OpenAI stellte GPT-5.6 am 9. Juli 2026 allgemein zur Verfügung. Die erste Entscheidung ist nicht, ob Sie upgraden, sondern welches Modell Sie wählen: gpt-5.6-sol, gpt-5.6-terra oder gpt-5.6-luna. Die drei Stufen liegen an unterschiedlichen Punkten der Kosten-Leistungs-Kurve. Mit Sol zahlen Sie für anspruchsvolle agentische Aufgaben; Terra ist der Produktionsstandard; Luna optimiert Volumen und Latenz.
Apidog noch heute ausprobieren
Die Namen folgen einem festen System: Die Zahl bezeichnet die Generation, Sol, Terra und Luna sind dauerhafte Stufen. Der GPT-5.6-Namens-Erklärer behandelt die Struktur im Detail. Dieser Leitfaden konzentriert sich auf die praktische Entscheidung: Welche Stufe passt zu Ihrer Arbeitslast, wo verstecken sich unnötige Kosten und wie testen Sie die Auswahl mit Ihren eigenen Prompts?
Die 30-Sekunden-Antwort
| Modell | Preis pro 1 Mio. Tokens | Wählen Sie es, wenn |
|---|---|---|
gpt-5.6-sol |
$5 Eingabe / $30 Ausgabe | Die Aufgabe wirklich schwierig ist: agentische Codierung, mehrstufige Tool-Orchestrierung, tiefgehende Forschung |
gpt-5.6-terra |
$2,50 Eingabe / $15 Ausgabe | Fast alles andere: die sinnvolle Standardeinstellung für Produktionsarbeit |
gpt-5.6-luna |
$1 Eingabe / $6 Ausgabe | Volumen und Latenz zählen: Klassifizierung, Extraktion, Routing, erste Entwürfe |
Starten Sie in den meisten Produktionsfällen mit Terra. OpenAI positioniert Terra als konkurrenzfähig zu GPT-5.5 bei etwa halben Kosten. Sol rechtfertigt seinen Aufpreis nur bei Aufgaben mit messbarer Qualitätslücke. Luna gewinnt, sobald Sie Token-Kosten über Millionen von Anfragen skalieren.
Alle drei Modelle verwenden dieselbe Responses API. Sie können daher denselben Prompt-Satz gegen jede Stufe ausführen und die Ergebnisse direkt vergleichen, etwa in Apidog.
Wofür jede Stufe gebaut ist
Alle drei Modelle sind für API-Konten verfügbar. Die Modell-IDs stammen aus den OpenAI-Entwicklerdokumenten. Die frühe Dokumentation nennt für die gesamte Familie ein Kontextfenster von 1 Mio. Tokens, maximal 128K Ausgabe-Tokens und einen Wissensstand-Stichtag vom 16. Februar 2026. Prüfen Sie diese Angaben vor dem Einsatz gegen die Modellseite in Ihrem Konto.
Sol: das Flaggschiff für schwierige Probleme
Sol ist für tiefgehende Schlussfolgerungen und langfristige agentische Aufgaben gedacht. Laut OpenAI erreicht Sol etwa 53 Punkte beim Agents’ Last Exam gegenüber 46,9 für GPT-5.5, 88,8 % bei Terminal-Bench 2.1 und 62,6 gegenüber 47,5 bei OSWorld 2.0.
Diese Werte sind Angaben zum Start und keine Garantie für Ihre Arbeitslast. Das Muster ist dennoch klar: Planung, Tool-Nutzung und Fehlerbehebung verbessern sich stärker als routinemäßige Textausgabe.
Sol ist nicht automatisch in jeder Disziplin führend. Bei SWE-Bench Pro liegt Claude Fable 5 laut den genannten Werten mit 80,3 % vor Sol mit 64,6 %. Weitere Einordnung finden Sie in der GPT-5.6-Sol-Benchmark-Analyse.
Nutzen Sie Sol für:
- Agentische Coding-Workflows mit vielen abhängigen Schritten
- Komplexe Tool-Orchestrierung
- Mehrstufige Recherche
- Fehlerdiagnose, bei der Fehlentscheidungen teure Folgeaktionen auslösen
Terra: der Standard für Produktionsarbeit
Terras Hauptargument ist die Wirtschaftlichkeit. Wenn Ihre Anwendung mit GPT-5.5 gut funktioniert hat, ist Terra der naheliegende Ausgangspunkt: vergleichbare Leistungsklasse bei etwa halben Kosten.
