GPT-6 Luna vs GPT-6 Sol: Dua Kartu Tarif dengan Bentuk yang Sama dan Angka Dua Puluh Kali Lipat

GPT-6 Luna lists at $0.10 per million input tokens and $0.50 per million output. GPT-6 Sol lists at $2.00 and $10.00. The vendor shipped both on September 22, 2026, as the two lower tiers of the GPT-6 generation beneath the flagship GPT-6 Astra, and the twentyfold gap between them is the first thing anyone reads off the page. What is harder to see, and more useful, is how little else separates them. Same 1,050,000-token context window. Same 922,000-token maximum input. Same 128,000-token output ceiling. Same reasoning ladder from none through low, medium, high, xhigh and max, with medium as the default. Same knowledge-cutoff family, a month apart. Same clause that reprices an entire request once it crosses 272,000 input tokens.

Dua model yang berbagi setiap baris struktural dari sebuah kartu tarif tidak dibedakan oleh fiturnya. Keduanya dibedakan oleh sebuah skor, dan oleh berapa besar biaya yang harus Anda keluarkan untuk memperoleh skor itu. Pada papan independen yang mengukur keduanya, GPT-6 Sol berada sebelas poin di atas GPT-6 Luna pada upaya maksimum yang setara dan memerlukan biaya sekitar lima belas kali lebih besar untuk menyelesaikan evaluasi yang sama. Sebelas poin dan lima belas kali adalah kalimat yang berbeda dari dua puluh kali, dan perbedaan antara kedua kalimat itu adalah tempat perbandingan ini sebenarnya berada.

Untuk apa masing-masing dari dua ini

GPT-6 Sol adalah andalan harian keluarga ini — tingkat yang diposisikan OpenAI untuk pengodean kompleks, alur kerja agentik, dan pekerjaan profesional yang akan dibaca orang. Model ini menerima teks dan gambar, menghasilkan teks, dan tersedia bagi siapa saja yang memiliki kunci API. Ini adalah model yang akan diandalkan sebagian besar tim secara default ketika mereka menginginkan kemampuan kelas GPT-6 tanpa tarif model unggulan atau pembatasan aksesnya.

GPT-6 Luna adalah tier volume. Deskripsi OpenAI sendiri sempit dan sengaja tidak glamor: model paling efisien untuk tugas-tugas terfokus bervolume tinggi. Peringkasan, ekstraksi, klasifikasi, perutean, loop dalam agen yang melakukan seribu panggilan kecil dalam perjalanan menuju satu tugas. Jendela yang sama, batas keluaran yang sama, pengatur upaya yang sama — mesin yang lebih murah dalam sasis yang identik.

Keduanya dilatih dengan metode yang diturunkan dari GPT-6 Astra alih-alih dibangun sebagai lini terpisah, itulah sebabnya lembar spesifikasinya sama persis. Harga adalah satu-satunya hal di mana keduanya berbeda secara sengaja.

Kartu tarif, baris demi baris

Satu baris per dimensi, kedua sisi pada masing-masing:

• Input per 1J — GPT-6 Luna $0.10 vs GPT-6 Sol $2.00

• Output per 1 juta — GPT-6 Luna $0,50 vs GPT-6 Sol $10,00

• Input yang di-cache per 1 juta — GPT-6 Luna $0,01 vs GPT-6 Sol $0,20; keduanya sepersepuluh dari tarif input tanpa cache masing-masing, sehingga rasio dua puluh kali lipat tetap utuh setelah diskon

• Penulisan cache per 1 juta — GPT-6 Luna $0.125 vs GPT-6 Sol $2.50, premi 25% atas tarif input dalam kedua kasus

• Tingkat konteks panjang — klausa identik di kedua kartu: di atas 272.000 token input, seluruh permintaan ditagih sebesar 2× untuk input dan cache serta 1,5× untuk output, sehingga GPT-6 Luna menjadi $0,20 dan $0,75 dan GPT-6 Sol menjadi $4,00 dan $15,00

