TL;DR
OpenAI hat am 22. September 2026 GPT-6 Sol und GPT-6 Luna veröffentlicht und damit die GPT-6-Familie über Astra hinaus erweitert. Sol ist für komplexes Codieren und agentische Workflows ausgelegt, während Luna auf fokussierte, wiederholbare Arbeiten in hohem Volumen abzielt. Beide akzeptieren Text- und Bildeingaben, generieren Text, bieten ein Kontextfenster von 1,050,000 Tokens und unterstützen die Responses- und Chat Completions APIs. Der Hauptunterschied liegt in der Arbeitsökonomie: Sol gibt pro Token mehr aus, um anspruchsvolle Aufgaben zu bewältigen, während Luna die Stückkosten für gut abgegrenzte Aufgaben minimiert.
Für die meisten Teams ist der praktische Ausgangspunkt einfach: Astra für die schwierigste End-to-End-Arbeit, Sol, wenn Fähigkeit und Kosten ausbalanciert werden müssen, und Luna, wenn die Aufgabe so eng definiert ist, dass sie automatisch validiert werden kann. Der OpenAI-Zugang ist für Sol und Luna live. CometAPI sollte separat geprüft werden, da Gateway-Verfügbarkeit, Aktionen und Konto-Routing vom direkten OpenAI-Release abweichen können.
Key Takeaways
- GPT-6 Sol ist der stärkere Ausgangspunkt für anspruchsvollen Code, mehrstufige Agenten, schwieriges Debugging und Workflows, bei denen Fehler erhebliche Review-Kosten verursachen.
- GPT-6 Luna ist für fokussierte, hochvolumige Aufgaben wie Extraktion, Klassifikation, Routing, strukturierte Zusammenfassungen und Ersttransformationen konzipiert.
- Beide Modelle haben dieselben veröffentlichten Kontext- und Ausgabelimits; die Kontextlänge allein ist daher kein Auswahlkriterium.
- OpenAIs Standardtarife für kurze Kontexte betragen $2 Input und $10 Output pro einer Million Tokens für Sol, gegenüber $0.10 Input und $0.50 Output für Luna.
- Verwenden Sie die Responses API für toolreiche Reasoning-Aufgaben. In Chat Completions erfordert Function Calling bei Sol und Luna, dass reasoning_effort auf none gesetzt ist.
What Did OpenAI Release With GPT-6 Sol and Luna?
Das Release vom 22. September fügt der GPT-6-Familie zwei kostengünstigere Betriebsebenen hinzu. GPT-6 Astra bleibt die leistungsfähigste Option für die schwierigste End-to-End-Arbeit; Sol bringt starkes Reasoning für anspruchsvolles Codieren und Agentenaufgaben zu einem niedrigeren Tokenpreis; Luna ist für fokussierte Arbeiten optimiert, die wiederholt und wirtschaftlich laufen müssen.
Dies ist mehr als ein Namensupdate. OpenAIs API Changelog listet die genauen Modell-IDs gpt-6-sol und gpt-6-luna, mit Text- und Bildeingabe, Textausgabe sowie Verfügbarkeit sowohl über Responses als auch über Chat Completions. Entwickler können die Modelle daher mit denselben repräsentativen Prompts testen und eine Stufe anhand von Akzeptanzrate, Latenz, Gesamttokens, Retries und Zeit für Human-Review auswählen—nicht allein anhand des Tokenpreises. Siehe den OpenAI API Changelog und den offiziellen Modellvergleich.
What Is GPT-6 Sol?
GPT-6 Sol ist OpenAIs GPT-6-Modell für komplexes Codieren und agentische Workflows. Es ist für Arbeiten gedacht, die anhaltendes Reasoning, Tool-Entscheidungen und mehrere Schritte erfordern, einschließlich Repository-Analyse, Debugging und agentengesteuerte Softwareänderungen. Die offizielle Spezifikation listet Text- und Bildeingabe, Textausgabe, ein Kontextfenster von 1,050,000 Tokens, bis zu 128,000 Ausgabetokens und einen Reasoning-Aufwand von none bis max.
