GPT-6 Luna vs GPT-6 Sol

vs

Lequel choisir, et quand

gpt-6-luna et gpt-6-sol présentent le même profil sur le papier : tous deux offrent un contexte de 1050000 tokens, une sortie max de 128000 tokens, une entrée texte et image avec sortie texte, les mêmes flags chat/vision/code/tools/reasoning, la réflexion en option, et une sortie le 2026-09-22. La différence réside dans le prix : gpt-6-sol coûte 20x plus cher sur chaque ligne ($2 contre $0.1 en entrée, $10 contre $0.5 en sortie, $0.2 contre $0.01 pour les lectures en cache), faites donc de gpt-6-luna l'option par défaut pour les travaux à volume élevé et à long contexte. Ne vous tournez vers gpt-6-sol que lorsque les tests sur vos propres prompts justifient le 20x ; gpt-6-luna bénéficie même d'une date limite de connaissances plus récente, 2026-05 contre 2026-04.

Benchmarks

Au-dessus de la moyenneGPT-6 Lunaseulement 1 comparablesGPT-6 Solseulement 4 comparables
GPT-6 Luna GPT-6 Sol autres modèles mesurés moyenne des modèles comparés ★ aucun autre modèle n'a fait mieux
DeepSWE 1.1
66.6%
68.8%
OSWorld 2.0 offline set, partial
N/A
60.5%
Agents' Last Exam
N/A
56.4%

Chiffres publiés par les fournisseurs : Alibaba (Qwen) Anthropic DeepSeek Google OpenAI Z.ai

Tarifs

GPT-6 Luna GPT-6 Sol Δ
Entrée / 1M de tokens $0.1 $2 0.05×
Sortie / 1M de tokens $0.5 $10 0.05×
Lecture de cache / 1M de tokens $0.01 $0.2 0.05×
Écriture de cache 1.25x (30m) / 2.5x (12h) 1.25x (30m) / 2.5x (12h) -

Tarifs relevés dans le catalogue en direct à la génération du site ; la page de chaque modèle affiche la grille tarifaire à jour.

Leur position : prix en entrée pour 1M de tokens, parmi les 83 modèles de chat facturés dans cette unité (échelle logarithmique)

GPT-6 Luna · $0.1 GPT-6 Sol · $2
$0.05 · Qwen3 VL Flash $30 · GPT-5.4 Pro

Capacités

GPT-6 Luna GPT-6 Sol
Appel d'outils oui oui
Contrôle de la réflexion configurable configurable
Sortie structurée oui oui
Mise en cache des prompts implicite + explicite implicite + explicite
Durée de vie du cache at least 30m by default, 12h option on the Responses API at least 30m by default, 12h option on the Responses API
Préfixe minimal mis en cache 1,024 tokens 1,024 tokens

Spécifications

GPT-6 Luna GPT-6 Sol
Modalités d'entrée texte image texte image
Modalités de sortie texte texte
Date de sortie 2026-09-22 2026-09-22
Coupure des connaissances 2026-05 2026-04
Fenêtre de contexte 1.1M 1.1M
Sortie maximale 128K 128K
Paramètre de réflexion reasoning.effort reasoning.effort
Valeurs acceptées
reasoning.effort
  • none
  • low
  • medium
  • high
  • xhigh
  • max
reasoning.effort
  • none
  • low
  • medium
  • high
  • xhigh
  • max
Valeur par défaut medium medium

Les spécifications sont reprises de la documentation de chaque fournisseur ; quand un fournisseur ne publie pas une valeur, la ligne est omise et non déduite. Sources complètes : GPT-6 Luna · GPT-6 Sol

Un prompt, deux modèles, mesurés via la passerelle

PROMPT Explain to a CFO, in exactly three sentences, why our LLM bill doubled after we enabled reasoning. CRITÈRE exactement 3 phrases

GPT-6 Luna réussi · 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.

sortie 117 tok (+48 réflexion) latence 3.4 s

GPT-6 Sol réussi · 3 sentences

Enabling reasoning made the model generate extra internal tokens to work through each request, and those tokens are billed even though users don’t see them. If request volume stayed roughly the same, more billed tokens per request could explain why the bill doubled. We should check the usage breakdown to confirm, then lower reasoning effort or limit it to tasks that need it.

sortie 188 tok (+111 réflexion) latence 5.0 s

Le respect de la consigne (exactement trois phrases, ça se compte), l'adaptation au public visé (le registre d'un directeur financier) et l'écart de facturation dû à la réflexion masquée, que révèlent les compteurs de tokens ci-dessous.

