GPT-6 Sol: Den kompletta referensen för OpenAI:s GPT-6 på mellannivå

GPT-6 Sol är mellannivån i familjen – modellen mellan flaggskeppet GPT-6 Astra ovanför och den billiga, snabba GPT-6 Luna nedanför, lanserad den 22 september 2026 för 2,00 USD per miljon indatatokens och 10,00 USD per miljon utdatatokens. Det är hälften av vad GPT-5.6 Sol kostade för en modell som leverantören i sin egen dokumentation beskriver som "byggd för att driva komplexa kodnings- och agentiska arbetsflöden": ett kontextfönster på 1 050 000 tokens, ett tak på 128 000 utdatatokens, text- och bildindata samt sex nivåer av resonemangsansträngning från none till max.

Den här sidan är referensen för den modellen – den man hamnar på efter att ha skrivit dess namn. Den är medvetet inte ett andra tillkännagivande. Lanseringsdatumet används här för att datera modellen, inte för att rapportera en händelse: modellen är en levande, allmänt tillgänglig API-produkt idag, och vad en läsare som kommer till den här sidan behöver är prislistan, kuvertet, leverantörens påståenden tydligt märkta, och vad en oberoende utvärderare mätte. Datumtidsankaret är den 22 september 2026, sex dagar innan den här sidan skrevs, så lanseringen ligger också inom ett sjudagars färskhetsfönster; avsnittet du läser är anledningen till att sidan är en referens snarare än en nyhet. Anledningen till att den finns överhuvudtaget är sökefterfrågan mätt förstaparts på den här webbplatsen: folk skriver modellens eget namn, och den lösa trafiken kring det namnet är helt versus-formad och betjänas redan av de matchningssidor vi publicerar separat.

Var GPT-6 Sol befinner sig i GPT-6-stacken

OpenAIs egen dokumentation namnger tre GPT-6-modeller och ger var och en en uppgift. GPT-6 Astra är flaggskeppet – företagets egen guide kallar den dess mest intelligenta modell, inriktad på datoranvändning, webbläsning, mjukvaruutveckling, vetenskap och dokumentskapande, och prissatt till $10,00 / $50,00 före eventuella nivåer. GPT-6 Luna är effektivitetsnivån, inriktad på väldefinierat arbete med hög volym, och kostar $0,10 / $0,50. GPT-6 Sol är mellanmodellen: OpenAIs modellsida beskriver den på en rad som byggd för komplex kodning och agentiska arbetsflöden, och dess familjeguide säger till utvecklare att välja gpt-6-astra för högsta möjliga kapacitetsnivå, gpt-6-sol för "starka resonemang i krävande uppgifter" och gpt-6-luna för effektivt, repeterbart arbete i stor skala.

Två fakta gör nivån verklig snarare än en prisetikett. Sol har samma 1 050 000-tokenfönster och 128 000-token utdatatak som Astra — mellannivån är inte ett mindre fönster, det är färre kapacitetsdollar per token. Och Sol har stöd för en resonemangsinställning som Astra saknar: reasoning.effort accepterar none på Sol, så modellen kan köras helt utan ett resonemangspass, medan Astras stege börjar på low. I övrigt är ansträngningsstegen identisk — none, low, medium (standard), high, xhigh, max.

Artificial Analysis daterar GPT-6 Astra till 3 september 2026 och GPT-6 Sol och Luna till 22 september 2026 — tre veckor som skiljer flaggskeppsgenerationens första lansering från dess billigare syskon. Observera att vår egen katalograd för GPT-6 Astra har ett katalogdatum på 4 september; det är en katalogartefakt, och den oberoende trackerns 3 september är det lanseringsdatum vi använder här.

Prislistan, i sin helhet

Varje siffra i det här avsnittet kommer från OpenAI:s egen prisdokumentation och modellsidan för GPT-6 Sol, båda lästa den 28 september 2026, och båda per miljon tokens i USD.

• Standard, upp till 272 000 indatatoken — 2,00 $ indata, 0,20 $ cachad indata, 2,50 $ cacheskrivningar, 10,00 $ utdata.

• Andel cachad indata — OpenAI fakturerar cachad indata till 10 % av priset för icke-cachad indata, en rabatt på 90 %, och uppger att cacheskrivningar faktureras till 1,25× priset för icke-cachad indata. Lanseringen av GPT-6 tog också bort en friktion som tidigare tyst kostade pengar: att ändra resonemangsansträngning eller verktygstillgänglighet ogiltigförklarar inte längre cachen.