Sol ist nicht einfach „das mittlere Modell“. Sein wirtschaftlicher Wert hängt davon ab, ob eine stärkere Mehrschritt-Performance Retries, Eskalationen und Reviews reduziert. Es ist eine gute Voreinstellung, wenn Lunas niedrigere Stückkosten durch mehr fehlgeschlagene Validierungen oder mehr menschliche Eingriffe übertroffen würden.
What Is GPT-6 Luna?
GPT-6 Luna ist die auf Effizienz fokussierte GPT-6-Option für gut abgegrenzte Arbeiten, die in hohem Volumen wiederholt werden. Beispiele sind Extraktion, Klassifikation, vorlagengetriebene Antworten, Support-Triage und Erstzusammenfassungen, vorausgesetzt, die Outputs werden gegen die Anforderungen der Anwendung geprüft. Luna hat dieselben veröffentlichten Kontext- (1,050,000 Tokens) und Ausgabelimits (128,000 Tokens) wie Sol, mit Text- und Bildeingabe und Textausgabe.
Luna ist am überzeugendsten, wenn Erfolg klar definiert und günstig überprüft werden kann. Ein niedriger Tokenpreis erzeugt nicht automatisch die niedrigsten Workflowkosten: Teams sollten Retries, abgelehnte Outputs, Downstream-Fehler und Reviewerzeit in ihre Bewertung einbeziehen.
How Did GPT-6 Sol and Luna Improve Performance?
Professional and coding evaluations
In OpenAIs veröffentlichten Launch-Evaluierungen erzielte Sol 33.2% auf AutomationBench bei xhigh effort mit geschätzten $0.27 Kosten pro Aufgabe; Astra mit niedrigem Aufwand erreichte im Vergleich 30.3%. Sol erzielte 68.8% auf DeepSWE v1.1 bei max effort, während Luna bei max effort 66.6% erreichte. AutomationBench testet Workflows über Anwendungen hinweg; DeepSWE testet langhorizontale Software-Engineering-Aufgaben. Diese Zahlen stammen aus spezifischen Testeinstellungen und stellen kein universelles Ranking für jeden Prompt dar.
Die nützliche Erkenntnis ist nicht, dass ein Benchmark einen universellen Gewinner ausruft. Es ist, dass das beste Modell sich mit Reasoning-Aufwand, Tool-Einsatz und Task-Design ändern kann. Benchmark-Einstellungen sollten als Evidenz zur Formulierung eines Testplans behandelt werden, nicht als Ersatz für die Evaluierung von Produktionsprompts.
Computer use, factuality, and limits
In OpenAIs OSWorld 2.0 Offline-Evaluation erreichte Sol 60.5% bei xhigh effort. OpenAI berichtete außerdem etwa halb so viele Fehler für Sol wie für seinen GPT-5.6-Vorgänger auf einem internen Satz von Konversationen, die ausgewählt wurden, weil Nutzer Faktfehler gemeldet hatten. Dieser Satz ist nicht repräsentativ für den typischen Traffic.
Für den Einsatz sollten die Fehlermodi evaluiert werden, die für Ihre Anwendung relevant sind: falsche Toolwahl, unvollständige Mehrschritt-Ausführung, Schemafehler, Faktfehler, Latenz und Kosten pro akzeptiertem Ergebnis. Ein kleiner, repräsentativer Evaluationssatz ist handlungsrelevanter als eine breite Bestenliste.
How Much Do GPT-6 Sol and Luna Cost?
