GPT-6 Luna vs GPT-5.6 Luna: halber Listenpreis, weniger Fehler – lohnt die Queue-Migration?
Was die offiziellen Referenzen sagen
| Punkt | GPT-5.6 Luna | GPT-6 Luna |
|---|---|---|
| Modell-ID | gpt-5.6-luna | gpt-6-luna (Snapshot-ID gpt-6-luna) |
| Positionierung | Kostensensible, hochvolumige Arbeit | Klar definierte, hochfrequente Aufgaben |
| Eingabe / Ausgabe | Text und Bild / Text | Text und Bild / Text |
| Kontext / maximale Ausgabe | 1.050.000 / 128.000 Token | 1.050.000 (922.000 max. Eingabe) / 128.000 Token |
| Wissensstand | Früherer 5.6-Stand | 18. Mai 2026 |
| Reasoning-Effort | none, low, medium (Standard), high, xhigh, max | Dieselben sechs Stufen, Standard medium |
| Endpunkte | Responses, Chat Completions | Responses, Chat Completions |
| Function Calling | In der Modellreferenz gelistet | Responses bei jedem Effort; Chat Completions nur mit reasoning_effort: none |
| Streaming, Structured Outputs | Gelistet | Gelistet |
| Offizieller Listenpreis | Standard-, Long-Context- (über 272K Eingabe), Batch-, Flex-, Fast-Zeilen | Laut OpenAI die Hälfte des Standard-Preises von GPT-5.6 Luna; günstigste GPT-6-Stufe |
| OpenAI-gemeldete Faktentreue (Hersteller) | Baseline für OpenAIs Vergleiche | Bei höherem Effort gleichauf mit GPT-5.6 Sol bei etwa einem Hundertstel der Aufgabenkosten |
| OpenAI-gemeldete Täuschungsrate (Hersteller) | 9,5 % in OpenAIs internem Test | 2,8 % im selben Test |
| EvoLink-Route | Aufrufbar; aktueller Preis auf der GPT-5.6-Seite | Aufrufbar seit 23. September 2026; aktueller Preis auf der GPT-6-Luna-Seite |
Die identischen Zahlen, Kontext und Ausgabe, werden leicht für „dasselbe Modell“ gehalten. Die für eine Queue relevanten Unterschiede sind der halbierte Listenpreis, der Wissensstand, die Tool-Calling-Regel auf Chat Completions und OpenAIs gemeldete Faktentreue- und Ehrlichkeitsgewinne. Die ersten drei sind Vertragsfakten; das vierte muss Ihr Datensatz-Set bestätigen.
Die Vertragsänderung, die Pipelines bricht: Tools auf Chat Completions
reasoning_effort none unterstützt. Function Calling auf der Responses API funktioniert bei jedem Effort. Viele Luna-Pipelines laufen ohnehin auf none oder low, um Kosten zu sparen; wenn Ihre ein Lookup- oder Validierungs-Tool mit medium Reasoning auf Chat Completions aufruft, wählen Sie vor dem Test:- Die Pipeline auf die Responses API umziehen und die Effort-Einstellung behalten.
- Auf Chat Completions bleiben mit
reasoning_effort: none. - Tool-Aufrufe aus dem Modellschritt entfernen und Lookups im umgebenden Code erledigen.
none mit GPT-5.6 Luna bei medium zu vergleichen ist ein anderes Experiment als beide bei none. Structured Outputs und Streaming sind als unterstützt gelistet und tragen diese Einschränkung nicht.Ein Datensatz-Set aufbauen, das die reale Queue widerspiegelt
Beginnen Sie mit Ihrer eigenen Workload-Verteilung. Wenn ein Kundenformat den Großteil des Volumens ausmacht, braucht es angemessene Repräsentation; gleichzeitig gehören seltene Fehlschläge hinein, deren Kosten hoch genug sind, einen Rollout zu blockieren.
Sichern Sie eine stabile Datensatz-ID, Eingabeversion, erwartete Ausgabe, erlaubte Nullwerte, Validierungsregeln und jede Eskalationsentscheidung. Entfernen Sie sensible Inhalte, wo Ihre Bewertungsumgebung nicht zur Verarbeitung berechtigt ist. Halten Sie Prompt-, Schema-, Vor- und Nachverarbeitungsrevisionen beim Datensatz.