Starten Sie mit Terra bei:
- Chat-Assistenten
- Zusammenfassungen
- Content-Pipelines
- Den meisten RAG-Setups
- Standardisierten Support- und Backoffice-Workflows
Argumentieren Sie sich nur dann zu Sol hoch, wenn Ihre Evaluierungen eine echte Qualitätslücke zeigen.
Luna: Stückkosten und Geschwindigkeit
Luna eignet sich für Aufgaben, bei denen die Ausgabe kurz, strukturiert oder nachgelagert überprüft wird:
- Klassifizierung
- Entitätsextraktion
- Ticket- und Anfrage-Routing
- Erste Entwürfe
- Strukturierte JSON-Ausgaben
Mit $1 pro 1 Mio. Eingabe-Tokens und $6 pro 1 Mio. Ausgabe-Tokens kostet Luna ein Fünftel von Sol. Überspringen Sie Luna nicht nur, weil „günstig“ nach „schlecht“ klingt. Für Ein-Wort-Klassifizierungen oder Extraktionsfelder ist ein teureres Modell oft unnötig.
Die Falle in der Standardeinstellung
Der Alias gpt-5.6 leitet zu Sol weiter. Wenn Sie den allgemeinen Modellnamen verwenden, wählen Sie damit automatisch die teuerste Stufe.
Geben Sie die Modell-ID deshalb in jeder Anfrage explizit an:
{
"model": "gpt-5.6-terra",
"input": "Classify this support ticket by urgency and product area.",
"reasoning": {
"effort": "medium"
}
}
Der Unterschied summiert sich schnell. Bei 50 Mio. Eingabe-Tokens und 10 Mio. Ausgabe-Tokens pro Monat ergeben sich ungefähr:
| Modell | Monatliche Kosten |
|---|---|
| Terra | $275 |
| Sol | $550 |
| Luna | $110 |
Derselbe Traffic kann also eine fünfmal höhere Rechnung erzeugen, abhängig von einem Modell-String.
Die vollständigen Preisdetails einschließlich Cache-Rabatten finden Sie in der GPT-5.6-Preisübersicht. Als unabhängigen ersten Entwickler-Eindruck zur Veröffentlichung können Sie auch Simon Willisons Einführungsbericht lesen.
Passen Sie das Modell an Ihre Arbeitslast an
Szenario 1: Agentische Coding-Pipeline
Wählen Sie Sol.
Die Benchmark-Gewinne liegen bei langfristigen, toolbasierten Aufgaben. Programmatischer Tool-Aufruf erlaubt dem Modell, JavaScript zur Orchestrierung von Tool-Aufrufen zu schreiben. Diese Ausführung läuft laut Beschreibung in einer isolierten V8-Laufzeit ohne Netzwerkzugriff. Persistierte Schlussfolgerungen können Kontext über mehrere Runden tragen.
Bei einem 40-Schritte-Workflow kann eine schlechte Entscheidung in Schritt 12 die nächsten 28 Schritte entwerten. In diesem Fall ist höhere Modellqualität oft günstiger als Wiederholungen und Fehlerbehebung. Weitere Details enthält das vollständige Sol-Profil.
Szenario 2: Produktions-Chat-Assistent
Wählen Sie Terra.
Bei Routinefragen unterscheiden Nutzer Sol und Terra häufig nicht. Messen Sie deshalb zunächst Qualität, Latenz und Kosten mit Terra. Leiten Sie nur seltene, nachweislich schwierige Anfragen über eine Heuristik an Sol weiter.
Beispiel für ein einfaches Routing:
const model =
ticket.requiresMultiStepReasoning || ticket.hasComplexToolChain
? "gpt-5.6-sol"
: "gpt-5.6-terra";
Zahlen Sie keine Sol-Preise für Standardanfragen wie Passwort-Resets oder einfache Produktfragen.
Szenario 3: Dokumenten-Pipeline mit hohem Volumen
Wählen Sie Luna und kombinieren Sie es mit Caching.
GPT-5.6 unterstützt explizite Cache-Haltepunkte über prompt_cache_options.mode: "explicit" und ein ttl-Feld. Cache-Lesevorgänge behalten den 90%igen Rabatt, Cache-Schreibvorgänge werden mit dem 1,25-Fachen des Eingaberates abgerechnet. Gecachte Inhalte bleiben mindestens 30 Minuten erhalten.
