Zum Hauptinhalt springen
Deutsch— Sprache auswählen
Menü

Terra und Luna: Schnelles, erschwingliches Reasoning

Lektion 9 von 12 Aktualisiert am 5. November 2026 Mittelstufe
Auf dieser Seite
  1. Das Reasoning, das Sie täglich nutzen
  2. Wo Terra und Luna ihre Rolle finden
  3. Wann Sie den Regler hochdrehen sollten
  4. Fünf Anwendungsfälle, bei denen diese Einstellung glänzt
  5. Drei Gewohnheiten, die alles verändern
  6. Ihre Aufgabe
  7. Kernaussagen

Das Reasoning, das Sie täglich nutzen

In der vorherigen Generation wurde schnelles und kostengünstiges Reasoning durch o4-mini abgedeckt. Dieses Modell verließ die API am 23. Oktober 2026, wobei gpt-5.6-terra als dessen Nachfolger bestimmt wurde. In der aktuellen Auswahl übernehmen zwei Modelle diese Rolle: GPT-6.1 Terra, das schnell und effizient ist, und GPT-6 Luna, die kostengünstigste Option. In Kombination mit moderaten Anstrengungseinstellungen bewältigen sie den Großteil der täglichen technischen Aufgaben und verdienen einen zentralen Platz in Ihrem Workflow.

Wo Terra und Luna ihre Rolle finden

In der API kostet GPT-6.1 Terra (gpt-6.1-terra) 1 USD pro Million Eingabetokens und 5 USD pro Million Ausgabetokens. OpenAI positioniert es als schnelles, effizientes Modell für visuelles Reasoning, präzise Computersteuerung und klare Texte. GPT-6 Luna (gpt-6-luna) ist mit 0,10 USD und 0,50 USD pro Million Tokens für gezielte, hochvolumige repetitive Aufgaben konzipiert: Extraktion, Klassifizierung, Transformation und strukturierte Zusammenfassungen. Beide Modelle akzeptieren alle Anstrengungsebenen von none bis max und teilen sich das 1,05-Millionen-Token-Kontextfenster der restlichen Modellreihe.

In ChatGPT begegnen Sie ihnen vor allem in Work und Codex. OpenAI empfiehlt Terra für Schreiben, Bildverständnis und die Arbeit innerhalb von Anwendungen, während Luna am besten für saubere, repetitive Aufgaben geeignet ist, bei denen ein gutes Ergebnis leicht erkennbar ist; für Luna schlägt die Dokumentation vor, mit dem High-Level zu beginnen. In Chat stützen sich die Free- und Go-Pläne auf ein Luna-Modell, wobei die Think-Schaltfläche für schwierigere Fragen verfügbar ist.

GPT-6.1 Sol und GPT-6 Astra behalten den Vorteil bei hochabstrakten Problemen, strategischen Abwägungen mit vielen Faktoren, erschöpfenden Erkundungen und langformatiger Arbeit, bei der die Antwortzeit weniger wichtig ist.

Die beiden Alltagsmodelle Zwei Spalten. GPT-6.1 Terra: 1 USD und 5 USD pro Million Tokens, Anstrengung von none bis max, stark in Schreiben, Bildern und Anwendungskontrolle, 1,05 Millionen Token Kontext. GPT-6 Luna: 0,10 USD und 0,50 USD, Anstrengung von none bis max, aber kein Ultra, für Volumen konzipiert, in Work mit High-Level beginnen. TERRA UND LUNA Die beiden Alltagsmodelle GPT-6.1 Terra Preis 1 USD / 5 USD pro Million Tokens Anstrengung none bis max Stärken Schreiben, Bilder, Anwendungen Kontext 1,05 Millionen Tokens GPT-6 Luna Preis 0,10 USD / 0,50 USD Anstrengung none bis max, kein Ultra Stärken Volumen: Extrahieren, Klassifizieren In Work Mit High-Level beginnen o4-mini verließ die API am 23. Oktober 2026, mit gpt-5.6-terra als dessen bestimmtem Nachfolger.
Basierend auf den API-Modellseiten, der ChatGPT-Dokumentation und der Seite zu Abschaffungen (November 2026).

Wann Sie den Regler hochdrehen sollten

Die entscheidende Frage lautet nicht „Welches Modell soll ich wählen?“, sondern „Welches Anstrengungsniveau soll ich aktivieren??” Vier Signale rechtfertigen den Wechsel von none oder low auf medium bei Terra: Die Aufgabe beinhaltet Berechnungen oder logische Verifizierungen; sie lässt sich in mehrere Schritte zerlegen; die Antwort auf der niedrigsten Ebene war ungenau oder falsch; oder das Ergebnis erfordert die Abgleichung mehrerer Informationsquellen. Wenn high immer noch nicht ausreicht, ist es Zeit, auf GPT-6.1 Sol umzusteigen.