• Lång kontext, över 272 000 indatatoken — 4,00 USD för indata, 0,40 USD för cachad indata, 5,00 USD för cache-skrivningar, 15,00 USD för utdata. Tröskelvärdet är 272K, och det anges på OpenAIs GPT-6 Sol-modellsida själv i stället för att lånas från Astra-sidan, som har samma siffra. Samma sida anger omprissättningsregeln i en mening: prompter med mer än 272K indatatoken prissätts till 2× indata- och cachepriser och 1,5× utdata för hela begäran. Detta är inte en tilläggsavgift på det överskjutande. En begäran på 300 000 token debiterar alla 300 000 token till långkontextpriset, så kostnaden för att passera gränsen är en stegförändring snarare än en lutning — och steget inträffar vid en gräns som de flesta pipelineer för långa dokument passerar av misstag.

• Batch och Flex — båda prissätts till 50 % av de tillämpliga standardpriserna, så Batch och Flex på Sol kostar $1,00 / $5,00 för kort kontext och $2,00 / $7,50 för lång kontext, med cachad indata till $0,10 respektive $0,20.

• Fast mode — 2× den tillämpliga taxan, vilket är $4.00 / $20.00 för kort kontext och $8.00 / $30.00 för lång kontext. OpenAI bytte namn på prioritetsbearbetning till Fast mode den 30 juli 2026 och accepterar antingen service_tier: "priority" eller "fast".

• Två påslag värda att känna till — regionala bearbetningsslutpunkter har ett påslag på 10 % för modeller som släpps den 5 mars 2026 eller senare, och FedRAMP-slutpunkter har ett påslag på 10 % på standardpriser. För GPT-6 Sol och Luna är EU-datalagring endast tillgänglig med Standard-bearbetning.

• Kontext för priset — OpenAI:s prislista anger fortfarande GPT-5.6 Sol till $4.00 / $20.00 med kampanjpris som uppges gälla åtminstone fram till och med den 21 november 2026. Sols $2.00 / $10.00 är en sänkning med 50 % på båda sidor jämfört med dess direkta föregångare, och OpenAI uppgav till reportrar att de nya priserna är permanenta snarare än kampanjpriser. Det är ett uttalande från en talesperson snarare än ett skriftligt åtagande i prislistan, så det bör betraktas som leverantörsuppgivet snarare än som ett kontraktuellt faktum.

Kuvertet

• Kontext och utdata — kontextfönster på 1 050 000 token, maximalt 922 000 indatatoken, maximalt 128 000 utdatatoken. Siffran 1 050 000 är OpenAIs egen; Artificial Analysis listar 872 000 i sin specifikationstabell för samma modell, och FAQ:n på den sidan säger 870k. Betrakta leverantörens siffra som kontraktet och trackerns siffra som en mätning av en specifik serverad konfiguration.

• Modaliteter — text och bild in, text ut, enligt OpenAIs modellsida. Vår egen katalograd för modellen listar också en filinmatning vid sidan av text och bild, och OpenAIs sida gör det inte. Leverantörens sida är styrande, så den ärliga tolkningen av den här modellen i dag är text- och bildinmatning.

• Kunskapsgräns — 20 april 2026. GPT-6 Lunas är den 18 maj 2026, och Astras är den 30 april 2026, så de tre modellerna i familjen har inte samma kunskapsgräns.

• Slutpunkter — Både Chat Completions och Responses stöds, liksom Batch. Realtime, Realtime-översättning och -transkribering, Assistants, finjustering, embeddings, bildgenerering och -redigering, tal, ljudtranskribering och -översättning, moderering samt den äldre Completions-rutten stöds inte.

• Verktyg och strukturerad utdata — strömmande svar, strukturerade utdata, funktionsanrop, filsökning, bildinmatning, webbsökning och prompt-cachning finns alla med i listan. Det finns en hake: i Chat Completions fungerar funktionsanrop bara när reasoning_effort är none. Resonemang med verktyg kräver Responses API.

• Parametrar som inte stöds när resonemang är aktiverat — med reasoning effort inställt på något annat än none, ta bort temperature, top_p och top_logprobs; i Chat Completions ta även bort logprobs.

