GPT-6 Sol och GPT-6 Luna: Den billigare token är inte alltid den billigare uppgiften

Leverantören släppte GPT-6 Sol och GPT-6 Luna den 22 september 2026, och rubriken överallt handlar om priset: Sol för 2,00 dollar per miljon indatatoken och 10,00 dollar för utdata, Luna för 0,10 och 0,50, båda ungefär hälften av vad GPT-5.6 Sol och GPT-5.6 Luna tar under nuvarande kampanjpriser, och båda ligger klart under flaggskeppet GPT-6 Astra på 10,00/50,00 dollar. Leverantörens eget tillkännagivande inleds med "vi har också gjort cachelagring och inferens effektivare". Problemet med att läsa det som en rabatthistoria är att enheten som faktiskt hamnar på din faktura inte är en token. Det är en uppgift. Och de första oberoende mätningarna, som publicerades samma dag, visar att de två nya modellerna rör sig i motsatta riktningar just på den enheten — där GPT-6 Luna, den billigare av de två med en faktor tjugo på indata, gör det sämre av de två jämfört med sin egen föregångare. En av dessa modeller är en ren uppgradering och en är ett genuint utbyte, och leverantörens tillkännagivande skiljer inte mellan dem.

Innan siffrorna, källreglerna för den här artikeln, eftersom de två högarna med underlag här bör tillmätas mycket olika vikt. Priser, kontextfönster, cache-priser och kunskapsavgränsningar kommer från OpenAIs egen API-dokumentation och pristabeller, lästa den 23 september 2026, där raderna för servicenivå och cache-skrivning styrks mot tredjepartsverktyg för kostnadsspårning i stället för att enbart hämtas från tillkännagivandet. OpenAIs benchmarktabeller – AutomationBench, DeepSWE 1.1, OSWorld 2.0, Agents' Last Exam och en intern faktualitetsutvärdering – är leverantörsrapporterade och inte reproducerade, och varje siffra som nedan hämtas från dem märks som sådan. De oberoende siffrorna kommer från Artificial Analysis, som körde båda modellerna i sitt Intelligence Index och Coding Agent Index på lanseringsdagen; det är dessa man bör lita på inför ett beslut. Där de två inte stämmer överens säger artikeln det, i stället för att medelvärdesberäkna dem.

Lanseringen, i ett stycke

Sol och Luna är medel- och lågnivåmedlemmar i GPT-6-familjen, tränade med metoderna bakom GPT-6 Astra och positionerade som snabbare, billigare sätt att nå det mesta av dess kapacitet. OpenAIs inramning är kostnad per uppgift snarare än rå kapacitet: företaget säger att GPT-6 Sol gör ungefär hälften så många misstag som GPT-5.6 Sol i sin interna faktualitetsutvärdering, och att GPT-6 Luna vid högre resonemangsansträngning matchar GPT-5.6 Sols faktualitet till ungefär en hundradel av uppgiftskostnaden. Båda tar emot text- och bildindata och producerar text, båda har ett kontextfönster på 1 050 000 token med ett utdatatak på 128K — Artificial Analysis anger 872k för samma modell, så betrakta den övre änden av det fönstret som uppgifter från leverantören — och båda exponerar resonemangsansträngning från none till max, en nivå som GPT-6 Astra inte erbjuder, eftersom Astra inte har någon none. Modell-ID:n är gpt-6-sol och gpt-6-luna. Tillgängligheten går via API:et, via ChatGPT Work och Codex för Plus-, Pro-, Business-, Enterprise- och Edu-konton, samt via Amazon Bedrock, som meddelade allmän tillgänglighet för båda samma dag. Gratis- och Go-användare får Luna i skrivbordsappen; ingen av modellerna finns i vanligt Chat-läge ännu.

Vad de fyra oberoende siffrorna säger, och varför de inte stämmer överens

Börja med GPT-6 Sol, eftersom dess historia är enkel. Artificial Analysis ger den 48 på Intelligence Index, 18:e av 212 uppmätta modeller, till $1.06 per indexuppgift mot $1.99 för GPT-5.6 Sol — ungefär halva kostnaden för en indexpoäng på samma nivå, och en förbättring av kostnaden per uppgift som håller i sig i stället för att dunsta bort. Dess Coding Agent Index stiger till 57 från 55, med Terminal-Bench 4.0 som går från 37 % till 43 % och SWE-Atlas-QnA från 54 % till 58 %, till $2.99 per uppgift på Paretofronten. Dess hallucinationsfrekvens faller från 92 % till 60 %, och dess avståendebeteende ändrar form helt: den svarar nu på 83 % av frågorna där den tidigare generationen svarade på 99 %, och i utbyte får den en fjärdedel färre felaktiga svar, medan träffsäkerheten sjunker från 59 % till 54 %. Det är en modell som har lärt sig att hålla tyst när den inte vet, och AA-Omniscience Index som går från 22 till 27 är samma faktum uttryckt som en poäng.

