GPT-6 Luna vs GPT-6 Sol : deux grilles tarifaires de même forme et un nombre multiplié par vingt

GPT-6 Lunaest affiché à 0,10 $ par million de jetons d'entrée et à 0,50 $ par million de jetons de sortie. GPT-6 Solest affiché à 2,00 $ et 10,00 $. Le fournisseur a lancé les deux le 22 septembre 2026, comme les deux niveaux inférieurs de la génération GPT-6, sous le modèle phare GPT-6 Astra, et l'écart de vingt fois entre eux est la première chose que l'on lit sur la page. Ce qui est plus difficile à voir, et plus utile, c'est le peu d'autres éléments qui les séparent. Même fenêtre de contexte de 1 050 000 jetons. Même entrée maximale de 922 000 jetons. Même plafond de sortie de 128 000 jetons. Même échelle de raisonnement, de none à low, medium, high, xhigh et max, avec medium par défaut. Même famille de date limite de connaissances, à un mois d'intervalle. Même clause qui reprice toute une requête dès qu'elle dépasse 272 000 jetons d'entrée.

Deux modèles qui partagent chaque ligne structurelle d’une grille tarifaire ne se distinguent pas par leurs fonctionnalités. Ils se distinguent par un score, et par ce que ce score vous coûte à obtenir. Sur le tableau indépendant qui mesure les deux, GPT-6 Sol se situe onze points au-dessus de GPT-6 Luna à effort maximal égal, et coûte environ quinze fois plus cher pour réaliser la même évaluation. Onze points et quinze fois, c’est une phrase différente de vingt fois, et la différence entre ces deux phrases est là où se joue réellement cette comparaison.

À quoi sert chacun de ces deux ?

GPT-6 Sol est le modèle du quotidien de la famille — la gamme qu'OpenAI positionne pour le codage complexe, les workflows agentiques et le travail professionnel qu'une personne lira. Il accepte le texte et l'image, produit du texte, et est accessible à quiconque dispose d'une clé API. C'est le modèle vers lequel la plupart des équipes se tourneront par défaut lorsqu'elles voudront une capacité de classe GPT-6 sans la grille tarifaire du modèle phare ni sa barrière d'accès.

GPT-6 Luna est le palier volume. La description qu’OpenAI en donne elle-même est restreinte et délibérément peu glamour : le modèle le plus efficace pour les tâches ciblées à fort volume. Synthèse, extraction, classification, routage, la boucle interne d’un agent qui effectue un millier de petits appels en chemin vers une seule tâche. Même fenêtre, même plafond de sortie, même réglage d’effort — un moteur moins cher dans un châssis identique.

Tous deux ont été entraînés avec des méthodes dérivées de GPT-6 Astra plutôt que conçus comme une gamme distincte, ce qui explique pourquoi leurs fiches techniques correspondent si parfaitement. Le prix est le seul point sur lequel les deux divergent par conception.

La grille tarifaire, ligne par ligne

Une ligne par dimension, les deux côtés sur chacune :

• Entrée par 1 M — GPT-6 Luna 0,10 $ vs GPT-6 Sol 2,00 $

• Sortie pour 1 M — GPT-6 Luna 0,50 $ vs GPT-6 Sol 10,00 $

• Entrée mise en cache par million — GPT-6 Luna 0,01 $ contre GPT-6 Sol 0,20 $ ; toutes deux correspondent à un dixième de leur propre tarif d’entrée non mise en cache, de sorte que le rapport de vingt fois reste intact malgré la remise

• Écritures de cache par million — GPT-6 Luna 0,125 $ contre GPT-6 Sol 2,50 $, soit une prime de 25 % sur le tarif d'entrée dans les deux cas

• Palier de contexte long — clause identique sur les deux cartes : au-delà de 272 000 tokens d’entrée, la requête entière est facturée à 2× pour l’entrée et le cache, et à 1,5× pour la sortie, ce qui fait passer GPT-6 Luna à 0,20 $ et 0,75 $, et GPT-6 Sol à 4,00 $ et 15,00 $.

• Fenêtre de contexte — 1 050 000 tokens pour les deux, avec un maximum de 922 000 tokens en entrée et un plafond de 128 000 tokens en sortie

• Effort de raisonnement — aucun, faible, moyen (par défaut), élevé, très élevé, max pour les deux ; le cadran est la même pièce dans les deux modèles

• Niveaux de service — Flex réduit la facture de moitié et Priority la double sur les deux cartes, sélectionnés via le mêmeservice_tier paramètre

• Date de coupure des connaissances — GPT-6 Luna 18 mai 2026 vs GPT-6 Sol 20 avril 2026, soit un mois d’écart au sein d’une même famille, ce qu’il vaut la peine de savoir avant de supposer que les deux partagent une vision du monde

• Intelligence Index, indépendant — GPT-6 Luna 37 à effort maximal vs GPT-6 Sol 48 à effort maximal, même révision de l'indice

