GPT-5.6 Luna est le membre le plus rapide et le plus abordable de la famille GPT-5.6 d'OpenAI, décrit sur sa page modèle comme conçu pour les charges à fort volume et sensibles aux coûts telles que le résumé, la rédaction et l'automatisation de routine.
- Entrée
- texte image $0.2/M
- Sortie
- texte $1.2/M
- Lecture de cache
- $0.02/M
- Contexte
- 1.1M
- vs GPT-4o
- ~96% moins cher
- Coupure des connaissances
- 2026-02
Prompts de plus de 272K tokens : toute la requête est facturée $0.4/M en entrée · $1.8/M en sortie
Benchmarks
Chiffres publiés par les fournisseurs : Alibaba (Qwen) Anthropic ByteDance DeepSeek Google MiniMax Moonshot OpenAI Tencent Z.ai
Le prix en perspective
Position du prix parmi 68 modèles comparables
La barre situe le prix de ce modèle parmi tous les modèles du même type sur Synthorai. Le moins cher et le plus cher sont nommés à chaque extrémité. Ce sont des tarifs de base ; les remises liées au batch, à la région et aux écritures de cache figurent sur la page des tarifs.
Spécifications et limites
Tokens
| Fenêtre de contexte (spécification du fournisseur) | 1 050 000 |
|---|---|
| Sortie max (spéc. fournisseur) | 128 000 |
| Coupure des connaissances | 2026-02 |
Mise en cache
| Mode | automatique |
|---|---|
| Préfixe min. | 1 024 |
| Durée de vie | 5-10 min, jusqu'à 1 heure |
Réflexion
| Paramètre du fournisseur | reasoning.effort |
|---|---|
| Valeurs acceptées | none · low · medium · high · xhigh · max |
| Valeur par défaut | medium appliquée si la requête ne précise rien |
| Désactivable | Oui |
| Comportement de la réflexion | La Responses API accepte également reasoning.mode, soit standard (la valeur par défaut), soit pro ; mode et effort sont des curseurs indépendants. |
| Paramètre | reasoning_effort |
| Valeurs | minimal · low · medium · high paramètres exposés par la passerelle ; la correspondance avec ceux du fournisseur, ci-dessus, s'applique |
Modèle
| Modalités | texte + image → texte |
|---|
- Palier GPT-5.6 le plus rapide et le plus abordable, conçu pour les charges de travail à fort volume sensibles au coût (successeur du palier nano)
- conserve les 1,05M de contexte / 128k de sortie maximale de la famille
- entrée mise en cache à 10 % du tarif catalogue, avec des écritures de cache à 1,25x
- les prompts dépassant 272k tokens d'entrée sont facturés 2x en entrée / 1,5x en sortie
Un prompt, mesuré via la passerelle
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
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.
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
La justesse réelle du correctif (il s'exécute), la densité de l'explication et l'économie de tokens sur une tâche bien délimitée.
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
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.
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
Le respect des contraintes (nombre de mots, liste de mots interdits, une seule question), l'empreinte stylistique et la maîtrise de la longueur.
Utilisez GPT-5.6 Luna en 30 secondes
Compatible OpenAI : changez la base_url, gardez votre SDK. 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-5.6-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-5.6-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-5.6-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-5.6-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-5.6-luna")
.addUserMessage("Summarize this diff")
.reasoningEffort(ReasoningEffort.MEDIUM)
.build());
System.out.println(resp.choices().get(0).message().content().orElse(""));À propos de GPT-5.6 Luna
- Les recommandations de sélection d'OpenAI orientent vers Luna pour le travail efficace à fort volume, vers Terra pour de solides performances à un prix inférieur, et vers Sol quand la capacité du modèle phare est l'exigence.
- Il conserve la fenêtre de contexte complète de la famille, 1 050 000 tokens (spéc. fournisseur), et 128K tokens de sortie maximale, accepte l'entrée d'images, prend en charge les tokens de raisonnement et atteint l'ensemble des outils hébergés, dont la recherche web, la recherche de fichiers, l'interpréteur de code, l'utilisation de l'ordinateur, le shell hébergé, apply patch, les skills, la recherche d'outils et MCP, avec une date limite des connaissances en février 2026.
- Un effort de raisonnement omis d'une requête se résout à medium dans toute cette génération, et l'échelle atteint le nouveau niveau max pour les cas les plus difficiles.
- L'entrée mise en cache est facturée au dixième du tarif d'entrée catalogue, avec des écritures en cache à 1,25x, ce qui convient aux pipelines qui réutilisent de longs prompts, tandis que les prompts au-delà de 272K tokens d'entrée sont facturés 2x en entrée et 1,5x en sortie pour la requête entière.
- L'appel de fonctions, le streaming, les sorties structurées et Batch sont tous pris en charge.
- Synthorai sert GPT-5.6 Luna via le même endpoint de chat completions compatible OpenAI que tout modèle GPT.
FAQ
Peut-on essayer l'API GPT-5.6 Luna gratuitement ?
Oui : les nouveaux comptes reçoivent 10 appels d'essai et jusqu'à $1 de crédit gratuit, sans carte bancaire. À $0.2/M de tokens en entrée, ce crédit couvre à lui seul environ 625 requêtes de ~8K tokens sur GPT-5.6 Luna.
Quels sont les points forts de GPT-5.6 Luna ?
Palier GPT-5.6 le plus rapide et le plus abordable ; conserve l'intégralité du contexte de 1 050 000 tokens de la famille ; entrée en cache au dixième du prix catalogue. La section À propos en donne un aperçu complet, tiré des notes de version du fournisseur.
Combien coûte GPT-5.6 Luna ?
Sur Synthorai, GPT-5.6 Luna coûte $0.2 par million de tokens en entrée et $1.2 par million de tokens en sortie, soit le tarif public du fournisseur, sans majoration de plateforme. Les tokens d'entrée en cache sont facturés $0.02/M.
Quelle est la fenêtre de contexte de GPT-5.6 Luna ?
GPT-5.6 Luna dispose d'une fenêtre de contexte de 1.1M tokens sur Synthorai. Une réponse peut compter jusqu'à 128,000 tokens.
GPT-5.6 Luna prend-il en charge la mise en cache des prompts ?
Oui, automatiquement : les prompts servis par OpenAI sont mis en cache sans modification de code. Les tokens d'entrée en cache sont facturés $0.02/M contre $0.2/M hors cache ; les prompts doivent avoir un préfixe stable de 1,024 tokens pour être mis en cache (TTL 5-10 min, jusqu'à 1 heure). Guide de mise en cache des prompts →
Comment obtenir l'accès à GPT-5.6 Luna ?
Dans votre SDK OpenAI actuel, indiquez base_url="https://synthorai.io/v1" et model="gpt-5.6-luna", et c'est tout. Une seule clé API donne accès à tous les modèles de la passerelle.
Quelle est la date de coupure des connaissances de GPT-5.6 Luna ?
Date de coupure des connaissances de GPT-5.6 Luna : 2026-02, selon la documentation officielle du fournisseur (au 2026-07-10).
Modèles associés
Comparer
Chaque valeur de cette page est reprise de la documentation du fournisseur (lien ci-dessus) et porte la date de sa vérification. Les prix sont comparés à l'échelle du catalogue. Quand les fournisseurs ne définissent pas une spécification de la même façon, la différence est signalée et la valeur n'est pas mise en graphique. Nous ne mesurons rien ici et nous n'attribuons aucune note.