GPT-6 Luna vs GPT-6 Sol: Två prislistor med samma form och ett tjugofaldigt tal

GPT-6 Luna listas till $0.10 per miljon indatatoken och $0.50 per miljon utdatatoken. GPT-6 Sol listas till $2.00 och $10.00. Leverantören släppte båda den 22 september 2026, som de två lägre nivåerna i GPT-6-generationen under flaggskeppet GPT-6 Astra, och den tjugofaldiga klyftan mellan dem är det första alla läser av på sidan. Det som är svårare att se, och mer användbart, är hur lite annat som skiljer dem åt. Samma kontextfönster på 1 050 000 token. Samma maximala indata på 922 000 token. Samma tak för utdata på 128 000 token. Samma resonemangsstege från none via low, medium, high, xhigh och max, med medium som standard. Samma familj av kunskapsgräns, en månad isär. Samma klausul som prisjusterar en hel begäran när den passerar 272 000 indatatoken.

Två modeller som delar varje strukturell rad i ett prisblad skiljs inte åt av funktioner. De skiljs åt av en poäng, och av vad den poängen kostar dig att uppnå. På den oberoende resultattavla som mäter båda ligger GPT-6 Sol elva poäng över GPT-6 Luna vid matchad maximal ansträngning och kostar ungefär femton gånger så mycket att genomföra samma utvärdering. Elva poäng och femton gånger är en annan mening än tjugo gånger, och skillnaden mellan dessa två meningar är där den här jämförelsen faktiskt ligger.

Vad var och en av dessa två är till för

GPT-6 Sol är familjens vardagsmodell — den nivå som OpenAI positionerar för komplex kodning, agentiska arbetsflöden och professionellt arbete som en människa kommer att läsa. Den tar emot text och bild, producerar text och är tillgänglig för alla med en API-nyckel. Det är modellen som de flesta team som standard kommer att välja när de vill ha GPT-6-klassig kapacitet utan flaggskeppets prislista eller dess åtkomstgrind.

GPT-6 Luna är volymnivån. OpenAIs egen beskrivning är snäv och medvetet oglamorös: den mest effektiva modellen för fokuserade uppgifter med hög volym. Sammanfattning, extrahering, klassificering, routing, den inre loopen hos en agent som gör tusen små anrop på vägen mot en enda uppgift. Samma fönster, samma utdatatak, samma effort-reglage — en billigare motor i ett identiskt chassi.

Båda tränades med metoder som härstammar från GPT-6 Astra snarare än att byggas som en separat linje, vilket är anledningen till att specifikationsbladen stämmer så exakt överens. Priset är det enda stället där de två skiljer sig åt avsiktligt.

Prislistan, rad för rad

En rad per dimension, båda sidorna på varje:

• Indata per 1M — GPT-6 Luna $0.10 mot GPT-6 Sol $2.00

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

• Cachad indata per 1M — GPT-6 Luna $0.01 vs GPT-6 Sol $0.20; båda är en tiondel av sin egen icke-cachade indatatakt, så det tjugofaldiga förhållandet överlever rabatten intakt

• Cacheskrivningar per 1M — GPT-6 Luna $0,125 mot GPT-6 Sol $2,50, ett påslag på 25 % på indatapriset i båda fallen

• Nivå för lång kontext – identisk klausul på båda korten: över 272 000 indatatoken faktureras hela begäran med 2× för indata och cache samt 1,5× för utdata, vilket tar GPT-6 Luna till 0,20 och 0,75 dollar och GPT-6 Sol till 4,00 och 15,00 dollar

• Kontextfönster — 1 050 000 token för båda, med en maximal indata på 922 000 token och ett utdatatak på 128 000 token

• Resonemangsinsats — ingen, låg, medel (standard), hög, xhigh, max för båda; reglaget är samma del i båda modellerna

• Servicenivåer — Flex halverar kostnaden och Priority fördubblar den på båda korten, väljs genom samma service_tier-parameter

• Kunskapsavgränsning — GPT-6 Luna 18 maj 2026 vs GPT-6 Sol 20 april 2026, vilket är en månad isär inom en och samma familj och värt att veta innan man antar att de två delar en världsbild

• Intelligensindex, oberoende — GPT-6 Luna 37 vid maximal ansträngning vs GPT-6 Sol 48 vid maximal ansträngning, samma indexrevision

