GPT-6 vs GPT-6 Luna: Een dubbeltje per miljoen tokens, en het niveau dat antwoord geeft op het gratis plan

Er is een versie van deze vergelijking waarin het antwoord één regel is: je kunt GPT-6 niet aanroepen, en je kunt GPT-6 Luna voor tien cent per miljoen inputtokens aanroepen. Maar de nuttigere versie is degene die uitlegt waarom Luna nu het model is dat de meeste mensen daadwerkelijk hebben gebruikt — OpenAI plaatste het op 8 oktober 2026 in de Free- en Go-tiers van ChatGPT, waardoor het de goedkoopste tier in de generatie is en, qua gebruikersaantal, de drukste. Wat volgt is de tierladder één keer uitgelegd, en dan wat een dubbeltje per miljoen echt koopt.

De familie, en waar Luna daarin staat

OpenAI levert de GPT-6-generatie als drie model-id's die op 22 september 2026 worden uitgebracht, zonder een openai/gpt-6-endpoint achter de familienaam:

• GPT-6 Astra — het vlaggenschip, $10,00 in / $50,00 uit per miljoen tokens, vermeld op de tariefkaart van OpenAI als het topmodel van de generatie
• GPT-6 Sol — het middelste niveau, $2,00 / $10,00, en het model dat OpenAI aanwijst voor chat op de betaalde ChatGPT-niveaus
• GPT-6 Luna — het goedkope niveau, $0,10 / $0,50, en het model dat OpenAI aanwijst voor de Free- en Go-niveaus

Die laatste regel is het deel dat het waard is om precies vast te leggen, want het is de reden dat het verkeer van Luna al het andere in de familie doet verbleken. De eigen aankondiging van OpenAI voor de uitrol van 7–8 oktober stelt dat "GPT-6 in ChatGPT wordt aangedreven door GPT-6 Sol voor de Plus-, Pro-, Business- en Enterprise-abonnementen, en door GPT-6 Luna voor de Free- en Go-abonnementen." Een model dat $0,10 / $0,50 kost en het gratis abonnement bedient, is een model dat per dag meer vragen verwerkt dan welk premiumabonnement dan ook, en het is dezelfde checkpoint die je via de API kunt aanroepen. Het consumentenoppervlak is een distributiekanaal, geen aparte SKU.

Een voorbehoud dat hier herhaald moet worden omdat deze blog erover heeft gepubliceerd: dezelfde aankondiging zegt dat Free en Go GPT-6 Luna krijgen, terwijl de helpcentrumpagina van OpenAI voor GPT-6 in ChatGPT Free en Go omschreef als draaiend op GPT-5.6 Luna op de dag dat die werd gelezen. Dat zijn geen met elkaar verenigbare uitspraken over hetzelfde niveau, OpenAI heeft niet gezegd welke actueel is, en als je werk ervan afhangt welk goedkoop model achter het gratis plan zit, beschouw de vermelding in het helpcentrum dan als de specifiekere pagina en controleer opnieuw voordat je op een van beide voortbouwt.

Wat tien cent per miljoen daadwerkelijk koopt

De kop is het minst interessante getal op Luna's kaart. Hier is de hele kaart, en de tierstap eronder:

• Korte context, tot 272.000 invoertokens — $0,10 per miljoen voor invoer, $0,50 per miljoen voor uitvoer
• Boven 272.000 invoertokens — $0,20 per miljoen voor invoer, $0,75 per miljoen voor uitvoer, van toepassing op het volledige verzoek
• Gecachte invoer — $0,01 per miljoen in de korte staffel, een korting van 90%; $0,02 boven de drempel
• Cache-schrijfacties — $0,125 per miljoen in de korte staffel, $0,25 daarboven
• Context en uitvoer — 1.050.000 invoertokens, 128.000 uitvoertokens
• Invoermodaliteiten — tekst, afbeelding en bestand, dezelfde multimodale invoer als Sol en Astra
• Redeneren — een configureerbare inspanningsparameter, naast hulpmiddelen, JSON-uitvoer en sampling met seed

Er volgen twee dingen. Het eerste is dat Luna geen uitgekleed model is. Het accepteert afbeeldingen en bestanden, het biedt dezelfde interface voor tool-calling en gestructureerde output als zijn twee duurdere broers, en het enige dat het op het specificatieblad van Sol onderscheidt, is diepgang in plaats van capaciteit. Het tweede is de stap. Een prompt boven 272.000 inputtokens verdubbelt het inputtarief van Luna en verhoogt het outputtarief met de helft, over de hele aanvraag in plaats van alleen het overschot. Dat is een milde stap bij deze prijzen — een aanvraag van 300.000 tokens kost ongeveer zes cent aan input in plaats van drie — dus de long-contextclausule die de budgetplanning voor Astra domineert en van belang is voor Sol, is hier vrijwel irrelevant.

