GPT-6 Luna ist die leichte Stufe der GPT-6-Familie von OpenAI, erschienen am 22.
- Eingabe
- Text Bild $0.1/M
- Ausgabe
- Text $0.5/M
- Cache-Lesen
- $0.01/M
- Kontext
- 1.1M
- vs. GPT-4o
- ~98% günstiger
- Knowledge-Cutoff
- 2026-05
Preise nach Eingabelänge
Für die gesamte Anfrage gilt der Tarif ihrer Eingabelängenstufe. Preise in USD pro Million Tokens.
| Eingabe-Tokens | Eingabe | Ausgabe | Eingabe (Thinking) |
|---|---|---|---|
| 0 - 272.000 | $0.1 | $0.5 | - |
| 272.001 - 1.050.000 | $0.2 | $0.75 | - |
Benchmarks
Anbieterangaben: Alibaba (Qwen) Anthropic DeepSeek Google OpenAI Z.ai
Preis im Vergleich
Der Preis im Feld von 79 vergleichbaren Modellen
Der Balken zeigt, wo der Preis dieses Modells unter allen Modellen derselben Art auf Synthorai liegt. An beiden Enden stehen das günstigste und das teuerste Modell. Angegeben sind Grundpreise; Rabatte für Batch, Region und Cache-Schreibzugriffe stehen auf der Preisseite.
Spezifikationen & Limits
Tokens
| Kontextfenster (laut Anbieter) | 1.050.000 |
|---|---|
| Max. Ausgabe (laut Anbieter) | 128.000 |
| Knowledge-Cutoff | 2026-05 |
Prompt-Caching
| Modus | automatisch + explizit |
|---|---|
| Min. Präfix | 1.024 |
| Lebensdauer | standardmäßig mindestens 30 Min., 12 Std. optional über die Responses API |
| Schreibkosten | 1.25x (30m) / 2.5x (12h) |
Thinking
| Anbieter-Parameter | reasoning.effort |
|---|---|
| Zulässige Werte | none · low · medium · high · xhigh · max |
| Standardwert | medium gilt, wenn die Anfrage nichts angibt |
| Abschaltbar | Ja |
| Parameter | reasoning_effort |
| Werte | minimal · low · medium · high Parameter des Gateways; maßgeblich ist das Anbieter-Mapping oben |
Modell
| Modalitäten | Text + Bild → Text |
|---|
OpenAI's most efficient GPT-6 model for focused, high-volume tasks and the lowest-cost option in the family. 1.05M context of which up to 922K can be input, 128K max output. Prompts over 272K input tokens move the whole request onto the long-context rate (2x input and cache, 1.5x output). On Chat Completions, function calling works only with reasoning_effort set to none.
Ein Prompt, gemessen über das Gateway
GPT-6 Luna bestanden · 3 sentences
Enabling reasoning typically makes the model process more information and generate more internal tokens before producing its answer. Because usage is billed by tokens—and reasoning may also route requests to a more expensive model—the cost per request can rise sharply. If request volume stayed similar, that higher cost per request could explain why the bill doubled.
Ausgabe 117 tok (+48 Thinking) Latenz 3.4 s
Befolgen der Anweisung (genau drei Sätze, das lässt sich zählen), Zuschnitt auf die Zielgruppe (Tonfall für einen CFO) und die Abrechnungslücke durch nicht sichtbares Thinking, die die Token-Zähler unten offenlegen.
GPT-6 Luna bestanden · 8/8 cases
```python def longest_run(xs): if not xs: return 0 best = cur = 1 for i in range(1, len(xs)): if xs[i] == xs[i - 1]: cur += 1 else: cur = 1 best = max(best, cur) return best ``` The original code counted matching *adjacent pairs* rather than items, so a run of length `n` was reported as `n - 1`, and a single-item input returned `0`. This version counts the current item as part of each run and updates `best` at every index, including the last; it returns `0` for an empty input.
Ausgabe 514 tok (+356 Thinking) Latenz 6.9 s
Ob der Fix wirklich korrekt ist (er lässt sich ausführen), wie dicht die Erklärung ist und wie sparsam das Modell bei einer klar begrenzten Aufgabe mit Tokens umgeht.
