GPT-6 Luna vs GPT-6 Sol: Twee tariefkaarten met dezelfde vorm en een twintigvoudig getal

GPT-6 Luna kost $0,10 per miljoen inputtokens en $0,50 per miljoen outputtokens. GPT-6 Sol kost $2,00 en $10,00. De leverancier bracht beide op 22 september 2026 uit als de twee lagere niveaus van de GPT-6-generatie onder het vlaggenschip GPT-6 Astra, en het twintigvoudige verschil tussen hen is het eerste dat iedereen van de pagina afleest. Wat moeilijker te zien is, en nuttiger, is hoe weinig hen verder nog scheidt. Hetzelfde contextvenster van 1.050.000 tokens. Dezelfde maximale input van 922.000 tokens. Hetzelfde outputplafond van 128.000 tokens. Dezelfde redeneerladder van none via low, medium, high, xhigh en max, met medium als standaard. Dezelfde familie van kennisafsluitdatums, een maand uit elkaar. Dezelfde clausule die een volledig verzoek herprijst zodra het 272.000 inputtokens overschrijdt.

Twee modellen die elke structurele regel van een tariefkaart delen, worden niet door functies van elkaar onderscheiden. Ze worden onderscheiden door een score, en door wat die score je kost om te behalen. Op het onafhankelijke leaderboard dat beide meet, staat GPT-6 Sol elf punten boven GPT-6 Luna bij gelijke maximale inspanning en kost het ongeveer vijftien keer zoveel om dezelfde evaluatie te voltooien. Elf punten en vijftien keer is een andere zin dan twintig keer, en het verschil tussen die twee zinnen is waar deze vergelijking werkelijk zit.

Waar elk van deze twee voor dient

GPT-6 Sol is het dagelijkse werkpaard van de familie — het niveau dat OpenAI positioneert voor complexe codering, agentische workflows en professioneel werk dat iemand daadwerkelijk leest. Het accepteert tekst en afbeeldingen, produceert tekst en is beschikbaar voor iedereen met een API-sleutel. Het is het model waar de meeste teams standaard naar grijpen wanneer ze GPT-6-klasse capaciteiten willen zonder het tariefkaartje van het vlaggenschip of de toegangspoort ervan.

GPT-6 Luna is de volume-tier. OpenAI's eigen beschrijving is beperkt en opzettelijk onglamoureus: het meest efficiënte model voor gerichte, hoogvolume-taken. Samenvatten, extractie, classificatie, routering, de binnenste lus van een agent die duizend kleine aanroepen doet op weg naar één taak. Hetzelfde venster, dezelfde outputlimiet, dezelfde effort-knop — een goedkopere motor in een identiek chassis.

Beide zijn getraind met methoden die van GPT-6 Astra zijn afgeleid, in plaats van als een aparte lijn te zijn gebouwd, waardoor de specificatiebladen zo exact overeenkomen. De prijs is het enige punt waarop de twee bewust uiteenlopen.

De tariefkaart, regel voor regel

Eén regel per dimensie, beide zijden op elk:

• Input per 1 mln — GPT-6 Luna $0,10 vs GPT-6 Sol $2,00

• Uitvoer per 1M — GPT-6 Luna $ 0,50 vs. GPT-6 Sol $ 10,00

• Gecachte invoer per 1 mln — GPT-6 Luna $0,01 versus GPT-6 Sol $0,20; beide zijn een tiende van hun eigen niet-gecachte invoertarief, dus blijft de twintigvoudige verhouding ook na de korting intact

• Cache-schrijfacties per 1M — GPT-6 Luna $0,125 versus GPT-6 Sol $2,50, een premie van 25% op het invoertarief in beide gevallen

• Long-context-tier — identieke clausule op beide kaarten: boven 272.000 inputtokens wordt de hele aanvraag gefactureerd tegen 2× voor input en cache en 1,5× voor output, waardoor GPT-6 Luna op $0,20 en $0,75 uitkomt en GPT-6 Sol op $4,00 en $15,00

• Contextvenster — 1.050.000 tokens voor beide, met een maximale invoer van 922.000 tokens en een uitvoerplafond van 128.000 tokens

• Reasoning-inspanning — geen, laag, gemiddeld (standaard), hoog, xhigh, max voor beide; de regelaar is hetzelfde onderdeel in beide modellen

• Serviceniveaus — Flex halveert de rekening en Priority verdubbelt die op beide kaarten, geselecteerd via dezelfde service_tier parameter

• Kennisafsluitdatum — GPT-6 Luna 18 mei 2026 vs GPT-6 Sol 20 april 2026, wat een maand verschil is binnen één familie en de moeite waard om te weten voordat je aanneemt dat de twee hetzelfde wereldbeeld delen

• Intelligence Index, onafhankelijk — GPT-6 Luna 37 bij maximale inspanning vs GPT-6 Sol 48 bij maximale inspanning, dezelfde indexrevisie

