GPT-5.5 vs GPT-5.6 Luna
Lequel, quand
gpt-5.6-luna est nettement moins cher : $1 contre $5 par million de tokens en entrée, $6 contre $30 en sortie, $0.1 de lecture de cache contre $0.5, soit environ 5 fois moins sur chaque ligne, alors que les deux partagent un contexte de 1050000 tokens et 128000 tokens de sortie. gpt-5.5 conserve l'usage de l'ordinateur et les appels d'outils parallèles, absents de la fiche de gpt-5.6-luna : gardez-le pour le travail piloté par outils ou par écran ; pour du texte et du code au volume, le modèle récent offre la même fenêtre 5 fois moins cher.
Benchmarks
41 mesurés sur les deux.
Chiffres publiés par les fournisseurs : Alibaba (Qwen) Anthropic ByteDance DeepSeek Google MiniMax Moonshot OpenAI Tencent Z.ai
Tarification
| GPT-5.5 | GPT-5.6 Luna | Δ | |
|---|---|---|---|
| Entrée / 1M tokens | $5 | $1 | 5× |
| Sortie / 1M tokens | $30 | $6 | 5× |
| Lecture en cache / 1M tokens | $0.5 | $0.1 | 5× |
| Écriture cache | aucun frais supplémentaire | aucun frais supplémentaire | - |
Tarifs issus du catalogue en direct au moment de la compilation ; chaque page de modèle présente la fiche actuelle.
Où ils se situent - prix en entrée pour 1M de tokens sur l'ensemble des 64 modèles chat pour cette unité de facturation (échelle logarithmique)
Capacités
| GPT-5.5 | GPT-5.6 Luna | |
|---|---|---|
| Utilisation d'outils | oui | oui |
| Contrôle de la réflexion | configurable | configurable |
| Sortie structurée | oui | oui |
| Mise en cache du prompt | implicite (automatique) | implicite (automatique) |
| Durée de vie du cache | 5-10m, up to 1h | 5-10m, up to 1h |
| Préfixe minimum mis en cache | 1024 jetons | 1024 jetons |
Spécifications
| GPT-5.5 | GPT-5.6 Luna | |
|---|---|---|
| Modalités d'entrée | texte image | texte image |
| Modalités de sortie | texte | texte |
| Sortie | 2026-04-24 | 2026-07-09 |
| Limite de connaissances | 2025-12 | 2026-02 |
| Fenêtre de contexte | 1.1M | 1.1M |
| Sortie maximale | 128K | 128K |
| Paramètre de réflexion | reasoning.effort | reasoning.effort |
| Valeurs acceptées | reasoning.effort
| reasoning.effort
|
| Par défaut | medium | medium |
Les spécifications sont transcrites à partir de la documentation de chaque fournisseur ; une ligne qu'un fournisseur ne publie pas est omise plutôt que déduite. Sources complètes : GPT-5.5 · GPT-5.6 Luna
Un prompt, deux modèles - mesurés via la passerelle
GPT-5.5 réussi · 3 sentences
Enabling reasoning makes the model do additional internal “thinking” before producing the final answer, which consumes more compute and billable tokens. Even if user volume and output length stayed the same, each request now costs more because the model is spending extra capacity to solve the problem. In short, we bought higher-quality answers, but the unit cost per answer increased enough to double the total LLM bill.
sortie 131 tok (+42 réflexion) latence 2.9 s
GPT-5.6 Luna réussi · 3 sentences
Enabling reasoning causes the model to use substantially more computational steps and generated tokens per request, even when the visible answer is similar. Because our provider charges based largely on token consumption and compute, that increased processing translated into roughly twice the cost. We can control the expense by reserving reasoning for complex tasks, setting token and effort limits, and monitoring cost per successful outcome.
sortie 146 tok (+60 réflexion) latence 3.1 s
Suivi de l'instruction (exactement trois phrases - comptables), adaptation à l'audience (registre CFO), et l'écart de facturation lié à la réflexion cachée que les compteurs de tokens ci-dessous révèlent.
GPT-5.5 réussi · 8/8 cases
```python def longest_run(xs): if not xs: return 0 best = 1 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 bug was that `cur` and `best` were counting the number of equal *adjacent comparisons*, not the number of items in the run. A run of one item has length `1`, but the original code initialized both values to `0`, so single-element inputs returned `0`. Similarly, a run like `[2, 2, 2]` has length `3`, but only two adjacent equal comparisons, so the result was off by one. Also, `best` should be updated after every element is processed, not only inside the equality branch, so runs that continue through the final index are properly considered.
sortie 401 tok (+182 réflexion) latence 5.9 s
GPT-5.6 Luna réussi · 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: best = max(best, cur) cur = 1 return max(best, cur) ``` The bug is that `cur` counts equal *transitions* rather than the number of items in the current run, so a single-element run returns `0` and a run of length `n` returns `n - 1`; additionally, `best` is only updated when a run is interrupted, so a run continuing through the final element is not finalized before returning. Initializing the current run to one item, resetting it to one after a change, and taking a final `max` fixes both issues.
sortie 356 tok (+161 réflexion) latence 4.7 s
Si le correctif est réellement juste (exécutable), la densité de l'explication, et l'efficacité en tokens sur une tâche bornée.
