Modelli GPT-5.6: Sol, Terra, Luna—Quale usare e quando
In questa pagina
Aggiornato il 2 novembre 2026.
o4-miniè stato deprecato il 23 ottobre 2026;o3,o3-proe la famigliagpt-5saranno deprecati l’11 dicembre 2026. La famiglia GPT-5.6 rimane disponibile, ma OpenAI raccomanda ora la famiglia GPT-6 per i nuovi progetti:gpt-6-astra(il più capace),gpt-6.1-sol,gpt-6.1-terraegpt-6-luna(vedi ChatGPT nel 2026: da GPT-5.6 a GPT-6, Lezione 9). Sia GPT-5.6 che GPT-6 supportano una modalità di ragionamentopro(reasoning={"mode": "pro", "effort": "medium"}) per compiti difficili. Fonti: Deprecations · Models · Reasoning.
I modelli: scegliere quello giusto per ogni compito
A partire dal 9 luglio 2026, la famiglia GPT-5.6 è generalmente disponibile: tre modelli, ciascuno ottimizzato per un caso d’uso diverso, con un livello di ragionamento regolabile per ogni richiesta. Scegliere la combinazione modello + ragionamento corretta è la decisione più impattante per la qualità e il costo della tua applicazione: un fattore 25x separa il modello più costoso da quello più economico, e un fattore comparabile separa le impostazioni di ragionamento estreme.
| Modello | ID API | Punto di forza | Prezzo ($/MTok input / output) | Caso d’uso |
|---|---|---|---|---|
| GPT-5.6 Sol | gpt-5.6-sol (alias gpt-5.6) | Flagship, il più capace | $5 / $30 | Compiti complessi, ragionamento profondo, massima qualità |
| GPT-5.6 Terra | gpt-5.6-terra | Bilanciato | $2 / $12 | Uso generale, chatbot, generazione di contenuti |
| GPT-5.6 Luna | gpt-5.6-luna | Volume, veloce, economico | $0.20 / $1.20 | Compiti semplici, classificazione, estrazione |
Tutti e tre i modelli accettano testo e immagini come input, sono multilingue e si utilizzano tramite le Responses API. Per specifiche dettagliate (finestre di contesto, limiti), consulta la pagina ufficiale dei modelli su platform.openai.com.
Terra: il tuo punto di partenza predefinito
Terra è il modello che userai più spesso perché offre il miglior rapporto qualità-prezzo per la maggior parte dei compiti: chatbot, generazione di contenuti, riassunti, traduzioni e domande e risposte generali. L’approccio corretto è iniziare con Terra, misurare la qualità ottenuta e passare a Sol solo se il risultato non è sufficiente, non il contrario.
from openai import OpenAI
client = OpenAI()
# Uso generale — Terra è perfetto
response = client.responses.create(
model="gpt-5.6-terra",
input="Scrivi un'email professionale per richiedere un incontro."
)
print(response.output_text)
Sol quando gli errori costano cari
Sol è il modello dalle prestazioni più elevate della famiglia. Riservalo alle situazioni in cui la massima qualità è essenziale: analisi di documenti ad alto rischio, compiti che beneficiano di un ragionamento profondo o qualsiasi attività che un umano dovrebbe ricontrollare riga per riga se il modello commettesse un errore. Analizzare un bilancio annuale per estrarre i rischi chiave rientra esattamente in questa categoria: un’omissione qui ha un costo di gran lunga superiore ai pochi centesimi risparmiati sulla chiamata API.
# Analisi documentale impegnativa
with open("annual_report.txt", "r") as f:
document = f.read()
response = client.responses.create(
model="gpt-5.6-sol",
input=f"Analizza questo bilancio annuale e identifica i 5 principali "
f"rischi:\n\n{document}"
)
print(response.output_text)
Luna per i grandi volumi
Luna è ottimizzato per velocità e costo, rendendolo ideale per l’elaborazione ripetitiva su larga scala: classificazione, estrazione dati, parafrasi e prototipazione rapida. Il ragionamento di un modello flagship non aggiunge valore quando si decide se una recensione di un cliente è positiva o negativa; tuttavia, su 100.000 recensioni, la differenza di prezzo diventa l’unica variabile che conta.