• Score bij standaardinspanning — GPT-6 Luna 29 op zijn standaard medium vs. GPT-6 Sol 48 op max, de instelling waarop Artificial Analysis het heeft gemeten

• Kosten per Index-taak, onafhankelijk — GPT-6 Luna ongeveer $0,07 versus GPT-6 Sol $1,06

• Outputtokens bij de index-run — GPT-6 Luna 150M vs GPT-6 Sol 77M, tegen een scorebordmediaan van 88M

• Coding Agent Index, onafhankelijk — GPT-6 Luna 41, twee punten lager op GPT-5.6 Luna vs GPT-6 Sol 57, twee punten hoger op GPT-5.6 Sol

• Hallucinatiepercentage op AA-Omniscience — GPT-6 Luna 77%, gedaald van 93%, tegenover GPT-6 Sol 60%, gedaald van 92%; beide modellen zijn eerder geneigd om te weigeren in plaats van kennisrijker te worden, en Sol is verder gekomen.

• Op OrcaRouter — noch GPT-6 Luna noch GPT-6 Sol staat op het moment van schrijven in onze catalogus; beide zijn bereikbaar via OpenAI's eigen API

De inspanningsknop is hetzelfde onderdeel in beide modellen, en dat verandert de rekensom.

Omdat de redeneerladder identiek is, zijn de hoofdindexcijfers voor beide modellen cijfers bij maximale inspanning. De 37 van GPT-6 Luna is wat het scoort wanneer het zo lang mag nadenken als het wil. De standaardinstelling is medium, waarin het 29 scoort. De 48 van GPT-6 Sol is ook een cijfer bij maximale inspanning, en het is de instelling waarop de onafhankelijke raad het heeft laten draaien.

Dit is hier belangrijker dan bij de meeste vergelijkingen, want het betekent dat de twee modellen op dezelfde trede worden genoemd. Een team dat GPT-6 Luna inzet en niets verandert, zet geen 37 tegenover een 48; het zet een 29 tegenover een 48. Dat is een verschil van negentien punten in plaats van elf punten, en de grootte ervan is een eigenschap van de standaardinstelling, niet van het model.

Dezelfde regelaar is ook de goedkoopste optimalisatie die op beide kaarten beschikbaar is, en hij werkt in beide richtingen. GPT-6 Sol van max naar medium terugzetten voor werk dat een mens beoordeelt, levert een grotere besparing op dan een fractie van je verkeer van Sol naar Luna overzetten, en het kost één parameterwijziging in plaats van een migratie. GPT-6 Luna naar xhigh verhogen bij de ene aanroep per taak die daadwerkelijk de uitkomst bepaalt, is een afrondingsfout tegen het totaal. De regelaar bestaat op beide modellen juist zodat de keuze van de tier en de keuze van de inspanning afzonderlijk kunnen worden gemaakt, en de meeste teams maken er slechts één van.

De klif is identiek, en dat is juist het punt

Beide modellen hebben dezelfde lange-contextclausule, en omdat die clausule proportioneel is, verkleint die de kloof tussen hen niet — hij verdubbelt beide zijden ervan. Voor een verzoek van 300.000 tokens op GPT-6 Luna wordt $0,20 per miljoen invoer in rekening gebracht voor alle 300.000 tokens, niet voor de 28.000 die de grens overschrijden. Hetzelfde verzoek op GPT-6 Sol kost $4,00. Splits een van beide documenten in twee aanroepen onder de drempel en de kosten halveren, zonder dat de prompt verandert.

Wat de identieke clausule wél verandert, is de omvang van de fout. Op het volumetarief kost een verkeerd gedimensioneerde aanvraag een vijfde van een cent per duizend tokens. Op het dagtarief kost het vier dollar per miljoen. De teams die het meest waarschijnlijk een werkcontext van 300.000 tokens hebben, zijn degenen die de agentische pipelines draaien waarvoor beide modellen worden verkocht, wat betekent dat het tarief dat zich de fout het minst kan permitteren, niet het tarief is dat de fout het vaakst maakt.

Waar Sols elf punten zijn, en waar niet

De kloof is reëel en ze is niet gelijkmatig verdeeld over de taken die je zou kunnen uitvoeren.

De voordelen van GPT-6 Sol liggen vooral op het gebied van coderen en agentische uitvoering. De Coding Agent Index van 57 ligt zestien punten boven de 41 van GPT-6 Luna, op een ranglijst waar de equivalenten van de vorige generatie 55 en 43 waren — beide modellen bewogen dus in tegengestelde richtingen op die maatstaf, wat het weten waard is voordat je aanneemt dat de nieuwe generatie op alle fronten een upgrade is ten opzichte van de oude. Volgens de eigen gepubliceerde cijfers van de leverancier rapporteert Sol 68,8% op DeepSWE v1.1 bij maximale inspanning tegenover 66,6% van Luna, en ongeveer 43% op Terminal-Bench 4.0 tegenover 37%. Die zijn door OpenAI gerapporteerd en niet gereproduceerd, en het verschil dat ze beschrijven is kleiner dan het indexverschil doet vermoeden.