Teilen Sie das Set in einen kleinen Entwicklungsteil und eine zurückgehaltene Prüfung. Nutzen Sie den ersten, um Harness-Fehler zu beheben und den Kandidaten zu tunen; den zweiten, um zu sehen, ob das getunte Setup generalisiert. Gruppieren Sie Ergebnisse nach Workload-Slice: Die Gesamtgenauigkeit kann gesund aussehen, während eine Sprache, ein Template oder ein seltenes Label unzuverlässig wird.
Sechs wiederholbare Aufgaben und ihre Abnahmeregeln
| Workload | Diese Fälle einbeziehen | Abnahmeregel |
|---|---|---|
| Rechnungs- oder Formularextraktion | Fehlende Werte, widersprüchliche Summen, mehrere Daten, gescannte Seiten | Pflichtfelder stimmen mit der Referenz überein; fehlende Werte bleiben leer; Summen erfüllen definierte Prüfungen |
| Ticket-Klassifikation | Ähnliche Labels, gemischte Themen, seltene dringende Fälle | Korrektes Label und Eskalation; False Positives und False Negatives je Klasse messen |
| Strukturierte Zusammenfassung | Lange Threads, spätere Korrekturen im Text, offene Fragen | Endzustand und offene Aktionen bewahren, ohne eine Lösung zu erfinden |
| Datennormalisierung | Einheiten, Locales, Datumsformate, mehrdeutige Identifier | Korrekter normalisierter Wert oder explizite Unsicherheit; kein stilles Raten bei mehrdeutigem Feld |
| Wiederholte Code-Transformationen | Gültige und ungültige Quell-Eingaben, bereits transformierte Dateien | Ausgabe besteht Parser/Tests, bewahrt unabhängigen Inhalt und ist sicher erneut verarbeitbar |
| Toolgestützter Datensatz-Lookup | Fehlender Datensatz, Duplikat-Match, Timeout nach Lookup | Korrekte Datensatzzuordnung und explizite Unsicherheit; kein erfundenes Tool-Ergebnis oder doppelter Schreibvorgang. Auf Chat Completions läuft diese Aufgabe nur mit reasoning_effort: none |
Trennen Sie Schema-Gültigkeit von semantischer Korrektheit. Eine Rechnungsantwort kann die richtigen Schlüssel und Typen nutzen und dennoch die Steuernummer des Lieferanten dem Kunden zuordnen. Geben Sie Reviewern eine Rubrik, verbergen Sie das Modell-Label wo möglich und berichten Sie, wie viele Datensätze automatisch und wie viele von Menschen beurteilt wurden.
Kompatibilität prüfen, bevor die Concurrency skaliert wird
gpt-6-luna angefragt und zurückgegeben) und den Endpunkt. Halten Sie die Modellauswahl konfigurierbar, damit sie ohne Umschreiben der Job-Producer geändert werden kann. Ersetzen Sie nicht die von Ihrem Provider dokumentierte ID durch einen Webseiten-Slug; auf EvoLink lautet die ID ebenfalls gpt-6-luna.Prüfen Sie die Steuerparameter, die Sie tatsächlich nutzen: Reasoning-Effort, Ausgabelimits, Schema-Format, Streaming und Tool-Antworten. Eine HTTP-Erfolgsantwort beweist nicht, dass eine angefragte Einstellung berücksichtigt wurde. Üben Sie Fehlerpfade:
- Gekürzte oder fehlerhafte Ausgabe muss die Validierung nicht bestehen und einer begrenzten Retry-Regel folgen.
- Eine Ablehnung muss von einer leeren, aber gültigen Extraktion unterscheidbar bleiben.
- Rate-Limits müssen kontrolliertes Backoff auslösen statt eines unbegrenzten Retry-Sturms.
- Teilweise Streams und Netzwerk-Timeouts dürfen nicht als akzeptierte Datensätze zählen.
- Wiederholte Jobs müssen ihre Identität bewahren und doppelte externe Schreibvorgänge vermeiden.
Wenn ein benötigtes Verhalten fehlschlägt, beheben Sie die Integration oder belassen Sie diesen Workload auf der alten Route, bevor Sie höheres Volumen testen.
