-Katalog einen Endpunkt für Ihr Konto bereitstellt. Die aktuelle GPT-6-Luna-Vergleichsseite von CometAPI führt die Modell-ID auf, füllt jedoch derzeit die Felder für Endpunkt und Preise nicht aus.
Warum CometAPI für GPT-6 Luna verwenden?
Der Hauptvorteil ist eine einheitliche, OpenAI-kompatible Schnittstelle. Anstatt für jeden unterstützten Modellanbieter ein eigenes SDK und ein eigenes Authentifizierungssystem zu implementieren, können Entwicklerinnen und Entwickler die CometAPI-Basis-URL verwenden und beim Wechsel zwischen unterstützten Modellen den Wert von model anpassen. CometAPI wirbt derzeit mit dem Zugriff auf mehr als 500 Modelle über diesen Ansatz.
Das kann hilfreich sein, wenn eine Anwendung mit verschiedenen Modellen experimentieren, eine Multi-Modell-Architektur beibehalten oder zwischen Anbietern migrieren muss, ohne die gesamte API-Integration neu zu schreiben.