GPT-6 Luna wordt de standaard: wat je echt krijgt voor een dubbeltje per miljoen

Het meest ingrijpende dat GPT-6 Luna in zijn eerste week overkwam, was niet de prijsverlaging. Het was een merge-commit. Binnen een dag nadat de leverancier GPT-6 Luna op 22 september 2026 uitbracht, bracht een open-source-agentplatform een wijziging uit waardoor het het fallbackmodel werd voor elke organisatie die geen eigen standaard had gekozen — waarmee het GPT-5.6 Terra verdrong, een grotere en aanzienlijk duurdere tier. De opgegeven redenering was rekenkundig: tegen $0,10 en $0,50 per miljoen tokens kost GPT-6 Luna een twintigste van het inputtarief van GPT-5.6 Terra en een vierentwintigste van zijn outputtarief. Dat is een echt signaal, en het is ook slechts de helft van het verhaal. GPT-6 Luna kost $0,10 per miljoen inputtokens en $0,50 per miljoen outputtokens, tegenover $2,00 en $10,00 voor GPT-6 Sol, de tier daarboven, en $10,00 en $50,00 voor het vlaggenschip GPT-6 Astra. Het model dat het in dat standaardslot vervangt, GPT-5.6 Luna, kost nog steeds $0,20 en $1,20 — tweemaal de input en meer dan tweemaal de output. Een dubbeltje per miljoen is goedkoop genoeg dat de beslissing niet meer over prijs gaat en begint te gaan over wat het model daadwerkelijk afmaakt.

Dit is dus geen uitleg over een lancering, en het is geen bericht over een prijsverlaging — we hebben beide geschreven, en de tariefkaart zelf ligt vast. Het is een poging om de vraag te beantwoorden die de marketing van het goedkope segment overslaat: als een model je standaard wordt, wat doet het dan met het werk dat voorheen naar iets groters ging? Het bewijs daarvoor komt uit drie bronnen, en die zijn het niet met elkaar eens. De eigen benchmarks van OpenAI zijn de meest flatteuze en de minst reproduceerbare. Artificial Analysis publiceerde diezelfde week een onafhankelijke index, en die is nuttiger omdat hij voltooide taken beprijst in plaats van tokens. En een handvol mensen heeft het model nu tegen echte infrastructuur gedraaid, en daar zitten de interessante fouten. Waar een getal door de leverancier is gerapporteerd, zegt de zin die het bevat dat ook.

Wat er daadwerkelijk is uitgebracht

GPT-6 Luna is de kleine tier van de zesde-generatiefamilie, onder GPT-6 Sol en ruim onder het vlaggenschip GPT-6 Astra. OpenAI's eigen modeldocumentatie, deze week gelezen, geeft de envelop:

• Model-ID — gpt-6-luna, één enkele snapshot zonder gedateerde variant. Er is geen gpt-6-luna-pro vermelding op de modellenlijst; de pro-string die in catalogi van derden circuleert is een waarde voor de redeneermodus, geen model.

• Context en limieten — een venster van 1.050.000 tokens, tot 922.000 invoertokens, een uitvoerplafond van 128.000 tokens, en een kennisafsluitdatum van 18 mei 2026. Tekst en afbeelding in, tekst uit.

• Prijs — $0,10 per miljoen invoertokens, $0,01 per miljoen gecachte invoer, $0,125 per miljoen cacheschrijfacties, $0,50 per miljoen uitvoer. OpenAI heeft deze als permanent beschreven in plaats van als introductieaanbieding.

• De long-contextstap — verzoeken boven 272.000 invoertokens worden opnieuw geprijsd tegen twee keer de invoer- en cachetarieven en 1,5× het uitvoertarief, toegepast op het hele verzoek in plaats van op het meerdere. Dat is de duurste fout die je op dit model kunt maken, want die wordt geactiveerd door de totale grootte van het verzoek, niet door hoeveel je ervan gebruikt.

