DEV Community

Cover image for Anleitung zur Nutzung der GPT-5.6 API: Sol, Terra und Luna
Emre Demir
Emre Demir

Posted on • Originally published at apidog.com

Anleitung zur Nutzung der GPT-5.6 API: Sol, Terra und Luna

OpenAI hat GPT-5.6 am 9. Juli 2026 allgemein verfügbar gemacht, und der API-Zugriff ist Self-Service: Jedes API-Konto kann es heute aufrufen, ohne Warteliste und ohne Planbeschränkung. Die begrenzte Vorschau, die bis Anfang Juli lief, ist Geschichte. Was sich für Entwickler geändert hat, ist die Art des Starts selbst. Anstelle eines Modells erhalten Sie drei: Sol, Terra und Luna, jedes mit einem eigenen Preismodell, plus sechs Ebenen der Denk-Anstrengung und expliziten Prompt-Caching-Kontrollen.

Testen Sie Apidog noch heute

Das sind mehr Entscheidungen als bei einem typischen Modellwechsel, und die Standardeinstellungen, die Sie in der ersten Woche wählen, bleiben oft bestehen. Dieser Leitfaden zeigt die Modell-IDs, die erste Anfrage in Python und curl, den Denk-Aufwand, die Caching-Einrichtung, die neue Responses API und eine kontrollierte Migration von GPT-5.5. Den vollständigen Hintergrund zur Flaggschiff-Stufe finden Sie in der GPT-5.6 Sol-Übersicht; dieser Artikel bleibt praxisnah.

Am Ende haben Sie funktionierende Aufrufe für alle drei Stufen und ein wiederholbares Setup, um sie mit Ihren eigenen Prompts in Apidog zu vergleichen. So basieren Kosten- und Qualitätsentscheidungen auf Ihren Daten statt auf Benchmarks aus dem Startbeitrag.

Kurz gesagt

  • Drei Modell-IDs, eine Generation: gpt-5.6-sol für tiefes Denken, gpt-5.6-terra als ausgewogene Stufe und gpt-5.6-luna für schnelle, günstige Aufgaben. Der Alias gpt-5.6 verweist auf Sol.
  • Der API-Zugriff ist für jedes OpenAI-API-Konto im Self-Service verfügbar.
  • Preise pro 1 Million Token: Sol 5 $ Eingabe / 30 $ Ausgabe, Terra 2,50 $ / 15 $, Luna 1 $ / 6 $.
  • Der Denk-Aufwand reicht von none bis max. Der Pro-Modus ist reasoning.mode: "pro" und kein separates Modell.
  • Explizites Prompt-Caching wird über prompt_cache_options.mode: "explicit" plus ttl aktiviert. Cache-Schreibvorgänge kosten das 1,25-Fache, Cache-Lesevorgänge erhalten 90 % Rabatt.
  • Die Migration von GPT-5.5 ist ein Tuning-Durchlauf: Testen Sie niedrigere Aufwandsstufen und entfernen Sie überflüssige Kürze-Anweisungen aus Prompts.

Die drei Modell-IDs und wann Sie welche auswählen sollten

GPT-5.6 verwendet eine dreistufige Modellfamilie. Die Zahl bezeichnet die Generation; Sol, Terra und Luna sind dauerhafte Leistungsstufen, die sich laut der Startberichterstattung von MarkTechPost unabhängig weiterentwickeln sollen.

Modell-ID Stufe Eingabe / Ausgabe pro 1 Million Token Wählen Sie es, wenn
gpt-5.6-sol Flaggschiff $5 / $30 Tiefes Denken, Agenten-Orchestrierung, schwieriges Debugging
gpt-5.6-terra Ausgewogen $2.50 / $15 Alltägliche Produktfunktionen, GPT-5.5-ähnliche Arbeit zu geringeren Kosten
gpt-5.6-luna Schnell $1 / $6 Klassifizierung, Extraktion, Routing, erste Entwürfe

Sol ist das Flaggschiff. OpenAI gibt an, dass es bei Agents' Last Exam etwa 53 Punkte erreicht, gegenüber 46,9 für GPT-5.5. Behandeln Sie das als Startwert und validieren Sie es mit Ihren eigenen Aufgaben.

Terra ist die pragmatische Standardwahl. OpenAI positioniert es als konkurrenzfähig zu GPT-5.5 bei etwa der Hälfte der Kosten. Luna eignet sich für hochvolumige und latenzempfindliche Aufgaben, bei denen Stückkosten wichtiger sind als maximale Denktiefe.

Ein sinnvoller Startplan:

  1. Prototypen mit Terra entwickeln.
  2. Nur auf Sol wechseln, wenn Terra bei messbaren Qualitätskriterien scheitert.
  3. Stabile Hochvolumen-Pfade auf Luna umstellen.
  4. Produktionscode immer auf eine explizite Modell-ID festlegen.

