GPT-6 Sol et GPT-6 Luna partagent la même famille, mais pas le même tarif : Sol coûte vingt fois plus cher au million de tokens. Les benchmarks publiés par OpenAI dessinent surtout deux usages distincts, à lire avec les réserves d'usage sur des chiffres fournis par l'éditeur lui-même.
Ce qui les sépare, en un coup d'œil
Sol et Luna sortent de la même annonce, le 22 septembre, et visent pourtant des publics différents. Sol reste le modèle « milieu de gamme » de GPT-6, Luna l'entrée de gamme. L'écart de prix est le premier critère qui saute aux yeux, et il conditionne à peu près tout le reste.
Critère | GPT-6 Sol | GPT-6 Luna |
|---|---|---|
Prix d'entrée (par million de tokens) | 2 $ | 0,10 $ |
Prix de sortie (par million de tokens) | 10 $ | 0,50 $ |
Position dans la gamme | Milieu de gamme | Entrée de gamme |
AutomationBench (effort xhigh) | 33,2 % | Non communiqué |
DeepSWE 1.1 (effort xhigh) | 68,8 % | 66,6 % |
Usage typique | Agents complexes, code | Volume, tâches simples |
Ce tableau raconte une chose simple : Luna coûte vingt fois moins cher à l'entrée, mais son score sur DeepSWE 1.1, qui mesure la résolution de tâches de développement logiciel, n'est que légèrement inférieur à celui de Sol. C'est là que le choix devient intéressant.
Le prix, un rapport de vingt
Sol facture 2 dollars le million de tokens en entrée, Luna 0,10 dollar. Sur les sorties, l'écart est identique : 10 dollars contre 0,50. Autrement dit, pour un budget donné, vous faites tourner Luna vingt fois plus longtemps que Sol.
Cette différence vient de la conception des deux modèles. Sol embarque une capacité de raisonnement plus poussée, ce qui se paie sur chaque appel. Luna vise le volume : OpenRouter et les autres plateformes le destinent aux traitements en masse, comme le tri de données, la reformulation de textes ou l'extraction d'informations répétitive. À 0,10 dollar l'entrée, la question du coût par appel disparaît presque.
Ces tarifs sont ceux de l'API. Les abonnés ChatGPT ne les voient pas directement dans leur facture mensuelle, mais ils en profitent indirectement : les services qui s'appuient sur Luna peuvent baisser leurs prix.
DeepSWE 1.1 et AutomationBench : ce que disent les chiffres
OpenAI a publié les scores des deux modèles sur plusieurs benchmarks, et le résultat surprend par sa proximité. Sur DeepSWE 1.1, une épreuve de développement logiciel, Sol atteint 68,8 % en effort xhigh, contre 66,6 % pour Luna. Deux points d'écart, pour un modèle vingt fois plus cher.
L'autre chiffre notable concerne Sol seul. Sur AutomationBench, qui teste l'automatisation de tâches professionnelles, Sol en mode xhigh atteint 33,2 % pour un coût annoncé de 0,27 dollar par tâche. OpenAI indique que ce score dépasse les 26,9 % de Claude Opus 5 en effort maximal. Ces résultats sont ceux de l'éditeur : ils n'ont pas été vérifiés par un tiers au moment de la publication, et la méthode de calcul du coût par tâche reste celle communiquée par OpenAI.
Ces deux points mènent à la même conclusion. Sol apporte un gain net sur les tâches qui demandent d'enchaîner plusieurs étapes de raisonnement. Luna suit de près sur les tâches bien cadrées. Sur les plus longues, il décroche sans doute. La comparaison porte donc moins sur « lequel est le meilleur » que sur la nature des tâches que vous confiez au modèle.
Le bon modèle dépend de votre usage, pas du classement.
Le vrai argument de Luna : son coût par tâche
Là où Luna change la donne, c'est sur le coût réel d'une tâche terminée, pas sur le prix au million de tokens. Les plateformes qui ont relayé l'annonce avancent un chiffre : Luna reviendrait 93 à 96 % moins cher par tâche que les modèles haut de gamme de la concurrence. Un écart de cet ordre, s'il se confirme en usage réel, replace la question du budget au centre du choix.
Prenez un traitement de 500 documents courts, du type résumé ou extraction de champs. Sur Luna, la facture d'entrée reste symbolique. Sur Sol, elle devient visible. Sur un modèle de haut de gamme facturé 10 dollars l'entrée, elle devient un poste de dépense à part entière.
Reste une inconnue : la consommation réelle de tokens. Un modèle moins cher au million peut coûter davantage s'il produit deux fois plus de tokens de réflexion pour arriver au même résultat. Aucun chiffre public ne permet encore de trancher. Et si vos propres requêtes en disaient plus long que n'importe quel benchmark ?
Qui devrait utiliser Sol, qui devrait utiliser Luna
Le partage se fait assez naturellement selon la nature de vos tâches.
Luna convient aux traitements où la réponse doit être correcte mais pas subtile : classement de messages, extraction de données, traduction de volume, génération de brouillons. Le coût par appel y est tellement faible qu'il devient un critère secondaire.
Sol s'impose dès que la tâche demande de la planification : un agent qui doit corriger une erreur, vérifier son propre résultat ou orchestrer plusieurs outils. Sur ces cas, les quelques points d'avance de Sol sur les benchmarks se traduisent par moins d'échecs, et un échec coûte souvent plus cher que le token économisé.
Ceux qui hésitent entre les deux peuvent commencer par Luna et basculer progressivement leurs tâches les plus lourdes vers Sol. Une comparaison sur vos propres requêtes vaut mieux que n'importe quel benchmark, surtout quand celui-ci vient de l'éditeur.
Astra, le troisième modèle de la famille, reste hors de cette discussion : à 10 et 50 dollars le million de tokens, il vise les tâches où la qualité prime sur le coût, et où Sol ne suffit pas.






