GPT-6 Luna vs GPT-6 Sol: Duas Tabelas de Preços Com a Mesma Forma e um Número Vinte Vezes Maior

GPT-6 Lunaestá listado a $0.10 por milhão de tokens de entrada e $0.50 por milhão de saída. GPT-6 Solestá listado a $2.00 e $10.00. O fornecedor lançou ambos em 22 de setembro de 2026, como os dois níveis mais baixos da geração GPT-6, abaixo do carro-chefe GPT-6 Astra, e a diferença de vinte vezes entre eles é a primeira coisa que qualquer um lê na página. O que é mais difícil de ver, e mais útil, é quão pouco mais os separa. Mesma janela de contexto de 1.050.000 tokens. Mesmo máximo de entrada de 922.000 tokens. Mesmo teto de saída de 128.000 tokens. Mesma escada de raciocínio, de none a low, medium, high, xhigh e max, com medium como padrão. Mesma família de data de corte de conhecimento, com um mês de diferença. Mesma cláusula que reprecifica uma requisição inteira assim que ela ultrapassa 272.000 tokens de entrada.

Dois modelos que compartilham todas as linhas estruturais de uma tabela de preços não se diferenciam por recursos. Eles se diferenciam por uma pontuação, e por quanto essa pontuação custa para você obter. No ranking independente que mede ambos, o GPT-6 Sol fica onze pontos acima do GPT-6 Luna com esforço máximo equiparado e custa cerca de quinze vezes mais para concluir a mesma avaliação. Onze pontos e quinze vezes é uma frase diferente de vinte vezes, e a diferença entre essas duas frases é onde esta comparação realmente reside.

Para que serve cada um desses dois

O GPT-6 Sol é o cavalo de batalha da família — o nível que a OpenAI posiciona para codificação complexa, fluxos de trabalho agênticos e trabalho profissional que uma pessoa vai ler. Ele aceita texto e imagem, produz texto e está disponível para qualquer pessoa com uma chave de API. É o modelo que a maioria das equipes buscará por padrão quando quiser uma capacidade de nível GPT-6 sem a tabela de preços do carro-chefe nem sua barreira de acesso.

O GPT-6 Luna é o escalão de volume. A própria descrição da OpenAI é restrita e deliberadamente pouco glamorosa: o modelo mais eficiente para tarefas focadas e de grande volume. Sumarização, extração, classificação, encaminhamento, o ciclo interno de um agente que faz mil chamadas pequenas a caminho de uma única tarefa. A mesma janela, o mesmo limite de saída, o mesmo botão de esforço — um motor mais barato num chassi idêntico.

Ambos foram treinados com métodos derivados do GPT-6 Astra, em vez de serem construídos como uma linha separada, e é por isso que as fichas técnicas coincidem tão exatamente. O preço é o único ponto em que os dois divergem intencionalmente.

A tabela de preços, linha por linha

Uma linha por dimensão, ambos os lados em cada:

• Entrada por 1M — GPT-6 Luna US$ 0,10 vs GPT-6 Sol US$ 2,00

• Saída por 1M — GPT-6 Luna $0.50 vs GPT-6 Sol $10.00

• Entrada em cache por 1M — GPT-6 Luna $0.01 vs GPT-6 Sol $0.20; ambos são um décimo de sua própria tarifa de entrada sem cache, então a proporção de vinte vezes sobrevive intacta ao desconto

• Gravações de cache por 1M — GPT-6 Luna $0.125 vs GPT-6 Sol $2.50, um prêmio de 25% sobre a taxa de entrada em ambos os casos

• Nível de contexto longo — cláusula idêntica em ambos os cartões: acima de 272.000 tokens de entrada, a solicitação inteira é cobrada a 2× na entrada e no cache e 1,5× na saída, levando o GPT-6 Luna a $0,20 e $0,75 e o GPT-6 Sol a $4,00 e $15,00

• Janela de contexto — 1.050.000 tokens para ambos, com um máximo de 922.000 tokens de entrada e um teto de 128.000 tokens de saída

• Esforço de raciocínio — nenhum, baixo, médio (padrão), alto, xhigh, máximo para ambos; o seletor é a mesma peça em ambos os modelos

• Níveis de serviço — Flex reduz a conta pela metade e Priority a dobra em ambos os cartões, selecionados através do mesmoservice_tier parâmetro

• Data de corte de conhecimento — GPT-6 Luna, 18 de maio de 2026, vs. GPT-6 Sol, 20 de abril de 2026, uma diferença de um mês dentro de uma mesma família e que vale a pena saber antes de presumir que os dois compartilham uma visão de mundo