Verwenden Sie nicht blind gpt-5.6: Der Alias verweist auf Sol. Mit expliziten IDs ist pro Request nachvollziehbar, welche Kostenstufe verwendet wird. Die Aufschlüsselung der GPT-5.6-Preise enthält weitere Vergleiche.

Ihre erste Anfrage

Die folgenden Modell-IDs entsprechen den OpenAI-Entwicklerdokumenten. Sie benötigen einen OpenAI-API-Schlüssel mit aktivierter Abrechnung.

Bestehenden Chat-Completions-Code weiterverwenden

Wenn Sie bereits Chat Completions nutzen, reicht zunächst ein Modellwechsel:

from openai import OpenAI

client = OpenAI()

response = client.chat.completions.create(
    model="gpt-5.6-sol",
    messages=[
        {"role": "system", "content": "Sie sind ein prägnanter Code-Reviewer."},
        {
            "role": "user",
            "content": (
                "Überprüfen Sie dies auf Grenzfälle: "
                "def parse_price(raw): return float(raw.strip('$'))"
            )
        }
    ]
)

print(response.choices[0].message.content)
Enter fullscreen mode Exit fullscreen mode

Derselbe Request mit curl:

curl https://api.openai.com/v1/chat/completions \
  -H "Content-Type: application/json" \
  -H "Authorization: Bearer $OPENAI_API_KEY" \
  -d '{
    "model": "gpt-5.6-sol",
    "messages": [
      {
        "role": "user",
        "content": "Erklären Sie Idempotenzschlüssel in einem Absatz."
      }
    ]
  }'
Enter fullscreen mode Exit fullscreen mode

Für neue Projekte: Responses API verwenden

Neue GPT-5.6-Funktionen sind in der Responses API verfügbar. Sie akzeptiert den Reasoning-Block direkt:

response = client.responses.create(
    model="gpt-5.6-terra",
    input="Fassen Sie die Kompromisse zwischen Webhooks und Polling zusammen.",
    reasoning={"effort": "low"}
)

print(response.output_text)
Enter fullscreen mode Exit fullscreen mode

Führen Sie einen produktionsnahen Prompt zunächst gegen alle drei Modellstufen aus. Vergleichen Sie dabei mindestens:

  • Antwortqualität
  • Antwortlänge
  • Latenz
  • Eingabe- und Ausgabe-Token
  • Kosten pro Request

Einen Denk-Aufwand auswählen

GPT-5.6 bietet sechs Stufen für den Denk-Aufwand:

none, low, medium, high, xhigh, max
Enter fullscreen mode Exit fullscreen mode

Verwenden Sie none für mechanische Aufgaben, bei denen Latenz wichtiger ist als Denktiefe:

  • Umformatierung
  • Extraktion gegen ein klares Schema
  • Vorlagenfüllung
  • Routing
  • einfache Klassifizierung

Luna mit none ist für solche Pfade eine naheliegende Kombination.

max gehört ans andere Ende des Spektrums. Reservieren Sie diese Stufe für Aufgaben, bei denen eine falsche Antwort teuer ist:

  • subtile Parallelitätsprobleme
  • Architektur-Reviews
  • mehrstufige Planung
  • komplexe Incident-Analysen

Starten Sie bei den meisten Workloads mit medium. Ändern Sie den Aufwand dann schrittweise und messen Sie die Qualität gegen Kosten und Latenz. Laut OpenAIs Migrationshinweisen behalten viele GPT-5.5-Workloads bei GPT-5.6 mit einer niedrigeren Aufwandsstufe ihre Qualität.

Der Pro-Modus ist davon getrennt:

reasoning={"mode": "pro"}
Enter fullscreen mode Exit fullscreen mode

Er priorisiert Antwortqualität gegenüber Geschwindigkeit und funktioniert auf allen drei Modellstufen. Sie benötigen keine zusätzliche Modell-ID. Sinnvolle Kandidaten sind beispielsweise rechtliche Zusammenfassungen oder Post-Mortems von Vorfällen.

Prompt-Caching einrichten

GPT-5.6 unterstützt explizite Cache-Steuerung. Damit legen Sie fest, dass ein wiederverwendbares Prompt-Präfix gecacht werden soll:

response = client.responses.create(
    model="gpt-5.6-luna",
    input=[
        {"role": "system", "content": SUPPORT_PLAYBOOK},
        {"role": "user", "content": ticket_text}
    ],
    prompt_cache_options={"mode": "explicit"}
)
Enter fullscreen mode Exit fullscreen mode

Ergänzen Sie ttl, um die Lebensdauer des Cache-Präfixes festzulegen. Die Mindestlebensdauer beträgt 30 Minuten.

prompt_cache_options={
    "mode": "explicit",
    "ttl": "30m"
}
Enter fullscreen mode Exit fullscreen mode

Prüfen Sie die zulässigen ttl-Werte und Regeln zur Platzierung von Cache-Grenzen in der OpenAI-API-Referenz.