Het cijfer dat op schaal echt geld in beweging brengt, is de cached read. Tegen één cent per miljoen betaalt een workload die bij elke beurt dezelfde grote context opnieuw verstuurt bijna niets voor het herhaalde deel. In een pijplijn voor extractie of classificatie met een hoog volume, met een stabiele systeemprompt en een stabiel document, is dat het verschil tussen een goedkoop model en een bijna gratis model, en het is de specifieke reden waarom Luna's werkelijke kosten per afgerond antwoord ver onder wat de tariefkaart suggereert liggen.

Wat het je kost aan capaciteit

Luna is het goedkoopste niveau omdat het het minst capabele is, en de onafhankelijke raad is ondubbelzinnig over hoeveel minder. Lees het af van Artificial Analysis via de OrcaRouter-catalogusvermelding voor elk model op 8 oktober 2026:

• AA Intelligence Index — GPT-6 Sol 47.6, rang 14; GPT-6 Luna 38.1, rang 37
• Humanity's Last Exam — GPT-6 Sol 47.9 vs GPT-6 Luna 38.5
• SciCode — GPT-6 Sol 57.6 vs GPT-6 Luna 54.6
• Terugvinden in lange context — GPT-6 Sol 83.7 vs GPT-6 Luna 83.3
• Terminal-Bench 4.0 — GPT-6 Sol 43.9 vs GPT-6 Luna 12.6
• Verkeer over zeven dagen — GPT-6 Luna ongeveer 574 miljoen tokens; GPT-6 Sol ongeveer 2,1 miljoen
• Mediane tijd tot het eerste token — GPT-6 Luna 1.494 ms vs GPT-6 Sol 6.785 ms
• Mediane uitvoersnelheid — GPT-6 Luna 132,9 tokens/s vs GPT-6 Sol 179,6 tokens/s

De vorm daarvan is informatiever dan het kopverschil. Luna staat 9,5 indexpunten achter Sol, en het verlies is niet gelijkmatig verdeeld: long-context recall is een gelijkspel van 0,4 punt, en SciCode — codebegrip in plaats van codeproductie — scheelt slechts 3 punten. Wat instort, is de agentische, meerstapsuitvoering: Terminal-Bench 4.0 op 12,6 tegenover 43,9 van Sol. Een model dat ongeveer even goed kan ophalen uit een document van een miljoen tokens als zijn grotere broer, en een competente single-shot-antwoord kan schrijven, is een ander instrument dan een dat een tool-loop tot voltooiing kan doorlopen.

Twee kanttekeningen. De indexcijfers komen van Artificial Analysis, niet van OpenAI, en die evaluator garandeert niet dat twee modelpagina's op dezelfde dag tegen dezelfde indexrevisie worden weergegeven — beschouw verschillen van minder dan een punt als richting, niet als precisie. En de serveercijfers zijn onze eigen routeringsmetingen over een voortschrijvend venster van zeven dagen; ze kunnen tussen aflezingen verschuiven en zijn nuttig voor de vorm van het verschil, niet als een belofte over het serviceniveau.

Er is één serveergetal dat de moeite waard is om bij stil te staan. De mediane tijd tot het eerste token van Luna is 1.494 ms tegenover de 6.785 ms van Sol — ongeveer 4,5 keer sneller tot het eerste token — en de doorvoer is wezenlijk lager zodra het streamen begint. Voor een chatinterface waarin de gebruiker op de openingsregel wacht, is die omkering precies het hele punt van dit niveau, en daarom kan het gratis plan snel aanvoelen terwijl het het goedkoopste model in de familie draait.

De frisse concurrentie binnen de familie

Luna's prijsvoordeel binnen de generatie is sinds de release kleiner geworden. GPT-6.1 Sol kwam op 29 september op Sol's $2,00 / $10,00 met een index van 51,8, en verlaagde het tarief voor invoer uit de cache naar $0,10 per miljoen. Dat verandert niets aan Luna's tarief voor korte context — tien cent in en vijftig cent uit is nog steeds twintig keer goedkoper qua invoer dan welke Sol dan ook — maar het betekent wel dat het niveau boven Luna goedkoper werd om te draaien op verkeer uit de cache, wat precies de workload is waarin Luna's voordeel het grootst was. Het verschil is nog steeds groot. Het is niet langer zo groot als de tariefkaarten alleen doen vermoeden.