Nu GPT-6 Luna, och historien förändras. Artificial Analysis ger den 37 på Intelligence Index – exakt samma siffra som GPT-5.6 Luna får. Dess kostnad per indextask faller från $0.18 till $0.07, omkring 60 % lägre, och den besparingen är verklig. Men dess Coding Agent Index går ner, 43 till 41, där SWE-Atlas-QnA faller från 49 % till 44 % och DeepSWE 1.1 faller från 66 % till 64 %. Dess hallucinationsfrekvens förbättras från 93 % till 77 %, och dess avstående-beteende rör sig knappt – träffsäkerhet 44 % mot 43 %, AA-Omniscience från −10 till 1. Läst tillsammans: samma uppmätta intelligens, till ungefär 40 % av kostnaden per uppgift, med en sämre kodningsagent och i stort sett oförändrad svarskvalitet.

Det är ingen motsägelse, och anledningen spelar roll. En billigare token ger dig mindre bara om modellen gör av med fler tokens för att slutföra samma uppgift – och den oberoende datan säger att dessa modeller gör av med fler, inte färre. Utdata per indexuppgift steg från 29k till 31k tokens för Sol och från 41k till 51k för Luna. GPT-6 Lunas besparing på 60 % kommer helt från prissänkningen, inte från att köras snålare. Förskjutningen i tokens per uppgift är tillräckligt liten för att aritmetiken fortfarande ska fungera till din fördel här; den är inte tillräckligt liten för att kunna ignoreras som kategori, eftersom det är mekanismen genom vilken en framtida prissänkning kan neutraliseras av en mer pratsam modell. OpenAIs egen formulering har av samma anledning övergått till kostnad per uppgift.

Två regressioner ligger utanför de två huvudindexen och förtjänar att nämnas, eftersom ingen av dem förekommer i OpenAI:s tillkännagivande. I GDPval-AA v2.1, som mäter kunskapsarbetsleverabler, tappar GPT-6 Sol ungefär 100 Elo mot sin föregångare och GPT-6 Luna ungefär 75. GPT-6 Luna tappar också omkring 45 Elo i AA-Briefcase v1.1, där Sol står stabilt — Artificial Analysis tillskriver gapet svagare presentation och saknade bedömningspunkter. Om din användning av den billiga nivån är massammanfattning, extrahering och klassificering, berör inget av detta dig. Om det är att utforma något som en människa godkänner, gör det det.

Cacheändringen är den verkliga API-nyheten

Under prislistan döljer sig en förändring som spelar större roll för en produktionsfaktura än rubriksänkningen, och det är den del av tillkännagivandet som OpenAI:s eget inlägg antyder med en enda sats. Tre saker förändrades, och den tredje är den man bör läsa två gånger.

Den första är själva rabatten: cachade indataläsningar debiteras med 10 % av indatapriset, en rabatt på 90 %, vilket är samma villkor som familjen redan hade snarare än ett nytt. Sols cachade indata är 0,20 USD per miljon och Lunas är 0,01 USD; cacheskrivningar har en premie på 1,25x, 2,50 USD respektive 0,125 USD, med en enda livstid på 30 minuter.

Det andra är kontroll. Explicit cachelagring genom prompt_cache_options och prompt_cache_breakpoint – parametrarna som låter dig ange var ett återanvändbart promptprefix slutar i stället för att hoppas att leverantören gissar – är tillgänglig på båda modellerna. Detta är inte en ny API-yta; det nya är att det är värt att använda, eftersom standardträffrekvenserna har ökat.

Den tredje är den som förändrar arkitekturen. Att ändra resonemangsansträngning eller aktivera och inaktivera verktyg ogiltigförklarar inte längre det cachelagrade prefixet. Tidigare fick en agentloop som skruvade upp ansträngningen för ett svårt steg och ner igen för ett enkelt betala för att bearbeta om hela sin kontext vid varje ändring av inställningen, och detsamma gällde en som lade till eller tog bort ett verktyg mitt i en konversation. Den kostnaden är nu borta i dessa två modeller. OpenAI hänvisar till GitHub, som rapporterade att ändringarna minskade andelen prompttoken som behöver ny bearbetning med mer än hälften över miljarder förfrågningar. Betrakta det som en leverantörsangiven siffra – den är trovärdig och den är inte oberoende granskad.