GPT-6 Luna bestanden · 5/5 fields, guidance "Withheld pending the Q4 close"
{"company":"Meridian Robotics","quarter":"September quarter","revenue_usd_m":412,"growth_pct":null,"guidance":"Withheld pending the Q4 close"}
Ausgabe 161 tok (+119 Thinking) Latenz 21.7 s
Schema-Treue (keine erfundenen Felder), Anreiz zum Halluzinieren (der Text nennt ausdrücklich keine guidance) und Unterschiede zwischen den Wegen zur strukturierten Ausgabe.
GPT-6 Luna bestanden · 120 words, 0 banned, 1 question
Introducing Prompt Cache, a new API gateway feature that recognizes repeat prompt prefixes and reuses provider-side cached context across supported models. Teams can route requests to different AI providers while preserving eligible cache hits, reducing redundant input processing and helping lower latency and token costs. Configure cache policies in one place, monitor hit rates by provider, and keep existing client integrations unchanged. The gateway applies provider-specific rules automatically, so developers do not need to build separate caching logic for each endpoint. Which workflows could benefit from faster responses and predictable spend? Prompt Cache is available today in preview for eligible accounts, with usage details, supported providers, and setup guidance in the dashboard. Start with one route, compare results, then expand.
Ausgabe 959 tok (+813 Thinking) Latenz 14.6 s
Einhaltung der Vorgaben (Wortbudget, Liste verbotener Wörter, genau eine Frage), stilistische Handschrift und Kontrolle über die Länge.
GPT-6 Luna in 30 Sekunden nutzen
OpenAI-kompatibel: base_url austauschen, SDK behalten. POST /v1/chat/completions
from openai import OpenAI
client = OpenAI(
base_url="https://synthorai.io/v1",
api_key="sk-syn-...",
)
resp = client.chat.completions.create(
model="gpt-6-luna",
messages=[{"role": "user", "content": "Summarize this diff"}],
reasoning_effort="medium",
)
print(resp.choices[0].message.content)import OpenAI from "openai";
const client = new OpenAI({
baseURL: "https://synthorai.io/v1",
apiKey: "sk-syn-...",
});
const resp = await client.chat.completions.create({
model: "gpt-6-luna",
messages: [{ role: "user", content: "Summarize this diff" }],
reasoning_effort: "medium",
});
console.log(resp.choices[0].message.content);curl https://synthorai.io/v1/chat/completions \
-H "Authorization: Bearer sk-syn-..." \
-H "Content-Type: application/json" \
-d '{
"model": "gpt-6-luna",
"messages": [{"role": "user", "content": "Hello"}],
"reasoning_effort": "medium"
}'package main
import (
"context"
"fmt"
"github.com/openai/openai-go/v3"
"github.com/openai/openai-go/v3/option"
)
func main() {
client := openai.NewClient(
option.WithBaseURL("https://synthorai.io/v1"),
option.WithAPIKey("sk-syn-..."),
)
resp, _ := client.Chat.Completions.New(context.TODO(), openai.ChatCompletionNewParams{
Model: "gpt-6-luna",
Messages: []openai.ChatCompletionMessageParamUnion{
openai.UserMessage("Summarize this diff"),
},
ReasoningEffort: openai.ReasoningEffortMedium,
})
fmt.Println(resp.Choices[0].Message.Content)
}import com.openai.client.OpenAIClient;
import com.openai.client.okhttp.OpenAIOkHttpClient;
import com.openai.models.chat.completions.*;
import com.openai.models.ReasoningEffort;
OpenAIClient client = OpenAIOkHttpClient.builder()
.baseUrl("https://synthorai.io/v1")
.apiKey("sk-syn-...")
.build();
ChatCompletion resp = client.chat().completions().create(
ChatCompletionCreateParams.builder()
.model("gpt-6-luna")
.addUserMessage("Summarize this diff")
.reasoningEffort(ReasoningEffort.MEDIUM)
.build());
System.out.println(resp.choices().get(0).message().content().orElse(""));Über GPT-6 Luna
- September 2026 zusammen mit GPT-6 Sol.