Akzeptierten Durchsatz messen, nicht rohe Antwortgeschwindigkeit
Fahren Sie eine kontrollierte Concurrency-Leiter mit demselben Datensatzmix und derselben Retry-Regel für beide Konfigurationen. Bleiben Sie innerhalb der dokumentierten Provider-Limits.
| Messung | Was einzubeziehen ist |
|---|---|
| Akzeptierte Datensätze pro Minute | Nur Datensätze, die Ihre volle Abnahmeregel bestehen |
| End-to-End P50 / P95 | Queue-Wartezeit, Request-Zeit, Backoff, Retries und jede erforderliche Eskalation |
| Queue-Alter | Älteste offene Arbeit und ob der Rückstand unter Dauerlast wächst |
| Fehler- und Retry-Rate | Transport-, Rate-Limit-, Schema- und semantische Fehler getrennt |
| Eskalationsanteil | Datensätze, die an ein anderes Modell oder manuellen Review gehen |
| Kosten pro akzeptiertem Datensatz | Alle abgerechneten Versuche und Eskalationsaufrufe in der gemessenen Pipeline |
Halten Sie Ausgabelänge und Reasoning-Konfiguration sichtbar. Prompt-Caching und Warm-up können einen kurzen Lauf verzerren; berichten Sie, ob Caches warm waren. Ein kurzer Burst belegt keine nachhaltige Queue-Kapazität.
Die Kosten nutzbarer Datensätze berechnen
Die offizielle Preisseite zeigt den Standard-Preis von GPT-6 Luna unter dem von GPT-5.6 Luna. Das ist ein Fakt über Token. Die Budgetfrage lautet:
API-Kosten pro akzeptiertem Datensatz = gesamte Pipeline-API-Ausgaben / akzeptierte DatensätzeDer Zähler enthält erfolglose Versuche, Retries und jedes Eskalationsmodell. Verfolgen Sie menschliche Korrekturzeit separat. Für eine Queue ohne akzeptierte Datensätze berichten Sie Fehlschlag statt durch null zu teilen.
Entscheiden, welche Datensätze, wenn überhaupt, migrieren sollten
Schreiben Sie Ihre Schwelle für jeden wichtigen Slice vor dem Test auf. Ein Gesamt-Erfolgswert sollte eine inakzeptable Regression bei einem kritischen Label oder Feld nicht überstimmen.
| Ergebnis | Aktion |
|---|---|
| Vertrags- oder kritische Feldprüfung schlägt fehl | Workload auf der bestehenden Route belassen; Fehlschlag vor erneutem Test dokumentieren |
| Genauigkeit besteht, aber Kosten oder Queue-Frist verfehlt | Retries, Ausgabelänge, Effort und Eskalation untersuchen; noch nicht ausweiten |
| Routine-Slices bestehen; schwierige Slices regressieren | Begrenzte Aufteilung nur erwägen, wenn die Routing-Regel testbar ist und ihr Overhead einbezogen wird |
| Alle erforderlichen Gates bestehen im Test | Kontrollierten Piloten mit Stoppbedingungen und funktionierendem Rollback-Pfad starten |
| Pilotfehler, Rückstand oder Korrekturzeit steigen | Ausweitung stoppen und betroffenen Slice zurückrollen |
Schatten-Replay ist nützlich, wenn es keine externen Nebenwirkungen erzeugen kann. Bei Live-Jobs Job-IDs behalten und den Zustand prüfen, bevor nach einem Timeout wiederholt wird.
GPT-6 Luna oder GPT-6 Sol für wiederholte Aufgaben?
FAQ
Ist GPT-6 Luna schneller oder günstiger als GPT-5.6 Luna?
Was ist der größte API-Unterschied zwischen beiden?
reasoning_effort: none. Tool-Calling-Pipelines mit Reasoning sollten die Responses API einplanen.Reicht gültiges JSON, um einen Datensatz zu akzeptieren?
Nein. Validieren Sie Pflichtfelder, Werte und Aufgabenbedeutung ebenso wie das Schema. Eine wohlgeformte Antwort kann einen Datensatz trotzdem falsch klassifizieren oder einen fehlenden Wert erfinden.
Soll ich Token pro Sekunde vergleichen?
Es kann bei der Diagnose eines Laufs helfen, aber akzeptierte Datensätze pro Minute und End-to-End-Latenz beschreiben den Queue-Abschluss besser. Retries und Eskalation einbeziehen.
Muss jeder Datensatz auf die neue Generation wechseln?
Nein. Ein Teilwechsel kann angemessen sein, wenn die Routing-Regel zuverlässig ist und die volle Pipeline ihre Ziele erfüllt. Fehlschlagende oder ungetestete Slices auf der gemessenen Route belassen.
Was sollte mich zum Rollback bewegen?
Die vor dem Rollout gewählten Stoppbedingungen: Regression bei kritischen Feldern, wachsender Rückstand, inakzeptable Fehler- oder Retry-Rate, zusätzliche Korrekturarbeit oder ein überschrittenes Kostenbudget.