Gör räkningen på en lång agentloop och rangordningen mellan de två tillkännagivandena vänder. En loop som bär en systemprompt på 30 000 token och ett verktygsschema genom 200 turer flyttar 6 miljoner token i kontext. Utan cachning, på GPT-6 Sol, är det 12,00 USD i indata. Med prefixet cachat till 0,20 USD per miljon blir det 1,20 USD plus engångsskrivningen — en storleksordning, från en parameterändring, innan prissänkningen ens har tillämpats. Prissänkningen är vad tillkännagivandet sålde. Cachebeteendet är vad som faktiskt flyttar siffran, och det är anledningen till att en annonserad taxa på 2,00 USD beter sig som något mycket billigare på de arbetsbelastningar som OpenAI marknadsför dessa modeller för.

Prislistan, inklusive de delar som tillkännagivandet utelämnar

De annonserade priserna är inte hela prislistan, och tre nivåer förändrar beslutet för specifika arbetsbelastningar.

• Base — GPT-6 Sol $2.00 in / $10.00 ut; GPT-6 Luna $0.10 in / $0.50 ut, per miljon tokens, för promptar upp till 272K indatatoken.

• Lång kontext — ovanför 272K indatatokens hela förfrågan faktureras med 2x indata och 1,5x utdata: $4.00/$15.00 för Sol och $0.20/$0.75 för Luna. Detta är ett stup, inte en marginalsats. Om dina prompter går upp till 300K tokens betalar du dubbelt för hela förfrågan, inte för de 28K som ligger över gränsen, och att dela upp ett dokument i två anrop under tröskeln är ofta billigare än att skicka det en gång över.

• Servicenivåer — Flex halverar kostnaden ($1.00/$5.00 för Sol, $0.05/$0.25 för Luna) mot långsammare svarstid; Priority fördubblar den. Båda väljs genom service_tier-parametern. Flex är där batch-liknande jobb borde höra hemma, och det gör de nästan aldrig.

• Cachad inmatning — $0,20 per miljon på Sol och $0,01 på Luna, en rabatt på 90 %, med en TTL på 30 minuter och en cacheskrivningspremie på 1,25x.

• Kontext och utdata — 1 050 000-tokenfönster, 128K maximal utdata, text och bild in, text ut, resonemangsansträngning ingen till max med medium som standard.

• Kunskapsavgränsningar — 20 april 2026 för GPT-6 Sol och 18 maj 2026 för GPT-6 Luna, vilket är en månad isär inom samma familj och värt att känna till innan du antar att de två modellerna delar en världsbild.

Vad OpenAI:s benchmarktabell säger, och vad den inte säger

OpenAIs publicerade jämförelser är alla kostnad per uppgift, alla mot Anthropic och alla körda av leverantören. På AutomationBench 1.0.6, en agentisk utvärdering med 47 verktyg, rapporterar företaget att GPT-6 Sol vid xhigh-ansträngning får 33,2 % till 0,27 USD per uppgift, mot Claude Opus 5 på 26,9 % och ungefär 11 gånger kostnaden per uppgift. På DeepSWE 1.1 rapporterar man att Sol vid maximal ansträngning får 68,8 % mot Claude Fable 5 på 69,9 % — en poängförlust till ungefär 80 % lägre kostnad per uppgift — och Luna på 66,6 %. På OSWorld 2.0 får Sol 60,5 % vid xhigh-ansträngning mot Opus 5:s 60,3 %, återigen till omkring 80 % lägre kostnad per uppgift. På Agents' Last Exam når Sol 56,4 %, vilket OpenAI säger slår Opus 5:s bästa resultat till 60 % lägre kostnad per uppgift.