• Serviceniveaus — Batch en Flex draaien tegen de helft van de standaardtarieven; de Fast-modus verdubbelt die. Asynchroon bulkwerk is daarom weer half zo duur, en de tariefkaart heeft vier verschillende effectieve prijzen, afhankelijk van hoe je het verzoek verstuurt.

• Effort — zes waarden: none, low, medium, high, xhigh en max, waarbij medium de gedocumenteerde standaardwaarde is. Effort geldt per verzoek, het is geen eigenschap van de implementatie.

• Eindpunten — Responses, Chat Completions en Batch. Chat Completions verwerkt alleen functieaanroepen wanneer reasoning effort op none is ingesteld; ingebouwde tools en functieaanroepen vereisen over het algemeen de Responses API, die web search, file search, image generation, code interpreter, hosted shell, apply_patch, skills, computer use, MCP en tool search ondersteunt.

Die laatste regel is belangrijker dan hij lijkt. Als je automatisering tools gebruikt, werk je met de Responses API, en is je effort-instelling gekoppeld aan je endpointkeuze. Een team dat effort op low zet om geld te besparen en verwacht dat function calling op Chat Completions blijft werken, heeft een pipeline gebouwd die bij de eerste tool-aanroep zal falen.

Het getal dat de doorslag geeft, is de kosten per voltooide taak, niet de kosten per token.

Artificial Analysis publiceerde zijn onafhankelijke evaluatie binnen enkele uren na de lancering, en het kopcijfer is ongemakkelijk voor iedereen die aannam dat een goedkopere token een goedkopere klus betekent. Op zijn Intelligence Index kost GPT-6 Luna ongeveer $0,07 per taak bij maximale inspanning, tegenover ongeveer $0,18 voor GPT-5.6 Luna bij dezelfde inspanning — een verlaging van ongeveer 60%, gedreven door de prijsverlaging en niet doordat het model minder werk verricht. De indexscore zelf ligt gelijk met het model dat het vervangt. GPT-6 Sol kost, ter vergelijking, ongeveer $1,06 per indextaak tegenover $1,99 voor GPT-5.6 Sol.

Lees die drie getallen samen en de vorm van de familie wordt duidelijk. Sol kost per taak ongeveer vijftien keer zoveel als Luna, voor een wezenlijk hogere score. Luna is geen downgrade van Sol; het is een ander instrument, en het cijfer per taak vertelt je welke je in handen hebt.

Het ongemakkelijke deel is wat er met de codingagent is gebeurd. Op de Coding Agent Index van Artificial Analysis scoort GPT-6 Luna 41 bij maximale inspanning — twee punten lager dan de 43 van GPT-5.6 Luna — terwijl GPT-6 Sol de andere kant op bewoog: twee punten omhoog naar 57 bij $2,99 per taak. De generatiewissel in het goedkope segment is dus een kleine terugval op het gebied van agentic coding, geen verbetering, zelfs nu de prijs daalt. Wie "nieuwe generatie" leest als "strikt beter", zal verrast zijn door die kolom.

Verbositeit is de verborgen post

Er is een tweede getal in dezelfde evaluatie dat veel van het eerste verklaart. Tijdens de Intelligence Index-run genereerde GPT-6 Luna ongeveer 51.000 outputtokens per taak, tegenover ongeveer 41.000 voor GPT-5.6 Luna. Het nieuwere, goedkopere model is ongeveer een kwart uitgebreider om een vergelijkbare score te bereiken. De besparingen komen door de prijsverlaging, niet doordat het model efficiënter is geworden per eenheid werk.

Dat is om twee redenen van belang. Bij $0,50 per miljoen outputtokens kost een extra 10.000 outputtokens per taak een halve cent. Pas dat toe op honderdduizend taken per dag en de toename is een miljard tokens, of $500 per dag — op een model dat adverteert met een dubbeltje per miljoen inputtokens. En uitgebreidheid gaat slecht samen met het plafond van 128.000 outputtokens: een model dat langer nadenkt en langer schrijft, bereikt die limiet eerder, waardoor een kostenprobleem een afkappingsprobleem wordt.