• Jendela konteks — 1.050.000 token untuk keduanya, dengan input maksimum 922.000 token dan batas keluaran 128.000 token

• Upaya penalaran — tidak ada, rendah, sedang (default), tinggi, xhigh, maks untuk keduanya; pengatur itu adalah bagian yang sama di kedua model

• Tingkat layanan — Flex memangkas tagihan menjadi setengah dan Priority menggandakannya pada kedua kartu, dipilih melalui parameter yang sama, yaitu service_tier parameter

• Batas pengetahuan — GPT-6 Luna 18 Mei 2026 vs GPT-6 Sol 20 April 2026, yang terpaut satu bulan dalam satu keluarga dan perlu diketahui sebelum menganggap keduanya berbagi pandangan dunia

• Indeks Kecerdasan, independen — GPT-6 Luna 37 pada upaya maksimal vs GPT-6 Sol 48 pada upaya maksimal, revisi indeks yang sama

• Skor upaya default — GPT-6 Luna 29 pada medium defaultnya vs GPT-6 Sol 48 pada max, pengaturan yang digunakan Artificial Analysis untuk mengukurnya

• Biaya per tugas Index, independen — GPT-6 Luna sekitar $0,07 vs GPT-6 Sol $1,06

• Token output pada pengujian indeks — GPT-6 Luna 150M vs GPT-6 Sol 77M, dibandingkan dengan median papan sebesar 88M

• Coding Agent Index, independen — GPT-6 Luna 41, turun dua poin dari GPT-5.6 Luna vs GPT-6 Sol 57, naik dua dari GPT-5.6 Sol

• Tingkat halusinasi pada AA-Omniscience — GPT-6 Luna 77%, turun dari 93% vs GPT-6 Sol 60%, turun dari 92%; kedua model menjadi lebih bersedia menolak daripada lebih berpengetahuan, dan Sol melangkah lebih jauh.

• Di OrcaRouter — baik GPT-6 Luna maupun GPT-6 Sol tidak ada dalam katalog kami hingga tulisan ini dibuat; keduanya diakses melalui API milik OpenAI sendiri

Dial upaya adalah bagian yang sama pada kedua model, dan itu mengubah perhitungannya.

Karena tangga penalaran identik, angka indeks utama untuk kedua model adalah angka upaya maksimal. Angka 37 milik GPT-6 Luna adalah skor yang diperolehnya saat diizinkan berpikir selama yang diinginkannya. Default-nya adalah medium, dengan skor 29. Angka 48 milik GPT-6 Sol juga merupakan angka upaya maksimal, dan itu adalah pengaturan yang digunakan dewan independen saat menjalankannya.

Ini lebih penting di sini daripada dalam sebagian besar perbandingan, karena itu berarti kedua model dikutip pada tingkat yang sama. Tim yang men-deploy GPT-6 Luna dan tidak mengubah apa pun tidak menjalankan 37 melawan 48; tim itu menjalankan 29 melawan 48. Itu adalah selisih sembilan belas poin, bukan sebelas poin, dan besarnya selisih itu adalah sifat dari pengaturan bawaan, bukan dari modelnya.

Pengatur yang sama juga merupakan optimasi termurah yang tersedia pada kedua kartu, dan berlaku di kedua arah. Menurunkan GPT-6 Sol dari max ke medium pada pekerjaan yang ditinjau manusia menghasilkan penghematan yang lebih besar daripada memindahkan sebagian kecil trafik Anda dari Sol ke Luna, dan itu hanya memerlukan perubahan satu parameter, bukan migrasi. Menaikkan GPT-6 Luna ke xhigh pada satu panggilan per tugas yang benar-benar menentukan hasil hanyalah kesalahan pembulatan terhadap totalnya. Pengatur ini ada pada kedua model secara khusus agar pilihan tier dan pilihan effort dapat dibuat secara terpisah, dan sebagian besar tim hanya memilih salah satunya.