Die offizielle OpenAI-Preistabelle trennt Standardtarife für kurze und lange Kontexte. Die Preise unten sind USD pro eine Million Tokens. Ein Prompt mit mehr als 272,000 Input-Tokens verwendet Langkontexttarife für die gesamte Anfrage, nicht nur für den Teil über der Schwelle.
| OpenAI Standard rate / 1M tokens | GPT-6 Sol: short / long | GPT-6 Luna: short / long |
|---|---|---|
| Input | $2.00 / $4.00 | $0.10 / $0.20 |
| Cached input | $0.20 / $0.40 | $0.01 / $0.02 |
| Cache writes | $2.50 / $5.00 | $0.125 / $0.25 |
| Output | $10.00 / $15.00 | $0.50 / $0.75 |
Batch, Flex, Fast Mode und berechtigte regionale Verarbeitung haben separate Tarife. Schätzen Sie die Kosten anhand der Service-Stufe, der vollen Input-Länge, der Output-Länge, des Cache-Verhaltens, der Tool-Gebühren und der Retry-Rate.
CometAPI pricing and availability snapshot
CometAPI listet derzeit sowohl GPT-6 Luna als auch GPT-6 Sol mit 20% unter den entsprechenden OpenAI Standardtarifen für kurze Kontexte. Für GPT-6 Luna berechnet CometAPI $0.08 pro einer Million Input-Tokens und $0.40 pro einer Million Output-Tokens, verglichen mit OpenAIs $0.10/$0.50. Der Katalog listet auch rabattierte Preise für Cache-Reads und Cache-Writes, mit derselben Reduktion um 20%.
GPT-6 Sol erhält den gleichen CometAPI-Rabatt von 20%. Sein Kurzkontexttarif beträgt $1.60 pro einer Million Input-Tokens und $8.00 pro einer Million Output-Tokens, verglichen mit OpenAIs Standardpreisen von $2/$10. Damit ist Sol pro Token deutlich teurer als Luna, aber die beiden Modelle zielen auf unterschiedliche Workloads: Sol ist für anspruchsvolles Codieren und agentische Workflows konzipiert, während Luna effiziente, hochvolumige Inferenz betont.
| CometAPI model | Public status | Short-context input / output | Interpretation |
|---|---|---|---|
| GPT-6 Luna | Listed with 20% off | $0.08 / $0.40* | Input wird öffentlich angezeigt; Output ist die entsprechende Berechnung mit 20% Rabatt. Dashboard prüfen. |
| GPT-6 Sol | Listed with 20% off | $1.60 / $8.00* | Input wird öffentlich angezeigt; Output ist die entsprechende Berechnung mit 20% Rabatt. Dashboard prüfen. |
*Datiertes Snapshot und offengelegte Berechnung, keine Garantie für zukünftige Preise oder Konto-Zugriff. Siehe den CometAPI Model-Katalog und die Preisseite.
GPT-6 Astra vs GPT-6 Sol vs GPT-6 Luna: How Should Developers Choose?
Die drei Modelle sollten anhand der Kosten eines erfolgreichen Workflows verglichen werden, nicht nur anhand der Spezifikationen. Astra bietet die höchste Fähigkeitsgrenze, Sol balanciert starkes Reasoning mit einem deutlich niedrigeren Tokenpreis aus, und Luna minimiert die Stückkosten für Aufgaben mit klaren Grenzen und Validierung.
| Model | Choose it when | Operating tradeoff |
|---|---|---|
| GPT-6 Astra | Die Aufgabe ist die schwierigste End-to-End-Arbeit: mehrdeutig, folgenschwer, toolintensiv oder teuer zu reviewen. | Höchster Tokenpreis, kann aber bei den schwierigsten Fällen Downstream-Fehler und menschliche Eingriffe reduzieren. |
| GPT-6 Sol | Sie benötigen starke Coding- und agentische Leistung, ohne für jede Anfrage Astra-Preise zu zahlen. | Eine starke Voreinstellung für anspruchsvolle Produktionsarbeit; validieren Sie, ob die zusätzliche Fähigkeit Retries genug reduziert, um ihre Mehrkosten gegenüber Luna zu rechtfertigen. |
| GPT-6 Luna | Die Arbeit ist eng gefasst, messbar, hochvolumig und durch Schemata, Regeln oder Sampling abgesichert. | Niedrigste Stückkosten, aber schwache Task-Definitionen oder schlechte Validierung können Einsparungen in Review- und Retry-Kosten umwandeln. |
Empfohlenes Routing-Muster: routinemäßige, gut abgegrenzte Arbeiten an Luna senden; anspruchsvolle Fälle an Sol routen; Astra für Aufgaben reservieren, bei denen Komplexität, Mehrdeutigkeit oder Konsequenz die höhere Fähigkeitsgrenze wertvoll macht. Eskalationssignale können fehlgeschlagene Validierungen, Tool-Anforderungen, geringe Konfidenz, ungewöhnlich lange Prompts oder hohe Fehlerkosten umfassen.