• Standardansträngningspoäng — GPT-6 Luna 29 vid dess standardinställning medium mot GPT-6 Sol 48 vid max, inställningen som Artificial Analysis mätte det vid

• Kostnad per Index-uppgift, oberoende — GPT-6 Luna cirka 0,07 $ mot GPT-6 Sol 1,06 $

• Utgående tokens på indexkörningen — GPT-6 Luna 150M mot GPT-6 Sol 77M, jämfört med en median för boarden på 88M

• Coding Agent Index, oberoende — GPT-6 Luna 41, ned två poäng på GPT-5.6 Luna mot GPT-6 Sol 57, upp två på GPT-5.6 Sol

• Hallucinationsfrekvens på AA-Omniscience – GPT-6 Luna 77 %, ned från 93 %, jämfört med GPT-6 Sol 60 %, ned från 92 %; båda modellerna blev mer benägna att avböja snarare än att bli mer kunniga, och Sol kom längre

• På OrcaRouter – varken GPT-6 Luna eller GPT-6 Sol finns i vår katalog i skrivande stund; båda nås via OpenAIs eget API

Ansträngningsratten är samma del i båda modellerna, och det ändrar aritmetiken.

Eftersom resonemangstrappan är identisk är rubrikindexsiffrorna för båda modellerna siffror vid maximal ansträngning. GPT-6 Lunas 37 är vad den får när den tillåts tänka hur länge den vill. Dess standard är medium, där den får 29. GPT-6 Sols 48 är också en siffra vid maxansträngning, och det är den inställning som den oberoende nämnden körde den med.

Detta spelar större roll här än i de flesta jämförelser, eftersom det innebär att de två modellerna anges på samma nivå. Ett team som driftsätter GPT-6 Luna och inte ändrar något kör inte en 37 mot en 48; det kör en 29 mot en 48. Det är en nittonpunktskillnad snarare än en elvapunktskillnad, och dess storlek är en egenskap hos standardinställningen, inte hos modellen.

Samma reglage är också den billigaste optimeringen som finns på båda korten, och det går åt båda hållen. Att sänka GPT-6 Sol från max till medium för arbete som en människa granskar är en större besparing än att växla en andel av din trafik från Sol till Luna, och det kostar en parameterändring i stället för en migrering. Att höja GPT-6 Luna till xhigh för det enda anropet per uppgift som faktiskt avgör resultatet är ett avrundningsfel jämfört med totalen. Reglaget finns på båda modellerna just för att nivåvalet och valet av ansträngning ska kunna göras separat, och de flesta team gör bara ett av dem.

Klippan är identisk, vilket är poängen

Båda modellerna har samma klausul för lång kontext, och eftersom klausulen är proportionell minskar den inte klyftan mellan dem – den fördubblar båda sidorna av den. En begäran på 300 000 token hos GPT-6 Luna debiteras med $0.20 per miljon indata för alla 300 000 token, inte för de 28 000 som överstiger gränsen. Samma begäran hos GPT-6 Sol debiteras med $4.00. Dela upp endera dokumentet i två anrop under tröskelvärdet så halveras kostnaden utan att prompten ändras.

Det som den identiska klausulen faktiskt förändrar är storleken på misstaget. På volymnivån kostar en begäran med fel storlek en femtedels cent per tusen tokens. På dagsnivån kostar den fyra dollar per miljon. De team som mest sannolikt har en arbetskontext på 300 000 tokens är de som kör de agentiska pipelines som båda modellerna säljs in i, vilket innebär att den nivå som har minst råd med misstaget inte är den nivå som gör det oftast.

Var Sols elva punkter finns, och var de inte finns

Gapet är verkligt och det är inte jämnt fördelat över de uppgifter du kan tänkas köra.

GPT-6 Sols fördelar är koncentrerade till kodning och till agentisk exekvering. Dess Coding Agent Index på 57 ligger sexton poäng över GPT-6 Lunas 41, på en resultattavla där den föregående generationens motsvarigheter var 55 och 43 — så båda modellerna rörde sig i motsatta riktningar på det måttet, vilket är värt att veta innan man antar att den nya generationen är en uppgradering av den gamla på alla områden. Enligt leverantörens egna publicerade siffror rapporterar Sol 68,8 % på DeepSWE v1.1 vid maximal ansträngning mot Lunas 66,6 %, och ungefär 43 % på Terminal-Bench 4.0 mot 37 %. Dessa är OpenAI-rapporterade och inte reproducerade, och gapet de beskriver är mindre än vad indexgapet antyder.