Vad OpenAI hävdar, och vilken typ av påstående det är

OpenAI:s lanseringsmaterial för GPT-6 Sol, så som det rapporterades av The Decoder på lanseringsdagen, bör helst läsas som ett argument om kostnad vid paritet snarare än som ett påstående om förmåga. Siffrorna nedan är leverantörsrapporterade, har inte reproducerats oberoende och är de dataformer OpenAI valde att publicera; uppsättningen benchmarks är snävare än den vanliga uppställningen, vilket samma rapportering påpekar – GDPval och Terminal-Bench 4.0 saknas i den.

• FrontierCode 1.1, leverantörsrapporterad — GPT-6 Sol får 49,3 % vid maximal ansträngning för 2,14 dollar per uppgift. OpenAI anser att det ligger ungefär på samma nivå som Claude Fable 5.1 vid 50,3 % maximal ansträngning, vilket kostar 12,83 dollar per uppgift i OpenAIs egen jämförelse.

• DeepSWE v1.1, leverantörsrapporterat — 68,8 % för GPT-6 Sol vid maximal ansträngning, inom 1,1 punkter från Claude Fable 5:s bästa publicerade 69,9 %, och före OpenAIs egen GPT-6 Luna, som OpenAI uppger matchar Sol vid xhigh till en betydligt lägre kostnad.

• AutomationBench och OSWorld 2.0, leverantörsrapporterade — OpenAI rapporterar att GPT-6 Sol vid maximal ansträngning slår Claude Opus 5 vid maximal ansträngning i benchmarken för affärsarbetsflöden, till 9 % av kostnaden per uppgift, och uppger att GPT-6 levererar datoranvändningsresultat liknande Claude Opus 5 till ungefär 80 % lägre kostnad, där GPT-6 Astra fortfarande leder den kategorin inom OpenAIs egen familj.

Läs formen hos de meningarna snarare än siffrorna. Var och en kombinerar en poäng som ligger nära en rivals poäng med en kostnad som är en bråkdel av den. Det är ett påstående om likvärdighet till lägre kostnad, inte ett dominanspåstående, och det är ett väsentligt svagare påstående än ”den bästa modellen” – vilket är vad OpenAI reserverar för Astra. Leverantörspåståendena här säger att mellannivån har stängt prisgapet; de säger inte att den har stängt förmågegapet.

Den oberoende läsningen

Artificial Analysis utvärderade GPT-6 Sol vid maximal resonemangsansträngning och publicerade resultaten på lanseringsdagen. Dess siffror är oberoende och utgör motvikten till stycket ovan.

• Intelligence Index — 48 på Artificial Analysis Intelligence Index v4.3.2, som innefattar tio utvärderingar, däribland AA-Briefcase v1.1, GDPval-AA v2.1, AutomationBench-AA, Terminal-Bench 4.0, SciCode, Humanity's Last Exam, GDP.pdf, CritPt, AA-Omniscience och AA-LCR v1.1. Sidan placerar den på 18:e plats av 211 modeller i sin jämförelseklass — en nämnare som förändras i takt med att trackern lägger till modeller.

• Kostnad per uppgift — 1,06 USD per uppgift i Intelligence Index, mot en blandad taxa på 1,54 USD per miljon tokens i Artificial Analysismix 7:2:1 cacheträff/input/output. Modellen genererade 77 miljoner output-tokens under indexkörningen, mot ett medianvärde på 88 miljoner för resonemangsmodeller i dess prisklass, så den vinner inte på korthet.

• Hastighet och latens — 88,7 utdatatoken per sekund uppmätta via OpenAI:s API, över trackerns median på 82,6 för jämförbara resonemangsmodeller, med en tid till första token på 138,06 sekunder mot en median på 3,79 sekunder. De två siffrorna beskriver samma avvägning: modellen är snabb när den väl startar och långsam att starta, vilket är det förväntade kännetecknet för en lång resonemangskörning.

• Där det gick baklänges — The Decoders tolkning av Artificial Analysis-resultaten rapporterar regressioner i två utvärderingar av kunskapsarbete jämfört med föregående generation: ungefär 100 Elo-poäng förlorade på GDPval-AA v2.1 och omkring 75 på Luna, där manuell granskning spårar nedgången främst till presentationskvalitet och ofullständiga resultat. Artificial Analysis egen sammanfattning, enligt rapporten, är att kostnaden per uppgift ungefär halverades medan intelligenspoängen låg kvar på GPT-5.6-nivåer, med förbättringar i vissa utvärderingar och regressioner i andra.

