# GPT-6 Sol et GPT-6 Luna : OpenAI rend la génération GPT-6 moins chère et plus accessible
Chapô — OpenAI élargit sa famille GPT-6 avec Sol, conçu pour le code et les agents complexes, et Luna, destiné aux tâches ciblées exécutées en grand nombre. Les deux modèles arrivent dans Codex, ChatGPT Work et l’API. Leur promesse tient autant à la baisse des tarifs qu’aux progrès revendiqués en qualité, en utilisation d’outils et en réutilisation du contexte. Voici ce que l’annonce confirme, et ce qu’il faudra encore mesurer sur des usages réels. Annonce officielle d’OpenAI
Deux modèles, deux niveaux de coût
La famille GPT-6 comprenait déjà Astra, que l’entreprise présente comme son modèle le plus capable. Sol et Luna proposent deux échelons supplémentaires. Selon OpenAI Docs, le catalogue officiel des modèles, GPT-6 Sol vise les workflows de programmation et les agents complexes. GPT-6 Luna vise les tâches plus circonscrites et à fort volume, lorsque le coût et le débit prennent davantage de poids. Astra reste le choix recommandé par OpenAI pour les projets qui réclament ses meilleures performances. Ces descriptions sont des positionnements du fournisseur, et non une garantie qu’un modèle sera optimal pour chaque cas d’usage.
Sur l’API, les identifiants sont gpt-6-sol et gpt-6-luna. Les fiches de Sol et de Luna indiquent chacune une fenêtre de contexte de 1 050 000 jetons et une sortie maximale de 128 000 jetons. Elles acceptent le texte et les images en entrée et produisent du texte. Ces fiches ne présentent ni l’audio ni la vidéo comme modalités directes de ces deux modèles. La limite de connaissances indiquée est le 20 avril 2026 pour Sol et le 18 mai 2026 pour Luna : une grande fenêtre de contexte ne remplace donc pas l’accès à des sources récentes.
Prix API : combien coûtent réellement Sol et Luna ?
Le tarif Standard de l’API OpenAI est exprimé en dollars par million de jetons. Pour les requêtes dans la tranche de contexte courte, Sol coûte 2 $ en entrée et 10 $ en sortie ; Luna coûte 0,10 $ en entrée et 0,50 $ en sortie. À ce prix unitaire, Luna revient à un vingtième du prix de Sol pour l’entrée comme pour la sortie. Le bon calcul reste toutefois le coût par tâche terminée : un modèle économique qui nécessite davantage d’essais ou de corrections peut revenir plus cher qu’attendu.
| Tarif Standard, par million de jetons | GPT-6 Sol | GPT-6 Luna |
|---|---|---|
| Entrée | 2 $ | 0,10 $ |
| Entrée lue depuis le cache | 0,20 $ | 0,01 $ |
| Écriture dans le cache | 2,50 $ | 0,125 $ |
| Sortie | 10 $ | 0,50 $ |
OpenAI présente ces tarifs comme une réduction de 50 % par rapport aux prix promotionnels des modèles GPT-5.6 correspondants. Pour Sol, l’annonce compare 4 $/20 $ à 2 $/10 $ en entrée et sortie. Pour Luna, elle compare 0,20 $/1,20 $ à 0,10 $/0,50 $ ; la réduction de la sortie est d’environ 58 %, ce qui invite à lire le « 50 % » comme un résumé commercial de la baisse, et non comme un pourcentage exact pour chaque ligne tarifaire. Annonce officielle
Il existe une limite tarifaire essentielle : au-delà de 272 000 jetons d’entrée, la requête entière passe au tarif « long contexte ». L’entrée et les lectures/écritures de cache sont alors facturées au double, et la sortie à 1,5 fois le prix court. En Standard, cela donne par exemple 4 $/15 $ pour Sol et 0,20 $/0,75 $ pour Luna en entrée/sortie. Ces montants concernent toute la requête au-dessus du seuil, pas seulement les jetons supplémentaires. Batch et Flex sont annoncés à la moitié du tarif Standard ; Fast mode est facturé au double. Les frais d’outils peuvent s’ajouter. La résidence des données dans l’Union européenne n’est proposée pour Sol et Luna qu’en traitement Standard et entraîne, selon les conditions documentées, une majoration régionale de 10 %. Fiches techniques Sol et Luna · Tarification officielle
Ce que disent les évaluations : progrès annoncés et conditions de lecture
Dans son article de lancement, OpenAI affirme que Sol progresse face à GPT-5.6 Sol sur le travail professionnel, la programmation, l’usage d’ordinateur et la fiabilité factuelle. Pour Luna, le message est une meilleure qualité à très faible coût. Quelques chiffres donnent un ordre de grandeur, à condition de conserver leur protocole :
- Sur AutomationBench, un test de workflows professionnels, OpenAI annonce 33,2 % de réussite pour Sol au niveau d’effort
xhigh, avec un coût de 0,27 $ par tâche dans cette évaluation. - Sur DeepSWE v1.1, l’annonce donne 68,8 % à Sol au niveau
maxet 66,6 % à Luna au niveaumax. - Sur OSWorld 2.0 offline, Sol atteint selon OpenAI 60,5 % en score partiel au niveau
xhigh. - Sur une évaluation interne de factualité construite à partir de conversations où des utilisateurs avaient signalé des erreurs, OpenAI indique que Sol commet environ deux fois moins d’erreurs que son prédécesseur.
