GPT-5.6-modeller: Sol, Terra, Luna – hvornår skal du bruge hvilken?
På denne side
Opdateret 2. november 2026.
o4-miniblev udfaset den 23. oktober 2026, ogo3,o3-prosamtgpt-5-familien vil blive udfaset den 11. december 2026. GPT-5.6-familien er stadig tilgængelig, men OpenAI anbefaler nu GPT-6-familien til nye projekter:gpt-6-astra(mest kapacitet),gpt-6.1-sol,gpt-6.1-terraoggpt-6-luna(se ChatGPT i 2026: Fra GPT-5.6 til GPT-6, lektion 9). Både GPT-5.6 og GPT-6 understøtter enpro-ræsonnementstilstand (reasoning={"mode": "pro", "effort": "medium"}) til svære opgaver. Kilder: Udfasninger · Modeller · Ræsonnement.
Modellerne: Vælg den rigtige til hver opgave
Pr. 9. juli 2026 er GPT-5.6-familien generelt tilgængelig: tre modeller, der hver er optimeret til et specifikt anvendelsesområde, med et ræsonnementsniveau, du kan justere pr. anmodning. At vælge den rette kombination af model og ræsonnement er den enkeltstående beslutning, der har størst indflydelse på din applikations kvalitet og omkostninger – der er en faktor på 25x mellem den dyreste og den mest økonomiske model, og en tilsvarende faktor gælder for ekstreme ræsonnementsindstillinger.
| Model | API-ID | Styrke | Pris ($/MTok input / output) | Anvendelsesområde |
|---|---|---|---|---|
| GPT-5.6 Sol | gpt-5.6-sol (alias gpt-5.6) | Flagskib, mest kapacitet | $5 / $30 | Komplekse opgaver, dybt ræsonnement, maksimal kvalitet |
| GPT-5.6 Terra | gpt-5.6-terra | Afbalanceret | $2 / $12 | Generel brug, chatbots, indholdsgenerering |
| GPT-5.6 Luna | gpt-5.6-luna | Højt volumen, hurtig, økonomisk | $0.20 / $1.20 | Enkle opgaver, klassificering, udtrækning |
Alle tre modeller accepterer tekst og billeder som input, er flersprogede og bruges via Responses API. For detaljerede specifikationer (kontekstvinduer, grænser) skal du konsultere den officielle modelside på platform.openai.com.
Terra: Dit udgangspunkt som standard
Terra er den model, du vil bruge oftest, fordi den tilbyder det bedste forhold mellem kvalitet og pris til de fleste opgaver: chatbots, indholdsgenerering, resuméer, oversættelse og generelle spørgsmål og svar. Den rigtige tilgang er at starte med Terra, måle kvaliteten af resultatet og først skifte op til Sol, hvis resultatet ikke er godt nok – ikke omvendt.
from openai import OpenAI
client = OpenAI()
# Generel brug — Terra er perfekt
response = client.responses.create(
model="gpt-5.6-terra",
input="Skriv en professionel e-mail for at anmode om et møde."
)
print(response.output_text)
Sol, når fejl er dyre
Sol er familiens mest ydedygtige model. Reserver den til situationer, hvor maksimal kvalitet er afgørende: analyse af dokumenter med høje indsatser, opgaver der drager fordel af dybt ræsonnement, eller alt hvad et menneske ville skulle korrekturlæse linje for linje, hvis modellen lavede en fejl. Analyse af en årsrapport for at udtrække nøglerisici passer præcist ind i denne kategori – en udeladelse her medfører omkostninger, der langt overstiger de få cents, der spares på API-kaldet.
# Krævende dokumentanalyse
with open("annual_report.txt", "r") as f:
document = f.read()
response = client.responses.create(
model="gpt-5.6-sol",
input=f"Analyser denne årsrapport og identificer de 5 vigtigste "
f"risici:\n\n{document}"
)
print(response.output_text)
Luna til højt volumen
Luna er optimeret til hastighed og omkostninger, hvilket gør den ideel til storskala repetitiv behandling: klassificering, dataudtrækning, omskrivning og hurtig prototyping. En flagskibsmodels ræsonnement tilfører ingen værdi, når du skal afgøre, om en kundeanmeldelse er positiv eller negativ; men fordelt på 100.000 anmeldelser bliver prisforskellen den eneste variabel, der betyder noget.