- OpenAI nennt es sein effizientestes Modell für fokussierte Aufgaben mit hohem Volumen und die günstigste Option der GPT-6-Familie, was es zur naheliegenden Wahl für Zusammenfassung, Extraktion, Klassifizierung und Routing im großen Maßstab macht.
- Dafür verzichtet es nicht auf die Grenzen der Familie: Es behält das Kontextfenster von 1.050.000 Token, davon bis zu 922.000 Token Eingabe, 128K maximale Ausgabe-Token, Text- und Bildeingabe, strukturierte Ausgaben, Streaming, Tool-Nutzung und Prompt-Caching, mit einem Wissensstand von Mai 2026.
- Der Reasoning-Aufwand reicht von none bis max mit medium als Standard, sodass ein Einsatz mit hohem Volumen ihn pro Anfrage senken kann, statt das Modell zu wechseln.
- Prompts über 272K Eingabe-Token verschieben die gesamte Anfrage auf den Langkontext-Tarif mit doppeltem Eingabe- und 1,5-fachem Ausgabepreis.
- Wie beim Rest von GPT-6 funktioniert Function Calling auf Chat Completions nur mit reasoning_effort none; für Tools und Reasoning zusammen die Responses API verwenden.
- Synthorai stellt GPT-6 Luna über dieselbe OpenAI-kompatible API bereit wie die übrigen Modelle.
FAQ
Lässt sich die GPT-6 Luna API kostenlos testen?
Ja. Neue Konten erhalten 10 Testaufrufe und bis zu $1 Gratisguthaben, ohne Kreditkarte. Bei $0.1/M für Eingabe-Tokens reicht allein dieses Guthaben für rund 1,250 Anfragen an GPT-6 Luna mit je ~8K Tokens.
Worin ist GPT-6 Luna am besten?
Günstigstes Modell der GPT-6-Familie; für fokussierte Aufgaben mit hohem Volumen gebaut; behält den vollen 1,05M-Kontext und 128K Ausgabe. Mehr dazu im Über-Abschnitt, der auf den offiziellen Release Notes des Anbieters beruht.
Was kostet GPT-6 Luna?
GPT-6 Luna kostet auf Synthorai $0.1 pro Million Eingabe-Tokens und $0.5 pro Million Ausgabe-Tokens. Das ist der Listenpreis des Anbieters, ohne Plattformaufschlag. Gecachte Eingabe-Tokens werden mit $0.01/M abgerechnet.
Wie groß ist das Kontextfenster von GPT-6 Luna?
GPT-6 Luna hat auf Synthorai ein Kontextfenster von 1.1M Tokens. Eine einzelne Antwort kann bis zu 128,000 Tokens lang sein.
Unterstützt GPT-6 Luna Prompt-Caching?
Ja, automatisches Caching ist standardmäßig aktiv, dazu ein expliziter Modus, mit dem Sie festlegen, was gecacht wird. Gecachte Eingabe-Tokens werden mit $0.01/M statt $0.1/M (ungecacht) abgerechnet; Prompts brauchen ein stabiles Präfix von 1,024 Tokens, um gecacht zu werden (TTL standardmäßig mindestens 30 Min., 12 Std. optional über die Responses API). Leitfaden zum Prompt-Caching →
Wie erhalte ich Zugang zu GPT-6 Luna?
Setzen Sie in Ihrem vorhandenen OpenAI SDK base_url="https://synthorai.io/v1" und model="gpt-6-luna", mehr ist nicht nötig. Ein API-Schlüssel gilt für alle Modelle im Gateway.
Wo liegt der Knowledge-Cutoff von GPT-6 Luna?
Der Knowledge-Cutoff von GPT-6 Luna liegt bei 2026-05, laut offizieller Dokumentation des Anbieters (Stand: 2026-09-23).
Verwandte Modelle
Vergleichen
Spezifikationen und Anbieter-Benchmarks verlinken ihre Quellen. Die Gateway-Unterstützung beschreibt die Implementierung von Synthorai. Archivierte Beispiele sind einzelne Gateway-Anfragen und keine allgemeine Leistungsgarantie für das Modell. Preise stammen aus der öffentlichen Preisschnittstelle oder deren beim Build verwendetem Snapshot.