• Índice de Inteligência, independente — GPT-6 Luna 37 no esforço máximo vs GPT-6 Sol 48 no esforço máximo, mesma revisão do índice

• Pontuação no esforço padrão — GPT-6 Luna 29 no seu médio padrão vs. GPT-6 Sol 48 no máximo, a configuração em que a Artificial Analysis o mediu

• Custo por tarefa do Index, independente — GPT-6 Luna cerca de US$ 0,07 vs GPT-6 Sol US$ 1,06

• Tokens de saída na execução do índice — GPT-6 Luna 150M vs GPT-6 Sol 77M, contra uma mediana do quadro de 88M

• Coding Agent Index, independente — GPT-6 Luna 41, dois pontos abaixo no GPT-5.6 Luna vs GPT-6 Sol 57, dois pontos acima no GPT-5.6 Sol

• Taxa de alucinação no AA-Omniscience — GPT-6 Luna 77%, ante 93% vs GPT-6 Sol 60%, ante 92%; ambos os modelos ficaram mais dispostos a recusar em vez de mais conhecedores, e o Sol foi mais longe

• No OrcaRouter — nem GPT-6 Luna nem GPT-6 Sol estão no nosso catálogo no momento em que escrevemos; ambos são acessados pela própria API da OpenAI

O dial de esforço é a mesma peça nos dois modelos, e isso muda a aritmética.

Como a escada de raciocínio é idêntica, os números principais do índice para ambos os modelos são números de esforço máximo. O 37 do GPT-6 Luna é o que ele obtém quando pode pensar pelo tempo que quiser. Seu padrão é médio, no qual obtém 29. O 48 do GPT-6 Sol também é um número de esforço máximo, e é a configuração na qual o painel independente o executou.

Isso importa mais aqui do que na maioria das comparações, porque significa que os dois modelos estão sendo cotados no mesmo patamar. Uma equipe que implanta o GPT-6 Luna e não muda nada não está rodando um 37 contra um 48; está rodando um 29 contra um 48. Essa é uma diferença de dezenove pontos, e não de onze, e o tamanho dela é uma propriedade do padrão, não do modelo.

O mesmo ajuste também é a otimização mais barata disponível em qualquer um dos modelos, e funciona nos dois sentidos. Reduzir o GPT-6 Sol de max para medium em trabalho revisado por humanos gera uma economia maior do que trocar uma fração do seu tráfego de Sol para Luna, e custa uma alteração de parâmetro em vez de uma migração. Aumentar o GPT-6 Luna para xhigh na única chamada por tarefa que realmente decide o resultado é um erro de arredondamento diante do total. O ajuste existe em ambos os modelos justamente para que a escolha de nível e a escolha de esforço possam ser feitas separadamente, e a maioria das equipes faz apenas uma delas.

O penhasco é idêntico, e é esse o ponto.

Ambos os modelos têm a mesma cláusula de contexto longo e, como a cláusula é proporcional, ela não reduz a diferença entre eles — ela dobra ambos os lados dela. Uma requisição de 300.000 tokens no GPT-6 Luna é cobrada a $0,20 por milhão de entrada para todos os 300.000 tokens, não para os 28.000 acima do limite. A mesma requisição no GPT-6 Sol é cobrada a $4,00. Divida qualquer um dos documentos em duas chamadas abaixo do limite e o custo cai pela metade sem alteração no prompt.

O que a cláusula idêntica de fato muda é o tamanho do erro. No nível de volume, uma solicitação dimensionada incorretamente custa um quinto de centavo por mil tokens. No nível diário, custa quatro dólares por milhão. As equipes com maior probabilidade de ter um contexto de trabalho de 300.000 tokens são as que executam os pipelines agênticos para os quais ambos os modelos são vendidos, o que significa que o nível que menos pode arcar com o erro não é o nível que mais o comete.

Onde estão os onze pontos de Sol, e onde não estão

A diferença é real e não está distribuída uniformemente pelas tarefas que você pode executar.

As vantagens do GPT-6 Sol se concentram em codificação e em execução agêntica. Seu Coding Agent Index de 57 está dezesseis pontos acima do 41 do GPT-6 Luna, em um quadro onde os equivalentes da geração anterior eram 55 e 43 — então ambos os modelos se moveram em direções opostas nessa medida, o que vale saber antes de assumir que a nova geração é uma melhoria em relação à antiga em todos os aspectos. Nos próprios números publicados pelo fornecedor, o Sol relata 68,8% no DeepSWE v1.1 em esforço máximo, contra 66,6% do Luna, e cerca de 43% no Terminal-Bench 4.0, contra 37%. Esses são dados relatados pela OpenAI e não reproduzidos, e a diferença que descrevem é menor do que a lacuna do índice sugere.