Wann sich Caching lohnt

Die Abrechnung lautet:

  • Cache-Schreibvorgang: 1,25× der ungecachten Eingaberate
  • Cache-Lesevorgang: 90 % Rabatt auf die Eingaberate

Damit rechnet sich Caching bereits ab dem zweiten Zugriff auf ein identisches statisches Präfix.

Beispiel mit Luna:

  • Statisches Support-Playbook: 40.000 Token
  • Luna-Eingabepreis: 1 $ pro 1 Million Token
  • Ungecachter Aufruf: 0,04 $ für das Playbook
  • Cache-Schreibvorgang: 0,05 $
  • Cache-Lesevorgang: 0,004 $

Bei 100 Aufrufen kostet das statische Präfix ohne Cache 4,00 $. Mit explizitem Caching kostet es ungefähr 0,45 $. Das entspricht rund 89 % Ersparnis für den statischen Prompt-Anteil.

Die praktische Regel ist einfach: Verwenden Sie den expliziten Modus für große statische Prompt-Präfixe, die innerhalb des ttl mindestens zweimal vorkommen.

Was ist neu in der Responses API bei GA?

Mit der allgemeinen Verfügbarkeit wurden drei Ergänzungen für die Responses API ausgeliefert.

Programmatische Tool-Aufrufe

Statt eines sequenziellen Tool-Call-Zyklus kann das Modell JavaScript schreiben, das Tools orchestriert. Der Code läuft in einer isolierten V8-Laufzeit ohne Netzwerkzugriff.

Damit kann das Modell:

  • Tool-Aufrufe in Schleifen ausführen
  • abhängig von Ergebnissen verzweigen
  • Tool-Ergebnisse kombinieren
  • mehrere Schritte durchführen, ohne dass Ihr Server jeden Zwischenschritt koordinieren muss

Multi-Agent in Beta

Eine Anfrage kann Arbeit auf Sub-Agenten verteilen, die parallel laufen. Das ist besonders nützlich, wenn sich eine Aufgabe in unabhängige Teilaufgaben zerlegen lässt.

Persistiertes Denken

Über reasoning.context kann Denkkontext zwischen Runden weitergegeben werden. Multi-Turn-Agenten müssen ihren Kontext damit nicht bei jedem Aufruf neu aufbauen.

Zusätzlich gibt es die visuellen Detail-Einstellungen original und auto, die ursprüngliche Bildabmessungen beibehalten. Prüfen Sie die API-Referenz für die exakten Request-Formate und Parameter.

Migration von GPT-5.5

Behandeln Sie die Migration nicht nur als Austausch eines Modell-Slugs. Wenn Ihre Integration dem Workflow im GPT-5.5 API-Leitfaden folgt, testen Sie diese drei Anpassungen gezielt.

  1. Denk-Aufwand reduzieren

    Testen Sie Ihren bisherigen Aufwand sowie eine Stufe darunter. Wenn die Qualität gleich bleibt, reduzieren Sie die Kosten ohne Änderungen am Produktverhalten.

  2. Kürze-Anweisungen entfernen

    GPT-5.6 liefert laut Beschreibung kürzere Antworten mit weniger generischen Einleitungen. Entfernen Sie Anweisungen wie „sei prägnant“ oder „überspringe die Einleitung“ testweise aus Prompts. Gestapelte Kürze-Anweisungen können sonst zu stark verkürzten Antworten führen. Der Starttag-Bericht von Simon Willison liefert dazu eine unabhängige Einordnung.

  3. Cache-Nutzung und reale Aufgaben messen

    Prüfen Sie die Nutzung zwischengespeicherter Token in Responses. Benchmarken Sie anschließend einen repräsentativen Aufgabensatz, bevor Sie Produktionsverkehr umstellen. Terra ist der erste Kandidat, wenn Sie GPT-5.5-ähnliche Ergebnisse zu niedrigeren Kosten erwarten.

Die API in Apidog testen

Curl bestätigt, dass ein Endpunkt funktioniert. Für die Wahl zwischen Sol, Terra und Luna brauchen Sie jedoch einen wiederholbaren Vergleich. Laden Sie Apidog herunter und erstellen Sie ein kleines Test-Setup.