Why Has GPT-6 Terra Not Been Released?
OpenAI hat kein GPT-6 Terra-Modell angekündigt oder einen Grund für dessen Abwesenheit mit Stand 23. September 2026 genannt. Der öffentliche GPT-6-Modellkatalog listet Astra, Sol und Luna, und der API Changelog kündigt Sol und Luna ohne eine Terra-Modell-ID an. Die frühere GPT-5.6-Generation umfasste Terra, was die Frage erklärt, aber keinen GPT-6-Launch-Plan begründet.
Jede Erklärung, die auf Preisgestaltung, Portfolio-Strategie oder Veröffentlichungstiming basiert, ist Analyse und keine OpenAI-Aussage. Bis OpenAI eine Modellsseite oder Ankündigung veröffentlicht, bleiben Veröffentlichungsdatum, Spezifikation, Benchmark und Preis für GPT-6 Terra unbekannt.
How Can Developers Access and Use GPT-6 Sol and Luna?
Use OpenAI directly
Beide Modell-IDs sind in OpenAIs Responses- und Chat Completions APIs live. Verwenden Sie Responses für Reasoning mit integrierten Tools und Function Calling. Chat Completions unterstützt gewöhnliche Anfragen, aber Function Calling für Sol und Luna erfordert, dass reasoning_effort="none" gesetzt ist.
Use CometAPI after checking the live route
CometAPI dokumentiert eine OpenAI-kompatible Base-URL, sodass Teams das OpenAI SDK mit einem CometAPI-Schlüssel verwenden können. Der öffentliche Katalog unterstützt derzeit die Nutzung von Luna als sichereres Beispiel. Ersetzen Sie erst dann durch gpt-6-sol, wenn Ihr Konto bestätigt, dass die Sol-Route aktiviert ist.
Wenn Ihr CometAPI-Dashboard Responses und Chat-Support für die ausgewählte Route dokumentiert, testen Sie sie separat vor dem Rollout. Protokollieren Sie Anbieter, Route, Modell-ID, Reasoning-Einstellung, Latenz, Tokens, Validierungsergebnis und berechnete Kosten, damit Gateway-Tests von OpenAI-Direkttests unterscheidbar bleiben.
Conclusion
GPT-6 Sol und GPT-6 Luna erweitern die GPT-6-Familie mit zwei unterschiedlichen Arbeitsökonomien. Sol ist für komplexes Codieren und agentische Workflows gebaut; Luna ist für effiziente, fokussierte Arbeit im Maßstab ausgelegt. Astra bleibt die Option für die schwierigsten End-to-End-Aufgaben. Da alle drei Optionen unter unterschiedlichen Bedingungen wirtschaftlich sein können, ist der richtige Vergleich die Kosten pro akzeptiertem Ergebnis—nicht Kontextlänge oder Tokenpreis isoliert.
Beginnen Sie mit einem repräsentativen Evaluationssatz. Messen Sie Qualität, Latenz, Gesamttokens, Retries, Validierungsfehler und Zeit für Human-Review. Verwenden Sie OpenAIs veröffentlichte Modell-IDs für den direkten Zugriff und verifizieren Sie die Live-Route und Kontopreise von CometAPI, bevor Sie gateway-spezifische Verfügbarkeitsaussagen treffen.