Terra et Luna : le raisonnement rapide et économique

Le raisonnement que vous utiliserez tous les jours

Dans la génération précédente, le raisonnement rapide et économique s’appelait o4-mini. Ce modèle a quitté l’API le 23 octobre 2026, avec gpt-5.6-terra comme remplaçant désigné. Dans la famille actuelle, ce rôle revient à deux modèles : GPT-6.1 Terra, rapide et efficace, et GPT-6 Luna, le plus économique. Associés à un effort modéré, ils traitent l’essentiel des tâches techniques du quotidien, et méritent une place de choix dans vos habitudes.

Où se situent Terra et Luna

Dans l’API, GPT-6.1 Terra (gpt-6.1-terra) coûte 1 $ par million de jetons en entrée et 5 $ en sortie ; OpenAI le présente comme un modèle rapide et efficace pour le raisonnement visuel, le pilotage précis d’un ordinateur et une écriture claire. GPT-6 Luna (gpt-6-luna), à 0,10 $ et 0,50 $, est le modèle des tâches ciblées et répétées en volume : extraction, classification, transformation, résumés structurés. Tous deux acceptent tous les niveaux d’effort, de none à max, et partagent avec le reste de la gamme 1,05 million de jetons de contexte.

Dans ChatGPT, vous les croisez surtout dans Work et Codex, où OpenAI recommande Terra pour la rédaction, la compréhension d’images et le travail dans des applications, et Luna pour les tâches nettes et répétitives dont vous savez reconnaître un bon résultat ; pour Luna, la documentation conseille de partir du niveau High. Dans Chat, les offres Free et Go reposent sur un modèle Luna, avec le bouton Think pour les questions plus difficiles.

GPT-6.1 Sol et GPT-6 Astra gardent l’avantage sur les problèmes très abstraits, les arbitrages stratégiques qui pèsent de nombreux facteurs, les explorations exhaustives et les travaux longs où le temps de réponse importe peu.

Quand monter le curseur

La question clé n’est pas « quel modèle choisir » mais « quel niveau d’effort activer ». Quatre signaux justifient de quitter none ou low pour medium sur Terra : la tâche implique un calcul ou une vérification logique ; elle se décompose en plusieurs étapes ; la réponse obtenue au niveau le plus bas était approximative ou fausse ; la conclusion suppose de croiser plusieurs informations. Si high ne suffit toujours pas, c’est le moment de passer à GPT-6.1 Sol.

Cinq usages où ce réglage brille

Comme assistant de code quotidien, Terra en medium raisonne sur la logique d’un programme, repère les bugs et propose des corrections argumentées : « Voici une fonction Python qui devrait calculer la médiane d’une liste, mais elle renvoie parfois un résultat faux. Trouve le bug et corrige-le : [code]. » Pour une analyse rapide de données, il évite de mobiliser un modèle plus cher : « Voici les ventes de 5 produits sur 6 mois. Lequel a la meilleure trajectoire, lequel risque de décrocher ? Justifie avec les calculs. »

Il excelle aussi comme vérificateur, de vos calculs ou du travail d’un autre modèle. Grâce à ses capacités visuelles, il commente une capture de tableau de bord : « Quelles sont les trois observations les plus importantes, et que recommandes-tu ? », en gardant à l’esprit que les chiffres lus dans une image restent à vérifier. Enfin, pour les tâches répétitives, classer 500 tickets ou extraire des champs de 200 documents, Luna en low ou medium offre le meilleur rapport qualité-coût ; testez d’abord sur un échantillon.

Trois habitudes qui changent tout

Soyez direct : « Calcule le taux de croissance annuel moyen de ces revenus : 2021 = 1,2 M€, 2022 = 1,5 M€, 2023 = 1,9 M€, 2024 = 2,3 M€, 2025 = 2,8 M€ » vaut mieux qu’un long préambule ; OpenAI recommande des consignes simples et directes pour ses modèles de raisonnement. Demandez une vérification dans le résultat : « Donne le résultat, puis une vérification par une autre méthode. » Et travaillez en itérations courtes : la rapidité de ces réglages est faite pour les allers-retours.

À vous de jouer

Quatre tâches, un chronomètre. Testez Terra en medium (dans l’API ou Work), ou à défaut le niveau Medium de Chat, sur ces quatre demandes, en notant le temps de réponse et en vérifiant chaque résultat.

1. « Résous : si 3x + 7 = 2(x − 4) + 15, que vaut x ? Vérifie. » (Réponse attendue : x = 0.)
2. « Voici un extrait de code JavaScript : [code avec un bug subtil]. Trouve le bug. »
3. « Mon chiffre d’affaires trimestriel : T1 = 120 k, T2 = 135 k, T3 = 128 k, T4 = 142 k. Calcule la tendance et projette le T1 suivant. »
4. « Un logiciel coûte 15 000 € par an. L’alternative libre coûte 5 000 € à déployer, puis 2 000 € par an de maintenance. À partir de quand l’alternative est-elle rentable ? »

Chacune est traitée vite, avec un raisonnement suffisant : mobiliser un modèle plus cher à un niveau élevé pour ce type de demande coûte plus et prend plus de temps, sans rien apporter.

Sources officielles : Models (API OpenAI : GPT-6.1 Terra et GPT-6 Luna, efforts, prix) · Deprecations (o4-mini retiré le 23 octobre 2026, remplaçant) · Models (documentation ChatGPT : usages de Terra et Luna dans Work, niveau de départ) · Reasoning best practices (consignes directes)

Points clés à retenir

• o4-mini a quitté l’API le 23 octobre 2026 ; GPT-6.1 Terra et GPT-6 Luna tiennent aujourd’hui le rôle du raisonnement rapide
• Terra : 1 $ / 5 $ par million de jetons, rédaction, image, pilotage d’applications ; Luna : 0,10 $ / 0,50 $, tâches répétées en volume
• Tous deux acceptent l’effort de none à max ; montez l’effort avant de changer de modèle
• Consignes directes, vérification demandée dans le résultat, itérations courtes
• Gardez GPT-6.1 Sol et GPT-6 Astra pour les problèmes abstraits, stratégiques ou exhaustifs