Tebing itu identik, dan itulah intinya.

Kedua model memiliki klausul konteks panjang yang sama, dan karena klausul tersebut proporsional, klausul itu tidak mempersempit kesenjangan di antara keduanya — melainkan menggandakan kedua sisi kesenjangan tersebut. Permintaan 300.000 token pada GPT-6 Luna ditagih sebesar $0,20 per juta input untuk seluruh 300.000 token, bukan untuk 28.000 token yang melewati batas. Permintaan yang sama pada GPT-6 Sol ditagih sebesar $4,00. Bagi dokumen mana pun menjadi dua panggilan di bawah ambang batas dan biayanya menjadi setengah tanpa perubahan pada prompt.

Yang diubah oleh klausul identik itu adalah besarnya kesalahan. Pada tier volume, permintaan yang salah ukurannya memakan biaya seperlima sen per seribu token. Pada tier harian, biayanya empat dolar per juta. Tim yang paling mungkin memiliki konteks kerja 300.000 token adalah tim yang menjalankan pipeline agentic yang menjadi target penjualan kedua model, yang berarti tier yang paling tidak mampu menanggung kesalahan tersebut bukanlah tier yang paling sering melakukannya.

Di mana sebelas poin Sol berada, dan di mana tidak

Kesenjangan itu nyata dan tidak tersebar secara merata di antara tugas-tugas yang mungkin Anda jalankan.

Keunggulan GPT-6 Sol terkonsentrasi pada coding dan eksekusi agentic. Coding Agent Index-nya 57, enam belas poin di atas GPT-6 Luna yang 41, pada papan peringkat di mana padanan generasi sebelumnya adalah 55 dan 43 — jadi kedua model bergerak ke arah berlawanan pada ukuran itu, yang layak diketahui sebelum mengasumsikan generasi baru merupakan peningkatan atas generasi lama di semua aspek. Berdasarkan angka yang diterbitkan vendor sendiri, Sol melaporkan 68,8% pada DeepSWE v1.1 dengan upaya maksimum versus Luna 66,6%, dan sekitar 43% pada Terminal-Bench 4.0 versus 37%. Angka-angka itu dilaporkan OpenAI dan belum direproduksi, dan celah yang digambarkannya lebih sempit daripada yang disiratkan oleh selisih indeks.

Di mana Sol unggul adalah pada evaluasi yang memberi imbalan atas rantai panjang keputusan yang benar: GPT-6 Sol melaporkan sekitar 62% pada AutomationBench-AA dibandingkan 53% milik GPT-6 Luna, dan tingkat halusinasi 60% berbanding 77% pada papan omniscience yang sama. Perbedaan tujuh belas poin dalam seberapa sering sebuah model mengarang jawaban bukanlah selisih kemampuan; bagi apa pun yang memiliki konsumen hilir, itulah keseluruhan keputusannya.

Yang tidak tercakup oleh sebelas poin itu adalah pekerjaan teks umum. Pada ekstraksi, klasifikasi, perutean, dan peringkasan — tugas-tugas yang menjadi sasaran penetapan harga GPT-6 Luna — kedua model akan menghasilkan jawaban layak pakai yang sama pada sebagian besar waktu, dan perbedaannya tidak akan bertahan ketika dihadapkan pada set eval Anda sendiri. Artificial Analysis menandai satu regresi pada kedua model pada upaya maksimal: GPT-6 Sol kehilangan sekitar 100 Elo pada GDPval-AA v2.1 dibandingkan pendahulunya, dan GPT-6 Luna sekitar 75. Jika pekerjaan Anda terlihat seperti GDPval, tak satu pun tingkatan merupakan peningkatan yang dijanjikan kepada Anda, dan sebelas poin itu adalah perbandingan antara dua model yang keduanya mengalami kemunduran.