Det är i utvärderingarna som belönar en lång kedja av korrekta beslut som Sol drar ifrån: GPT-6 Sol rapporterar omkring 62 % på AutomationBench-AA mot GPT-6 Lunas 53 %, och en hallucinationsfrekvens på 60 % mot 77 % på samma allvetandebräde. En skillnad på sjutton punkter i hur ofta en modell hittar på ett svar är inte en kapacitetsmarginal; för allt med en nedströmskonsument är det hela beslutet.

Där de elva punkterna inte spelar någon roll är allmänt textarbete. Vid extraktion, klassificering, routning och sammanfattning – de uppgifter GPT-6 Luna är prissatt för – kommer båda modellerna att producera samma användbara svar i den överväldigande majoriteten av fallen, och skillnaden kommer inte att överleva kontakten med din egen utvärderingsuppsättning. Artificial Analysis flaggar en regression för båda modellerna vid maximal ansträngning: GPT-6 Sol förlorar ungefär 100 Elo på GDPval-AA v2.1 mot sin föregångare, och GPT-6 Luna ungefär 75. Om ditt arbete liknar GDPval är ingen av nivåerna den uppgradering du blev lovad, och de elva punkterna är en jämförelse mellan två modeller som båda gick bakåt.

Att välja mellan två nivåer som du redan har

Det ovanliga med den här kombinationen är att det inte är ett köpbeslut. Båda modellerna körs på samma konto, samma endpoint och samma SDK. Det finns inget andra avtal, ingen andra prisförhandling och inget integrationsarbete för att flytta trafik från den ena till den andra. Det gör det till ett routingbeslut, och routingbeslut är just sådana som är värda att fatta per begäran snarare än en gång för alla.

Varken GPT-6 Luna eller GPT-6 Sol finns i vår katalog i skrivande stund – båda nås via OpenAI:s eget API, så uppdelningen måste uttryckas i din applikation snarare än i en routerkonfiguration. Det är ett skäl att vara eftertänksam med den, eftersom kostnaden för att göra fel är en kodändring snarare än en inställningsändring. Formen på uppdelningen är inte komplicerad: GPT-6 Luna för de tusen små anrop en agent gör på vägen till en uppgift, och GPT-6 Sol för anropet som producerar artefakten en person kommer att läsa. Ställ in effort-parametern explicit på båda sidor, eftersom standardvärdet är medium och varje publicerad siffra för båda modellerna är ett maximum-effort-tal.

Team som faktiskt routar mellan leverantörer – och de flesta vi ser gör det – kan hålla GPT-6 Astra, Grok 4.6, Kimi K3 och Qwen3.8-Max på en enda nyckel via OrcaRouter till leverantörens listpris, med 0 % påslag och failover mellan uppströmsleverantörer. Att lägga till GPT-6 Luna och GPT-6 Sol i samma bild innebär en andra nyckel snarare än en andra arkitektur, vilket är det mindre av de två problem som den här kombinationen skapar.

Vilken, och när?

Välj GPT-6 Luna om du inte kan namnge den förmåga du köper med tjugofaldigheten. Den är billigare på varje rad i kortet, inklusive cachad indata, den har samma fönster och samma utdatatak, den kan instrueras att helt sluta resonera, och dess kostnad per slutförd uppgift i den oberoende resultattavlan är ungefär en femtondel av GPT-6 Sols. Ange ansträngningen uttryckligen, håll långa anrop under 272 000 indatatoken och kontrollera gapet på sexton punkter i Coding Agent Index mot ditt eget kodförråd innan du antar att det gäller dig.

Välj GPT-6 Sol när uppgiften är produkten och felmoden är ett diskret felaktigt svar snarare än ett långsamt. Kodagenter som arbetar i ett verkligt kodförråd, långsiktig professionell analys, allt där ett hallucinerat faktum kostar mer än de sparade tokensen. Acceptera att du betalar femton gånger så mycket per slutförd uppgift för elva indexpoäng, och att en betydande andel av dessa elva poäng ligger i hallucineringskolumnen snarare än i förmågekolumnen – vilket, för just detta par, är den bättre halvan att betala för.

Misstaget att undvika är att behandla den tjugofaldiga prislappen som svaret. Den är svaret på vad en token kostar, och den säger ingenting om vad en slutförd uppgift kostar eller hur ofta den billiga modellens svar är fel på ett sätt som du inte kommer att märka.