# Classificazione veloce del testo
texts = [
"Questo prodotto è fantastico, lo consiglio!",
"Consegna in ritardo, servizio clienti inesistente.",
"Così così, niente di speciale.",
]
for text in texts:
response = client.responses.create(
model="gpt-5.6-luna",
input=f"Classifica il sentiment (positivo/negativo/neutro): {text}",
)
print(f"{text[:50]}... → {response.output_text}")
# Risultato:
# Questo prodotto è fantastico, lo consiglio!... → Positivo
# Consegna in ritardo, servizio clienti inesistente.... → Negativo
# Così così, niente di speciale.... → Neutro
Ragionamento: un parametro, non un modello
Con la generazione precedente (o3, o3-pro, o4-mini), il ragionamento era incarnato da modelli dedicati: cambiavi modello per ottenere capacità di ragionamento. Non è più così. Ogni modello GPT-5.6 accetta un parametro reasoning per richiesta, con sei livelli di sforzo: none, low, medium, high, xhigh, max.
# Problema di ragionamento complesso: Sol + sforzo elevato
response = client.responses.create(
model="gpt-5.6-sol",
input="Una lumaca è sul fondo di un pozzo di 30 metri. "
"Ogni giorno sale di 3 metri ma scivola indietro di 2 metri "
"durante la notte. Quanti giorni impiega per uscire? "
"Spiega il tuo ragionamento passo dopo passo.",
reasoning={"effort": "high"} # none, low, medium, high, xhigh, max
)
print(response.output_text)
# Risultato dettagliato con ragionamento strutturato:
# Giorni da 1 a 27: progresso netto di 1m/giorno → 27m
# Giorno 28: sale di 3m da 27m → raggiunge 30m ed esce
# Risposta: 28 giorni
Il livello none disabilita semplicemente il ragionamento: la risposta è immediata e il costo minimo, adatto a compiti meccanici come la classificazione sopra descritta. I livelli medium e high coprono la maggior parte dei compiti tecnici. Riserva xhigh e max per problemi genuinamente difficili, sapendo che il ragionamento interno consuma token fatturati come output: nell’enigma della lumaca, il pensiero invisibile può pesare più della risposta visualizzata. Un’impostazione aggiuntiva, ultra, coordina di default 4 agenti in parallelo, fino a 16 in certe valutazioni, per i compiti più pesanti, con un consumo di token significativamente più elevato.
Se stai migrando codice scritto per la generazione precedente (GPT-5.3, GPT-5.4, o3, o3-pro, o4-mini), ecco gli equivalenti:
o3→gpt-5.6-sol, eo3-pro→gpt-5.6-solconreasoning={"mode": "pro"}(sostituti designati secondo la tabella ufficiale di deprecazione; imposta poieffortsuhigh,xhighomaxin base alla difficoltà)o4-mini→gpt-5.6-terraconreasoningimpostato sumediumgpt-5.3/gpt-5.4(uso generale) →gpt-5.6-terra- Compiti ad alto volume →
gpt-5.6-luna
Routing dinamico in produzione
In produzione, non avrai un solo tipo di richiesta ma molti, e hard-codare un singolo modello significa o pagare troppo per compiti semplici o fallire quelli difficili. Il pattern del router consiste nel centralizzare la decisione in una funzione, chiamata prima di ogni richiesta, che restituisce la configurazione appropriata. Potrai così modificarla senza toccare il resto dell’applicazione.
def choose_config(task: str, complexity: str, budget: str) -> dict:
"""Seleziona il modello ottimale e lo sforzo di ragionamento."""
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"}}
# Utilizzo
config = choose_config(task="chatbot", complexity="medium", budget="standard")
response = client.responses.create(
input="La tua domanda qui",
**config
)
Prezzi al 5 agosto 2026: i prezzi cambiano regolarmente; prima di qualsiasi calcolo di budget, verifica la tariffa corrente sulla pagina ufficiale dei prezzi di OpenAI.
Punti chiave
- Terra è la scelta predefinita per la maggior parte dei compiti ($2 / $12 per MTok)
- Sol per la massima qualità e il ragionamento profondo ($5 / $30); Luna per i volumi ($0.20 / $1.20)
- Il ragionamento è un parametro per richiesta (
none→max, piùultra), non un modello separato - Equivalenti di migrazione: o3 → Sol; o3-pro → Sol in modalità
pro; o4-mini → Terra medium; GPT-5.3/5.4 → Terra - In produzione, instrada dinamicamente verso la combinazione modello + sforzo corretta in base al contesto