Waar de tiergrens in de praktijk ligt

Verdeel het werk op basis van wat de taak nodig heeft, niet op basis van welk model hoger scoort.

Luna is de juiste keuze voor chat met een hoog volume, classificatie, extractie, moderatie en samenvatting over een lang document — de rij waarin het zijn grotere broer evenaart op retrieval is precies de rij die bepaalt of een grote context bruikbaar is. De latentie van de eerste token maakt het de betere keuze voor alles interactiefs dat niet redeneerintensief is. En voor een cent per miljoen gecachte tokens is een pijplijn met een stabiele context bijna gratis op het herhaalde deel.

Sol, of nu GPT-6.1 Sol, is de juiste keuze zodra de taak een tool-loop, een langetermijnplan of een keten van stappen vereist die moet worden voltooid. Het Terminal-Bench-verschil — 43,9 tegen 12,6 — is het duidelijkste signaal in deze vergelijking, en het komt overeen met de echte faalmodus: een goedkoop model dat de eerste stap goed beantwoordt en daarna de draad kwijtraakt. De effort-parameter betekent dat je Luna om meer redeneerwerk kunt vragen, maar effort verhoogt het aantal tokens in plaats van het plafond; het verandert een 12,6 niet in een 43,9.

En Astra blijft het antwoord voor het werk dat alleen het vlaggenschip kan doen — wat, met $10,00 input en $50,00 output tegenover de tien cent van Luna, een beslissing is die je per aanroep zou moeten kunnen verantwoorden in plaats van per team.

De one-API-versie van deze keuze

Het lastige aan een familie met drie niveaus is dat de grens tussen niveaus per functie verschuift, en per aanvraag verschuift — dezelfde applicatie wil meestal Luna voor het ene endpoint en Sol voor het volgende. Dat is een routeringsprobleem, geen inkoopprobleem. Alle drie de GPT-6-niveaus staan in dezelfde OrcaRouter-catalogus, aangeroepen via één OpenAI-compatibele API die voor 200+ modellen staat, waarbij de lijstprijs van de provider tegen 0% markup wordt doorgegeven, zodat een prijswijziging van een leverancier op elk niveau hier dezelfde dag live is in plaats van bij je volgende reconciliatie. De routerings-DSL stelt de opsplitsing expliciet samen — op basis van aanvraaggrootte, endpoint of aandeel — zodat het classificatiepad Luna kan draaien terwijl het agentische pad Sol draait, en automatische failover tussen providers vangt een route op die degradeert, in plaats van dat je er pas achter komt door een mislukte run.

Eén ding doet dit niet: het geeft je geen Luna die zich gedraagt als Sol. Niveaus bestaan omdat de modellen verschillen, en de getallen hierboven zijn de grootte van dat verschil. Wat één sleutel en een routeringsregel je opleveren, is de mogelijkheid om elk verzoek op het niveau te zetten dat er echt bij past, in plaats van alles voor de zekerheid op het duurste niveau te zetten of alles voor het budget op het goedkoopste.

Het antwoord, bepaald door de enige vraag die ertoe doet

Als de taak retrieve-then-answer is over een groot document, chat of bulktekstverwerking, dan is GPT-6 Luna het niveau en is de tiencentkaart geen compromis — de long-context recall-rij zegt dat hij net zo goed ophaalt als het model dat twintig keer meer kost. Als de taak een agent met meerdere stappen nodig heeft om te volbrengen, dan is Luna het verkeerde niveau en is de eerlijke zet GPT-6 Sol of GPT-6.1 Sol, waar de prijs in absolute termen nog steeds laag is en de agentische evaluaties niet meer instorten.

Wat "GPT-6" op zichzelf is, is wederom niets dat je kunt aanroepen. Het is een familienaam die drie id's bij drie prijspunten en drie verschillende capaciteitsplafonds dekt, en Luna is degene onderaan — de goedkoopste, de snelste tot het eerste token, degene die het gratis plan beantwoordt, en degene wiens plafond zichtbaar wordt op het moment dat een taak meer nodig heeft dan één enkel zelfverzekerd antwoord.