De mitigatie is cachediscipline, en deze familie heeft er een die echt goed is. Invoer die uit de cache wordt gelezen tegen $0,01 per miljoen is een tiende van het niet-gecachte tarief, en OpenAI heeft de invalidatieregels gewijzigd zodat het aanpassen van redeneerinspanning of beschikbaarheid van tools de gecachte context niet langer weggooit. Voor een workload met een stabiele lange prefix — een schema, een systeemprompt, een document waarover je zes vragen stelt — ligt het effectieve invoertarief dichter bij een cent dan bij tien cent, en dat verschil is groter dan de aangekondigde verlaging. Het is ook het verschil tussen een goedkope tier die goedkoop is en een die slechts goedkoper is.

Waar het goedkope niveau achteruitgaat, en waar niet.

Dezelfde onafhankelijke evaluatie scheidt de regressies van de ruis, en dat onderscheid is het nuttigste eraan. GPT-6 Luna verliest ongeveer 75 Elo ten opzichte van zijn voorganger op GDPval-AA v2.1, en ongeveer 45 Elo op AA-Briefcase v1.1. Artificial Analysis schrijft beide toe aan een lagere presentatiekwaliteit en deliverables die vereiste rubriconderdelen overslaan, eerder dan aan feitelijke fouten of redeneerfouten. Het hallucinatiepercentage verbetert sterk, van ongeveer 93% naar 77%, en de AA-Omniscience Index gaat van −10 naar 1. Op AutomationBench-AA wint het, 53% tegen 50%; op Terminal-Bench 4.0 wint het nipt, 13% tegen 12%.

Die tweedeling is de hele beslissing. Het model is niet slechter geworden in de taak; het is slechter geworden in het aan u aanleveren van het voltooide artefact. Als u gestructureerde output consumeert — een classificatie, een extractie, een routeringsbeslissing, een JSON-payload — kost de regressie u niets en is de prijsverlaging gratis geld. Als een mens het eindproduct leest, kost de regressie u een beoordelaar, en de tijd van die beoordelaar is waarschijnlijk duurder dan de tokens die u hebt bespaard.

OpenAI's eigen niet-gereproduceerde claims bevinden zich aan het andere uiteinde van het spectrum: dat GPT-6 Luna bij hoge inspanning zijn voorganger met 5,4 procentpunt verbetert tegen 58% lagere kosten per taak; dat het bij maximale inspanning 66,6% scoort op DeepSWE 1.1, wat OpenAI vergelijkt met Claude Opus 5 bij gemiddelde inspanning tegen een fractie van de taakkosten; en dat het op OSWorld 2.0 GPT-5.6 Sol bij gemiddelde inspanning overtreft tegen ongeveer een tiende van de kosten. Dat zijn vergelijkingen binnen de testomgeving van de leverancier, met door de leverancier gekozen inspanningsinstellingen, en het enige dat de moeite waard is om eruit mee te nemen, is directioneel — het goedkope niveau is nu binnen bereik van het middenniveau van vorig jaar. De percentages per taak kun je beter negeren, want de testomgeving is niet aan beide kanten hetzelfde.

De effort-ondergrens is waar dit praktisch wordt. De gepubliceerde richtlijn is om eerst 'none' of 'low' te testen voor eenvoudige extractie en routering, en effort alleen te verhogen waar gemeten kwaliteit dat rechtvaardigt. Eén praktijkverslag uit de lanceringsweek stelde vast dat GPT-6 Luna bij 'low' effort helemaal niet bruikbaar is voor agentisch werk, waardoor de praktische ondergrens voor alles met meerdere stappen op 'medium' ligt. Een tweede bevinding uit hetzelfde soort tests is scherper: in één deployment-oefening slaagden de Kubernetes-manifests van het model voor schemavalidatie en faalden ze daarna bij alle drie de pogingen op een echte cluster, omdat een validator de vorm controleert en niet het gedrag. Als gegenereerde configuratie wordt uitgerold zonder een uitvoeringscheck in het proces, bezorgt de goedkope tier je fouten die op geslaagde resultaten lijken.