Ett förbehåll bör fogas till allt detta. GPT-6 Sol och GPT-6 Astra har inte benchmarkats mot varandra vid matchad resonemangsansträngning i en matchad testrigg av någon aktör som vi kan hänvisa till, och de två siffror som citeras sida vid sida – Sol på 48 och Astra på 53 – kommer från samma index men inte nödvändigtvis från samma konfiguration. Den ärliga versionen av jämförelsen är kort: i indexet får Astra högre poäng än Sol, och ingen publicerad körning isolerar hur mycket av gapet som är modellen och hur mycket som är ansträngningsinställningen.

Tillgänglighet, och det enda som förändrades efter lanseringen

OpenAI lanserade båda modellerna den 22 september 2026 via sitt eget API som gpt-6-sol och gpt-6-luna, och lanseringsmaterialet placerade dem i ChatGPT Work och Codex för Plus-, Pro-, Business-, Enterprise- och Edu-prenumeranter, medan Free- och Go-användare nådde GPT-6 Luna via skrivbordsappen. Ingen av modellerna fanns i det vanliga ChatGPT-chattgränssnittet vid lanseringen – det är OpenAIs egen framställning enligt vad som rapporterades den dagen, och det är detaljen som med störst sannolikhet förvirrar en läsare som letade efter Sol i modellväljaren och inte hittade den.

Förändringen efter lanseringen som spelar roll för alla som matar den här modellen med bilder finns i OpenAIs egen API-ändringslogg, daterad 25 september 2026: OpenAI åtgärdade en bugg i bildkodningen som enligt företaget försämrade bildförståelsen i GPT-6 Sol och GPT-6 Luna, vilket påverkade visuella uppgifter i API:et och i Codex, inklusive datoranvändning. Ändringsloggens egen rekommendation är att köra om utvärderingar och försöka igen med påverkade arbetsflöden om bildindata ingår i ditt användningsområde. Det är en tre dagar gammal åtgärd på en sex dagar gammal modell, och det är anledningen till att en benchmarkkörning från lanseringsveckan och en körning från den här veckan kan skilja sig åt i allt visuellt.

Kör GPT-6 Sol på OrcaRouter

GPT-6 Sol dirigeras via OrcaRouter som openai/gpt-6-sol på OrcaRouter, till OpenAI:s eget listpris med leverantörens listpris vidarebefordrat med 0 % påslag, tillsammans med openai/gpt-6-astra och openai/gpt-6-luna. Alla tre ligger bakom en OpenAI-kompatibel slutpunkt och en API-nyckel, vilket är det som gör nivåfrågan testbar i stället för teoretisk: samma förfrågningskropp kan riktas mot Sol för en produktionsväg och mot Luna för bulkjobbet bredvid, utan ett andra avtal och utan kodändring, och en prisändring från leverantören är live här samma dag i stället för efter en omprissättningscykel. Om du flyttar en arbetsbelastning till en så här ny modell, automatisk failover mellan leverantörer är den andra halvan av argumentet — det är så du testar en sex dagar gammal modell på verklig trafik utan att satsa en produktionsväg på dess första månad.

Två saker som prislistan gör med en verklig faktura, genomräknade:

• En dokumentanalyskörning på 900 000 token faktureras med lång kontext för hela begäran: 900 000 indatatoken till 4,00 $ per miljon är 3,60 $, plus utdata. Samma körning som hålls under 272 000 token faktureras till 2,00 $ per miljon. Att dela upp en alltför stor begäran i fyra anrop under tröskelvärdet är inte ett hack här; det är en enkel besparing på 2× för indata.

• En cachad agentloop är där rabatten på 90 % för cachad indata gör jobbet: ett stabilt prefix som läses om hundratals gånger kostar $0,20 per miljon på Sol i stället för $2,00, och eftersom en ändrad resonemangsansträngning inte längre ogiltigförklarar cachen kan man gå igenom ansträngningsstegen inom en och samma konversation utan att betala för att bygga om prefixet.

Om det du faktiskt vill ha är beslutet mellan de två modellerna – den här eller flaggskeppet – har vi genomfört den fullständiga jämförelsen av GPT-6 Sol mot GPT-6 Astra separat, och förhandsdokumentationen om vad som då var en ännu inte släppt modell bevaras i en egen artikel snarare än att återupptas här.