Memilih di antara dua tingkatan yang sudah Anda miliki

Hal yang tidak biasa dari pasangan ini adalah bahwa ini bukan keputusan pembelian. Kedua model berjalan pada akun yang sama, endpoint yang sama, dan SDK yang sama. Tidak ada kontrak kedua, tidak ada negosiasi tarif kedua, dan tidak ada pekerjaan integrasi untuk memindahkan lalu lintas dari satu ke yang lain. Itu menjadikannya keputusan routing, dan keputusan routing adalah keputusan yang layak dibuat per permintaan, bukan sekali saja.

Baik GPT-6 Luna maupun GPT-6 Sol tidak ada dalam katalog kami pada saat penulisan ini — keduanya diakses melalui API milik OpenAI sendiri, jadi pemisahan itu harus dinyatakan di dalam aplikasi Anda, bukan di konfigurasi router. Itulah alasan untuk melakukannya dengan sengaja, karena konsekuensi jika salah adalah perubahan kode, bukan perubahan setelan. Bentuk pemisahannya tidak rumit: GPT-6 Luna untuk ribuan panggilan kecil yang dilakukan agen dalam perjalanan menuju suatu tugas, dan GPT-6 Sol untuk panggilan yang menghasilkan artefak yang akan dibaca seseorang. Setel parameter effort secara eksplisit di kedua sisi, karena default-nya adalah medium dan setiap angka yang dipublikasikan untuk kedua model adalah angka upaya maksimum.

Tim yang memang melakukan routing lintas vendor — dan sebagian besar dari yang kami lihat memang melakukannya — dapat menampung GPT-6 Astra, Grok 4.6, Kimi K3 dan Qwen3.8-Max pada satu kunci melalui OrcaRouter dengan harga daftar penyedia, dengan markup 0% dan failover antar upstream. Menambahkan GPT-6 Luna dan GPT-6 Sol ke dalam gambaran yang sama berarti kunci kedua alih-alih arsitektur kedua, yang merupakan masalah yang lebih kecil di antara dua masalah yang diciptakan oleh pemasangan ini.

Yang mana, dan kapan

Ambil GPT-6 Luna kecuali Anda dapat menyebutkan kemampuan yang Anda beli dengan dua puluh kali lipat itu. Model ini lebih murah di setiap baris kartunya, termasuk input yang di-cache, jendelanya sama dan batas atas outputnya sama, model ini dapat diminta untuk menghentikan penalaran sepenuhnya, dan biaya per tugas yang diselesaikan di papan independen kira-kira seperlima belas dari GPT-6 Sol. Tetapkan effort secara eksplisit, jaga panggilan panjang di bawah 272.000 token input, dan periksa selisih enam belas poin pada Coding Agent Index terhadap repositori Anda sendiri sebelum Anda menganggapnya berlaku untuk Anda.

Ambil GPT-6 Sol ketika tugasnya adalah produknya dan mode kegagalannya adalah jawaban yang salah secara diam-diam, bukan jawaban yang lambat. Agen coding yang mengoperasikan repositori nyata, analisis profesional jangka panjang, apa pun yang membuat fakta hasil halusinasi lebih mahal daripada token yang dihemat. Terimalah bahwa Anda membayar lima belas kali lipat per tugas yang diselesaikan untuk sebelas poin indeks, dan bahwa porsi yang signifikan dari sebelas poin itu berada di kolom halusinasi, bukan di kolom kapabilitas — yang, untuk pasangan khusus ini, adalah separuh yang lebih baik untuk Anda bayarkan.

Kesalahan yang harus dihindari adalah menganggap label dua puluh kali lipat sebagai jawabannya. Itu adalah jawaban atas berapa biaya sebuah token, dan tidak mengatakan apa pun tentang berapa biaya tugas yang telah selesai atau seberapa sering jawaban model murah itu salah dengan cara yang tidak akan Anda sadari.