Alla dessa siffror är leverantörsrapporterade och ej reproducerade, och två förbehåll är värda att ta med sig vidare snarare än att lägga undan. För det första benchmarkade OpenAI mot Claude Opus 5, inte mot Claude Opus 5.5 som släpptes bara timmar före tillkännagivandet, så ingen jämförelse i samma testramverk har ännu fastställt vilken modell som faktiskt ger den lägre kostnaden per lyckad uppgift. För det andra är kostnad per uppgift inte detsamma som kostnad per korrekt uppgift: en modell som svarar 83 % av gångerna och avstår i resten kommer att se billig ut per uppgift i ett benchmark som räknar avståenden som uppgifter. Den oberoende avståendedatan ovan är vad som låter dig prissätta detta ärligt — att GPT-6 Sol svarar på 83 % av frågorna där den gamla modellen svarade på 99 % är en medveten avvägning, och huruvida den är bra beror helt och hållet på vad ett felaktigt svar kostar dig.

OpenAI rapporterar att GPT-6 Luna vid högre ansträngning matchar GPT-5.6 Sols faktakorrekthet till ungefär en hundradel av uppgiftskostnaden. Det är en jämförelse av faktakorrekthet, inte en jämförelse av förmåga, och det oberoende Coding Agent Index placerar GPT-6 Luna två poäng under GPT-5.6 Luna, för att inte tala om GPT-5.6 Sol.

Vad man faktiskt ska göra med det här

GPT-6 Sol är den okomplicerade. Halva kostnaden per uppgift vid samma indexpoäng, en bättre kodningsagent, en kraftig minskning av hallucinationer och en verklig förändring i beteendet att avstå från att svara utgör tillsammans en uppgradering du kan göra enligt ett schema snarare än en chansning. Om du använder GPT-5.6 Sol är detta en migrering, och den enda verkliga frågan är vilka av dina prompter som beror på den gamla modellens villighet att svara på allt.

GPT-6 Luna är den du bör testa innan du byter. Den är inte en strikt bättre GPT-5.6 Luna; den har en annan form – billigare per uppgift, försiktigare med vad den påstår och mätbart sämre på agentisk kodning. För klassificering, extrahering, routning och sammanfattning i stor skala är bytet nästan som gratis pengar. För allt som matar en kodningsagent, eller producerar ett dokument som en person godkänner, är tvåpunktsregressionen för Coding Agent och GDPval-nedgången anledningen att behålla GPT-5.6 Luna i flödet tills du har kört dina egna uppgifter genom båda.

Det är också argumentet för att inte hårdkoda någon av dem. Båda modellerna är OpenAI-exklusiva just nu, och de arbetsbelastningar som dessa nivåer betjänar – routning, extrahering, billig klassificering – är precis de där en andra leverantör bakom samma slutpunkt gör en modellregression till en icke-händelse. OrcaRouter för vidare leverantörernas listpriser med 0 % påslag, så en ändring av leverantörens pris slår igenom på vår sida samma dag som den slår igenom hos leverantören, och routnings-DSL:en låter dig sätta GPT-6 Luna bakom en billigare modell för den enkla andelen av trafiken medan den svårare andelen går till GPT-6 Sol – med automatisk redundansväxling om någon av vägarna försämras. Du behöver inte välja en vinnare på lanseringsdagen för att dra nytta av lanseringen.

Den ärliga brasklappen: GPT-6 Sol och GPT-6 Luna går inte att routa via OrcaRouter per den 23 september 2026. Vi hostar dem inte ännu, och inget av ovanstående bör läsas som ett påstående om att vi gör det. Det vi har på vår sida i dag är jämförelseuppsättningen — GPT-5.6 Sol till $4.00/$20.00, GPT-5.6 Luna till $0.20/$1.20 och GPT-6 Astra till $10.00/$50.00 — vilket är precis vad du behöver för att prissätta migreringen innan du förbinder dig till den.

Vad du ska titta på härnäst

Tre saker skulle avgöra vad den här lanseringen egentligen var. Den första är om GPT-5.6 Lunas pris på $0.20/$1.20 håller sig över kvartalet, eftersom ett permanent pris från en leverantör historiskt har varit öppningsdraget snarare än slutet på det – och lanseringen av Claude Opus 5.5 samma dag tyder på att pressen som ledde till den här sänkningen inte har försvunnit. Den andra är om förändringen i avstående håller i fält: att GPT-6 Sol avstår från att svara på en fråga av sex är den typ av förändring som framstår som en förbättring i ett labb och som en trasig produkt i en pipeline som förutsatte ett svar. Den tredje är om cachebeteendet är verkligt i er trafik, vilket går att mäta den här veckan och bara kan besvaras genom att mäta – rabatten är tillräckligt stor för att en enda timme som läggs på att instrumentera cacheträffrekvenser för era längsta prompter är värd mer än ännu en benchmarktabell.