• Score d’effort par défaut — GPT-6 Luna 29 à son réglage medium par défaut vs GPT-6 Sol 48 à max, le réglage auquel Artificial Analysis l’a mesuré

• Coût par tâche Index, indépendant — GPT-6 Luna environ 0,07 $ contre GPT-6 Sol 1,06 $

• Tokens de sortie lors de l’exécution de l’indice — GPT-6 Luna 150M vs GPT-6 Sol 77M, contre une médiane du classement de 88M

• Coding Agent Index, indépendant — GPT-6 Luna 41, en baisse de deux points par rapport à GPT-5.6 Luna, contre GPT-6 Sol 57, en hausse de deux par rapport à GPT-5.6 Sol

• Taux d’hallucination sur AA-Omniscience — GPT-6 Luna 77 %, en baisse par rapport à 93 %, contre GPT-6 Sol 60 %, en baisse par rapport à 92 % ; les deux modèles sont devenus plus enclins à refuser plutôt que plus savants, et Sol est allé plus loin

• Sur OrcaRouter — ni GPT-6 Luna ni GPT-6 Sol ne figurent dans notre catalogue à l'heure où nous écrivons ces lignes ; l'accès à l'un comme à l'autre se fait via l'API propre d'OpenAI

Le réglage d’effort est la même pièce dans les deux modèles, et cela change l’arithmétique.

Comme l'échelle de raisonnement est identique, les chiffres phares de l'indice pour les deux modèles sont des scores à effort maximal. Le 37 de GPT-6 Luna correspond à ce qu'il obtient lorsqu'on le laisse réfléchir aussi longtemps qu'il le souhaite. Son réglage par défaut est « moyen », où il obtient 29. Le 48 de GPT-6 Sol est lui aussi un score à effort maximal, et c'est le réglage avec lequel le comité indépendant l'a évalué.

Cela compte davantage ici que dans la plupart des comparaisons, car cela signifie que les deux modèles sont cités au même échelon. Une équipe qui déploie GPT-6 Luna sans rien changer n'oppose pas un 37 à un 48 ; elle oppose un 29 à un 48. C'est un écart de dix-neuf points plutôt que de onze points, et son ampleur est une propriété de la configuration par défaut, pas du modèle.

Ce même réglage est aussi l’optimisation la moins coûteuse disponible sur l’une ou l’autre carte, et il fonctionne dans les deux sens. Faire passer GPT-6 Sol de max à medium sur du travail relu par un humain permet une économie plus importante que de basculer une fraction de votre trafic de Sol à Luna, et cela coûte un seul changement de paramètre plutôt qu’une migration. Passer GPT-6 Luna à xhigh sur le seul appel par tâche qui détermine réellement le résultat est une erreur d’arrondi par rapport au total. Ce réglage existe sur les deux modèles précisément pour que le choix du palier et celui de l’effort puissent être faits séparément, et la plupart des équipes n’en font qu’un seul.

La falaise est identique, c'est là tout l'intérêt

Les deux modèles comportent la même clause de contexte long, et comme cette clause est proportionnelle, elle ne réduit pas l’écart entre eux — elle en double les deux côtés. Une requête de 300 000 jetons sur GPT-6 Luna est facturée à 0,20 $ par million de jetons d’entrée pour l’ensemble des 300 000 jetons, et non pour les 28 000 qui dépassent la limite. La même requête sur GPT-6 Sol est facturée à 4,00 $. Divisez l’un ou l’autre document en deux appels sous le seuil et le coût est divisé par deux, sans aucune modification de l’invite.

Ce que la clause identique change, en revanche, c’est l’ampleur de l’erreur. Au palier volume, une requête mal dimensionnée coûte un cinquième de cent par millier de tokens. Au palier quotidien, elle coûte quatre dollars par million. Les équipes les plus susceptibles d’avoir un contexte de travail de 300 000 tokens sont celles qui exploitent les pipelines agentiques dans lesquels les deux modèles sont vendus, ce qui signifie que le palier qui peut le moins se permettre l’erreur n’est pas celui qui la commet le plus souvent.

Où se trouvent les onze points de Sol, et où ils ne se trouvent pas

L'écart est réel et il n'est pas réparti uniformément entre les tâches que vous pourriez exécuter.

GPT-6 Sol a des avantages qui se concentrent dans le codage et dans l'exécution agentique. Son indice Coding Agent de 57 est supérieur de seize points à celui de GPT-6 Luna, qui est de 41, dans un classement où les équivalents de la génération précédente étaient de 55 et 43 — ainsi, les deux modèles ont évolué dans des directions opposées sur cette mesure, ce qu'il vaut la peine de savoir avant de supposer que la nouvelle génération est une amélioration de l'ancienne sur tous les plans. Selon les chiffres publiés par le fournisseur lui-même, Sol annonce 68,8 % sur DeepSWE v1.1 à effort maximal, contre 66,6 % pour Luna, et environ 43 % sur Terminal-Bench 4.0, contre 37 %. Ces chiffres sont rapportés par OpenAI et non reproduits, et l'écart qu'ils décrivent est plus étroit que ne le suggère l'écart d'indice.

