TL;DR
OpenAI a publié GPT-6 Sol et GPT-6 Luna le 22 septembre 2026, étendant la famille GPT-6 au-delà d’Astra. Sol est conçu pour le codage complexe et les workflows agentiques, tandis que Luna vise un travail ciblé, répétable et à grand volume. Les deux acceptent des entrées texte et image, génèrent du texte, offrent une fenêtre de contexte de 1,050,000 jetons et prennent en charge les APIs Responses et Chat Completions. Leur principale différence réside dans l’économie des charges de travail : Sol dépense davantage par jeton pour gérer des travaux exigeants, tandis que Luna minimise le coût unitaire pour des tâches bien bornées.
Pour la plupart des équipes, le point de départ pratique est simple : utiliser Astra pour les travaux de bout en bout les plus difficiles, Sol lorsque capacité et coût doivent être équilibrés, et Luna lorsque la tâche est suffisamment étroite pour être validée automatiquement. L’accès OpenAI est actif pour Sol et Luna. CometAPI doit être vérifié séparément, car la disponibilité de la passerelle, les promotions et le routage de compte peuvent différer de la mise à disposition directe par OpenAI.
Points clés
- GPT-6 Sol est le meilleur point de départ pour du code exigeant, des agents multi-étapes, du débogage difficile et des workflows où l’échec entraîne des coûts de relecture substantiels.
- GPT-6 Luna est conçu pour des tâches ciblées et à grand volume telles que l’extraction, la classification, le routage, les résumés structurés et les transformations de premier passage.
- Les deux modèles ont les mêmes plafonds publiés de contexte et de sortie ; la longueur de contexte seule n’est donc pas un critère pour les départager.
- Les tarifs Standard d’OpenAI pour contexte court sont de $2 en entrée et $10 en sortie par million de jetons pour Sol, contre $0.10 en entrée et $0.50 en sortie pour Luna.
- Utilisez l’API Responses pour un raisonnement riche en outils. Dans Chat Completions, l’appel de fonctions pour Sol et Luna exige que reasoning_effort soit défini sur none.
Qu’a publié OpenAI avec GPT-6 Sol et Luna ?
La sortie du 22 septembre ajoute deux paliers d’exploitation à moindre coût à la famille GPT-6. GPT-6 Astra reste l’option la plus performante pour les travaux de bout en bout les plus difficiles ; Sol apporte un raisonnement solide aux tâches de codage et d’agents exigeantes à un tarif par jeton inférieur ; Luna est optimisé pour un travail ciblé devant s’exécuter de manière répétée et économique.
Ce n’est pas qu’un changement de nom. Le changelog de l’API OpenAI répertorie les IDs de modèles exacts gpt-6-sol et gpt-6-luna, avec entrées texte et image, sortie texte, et une disponibilité via Responses et Chat Completions. Les développeurs peuvent donc tester les modèles avec les mêmes prompts représentatifs et choisir un palier en fonction du taux d’acceptation des sorties, de la latence, du nombre total de jetons, des réessaies et du temps de revue humaine—pas seulement du prix par jeton. Voir le changelog de l’API OpenAI et la comparaison officielle des modèles.
Qu’est-ce que GPT-6 Sol ?
GPT-6 Sol est le modèle GPT-6 d’OpenAI pour le codage complexe et les workflows agentiques. Il est destiné aux travaux nécessitant un raisonnement soutenu, des décisions d’outillage et plusieurs étapes, notamment l’analyse de dépôts, le débogage et des modifications logicielles pilotées par agents. La spécification officielle indique des entrées texte et image, une sortie texte, une fenêtre de contexte de 1,050,000 jetons, jusqu’à 128,000 jetons de sortie, et un “reasoning effort” allant de none à max.
Sol n’est pas simplement “le modèle intermédiaire”. Sa valeur économique dépend de la capacité d’un meilleur rendement multi-étapes à réduire les réessaies, les escalades et les revues. C’est un bon défaut lorsque le faible coût unitaire de Luna serait contrebalancé par davantage de validations échouées ou plus d’intervention humaine.
Qu’est-ce que GPT-6 Luna ?
GPT-6 Luna est l’option GPT-6 axée sur l’efficacité pour des travaux bien délimités répétés à haut volume. Exemples : extraction, classification, réponses pilotées par modèles, tri de tickets support et résumés de premier passage, à condition que les sorties soient vérifiées selon les exigences de l’application. Luna dispose des mêmes plafonds publiés de contexte 1,050,000 jetons et de sortie 128,000 jetons que Sol, avec entrées texte et image et sortie texte.
Luna est particulièrement convaincant lorsque la réussite peut être définie clairement et vérifiée à faible coût. Un tarif par jeton bas ne produit pas automatiquement le coût de workflow le plus faible : les équipes doivent intégrer les réessaies, les sorties rejetées, les échecs en aval et le temps des réviseurs dans leur évaluation.