Onde o Sol se destaca é nas avaliações que recompensam uma longa cadeia de decisões corretas: o GPT-6 Sol reporta cerca de 62% no AutomationBench-AA, contra os 53% do GPT-6 Luna, e uma taxa de alucinação de 60% contra 77% no mesmo painel de onisciência. Uma diferença de dezessete pontos na frequência com que um modelo inventa uma resposta não é uma margem de capacidade; para qualquer coisa que tenha um consumidor a jusante, é a decisão por inteiro.

Onde os onze pontos não se aplicam é no trabalho geral com texto. Em extração, classificação, roteamento e sumarização — as tarefas para as quais o GPT-6 Luna tem preço definido — ambos os modelos produzirão a mesma resposta utilizável na grande maioria das vezes, e a diferença não sobreviverá ao contato com o seu próprio conjunto de avaliação. A Artificial Analysis sinaliza uma regressão em ambos os modelos no esforço máximo: o GPT-6 Sol perde cerca de 100 Elo no GDPval-AA v2.1 em relação ao seu antecessor, e o GPT-6 Luna cerca de 75. Se o seu trabalho se parece com o GDPval, nenhum dos níveis é a atualização que lhe foi prometida, e os onze pontos são uma comparação entre dois modelos que ambos regrediram.

Escolher entre dois níveis que já tem

O incomum nesse emparelhamento é que ele não é uma decisão de compra. Ambos os modelos rodam na mesma conta, no mesmo endpoint e no mesmo SDK. Não há um segundo contrato, nem uma segunda negociação de tarifas, nem trabalho de integração para mover o tráfego de um para o outro. Isso faz com que seja uma decisão de roteamento, e decisões de roteamento são as que vale a pena tomar por requisição em vez de uma única vez.

Nem o GPT-6 Luna nem o GPT-6 Sol estão em nosso catálogo no momento em que escrevemos — ambos são acessados pela própria API da OpenAI, então a divisão precisa ser expressa na sua aplicação, e não em uma configuração de roteador. Isso é um motivo para ser deliberado a respeito, porque o custo de errar é uma mudança de código, e não uma mudança de configurações. O formato da divisão não é complicado: GPT-6 Luna para as mil pequenas chamadas que um agente faz no caminho até uma tarefa, e GPT-6 Sol para a chamada que produz o artefato que uma pessoa vai ler. Defina o parâmetro effort explicitamente dos dois lados, porque o padrão é medium e todos os números publicados para ambos os modelos são valores de esforço máximo.

Equipes que fazem roteamento entre fornecedores — e a maioria das que vemos faz — podem manter GPT-6 Astra, Grok 4.6, Kimi K3 e Qwen3.8-Max em uma única chave por meio do OrcaRouter ao preço de tabela do provedor, com 0% de markup e failover entre upstreams. Adicionar GPT-6 Luna e GPT-6 Sol ao mesmo cenário significa uma segunda chave em vez de uma segunda arquitetura, que é o menor dos dois problemas que esse emparelhamento cria.

Qual deles, e quando

Escolha o GPT-6 Luna, a menos que você consiga nomear a capacidade que está comprando com o preço vinte vezes maior. Ele é mais barato em cada linha da tabela de preços, incluindo entrada em cache, tem a mesma janela e o mesmo teto de saída, pode ser instruído a parar de raciocinar completamente, e seu custo por tarefa concluída no placar independente é aproximadamente um quinze avos do custo do GPT-6 Sol. Defina o esforço explicitamente, mantenha chamadas longas abaixo de 272.000 tokens de entrada e confira a diferença de dezesseis pontos no Coding Agent Index em relação ao seu próprio repositório antes de assumir que ela se aplica a você.

Escolha o GPT-6 Sol quando a tarefa é o produto e o modo de falha é uma resposta silenciosamente errada, e não uma resposta lenta. Agentes de codificação operando um repositório real, análises profissionais de longo horizonte, qualquer coisa em que um fato alucinado custe mais do que os tokens economizados. Aceite que você está pagando quinze vezes por tarefa concluída em troca de onze pontos de índice, e que uma parcela significativa desses onze pontos está na coluna da alucinação, e não na coluna da capacidade — o que, para este par em particular, é a melhor metade para se pagar.

O erro a evitar é tratar a etiqueta de vinte vezes como a resposta. Ela responde a quanto custa um token, e não diz nada sobre quanto custa uma tarefa concluída nem sobre com que frequência a resposta do modelo barato está errada de uma forma que você não vai perceber.