Vai al contenuto principale
Italiano— Scegli una lingua
Menu

Modelli GPT-5.6: Sol, Terra, Luna—Quale usare e quando

Lezione 6 di 22 Aggiornata il 2 novembre 2026 Sviluppatore
In questa pagina
  1. I modelli: scegliere quello giusto per ogni compito
  2. Terra: il tuo punto di partenza predefinito
  3. Sol quando gli errori costano cari
  4. Luna per i grandi volumi
  5. Ragionamento: un parametro, non un modello
  6. Routing dinamico in produzione
  7. Punti chiave

Aggiornato il 2 novembre 2026. o4-mini è stato deprecato il 23 ottobre 2026; o3, o3-pro e la famiglia gpt-5 saranno 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-terra e gpt-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 ragionamento pro (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.

ModelloID APIPunto di forzaPrezzo ($/MTok input / output)Caso d’uso
GPT-5.6 Solgpt-5.6-sol (alias gpt-5.6)Flagship, il più capace$5 / $30Compiti complessi, ragionamento profondo, massima qualità
GPT-5.6 Terragpt-5.6-terraBilanciato$2 / $12Uso generale, chatbot, generazione di contenuti
GPT-5.6 Lunagpt-5.6-lunaVolume, veloce, economico$0.20 / $1.20Compiti 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, e o3-pro → gpt-5.6-sol con reasoning={"mode": "pro"} (sostituti designati secondo la tabella ufficiale di deprecazione; imposta poi effort su high, xhigh o max in base alla difficoltà)
  • o4-mini → gpt-5.6-terra con reasoning impostato su medium
  • gpt-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, più ultra), 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