PROMPT This function is supposed to return the longest run of consecutive equal items, but callers report it is off by one on single-element inputs and misses runs that end at the last index. Fix it and explain the bug in one paragraph. CRITÈRE le correctif passe les tests

GPT-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: 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.

sortie 514 tok (+356 réflexion) latence 6.9 s

GPT-6 Sol 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: cur = 1 best = max(best, cur) return best ``` The original `cur` counted matching *adjacent pairs*, not items, so every run was one too short—including a single-element input, which returned 0. Starting each run at 1 counts its first item, and updating `best` on every iteration ensures a run that reaches the last index is included.

sortie 206 tok (+59 réflexion) latence 5.9 s

La justesse réelle du correctif (il s'exécute), la densité de l'explication et l'économie de tokens sur une tâche bien délimitée.

PROMPT Extract a JSON object with fields {company, quarter, revenue_usd_m, growth_pct, guidance} from this text. Use null for anything not stated; add no other fields. CRITÈRE JSON valide, schéma exact

GPT-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 161 tok (+119 réflexion) latence 21.7 s

GPT-6 Sol réussi · 5/5 fields, guidance "Withheld pending the Q4 close"

{"company":"Meridian Robotics","quarter":"September quarter","revenue_usd_m":null,"growth_pct":null,"guidance":"Withheld pending the Q4 close"}

sortie 227 tok (+185 réflexion) latence 5.2 s

Le respect du schéma (aucun champ inventé), la tentation d'halluciner (le texte indique que la guidance n'est pas communiquée) et les différences entre les mécanismes de sortie structurée.

PROMPT Write a 120-word product announcement for an API gateway feature that caches prompts across providers. Forbidden words: "seamless", "unlock", "game-changer", "revolutionize", "empower". Exactly one sentence must be a question. CRITÈRE 120 mots, 0 mot interdit

GPT-6 Luna réussi · 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.

sortie 959 tok (+813 réflexion) latence 14.6 s

GPT-6 Sol réussi · 120 words, 0 banned, 1 question

Today, we’re introducing cross-provider prompt caching for our API gateway, helping teams reuse repeated prompt content when routing requests among supported AI providers. The gateway identifies eligible prompt prefixes, stores cache references, and applies them to subsequent requests where provider capabilities allow. Why send the same context again if it can be reused? With fewer duplicate input tokens, applications can reduce costs and improve latency without changing how developers call the gateway. Configure caching by route, monitor hit rates and savings in your dashboard, and keep existing provider fallback rules in place. Availability and cache behavior vary by provider, so the gateway reports eligibility and usage for each request. Get started today with our documentation and test your existing workloads.

sortie 586 tok (+443 réflexion) latence 7.7 s

Le respect des contraintes (nombre de mots, liste de mots interdits, une seule question), l'empreinte stylistique et la maîtrise de la longueur.

Passez de l'un à l'autre en changeant une seule ligne

Les deux identifiants figurent dans chaque onglet ci-dessous : les deux lignes surlignées sont le seul changement. Même endpoint, même clé, même format 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-6-luna",
    # model="gpt-6-sol",  # décommentez cette ligne, commentez celle du dessus
    messages=[{"role": "user", "content": "Summarize this diff"}],
    reasoning_effort="medium",
)
print(resp.choices[0].message.content)

Obtenez votre clé API →

FAQ

Lequel est le moins cher, GPT-6 Luna ou GPT-6 Sol ?

GPT-6 Luna est moins cher sur la ligne « Entrée / 1M de tokens » ($0.1 contre $2, soit un écart de 20×). D'autres lignes peuvent dire l'inverse : le tableau ci-dessus donne la grille tarifaire complète, et le coût réel dépend de la composition de votre trafic.

Puis-je faire un test A/B entre GPT-6 Luna et GPT-6 Sol sans deux intégrations ?

Oui. Les deux passent par le même endpoint compatible OpenAI, avec une seule clé API. Pour passer de l'un à l'autre, il suffit de changer l'identifiant du modèle, soit une ligne : vous pouvez donc envoyer une part du trafic à chacun et comparer directement les factures.

GPT-6 Luna et GPT-6 Sol prennent-ils en charge la mise en cache des prompts ?

Oui. Les deux facturent les lectures de cache moins cher que leur tarif d'entrée : une charge de travail dont le préfixe est déjà en cache coûte donc moins que ne le laissent penser les tarifs publics. Les lignes de lecture de cache figurent dans le tableau des tarifs ci-dessus.

Comparatifs associés

Nos études, mesures à l'appui