OpenAI lance GPT-6 Sol et GPT-6 Luna, deux modèles conçus pour réduire le coût des usages intensifs sans revenir aux performances de la génération précédente. Le laboratoire annonce des tarifs API divisés par deux par rapport aux prix promotionnels de GPT-5.6 Sol et Luna.
Cette nouvelle famille complète GPT-6 Astra, présenté plus tôt en septembre comme le modèle le plus avancé de l’entreprise. Sol vise les tâches exigeantes, tandis que Luna doit servir les applications à très grand volume. Les deux modèles sont disponibles à partir du 22 septembre.
Des prix réduits sur l’entrée comme sur la sortie
Pour GPT-6 Sol, OpenAI fixe le prix à 2 dollars par million de jetons en entrée et 10 dollars en sortie. GPT-5.6 Sol était facturé respectivement 4 et 20 dollars. GPT-6 Luna descend à 0,10 dollar en entrée et 0,50 dollar en sortie, contre 0,20 et 1,20 dollar pour son prédécesseur.
La baisse dépasse donc 50 % sur la sortie de Luna. OpenAI l’attribue à des gains sur la mise en cache et l’inférence. Pour les entreprises qui exécutent des agents en continu, la facture dépend toutefois aussi de la longueur des contextes, du niveau d’effort demandé et du nombre de tentatives nécessaires pour terminer une tâche.
OpenAI présente GPT-6 Sol et Luna comme deux modèles plus rapides et moins coûteux pour compléter GPT-6 Astra.
Sol progresse sur les workflows professionnels
OpenAI met surtout en avant les tâches de travail, le code et l’utilisation d’ordinateur. Sur AutomationBench 1.0.6, GPT-6 Sol obtient 33,2 % avec le niveau d’effort maximal, pour un coût annoncé de 0,27 dollar par tâche. Le laboratoire le compare à Claude Opus 5, crédité de 26,9 % pour un coût onze fois supérieur dans cette configuration.
Sur DeepSWE 1.1, un test d’ingénierie logicielle sur des dépôts réels, Sol atteint 68,8 %. OpenAI le place à 1,1 point de Claude Fable 5.1, avec un coût par tâche annoncé environ 80 % plus faible. Luna obtient 66,6 % au niveau d’effort maximal selon les mêmes résultats publiés par l’entreprise.
Ces chiffres restent ceux d’OpenAI. Les comparaisons de coût dépendent des réglages retenus et des mécanismes propres à chaque fournisseur. Les équipes devront donc reproduire les tests sur leurs propres workflows avant d’en déduire un gain budgétaire.
Un compromis entre Astra et les anciens modèles
OpenAI conserve Astra au sommet de sa gamme pour les demandes où la qualité maximale prime sur le prix. Sol et Luna occupent le reste de la courbe : le premier pour les analyses, le code et les agents complexes, le second pour les traitements répétitifs à grande échelle.
Le laboratoire affirme aussi que Sol commet environ deux fois moins d’erreurs factuelles que GPT-5.6 Sol sur une évaluation interne issue de conversations signalées par les utilisateurs. Luna, à effort élevé, approcherait les résultats de l’ancien Sol pour une fraction de son coût.
Le coût par tâche devient le véritable indicateur
La baisse du prix au jeton est importante, mais elle ne suffit pas à mesurer l’efficacité d’un modèle agentique. Un système plus cher peut rester compétitif s’il résout une tâche en moins d’étapes, tandis qu’un modèle économique peut multiplier les appels, les corrections ou les validations humaines.
Avec Sol et Luna, OpenAI cherche précisément à déplacer la concurrence vers le coût total d’un travail terminé. Les prochains retours d’usage devront confirmer trois points : la stabilité sur les tâches longues, la qualité des appels d’outils et le coût réel lorsque les agents opèrent pendant plusieurs heures. C’est sur ces mesures, plus que sur un benchmark isolé, que les entreprises pourront juger l’intérêt de cette nouvelle gamme.