Comment GPT-6 Sol et Luna ont-ils amélioré les performances ?
Évaluations professionnelles et de codage
Dans les évaluations de lancement publiées par OpenAI, Sol a obtenu 33.2% sur AutomationBench à xhigh effort avec un coût estimé de $0.27 par tâche ; Astra à faible effort a obtenu 30.3% dans cette comparaison. Sol a obtenu 68.8% sur DeepSWE v1.1 à max effort, tandis que Luna a obtenu 66.6% à max effort. AutomationBench teste des workflows sur diverses applications ; DeepSWE évalue des tâches d’ingénierie logicielle à long horizon. Ces chiffres proviennent de configurations de test spécifiques et n’établissent pas un classement universel pour chaque prompt.
La leçon utile n’est pas qu’un seul benchmark désigne un gagnant universel. C’est que le meilleur modèle peut changer selon l’effort de raisonnement, l’usage d’outils et la conception de la tâche. Les paramètres de benchmark doivent servir d’indices pour élaborer un plan de test, non se substituer à l’évaluation des prompts de production.
Utilisation de l’ordinateur, exactitude factuelle et limites
Sur l’évaluation hors ligne OSWorld 2.0 d’OpenAI, Sol a atteint 60.5% à xhigh effort. OpenAI a également rapporté environ deux fois moins d’erreurs pour Sol que pour son prédécesseur GPT-5.6 sur un ensemble interne de conversations sélectionnées parce que les utilisateurs avaient signalé des erreurs factuelles. Cet ensemble n’est pas représentatif du trafic typique.
Pour le déploiement, évaluez les modes de défaillance qui comptent pour votre application : mauvais choix d’outil, exécution multi-étapes incomplète, échecs de schéma, erreurs factuelles, latence et coût par résultat accepté. Un petit ensemble d’évaluation représentatif est plus exploitable qu’un score généraliste de classement.
Combien coûtent GPT-6 Sol et Luna ?
La table de tarification officielle d’OpenAI sépare les tarifs Standard à contexte court et à contexte long. Les prix ci-dessous sont en USD par un million de jetons. Un prompt avec plus de 272,000 jetons d’entrée utilise les tarifs contexte long pour toute la requête, et pas seulement pour la portion au-dessus du seuil.
| Tarif Standard OpenAI / 1M jetons | GPT-6 Sol : contexte court / long | GPT-6 Luna : contexte court / long |
|---|---|---|
| Entrée | $2.00 / $4.00 | $0.10 / $0.20 |
| Entrée mise en cache | $0.20 / $0.40 | $0.01 / $0.02 |
| Écritures de cache | $2.50 / $5.00 | $0.125 / $0.25 |
| Sortie | $10.00 / $15.00 | $0.50 / $0.75 |
Batch, Flex, Fast mode et le traitement régional éligible ont des tarifs distincts. Estimez le coût en fonction du palier de service, de la longueur totale de l’entrée, de la longueur de la sortie, du comportement du cache, des frais d’outils et du taux de réessai.
Instantané des tarifs et de la disponibilité CometAPI
CometAPI répertorie actuellement GPT-6 Luna et GPT-6 Sol à 20% sous les tarifs Standard à contexte court correspondants d’OpenAI. Pour GPT-6 Luna, CometAPI facture $0.08 par million de jetons d’entrée et $0.40 par million de jetons de sortie, contre $0.10/$0.50 chez OpenAI. Le catalogue mentionne également des tarifs de lecture et d’écriture de cache remisés, avec la même réduction de 20%.
GPT-6 Sol bénéficie de la même remise CometAPI de 20%. Son tarif contexte court est de $1.60 par million de jetons d’entrée et $8.00 par million de jetons de sortie, contre $2/$10 en Standard chez OpenAI. Cela rend Sol nettement plus cher que Luna à la base par jeton, mais les deux modèles visent des charges de travail différentes : Sol est conçu pour des workflows de codage et d’agents exigeants, tandis que Luna met l’accent sur une inférence efficace et à haut volume.
| Modèle CometAPI | Statut public | Entrée / sortie contexte court | Interprétation |
|---|---|---|---|
| GPT-6 Luna | Référencé avec -20% | $0.08 / $0.40* | L’entrée est affichée publiquement ; la sortie est le calcul correspondant à -20%. Revérifiez le tableau de bord. |
| GPT-6 Sol | Référencé avec -20% | $1.60 / $8.00* | L’entrée est affichée publiquement ; la sortie est le calcul correspondant à -20%. Revérifiez le tableau de bord. |
*Instantané daté et calcul divulgué, non garantie de tarification future ni d’accès compte. Voir le catalogue des modèles CometAPI et la page de tarification.