Das ist besonders relevant, wenn Sie denselben langen System-Prompt über viele Dokumente hinweg wiederverwenden:
{
"model": "gpt-5.6-luna",
"input": "Extrahiere Rechnungsnummer, Datum und Gesamtbetrag als JSON.",
"prompt_cache_options": {
"mode": "explicit",
"ttl": "30m"
}
}
Die Vision-Detail-Einstellungen original und auto können außerdem die Abmessungen des Quellbildes erhalten. Das ist nützlich, wenn Sie Felder aus Scans extrahieren.
Anstrengungsstufen ändern die Rechnung
Die Modellstufe ist nur ein Teil der Entscheidung. GPT-5.6 bietet für jede Stufe sechs Schlussfolgerungs-Anstrengungsstufen:
none, low, medium, high, xhigh, max
Vergleichen Sie nicht nur Sol und Terra bei derselben Einstellung. Ein besonders relevanter Vergleich ist:
gpt-5.6-terra mit effort: high
gegen
gpt-5.6-sol mit effort: medium
Terra mit höherer Denkzeit kann einen Teil der Qualitätslücke schließen, ohne dass Sie sofort den Sol-Preis zahlen. Ob das für Ihre Aufgaben reicht, müssen Sie messen.
Die OpenAI-Migrationsanleitung empfiehlt entsprechend einen Tuning-Durchlauf statt eines reinen Modell-Slug-Austauschs:
- Wählen Sie repräsentative Produktionsaufgaben.
- Testen Sie Ihr bisheriges Anstrengungsniveau.
- Testen Sie zusätzlich ein niedrigeres und ein höheres Niveau.
- Bewerten Sie Qualität, Latenz und Token-Verbrauch.
- Wechseln Sie die Modellstufe erst danach.
GPT-5.6 erzeugt laut Dokumentation außerdem kürzere Antworten mit weniger generischen Einleitungen. Entfernen Sie daher übernommenen Boilerplate wie „sei prägnant“, wenn die Ergebnisse sonst zu knapp werden.
Für qualitätsorientierte Aufgaben, bei denen Sie lieber länger warten als erneut ausführen, ist der Pro-Modus für alle drei Modelle verfügbar:
{
"reasoning": {
"mode": "pro"
}
}
Pro ist eine Einstellung und kein separates Modell. Sie können ihn daher auf Terra ebenso aktivieren wie auf Sol.
Testen Sie alle drei, bevor Sie sich festlegen
Die praktische Antwort auf „Welches Modell sollte ich verwenden?“ lautet: das Modell, das bei Ihren Prompts gewinnt. Öffentliche Benchmarks messen fremde Aufgaben; Ihre Produktionsdaten messen Ihre Anforderungen.
Führen Sie einen kleinen, reproduzierbaren Vergleich durch:
- Sammeln Sie 10 bis 20 echte Aufgaben aus Ihren Logs, einschließlich problematischer Fälle.
- Laden Sie Apidog herunter.
- Speichern Sie OpenAI-Basis-URL und API-Schlüssel einmalig.
- Verwenden Sie eine Umgebungsvariable für die Modell-ID.
- Führen Sie denselben Prompt-Satz gegen Sol, Terra und Luna aus.
- Vergleichen Sie Ausgabequalität, Latenz und
usage-Token in jeder Antwort. - Multiplizieren Sie die gemessenen Tokens mit den jeweiligen Preisen.
Verwenden Sie beispielsweise eine Variable:
{
"model": "{{model}}",
"input": "{{prompt}}",
"reasoning": {
"effort": "medium"
}
}
Setzen Sie {{model}} nacheinander auf:
gpt-5.6-sol
gpt-5.6-terra
gpt-5.6-luna
In vielen Vergleichen zeigen sich zwei Muster:
- Terra erreicht bei mehr Aufgaben Sol-Qualität, als die Preisdifferenz vermuten lässt.
- Luna funktioniert bei strukturierten Ausgaben, Klassifizierung und Extraktion häufiger ausreichend gut, als sein Preis erwarten lässt.
Wo Ihre Arbeitslast davon abweicht, erfahren Sie nur durch eigene Tests.