Ces résultats ne décrivent pas le taux de réussite moyen d’un utilisateur dans Codex ou ChatGPT Work. Ils changent avec le niveau d’effort, les outils, le jeu de tâches et l’environnement d’exécution. OpenAI précise que ses tests ont été réalisés dans son environnement de recherche ou via l’API, dont les sorties peuvent différer de celles des produits finis. Les chiffres des modèles concurrents viennent de rapports publics et ne constituent pas toujours des essais exécutés dans un cadre identique. Le test interne de factualité utilise, de surcroît, des conversations sélectionnées précisément parce qu’elles avaient suscité un signalement d’erreur. Méthodes et réserves d’OpenAI
La conclusion pratique est de construire ses propres essais : par exemple, vérifier la correction d’un même lot de tickets logiciels, le taux de réponses sourcées sur des documents métier, le temps de relecture et le coût total après reprises. Les benchmarks publics sont un point de départ pour choisir quoi tester, pas une preuve que Sol ou Luna gagnera sur tout le travail d’une entreprise.
Le cache de contexte devient un enjeu économique central
Les agents relisent souvent les mêmes instructions, outils, documents ou portions de dépôt au fil d’une longue tâche. OpenAI indique avoir amélioré le prompt caching de GPT-6 afin d’augmenter les réutilisations automatiques. Les lectures de jetons déjà mis en cache coûtent 90 % de moins que l’entrée non mise en cache dans la grille Standard des deux nouveaux modèles. L’entreprise annonce aussi des points de rupture explicites pour choisir les préfixes à conserver, ainsi que la possibilité de changer le niveau d’effort ou la disponibilité des outils sans invalider le contexte antérieur. Annonce du cache GPT-6 · OpenAI Docs : prompt caching
Cette évolution peut compter davantage qu’un simple écart de prix par jeton pour un agent qui travaille longtemps. Encore faut-il que l’application réutilise effectivement des préfixes stables. OpenAI renvoie à un tableau de bord et à des diagnostics pour mesurer les « cache hits ». Le pourcentage de cache réellement obtenu doit donc faire partie du bilan d’un déploiement, avec le coût des appels d’outils, la latence et le nombre de tâches achevées.
Disponibilité : Codex et ChatGPT Work, avec un déploiement progressif
OpenAI annonce Sol et Luna dans Codex et ChatGPT Work pour les abonnés Plus, Pro, Business, Enterprise et Edu. Les utilisateurs Free et Go peuvent essayer Luna dans l’application de bureau. Les deux modèles sont aussi annoncés dans l’API sous leurs identifiants respectifs. Le déploiement dans les produits est progressif : l’absence du modèle dans un sélecteur au moment de la lecture ne signifie pas nécessairement que l’offre n’y donne pas droit. L’annonce précise également qu’ils ne sont pas encore disponibles dans Chat, qu’il ne faut pas confondre avec ChatGPT Work. Disponibilité officielle
Pour les développeurs, les deux fiches OpenAI Docs listent des niveaux d’effort de raisonnement allant de none à max, avec medium par défaut. OpenAI recommande Responses API pour les outils intégrés et les appels de fonctions. Dans Chat Completions, l’appel de fonctions est documenté uniquement avec reasoning_effort réglé sur none. Cette différence peut peser dans un projet qui prévoit de remplacer simplement un identifiant de modèle sans revoir son intégration.
Sécurité et fiabilité : des améliorations à confirmer en production
OpenAI indique que Sol et Luna améliorent plusieurs résultats d’alignement par rapport à leurs homologues GPT-5.6, notamment la fréquence des affirmations trompeuses sur le travail de programmation accompli. L’entreprise prévient que ses évaluations de sécurité cherchent volontairement des situations difficiles et ne mesurent pas un taux d’échec dans l’usage habituel. Elle renvoie à la section Sol et Luna de sa fiche de sécurité GPT-6 pour les résultats complets. La promesse d’un modèle « plus fiable » doit donc rester attribuée à OpenAI tant que des essais externes et des retours d’exploitation ne l’ont pas corroborée. Annonce officielle
Notre analyse : quel modèle choisir ?
Sol paraît le candidat naturel pour un agent de code, une tâche en plusieurs étapes ou un travail où les reprises coûtent cher. Luna mérite d’être essayé pour la classification, l’extraction, la transformation de texte et les demandes à grand volume dont la qualité peut être contrôlée automatiquement. Astra reste, selon le positionnement d’OpenAI, l’option la plus capable pour les problèmes les plus exigeants. Cette répartition est une hypothèse de choix, pas un classement universel. Catalogue des modèles OpenAI Docs
La nouvelle gamme illustre une évolution du marché : le prix d’accès à une génération de modèles avancés baisse, mais l’économie réelle dépend de la réussite de chaque tâche. La fenêtre de contexte d’un million de jetons élargit les possibilités, tout en exposant aux tarifs du contexte long. Le cache peut réduire la facture, à condition que les requêtes soient conçues pour le réutiliser. Les équipes qui envisagent une migration devraient donc comparer trois mesures sur leurs propres données : résultat validé, temps nécessaire et coût complet, outils et relectures compris.