GPT-5.5 réussi · 5/5 fields, guidance "withheld pending the Q4 close"
{"company":"Meridian Robotics","quarter":"September quarter","revenue_usd_m":412,"growth_pct":11,"guidance":"withheld pending the Q4 close"}
sortie 557 tok (+512 réflexion) latence 6.7 s
GPT-5.6 Luna réussi · 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"}
sortie 227 tok (+181 réflexion) latence 3.6 s
Respect du schéma (aucun champ inventé), pression d'hallucination (guidance est explicitement retenue), et différences de chemin pour la sortie structurée.
GPT-5.5 réussi · 120 words, 0 banned, 1 question
Today we’re introducing Prompt Cache Routing, a new API gateway feature that stores reusable prompt prefixes and applies them across leading model providers. Teams can reduce latency, lower token spend, and keep application logic portable without rewriting requests for each vendor. Have you ever paid twice to send the same system instructions? With shared cache keys, provider-aware metadata, and automatic fallback handling, the gateway detects eligible prompt segments, reuses cached context, and records savings in your existing observability dashboards. Policies let admins set retention windows, data boundaries, and provider allowlists by workspace or environment. Prompt Cache Routing is available now in beta for Pro and Enterprise customers, with SDK support, Terraform resources, and clear migration guides included at launch worldwide.
sortie 859 tok (+700 réflexion) latence 8.7 s
GPT-5.6 Luna réussi · 120 words, 0 banned, 1 question
Introducing PromptCache, an API gateway feature that caches prompts across providers, helping teams reduce latency, control spend, and deliver consistent results. How much faster could your applications respond when repeated prompts are served from a shared cache instead of being sent upstream? PromptCache supports provider-aware routing, configurable time-to-live policies, encrypted storage, cache invalidation, and usage analytics through one operational layer. It works with language-model providers while preserving your authentication, observability, and fallback workflows. Developers can enable caching by endpoint, model, tenant, or prompt pattern, then monitor hit rates and savings in real time. Built for production workloads, PromptCache gives platform teams controls for performance and cost without requiring application rewrites. […]
sortie 948 tok (+778 réflexion) latence 8.0 s
Respect des contraintes (budget de mots, liste de mots interdits, l'unique question), empreinte stylistique, et contrôle de la longueur.
Basculez de l'un à l'autre avec une seule ligne
Les deux ids sont dans chaque onglet ci-dessous - la paire de lignes en surbrillance est la seule modification. Même endpoint, même clé, même structure de requête.
from openai import OpenAI
client = OpenAI(
base_url="https://synthorai.io/v1",
api_key="sk-syn-...",
)
resp = client.chat.completions.create(
model="gpt-5.5",
# model="gpt-5.6-luna", # décommentez cette ligne, commentez celle du dessus
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-5.5",
// model: "gpt-5.6-luna", // décommentez cette ligne, commentez celle du dessus
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-5.5",
# "model": "gpt-5.6-luna", # décommentez cette ligne, commentez celle du dessus
"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-5.5",
// Model: "gpt-5.6-luna", // décommentez cette ligne, commentez celle du dessus
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-5.5")
// .model("gpt-5.6-luna") // décommentez cette ligne, commentez celle du dessus
.addUserMessage("Summarize this diff")
.reasoningEffort(ReasoningEffort.MEDIUM)
.build());
System.out.println(resp.choices().get(0).message().content().orElse(""));FAQ
Lequel est le moins cher, GPT-5.5 ou GPT-5.6 Luna ?
GPT-5.6 Luna est moins cher sur entrée / 1m tokens ($1 contre $5, avec un écart de 5.0×). D'autres lignes peuvent indiquer l'inverse - le tableau ci-dessus contient la fiche complète, et le coût réel dépend de votre combinaison.
Puis-je faire un test A/B de GPT-5.5 par rapport à GPT-5.6 Luna sans deux intégrations ?
Oui. Les deux sont servis via le même endpoint compatible OpenAI avec une seule clé API - le basculement est un changement de chaîne de modèle en une ligne, vous pouvez donc diriger une fraction du trafic vers chacun et comparer les factures directement.
Est-ce que GPT-5.5 et GPT-5.6 Luna prennent en charge le prompt caching ?
Oui - les deux facturent les lectures en cache en dessous de leur tarif d'entrée, donc les charges de travail à préfixe chaud coûtent moins cher que ce que les tarifs de base suggèrent. Les lignes exactes des lectures en cache se trouvent dans le tableau de tarification ci-dessus.