Fünf Anwendungsfälle, bei denen diese Einstellung glänzt

Als täglicher Programmierassistent durchdenkt Terra mit der Einstellung medium die Programmlogik, erkennt Fehler und schlägt gut begründete Lösungen vor: „Hier ist eine Python-Funktion, die den Median einer Liste berechnen sollte, aber manchmal ein falsches Ergebnis zurückgibt. Finden Sie den Fehler und beheben Sie ihn: [Code].” Für schnelle Datenanalysen vermeidet es den Bedarf, ein teureres Modell aufzurufen: „Hier sind Verkaufsdaten für 5 Produkte über 6 Monate. Welches hat die beste Entwicklungstendenz, und welches läuft Gefahr, abzufallen? Begründen Sie dies mit Berechnungen.”

Es eignet sich auch hervorragend als Verifizierer, sei es für Ihre eigenen Berechnungen oder die Ausgabe eines anderen Modells. Dank seiner visuellen Fähigkeiten kann es Kommentare zu einem Dashboard-Screenshot hinzufügen: „Was sind die drei wichtigsten Beobachtungen, und was empfehlen Sie?” Denken Sie jedoch daran, dass aus Bildern gelesene Zahlen immer noch verifiziert werden müssen. Schließlich bietet Luna mit der Einstellung low oder medium bei repetitiven Aufgaben wie dem Sortieren von 500 Tickets oder der Extraktion von Feldern aus 200 Dokumenten das beste Verhältnis von Qualität zu Kosten; testen Sie dies zunächst an einer Stichprobe.

Drei Gewohnheiten, die alles verändern

Seien Sie direkt: „Berechnen Sie die durchschnittliche jährliche Wachstumsrate für dieses Umsatzwachstum: 2021 = 1,2 Mio. €, 2022 = 1,5 Mio. €, 2023 = 1,9 Mio. €, 2024 = 2,3 Mio. €, 2025 = 2,8 Mio. €” funktioniert besser als ein langer Vorabtext. OpenAI empfiehlt einfache, direkte Anweisungen für seine Reasoning-Modelle. Fordern Sie die Verifizierung innerhalb des Ergebnisses an: „Geben Sie das Ergebnis an und verifizieren Sie es anschließend mit einer anderen Methode.” Und arbeiten Sie in kurzen Iterationen: Die Geschwindigkeit dieser Einstellungen ist für einen schnellen Hin-und-Her-Austausch konzipiert.

Ihre Aufgabe

Vier Aufgaben, eine Stoppuhr. Testen Sie Terra auf medium (in der API oder Work) oder das Medium-Level in Chat als Fallback bei diesen vier Anfragen. Notieren Sie die Antwortzeit und verifizieren Sie jedes Ergebnis.

  1. „Lösen Sie: wenn 3x + 7 = 2(x − 4) + 15, was ist x? Verifizieren Sie.” (Erwartete Antwort: x = 0.)
  2. „Hier ist ein JavaScript-Codeausschnitt: [Code mit einem subtilen Fehler]. Finden Sie den Fehler.”
  3. „Mein vierteljährliches Umsatz: Q1 = 120k, Q2 = 135k, Q3 = 128k, Q4 = 142k. Berechnen Sie die Tendenz und projizieren Sie das nächste Q1.”
  4. „Softwarekosten betragen 15.000 € pro Jahr. Die Open-Source-Alternative kostet 5.000 € für die Bereitstellung und dann 2.000 € pro Jahr für Wartung. Wann wird die Alternative kosteneffektiv?”

Jede wird schnell mit ausreichendem Reasoning bearbeitet. Die Verwendung eines teureren Modells auf einem hohen Anstrengungsniveau für diese Art von Anfrage kostet mehr und dauert länger, ohne Mehrwert zu bieten.

Offizielle Quellen: Models (OpenAI API: GPT-6.1 Terra und GPT-6 Luna, Anstrengungsebenen, Preise) · Deprecations (o4-mini entfernt am 23. Oktober 2026, Nachfolger) · Models (ChatGPT-Dokumentation: Terra- und Luna-Anwendungen in Work, Startniveau) · Reasoning best practices (direkte Anweisungen)

Kernaussagen

  • o4-mini verließ die API am 23. Oktober 2026; GPT-6.1 Terra und GPT-6 Luna übernehmen nun das schnelle Reasoning
  • Terra: 1 USD / 5 USD pro Million Tokens für Schreiben, Bilder und Anwendungskontrolle; Luna: 0,10 USD / 0,50 USD für hochvolumige repetitive Aufgaben
  • Beide akzeptieren Anstrengung von none bis max; erhöhen Sie die Anstrengung, bevor Sie das Modell wechseln
  • Nutzen Sie direkte Anweisungen, fordern Sie die Verifizierung im Output an und iterieren Sie schnell
  • Reservieren Sie GPT-6.1 Sol und GPT-6 Astra für abstrakte, strategische oder erschöpfende Probleme