GPT-6 Astra vs GPT-6 Sol vs GPT-6 Luna : comment les développeurs doivent-ils choisir ?
Les trois modèles doivent être comparés selon le coût d’un workflow réussi, et non sur la seule base des spécifications. Astra offre le plafond de capacité le plus élevé, Sol équilibre un raisonnement solide avec un tarif par jeton bien inférieur, et Luna minimise le coût unitaire pour des tâches aux limites claires et validables.
| Modèle | Choisissez-le lorsque | Compromis opérationnel |
|---|---|---|
| GPT-6 Astra | La tâche est le travail de bout en bout le plus difficile : ambigu, à fort enjeu, riche en outils, ou coûteux à revoir. | Tarif par jeton le plus élevé, mais peut réduire les échecs en aval et l’intervention humaine sur les cas les plus difficiles. |
| GPT-6 Sol | Vous avez besoin d’une forte performance en codage et agents sans payer les tarifs d’Astra pour chaque requête. | Un solide défaut pour des travaux de production exigeants ; vérifiez si sa capacité supplémentaire réduit assez les réessaies pour justifier son coût vs Luna. |
| GPT-6 Luna | Le travail est étroit, mesurable, à grand volume, et protégé par des schémas, des règles ou un échantillonnage. | Coût unitaire le plus bas, mais des définitions de tâche faibles ou une mauvaise validation peuvent transformer les économies en coûts de revue et de réessai. |
Schéma de routage recommandé : envoyer le travail routinier et bien borné à Luna ; router les cas exigeants vers Sol ; réserver Astra aux tâches où la complexité, l’ambiguïté ou la conséquence rendent précieux un plafond de capacité plus élevé. Les signaux d’escalade peuvent inclure une validation échouée, des exigences d’outils, une faible confiance, des prompts inhabituellement longs ou un coût d’erreur élevé.
Pourquoi GPT-6 Terra n’a-t-il pas été publié ?
OpenAI n’a pas annoncé de modèle GPT-6 Terra ni donné de raison pour son absence au 23 septembre 2026. Son catalogue public de modèles GPT-6 répertorie Astra, Sol et Luna, et le changelog de l’API annonce Sol et Luna sans ID de modèle Terra. La génération précédente GPT-5.6 incluait Terra, ce qui explique la question, mais n’établit pas un plan de lancement GPT-6.
Toute explication basée sur la tarification, la stratégie de gamme ou le calendrier de sortie relève de l’analyse plutôt que d’une déclaration d’OpenAI. Tant qu’OpenAI n’a pas publié de page modèle ou d’annonce, la date de sortie, la spécification, le benchmark et le prix de GPT-6 Terra demeurent inconnus.
Comment les développeurs peuvent-ils accéder à GPT-6 Sol et Luna et les utiliser ?
Utiliser OpenAI directement
Les deux IDs de modèles sont disponibles dans les APIs Responses et Chat Completions d’OpenAI. Utilisez Responses pour le raisonnement avec outils intégrés et l’appel de fonctions. Chat Completions prend en charge les requêtes ordinaires, mais l’appel de fonctions pour Sol et Luna requiert que reasoning_effort="none".
Utiliser CometAPI après vérification de la route active
CometAPI documente une URL de base compatible OpenAI, de sorte que les équipes peuvent utiliser le SDK OpenAI avec une clé CometAPI. Le catalogue public prend actuellement en charge l’utilisation de Luna comme exemple plus sûr. Ne substituez gpt-6-sol qu’après confirmation par votre compte que la route Sol est activée.
Si votre tableau de bord CometAPI documente la prise en charge de Responses et du chat pour la route sélectionnée, testez-la séparément avant le déploiement. Journalisez le fournisseur, la route, l’ID du modèle, le paramètre de raisonnement, la latence, les jetons, le résultat de validation et le coût facturé afin que les tests via la passerelle restent distinguables des tests via OpenAI directement.
Conclusion
GPT-6 Sol et GPT-6 Luna étendent la famille GPT-6 avec deux économies de charges de travail différentes. Sol est conçu pour le codage complexe et les workflows agentiques ; Luna est pensé pour un travail efficace et ciblé à l’échelle. Astra reste l’option pour les tâches de bout en bout les plus difficiles. Étant donné que ces trois choix peuvent sembler économiques selon les conditions, la bonne comparaison est le coût par résultat accepté—pas la longueur de contexte ni le prix par jeton isolément.
Commencez avec un ensemble d’évaluation représentatif. Mesurez la qualité, la latence, le nombre total de jetons, les réessaies, les échecs de validation et le temps de revue humaine. Utilisez les IDs de modèles publiés par OpenAI pour un accès direct, et vérifiez la route CometAPI active et la tarification de compte avant d’émettre des affirmations spécifiques à la passerelle.