Là où Sol se démarque, c’est dans les évaluations qui récompensent une longue chaîne de décisions correctes : GPT-6 Sol rapporte environ 62 % sur AutomationBench-AA, contre 53 % pour GPT-6 Luna, et un taux d’hallucination de 60 % contre 77 % sur le même tableau d’omniscience. Une différence de dix-sept points dans la fréquence à laquelle un modèle invente une réponse n’est pas une marge de capacité ; pour tout ce qui a un consommateur en aval, c’est ce qui fait toute la décision.

Le domaine où les onze points ne s’appliquent pas est le travail textuel général. Pour l’extraction, la classification, le routage et la synthèse — les tâches pour lesquelles GPT-6 Luna est proposé à ce tarif — les deux modèles produiront la même réponse exploitable dans l’immense majorité des cas, et l’écart ne résistera pas au contact de votre propre ensemble d’évaluation. Artificial Analysis signale une régression sur les deux modèles à effort maximal : GPT-6 Sol perd environ 100 Elo sur GDPval-AA v2.1 par rapport à son prédécesseur, et GPT-6 Luna environ 75. Si votre travail ressemble à GDPval, aucun des deux niveaux n’est la mise à niveau qui vous a été promise, et les onze points sont une comparaison entre deux modèles qui ont tous deux reculé.

Choisir entre deux formules que vous avez déjà

Ce qui est inhabituel avec ce duo, c'est qu'il ne s'agit pas d'une décision d'achat. Les deux modèles s'exécutent sur le même compte, le même point de terminaison et le même SDK. Il n'y a pas de second contrat, pas de seconde négociation de tarif, ni de travail d'intégration pour déplacer le trafic de l'un à l'autre. Cela en fait une décision de routage, et les décisions de routage sont celles qu'il vaut la peine de prendre à chaque requête plutôt qu'une seule fois.

Ni GPT-6 Luna ni GPT-6 Sol ne figurent dans notre catalogue à l'heure où nous écrivons ces lignes — on y accède tous deux via l'API d'OpenAI, si bien que cette répartition doit s'exprimer dans votre application plutôt que dans la configuration d'un routeur. C'est une raison d'agir avec discernement, car le coût d'une erreur est une modification de code plutôt qu'un changement de paramètres. La forme de la répartition n'a rien de compliqué : GPT-6 Luna pour les mille petits appels qu'un agent effectue sur le chemin menant à une tâche, et GPT-6 Sol pour l'appel qui produit l'artefact qu'une personne lira. Définissez explicitement le paramètre effort des deux côtés, car la valeur par défaut est medium et chaque chiffre publié pour les deux modèles correspond à un effort maximal.

Les équipes qui routent effectivement entre fournisseurs — et la plupart de celles que nous voyons le font — peuvent héberger GPT-6 Astra, Grok 4.6, Kimi K3 et Qwen3.8-Max sur une seule clé via OrcaRouter au prix catalogue du fournisseur, avec 0 % de marge et basculement entre les fournisseurs en amont. Ajouter GPT-6 Luna et GPT-6 Sol à cette équation signifie une seconde clé plutôt qu'une seconde architecture, ce qui est le moindre des deux problèmes que ce couplage crée.

Lequel, et quand

Prenez GPT-6 Luna, sauf si vous pouvez nommer la capacité que vous achetez pour un prix vingt fois supérieur. Il est moins cher sur chaque ligne de la fiche, y compris les entrées mises en cache, il offre la même fenêtre et le même plafond de sortie, on peut lui demander d’arrêter complètement le raisonnement, et son coût par tâche accomplie sur le classement indépendant est environ un quinzième de celui de GPT-6 Sol. Définissez explicitement l’effort, gardez les appels longs sous 272 000 jetons d’entrée, et vérifiez l’écart de seize points du Coding Agent Index par rapport à votre propre dépôt avant de supposer qu’il s’applique à vous.

Choisissez GPT-6 Sol lorsque la tâche est le produit et que le mode de défaillance est une réponse discrètement erronée plutôt qu’une réponse lente. Agents de codage opérant sur un dépôt réel, analyse professionnelle à long horizon, tout cas où un fait halluciné coûte plus cher que les jetons économisés. Acceptez que vous payiez quinze fois plus par tâche accomplie pour onze points d’indice, et qu’une part significative de ces onze points se situe dans la colonne hallucination plutôt que dans la colonne capacité — ce qui, pour cette paire particulière, est la meilleure moitié pour laquelle payer.

L’erreur à éviter est de considérer l’étiquette « vingt fois » comme la réponse. Elle répond à la question du coût d’un token, et elle ne dit rien sur ce que coûte une tâche terminée ni sur la fréquence à laquelle la réponse du modèle bon marché est fausse d’une manière que vous ne remarquerez pas.