De standaardvraag, en waarom routing het antwoord daarop is

Het platform dat GPT-6 Luna tot zijn fallbackmodel maakte, beoordeelde de wijziging als een gemiddeld risico, en de bijbehorende opmerking is de eerlijke versie van het hele artikel: elke organisatie zonder eigen standaard schakelt over op Luna, dat goedkoper is maar een kleinere tier dan Terra, dus de kwaliteit bij moeilijke taken kan variëren. Dat is precies de afweging. Een standaard is een gok dat het meeste verkeer eenvoudig is, en voor de meeste organisaties klopt die gok — daarom is de wijziging uitgerold. Het risico zit in de minderheid van verzoeken die dat niet zijn.

De manier om die gok te wagen zonder de nadelen ervan te dragen, is om het standaardmodel niet langer als één enkel model te behandelen. GPT-6 Luna is routeerbaar via OrcaRouter tegen het vermelde tarief met geen opslag erbovenop, wat betekent dat de permanente prijs van de leverancier de prijs is die u hier ziet en dat een toekomstige verlaging dezelfde dag ingaat in plaats van bij de volgende contractvernieuwing. Op onze eigen modelpagina meet het deze week 74,3 tokens per seconde output met een foutpercentage van 0% over het verkeer dat wij bedienen. Beide contextniveaus worden zoals gepubliceerd aangeboden: $0,10 in en $0,50 uit onder 272.000 inputtokens, en daarboven stijgt dat naar $0,20 en $0,75.

Wat dat oplevert, is een standaard die kan opschalen. routerings-DSL laat je het grootste deel van het verkeer naar GPT-6 Luna sturen bij gemiddelde inspanning en bij een voorwaarde omleiden — invoerlengte boven de 272K-grens, een tool-call-vereiste, een taakklasse die de rubric-gevoelige regressie daadwerkelijk raakt — naar GPT-6 Sol of, voor werk met een lange horizon, naar het vlaggenschip GPT-6 Astra, met dezelfde sleutel, zonder tweede contract en zonder codewijziging. Dat is een andere vorm van beslissing dan één model kiezen en ermee leven. Je krijgt het niveau van tien cent waar het bewijs zegt dat het standhoudt, en een niveau van twee dollar of tien dollar waar dat niet zo is, en de grens is een regel die je hebt geschreven in plaats van een hoop. Automatische failover dekt de andere faalmodus af: dat de upstream van het goedkope niveau een slechte middag heeft terwijl je automatisering midden in een run zit.

Wie moet zich verplaatsen, en wie moet wachten

Stap over als je verkeer gestructureerd is en een hoog volume heeft: classificatie, extractie, tagging, intent-routering, logtriagering, samenvatting en de afgebakende implementatielussen die binnen een grotere agent zitten. Het bewijs ondersteunt de prijsverlaging en de scorepariteit, en de presentatieregressie is onzichtbaar voor een consument die JSON parseert.

Verplaats een langetermijn-agentketen, een refactor over meerdere bestanden of iets waarvan een mens de output goedkeurt, niet louter omdat het token goedkoop is. De Coding Agent Index is twee punten gedaald, de evaluaties voor kenniswerk zijn gedaald, en het model is per taak uitgebreider dan het model dat het vervangt. Een goedkoper token dat een beoordelaar nodig heeft, is geen goedkopere taak.

En let op één getal in plaats van op alle getallen. Het verschil in outputtokens van 51.000 versus 41.000 is het cijfer dat bepaalt of een Luna-standaardinstelling een besparing of een nuloperatie is voor jouw specifieke workload, en dat cijfer is in één middag meetbaar op je eigen verkeer. De tariefkaart staat vast en is permanent; het aantal tokens per voltooide taak niet, en dat is wat op de factuur verschijnt.