Apidog-Setup für API-Tests

  1. Erstellen Sie eine Umgebung mit OPENAI_API_KEY sowie drei Modellvariablen: 
   MODEL_SOL=gpt-5.6-sol
   MODEL_TERRA=gpt-5.6-terra
   MODEL_LUNA=gpt-5.6-luna
Enter fullscreen mode Exit fullscreen mode

  1. Erstellen Sie eine POST-Anfrage an die OpenAI-API und verwenden Sie im Request-Body zunächst {{MODEL_SOL}}.

  2. Duplizieren Sie die Anfrage zweimal und ersetzen Sie die Modellvariable durch {{MODEL_TERRA}} und {{MODEL_LUNA}}.

  3. Senden Sie denselben produktionsnahen Prompt an alle drei Requests.

  4. Vergleichen Sie Antworten, Latenz und den Nutzungsblock.

  5. Multiplizieren Sie die Token-Anzahl mit der Rate der jeweiligen Stufe. So erhalten Sie eine Kostenprognose auf Basis Ihrer eigenen Prompts.

Dasselbe Setup eignet sich für Reasoning-Tuning. Ändern Sie bei einer gespeicherten Anfrage nur reasoning.effort, senden Sie erneut und vergleichen Sie Ausgabe-Token, Qualität und Latenz. Daraus entsteht Ihre tatsächliche Qualität-Kosten-Kurve.

Häufig gestellte Fragen

Ist die GPT-5.6 API für alle verfügbar?

Ja. Seit dem 9. Juli 2026 kann jedes OpenAI-API-Konto alle drei Modelle im Self-Service aufrufen. Die Beschränkung der Vorab-Vorschau wurde vor der allgemeinen Verfügbarkeit aufgehoben. Der API-Zugriff hängt nicht vom ChatGPT-Plan ab.

ChatGPT-Pläne betreffen nur das Chat-Produkt: Free- und Go-Nutzer erhalten Terra, während kostenpflichtige Pläne die vollständige Modellauswahl freischalten.

Was sind GPT-5.6s Kontextfenster und Wissens-Cutoff?

Laut früher Dokumentation besitzt die Familie:

  • ein Kontextfenster von 1 Million Token
  • eine maximale Ausgabe von 128K Token
  • einen Wissens-Cutoff vom 16. Februar 2026

Die OpenAI-Modellseite ist die maßgebliche Quelle. Behandeln Sie diese Angaben als gemeldete Werte, bis Sie sie für Ihr Konto bestätigt haben.

Was ist der Unterschied zwischen Pro-Modus und Ultra?

Der Pro-Modus ist eine API-Einstellung:

reasoning={"mode": "pro"}
Enter fullscreen mode Exit fullscreen mode

Er funktioniert auf allen drei Modellen und tauscht Geschwindigkeit gegen Antwortqualität.

Ultra ist dagegen eine Multi-Agenten-Einstellung, die standardmäßig vier Agenten parallel ausführt. Sie ist in ChatGPT Work auf Pro- und Enterprise-Plänen sowie in Codex ab Plus verfügbar. Die GPT-5.6 Ultra-Modus-Aufschlüsselung beschreibt, wann sich der zusätzliche Token-Einsatz lohnt.

Sollte ich auf Chat Completions oder der Responses API aufbauen?

Bestehender Chat-Completions-Code funktioniert mit einem Modell-ID-Wechsel weiter. Eine sofortige Neuschreibung ist nicht erforderlich.

Neue Projekte sollten jedoch auf die Responses API zielen. Programmatische Tool-Aufrufe, Multi-Agent und persistiertes Denken wurden dort ausgeliefert, und die GPT-5.6-Dokumentation von OpenAI konzentriert sich darauf.

Wo Sie jetzt stehen

Sie brauchen kein großes Migrationsprojekt, um zu starten:

  1. Wählen Sie gpt-5.6-terra.
  2. Führen Sie einen echten Prompt aus Ihrem Produkt mit reasoning.effort: "medium" aus.
  3. Testen Sie anschließend eine niedrigere Aufwandsstufe.
  4. Vergleichen Sie Qualität, Latenz und Token-Nutzung.
  5. Aktivieren Sie explizites Caching für große, wiederverwendete Prompt-Präfixe.
  6. Entscheiden Sie danach, welche Pfade Sol für höhere Qualität und Luna für niedrigere Kosten benötigen.

Behalten Sie Ihr Drei-Stufen-Vergleichs-Setup. Sol, Terra und Luna entwickeln sich in unterschiedlichen Rhythmen weiter. Mit gespeicherten Requests, Umgebungen und Token-Zahlen in Apidog wird jede spätere Modellaktualisierung zu einem kurzen Regressionstest statt zu einem Ratespiel.

Top comments (0)