Wo Ultra passt
Ultra ist keine API-Modell-ID. Es handelt sich um eine Multi-Agenten-Einstellung, die standardmäßig vier Agenten parallel ausführt und bewusst mehr Tokens einsetzt, um bei schwierigen Problemen schneller zu Ergebnissen zu kommen.
Laut OpenAI steigt damit Sols Terminal-Bench-2.1-Wert von 88,8 % auf 91,9 %.
Die Verfügbarkeit ist planabhängig. Laut OpenAIs Hilfezentrum gilt:
| ChatGPT-Plan | GPT-5.6-Zugriff |
|---|---|
| Kostenlos / Go | Terra |
| Plus | Sol, Terra und Luna mit anstrengungsbasierter Steuerung pro Modell; Sol ab mittlerer Anstrengung |
| Pro / Business / Enterprise | Alles oben Genannte plus Sol Pro |
| ChatGPT Work (Pro / Enterprise), Codex (Plus und höher) | Ultra |
Wenn Ihre parallele Agenten-Arbeitslast in Code statt im Chat stattfindet, beobachten Sie die Multi-Agenten-Beta in der Responses API. Sie ist das API-seitige Gegenstück derselben Idee.
FAQ
Ist gpt-5.6-terra gut genug, um GPT-5.5 in der Produktion zu ersetzen?
Für die meisten Arbeitslasten ja. OpenAI positioniert Terra als konkurrenzfähig zu GPT-5.5 bei etwa halben Kosten. Da beide über dieselbe Responses-API-Oberfläche erreichbar sind, ist der Wechsel technisch einfach.
Führen Sie dennoch vor der Umstellung Evaluierungen durch und prüfen Sie die Ausgabelänge: GPT-5.6-Antworten sind designbedingt kürzer.
Was passiert, wenn ich den bloßen Alias gpt-5.6 aufrufe?
Die Anfrage wird an Sol weitergeleitet und zu Sol-Preisen abgerechnet: $5 pro 1 Mio. Eingabe-Tokens und $30 pro 1 Mio. Ausgabe-Tokens.
Technisch geht nichts kaputt. Das Problem erscheint erst später auf der Rechnung. Verwenden Sie deshalb immer explizit gpt-5.6-terra oder gpt-5.6-luna, wenn eine günstigere Stufe ausreicht.
Kann ich die Stufen wechseln, ohne meine Integration zu ändern?
Ja. Sol, Terra und Luna verwenden dieselbe Responses-API-Oberfläche. Der Wechsel ist eine Änderung des Modell-Strings:
- "model": "gpt-5.6-terra"
+ "model": "gpt-5.6-sol"
Anstrengungsstufen und Pro-Modus funktionieren ebenfalls bei allen drei Modellen. Der Leitfaden zur Verwendung der GPT-5.6 API zeigt die Anforderungsform Schritt für Schritt.
Benötige ich einen bestimmten ChatGPT-Plan, um diese Modelle über die API zu verwenden?
Nein. Der API-Zugriff ist für API-Konten selbstbedient und nicht an ChatGPT-Pläne gebunden. ChatGPT-Pläne steuern das Chat-Produkt. Ultra bleibt die produktseitige Option für ChatGPT Work und Codex, statt als API-Modell ausgeliefert zu werden.
Ihre erste Stunde mit den Stufen
Beginnen Sie mit Terra und lassen Sie die anderen Stufen sich anhand Ihrer Messwerte beweisen.
- Wechseln Sie zu Sol, wenn Ihre Evaluierungen bei agentischen oder langfristigen Aufgaben eine relevante Qualitätslücke zeigen.
- Wechseln Sie zu Luna, wenn Ausgaben kurz, strukturiert und hochvolumig sind.
- Verwenden Sie immer explizite Modell-IDs, damit der
gpt-5.6-Alias nicht automatisch Sol auswählt. - Testen Sie Anstrengungsstufen, bevor Sie das Modell wechseln. Terra mit
highkann das günstigste Qualitäts-Upgrade der Reihe sein.
Laden Sie Ihre schwierigsten Produktions-Prompts in Apidog, richten Sie eine Anfrage mit einer Modell-Umgebungsvariablen ein und vergleichen Sie alle drei Stufen. Ihre eigenen Token-Zählungen und Ausgaben liefern eine belastbarere Entscheidung als jeder Launch-Benchmark.
Top comments (0)