# Hurtig tekstklassificering
texts = [
"Dette produkt er fantastisk, jeg anbefaler det!",
"Sen levering, ikke-eksisterende kundeservice.",
"Okay, intet særligt.",
]
for text in texts:
response = client.responses.create(
model="gpt-5.6-luna",
input=f"Klassificer stemningen (positiv/negativ/neutral): {text}",
)
print(f"{text[:50]}... → {response.output_text}")
# Resultat:
# Dette produkt er fantastisk, jeg anbefaler det!... → Positiv
# Sen levering, ikke-eksisterende kundeservice.... → Negativ
# Okay, intet særligt.... → Neutral
Ræsonnement: En parameter, ikke en model
Med den tidligere generation (o3, o3-pro, o4-mini) var ræsonnement legemliggjort af dedikerede modeller: du skiftede model for at få ræsonnementsevner. Det er ikke længere tilfældet. Hver GPT-5.6-model accepterer en reasoning-parameter pr. anmodning med seks indsatsniveauer – none, low, medium, high, xhigh, max.
# Komplekst ræsonnementsproblem: Sol + høj indsats
response = client.responses.create(
model="gpt-5.6-sol",
input="En snegl er i bunden af en 30 meter dyb brønd. "
"Hver dag klatrer den 3 meter, men glider 2 meter tilbage "
"om natten. Hvor mange dage tager det at komme op? "
"Forklar din ræsonnement trin for trin.",
reasoning={"effort": "high"} # none, low, medium, high, xhigh, max
)
print(response.output_text)
# Detaljeret resultat med struktureret ræsonnement:
# Dag 1 til 27: nettofremskridt på 1m/dag → 27m
# Dag 28: klatrer 3m fra 27m → når 30m og kommer op
# Svar: 28 dage
Niveauet none deaktiverer blot ræsonnement: svaret er øjeblikkeligt, og omkostningerne minimale, hvilket passer til mekaniske opgaver som klassificeringen ovenfor. Niveauerne medium og high dækker de fleste tekniske opgaver. Gem xhigh og max til genuinely svære problemer, idet du skal vide, at internt ræsonnement forbruger tokens, der faktureres som output: i sneglegåden kan den usynlige tænkning veje tungere end det viste svar. En yderligere indstilling, ultra, koordinerer som standard 4 agenter parallelt, op til 16 ved visse evalueringer, til de tungeste opgaver – med betydeligt højere tokenforbrug.
Hvis du migrerer kode skrevet til den tidligere generation (GPT-5.3, GPT-5.4, o3, o3-pro, o4-mini), er her ækvivalenserne:
o3→gpt-5.6-sol, ogo3-pro→gpt-5.6-solmedreasoning={"mode": "pro"}(udpegede erstatninger ifølge den officielle udfasningstabel; sæt derefterefforttilhigh,xhighellermaxbaseret på sværhedsgrad)o4-mini→gpt-5.6-terramedreasoningsat tilmediumgpt-5.3/gpt-5.4(generel brug) →gpt-5.6-terra- Opgaver med højt volumen →
gpt-5.6-luna
Dynamisk routing i produktion
I produktion vil du ikke kun have én type anmodning, men mange, og at hardcode én enkelt model betyder enten at betale for meget for enkle opgaver eller at fejle ved svære. Router-mønsteret indebærer at centralisere beslutningen i en funktion, der kaldes før hver anmodning, og som returnerer den passende konfiguration. Derefter kan du justere den uden at røre resten af applikationen.
def choose_config(task: str, complexity: str, budget: str) -> dict:
"""Vælger den optimale model og ræsonnementsindsats."""
if complexity == "high" and task in ["math", "code", "logic"]:
return {"model": "gpt-5.6-sol", "reasoning": {"effort": "high"}}
elif budget == "minimal" or complexity == "low":
return {"model": "gpt-5.6-luna", "reasoning": {"effort": "none"}}
elif task in ["diagnostic", "fine_classification"]:
return {"model": "gpt-5.6-terra", "reasoning": {"effort": "medium"}}
else:
return {"model": "gpt-5.6-terra", "reasoning": {"effort": "low"}}
# Brug
config = choose_config(task="chatbot", complexity="medium", budget="standard")
response = client.responses.create(
input="Dit spørgsmål her",
**config
)
Priser pr. 5. august 2026 – priser ændres regelmæssigt: før enhver budgetberegning skal du verificere den aktuelle pristabel på OpenAIs officielle prisside.
Vigtige pointer
- Terra er standardvalget til de fleste opgaver ($2 / $12 pr. MTok)
- Sol til maksimal kvalitet og dybt ræsonnement ($5 / $30); Luna til højt volumen ($0.20 / $1.20)
- Ræsonnement er en parameter pr. anmodning (
none→max, plusultra), ikke en separat model - Migrationsækvivalenser: o3 → Sol; o3-pro → Sol i
pro-tilstand; o4-mini → Terra medium; GPT-5.3/5.4 → Terra - I produktion skal du dynamisk routere til den rigtige kombination af model og indsats baseret på konteksten