Waar Sol zich onderscheidt, is bij de evaluaties die een lange keten van correcte beslissingen belonen: GPT-6 Sol rapporteert ongeveer 62% op AutomationBench-AA tegenover de 53% van GPT-6 Luna, en een hallucinatiepercentage van 60% tegenover 77% op hetzelfde alwetendheidsboard. Een verschil van zeventien punten in hoe vaak een model een antwoord verzint, is geen capaciteitsmarge; voor alles met een downstreamconsument is het de hele beslissing.

Waar de elf punten niet liggen, is algemeen tekstwerk. Bij extractie, classificatie, routing en samenvatting — de taken waarvoor GPT-6 Luna is geprijsd — zullen beide modellen in de overgrote meerderheid van de gevallen hetzelfde bruikbare antwoord produceren, en het verschil zal het contact met je eigen evaluatieset niet overleven. Artificial Analysis signaleert één regressie bij beide modellen op maximale inspanning: GPT-6 Sol verliest ongeveer 100 Elo op GDPval-AA v2.1 ten opzichte van zijn voorganger, en GPT-6 Luna ongeveer 75. Als je werk op GDPval lijkt, is geen van beide niveaus de upgrade die je was beloofd, en zijn de elf punten een vergelijking tussen twee modellen die beide achteruit zijn gegaan.

Kiezen tussen twee niveaus die je al hebt

Het ongebruikelijke aan deze combinatie is dat het geen aankoopbeslissing is. Beide modellen draaien op hetzelfde account, hetzelfde endpoint en dezelfde SDK. Er is geen tweede contract, geen tweede tariefonderhandeling en geen integratiewerk om verkeer van het ene naar het andere model te verplaatsen. Dat maakt het een routeringsbeslissing, en routeringsbeslissingen zijn juist de beslissingen die je per verzoek wilt nemen in plaats van één keer.

Noch GPT-6 Luna noch GPT-6 Sol staat op het moment van schrijven in onze catalogus — beide zijn bereikbaar via OpenAI's eigen API, dus de splitsing moet in je applicatie tot uitdrukking worden gebracht in plaats van in een routerconfiguratie. Dat is een reden om er bewust mee om te gaan, want de kosten van een fout zijn een codewijziging in plaats van een instellingenwijziging. De vorm van de splitsing is niet ingewikkeld: GPT-6 Luna voor de duizend kleine aanroepen die een agent doet op weg naar een taak, en GPT-6 Sol voor de aanroep die het artefact oplevert dat een persoon zal lezen. Stel de effort-parameter expliciet in aan beide zijden, want de standaardwaarde is medium en elk gepubliceerd cijfer voor beide modellen is een maximum-effort-getal.

Teams die wel over leveranciers heen routeren — en de meeste die we zien doen dat — kunnen GPT-6 Astra, Grok 4.6, Kimi K3 en Qwen3.8-Max op één key via OrcaRouter tegen de lijstprijs van de provider, met 0% opslag en failover tussen upstreams. GPT-6 Luna en GPT-6 Sol aan hetzelfde plaatje toevoegen betekent een tweede key in plaats van een tweede architectuur, wat het kleinere van de twee problemen is die deze combinatie oplevert.

Welke, en wanneer?

Neem GPT-6 Luna, tenzij je de capaciteit kunt benoemen die je met de twintigvoudige kosten koopt. Het is goedkoper op elke regel van de tariefkaart, inclusief gecachede input, het heeft hetzelfde contextvenster en hetzelfde outputplafond, het kan worden opgedragen om helemaal te stoppen met redeneren, en de kosten per voltooide taak op het onafhankelijke leaderboard zijn ongeveer een vijftiende van die van GPT-6 Sol. Stel de effort expliciet in, houd lange calls onder 272.000 inputtokens en toets het gat van zestien punten in de Coding Agent Index aan je eigen repository voordat je aanneemt dat het op jou van toepassing is.

Neem GPT-6 Sol wanneer de taak het product is en de faalmodus een stilletjes verkeerd antwoord is in plaats van een langzaam antwoord. Coding-agents die een echte repository bedienen, langetermijnprofessionele analyses, alles waarbij een gehallucineerd feit meer kost dan de bespaarde tokens. Accepteer dat je vijftien keer zoveel betaalt per voltooide taak voor elf indexpunten, en dat een aanzienlijk deel van die elf punten in de hallucinatiekolom zit in plaats van in de capaciteitskolom — wat, voor dit specifieke paar, de betere helft is om voor te betalen.

De fout die je moet vermijden, is de twintigvoudige sticker te zien als het antwoord. Het is het antwoord op wat een token kost, en het zegt niets over wat een afgeronde taak kost of hoe vaak het antwoord van het goedkope model fout is op een manier die je niet zult opmerken.