GPT-5.6-modellen: Sol, Terra, Luna—wanneer welke te gebruiken
Op deze pagina
Bijgewerkt op 2 november 2026.
o4-miniis verouderd op 23 oktober 2026, eno3,o3-proen degpt-5-familie worden op 11 december 2026 verouderd. De GPT-5.6-familie blijft beschikbaar, maar OpenAI raadt nu de GPT-6-familie aan voor nieuwe projecten:gpt-6-astra(meest capabel),gpt-6.1-sol,gpt-6.1-terraengpt-6-luna(zie ChatGPT in 2026: Van GPT-5.6 naar GPT-6, Les 9). Zowel GPT-5.6 als GPT-6 ondersteunen eenpro-redeneermodus (reasoning={"mode": "pro", "effort": "medium"}) voor moeilijke taken. Bronnen: Deprecations · Models · Reasoning.
De modellen: de juiste kiezen voor elke taak
Per 9 juli 2026 is de GPT-5.6-familie algemeen beschikbaar: drie modellen, elk geoptimaliseerd voor een ander gebruiksscenario, met een per verzoek instelbaar redeneerniveau. Het kiezen van de juiste combinatie van model en redeneren is de beslissing met de grootste impact op de kwaliteit en kosten van uw applicatie—een factor 25 scheidt het duurste model van het meest economische, en een vergelijkbare factor scheidt extreme redeneerinstellingen.
| Model | API-ID | Sterkte | Prijs ($/MTok input / output) | Use Case |
|---|---|---|---|---|
| GPT-5.6 Sol | gpt-5.6-sol (alias gpt-5.6) | Vlaggenschip, meest capabel | $5 / $30 | Complexe taken, diepe redenering, maximale kwaliteit |
| GPT-5.6 Terra | gpt-5.6-terra | Gebalanceerd | $2 / $12 | Algemeen gebruik, chatbots, contentgeneratie |
| GPT-5.6 Luna | gpt-5.6-luna | Volume, snel, economisch | $0.20 / $1.20 | Eenvoudige taken, classificatie, extractie |
Alle drie de modellen accepteren tekst en afbeeldingen als input, zijn meertalig en worden gebruikt via de Responses API. Raadpleeg voor gedetailleerde specificaties (contextvensters, limieten) de officiële modellenpagina op platform.openai.com.
Terra: uw standaarduitgangspunt
Terra is het model dat u het vaakst zult gebruiken, omdat het voor de meeste taken de beste prijs-kwaliteitverhouding biedt: chatbots, contentgeneratie, samenvattingen, vertaling en algemene vraag-antwoorddiensten. De juiste aanpak is om te beginnen met Terra, de verkregen kwaliteit te meten en vervolgens alleen naar Sol op te schalen als het resultaat niet goed genoeg is—niet andersom.
from openai import OpenAI
client = OpenAI()
# Algemeen gebruik — Terra is perfect
response = client.responses.create(
model="gpt-5.6-terra",
input="Schrijf een professionele e-mail om een vergadering aan te vragen."
)
print(response.output_text)
Sol wanneer fouten duur zijn
Sol is het best presterende model in de familie. Reserveer het voor situaties waarin maximale kwaliteit essentieel is: het analyseren van documenten met hoge stakes, taken die profiteren van diepe redenering, of alles wat een mens regel voor regel zou moeten controleren als het model een fout zou maken. Het analyseren van een jaarverslag om belangrijke risico’s te identificeren, past precies in deze categorie—een weglating hier brengt kosten met zich mee die de paar cent die op de API-oproep worden bespaard, ruimschoots overstijgen.
# Veeleisende documentanalyse
with open("annual_report.txt", "r") as f:
document = f.read()
response = client.responses.create(
model="gpt-5.6-sol",
input=f"Analyseer dit jaarverslag en identificeer de 5 belangrijkste "
f"risico's:\n\n{document}"
)
print(response.output_text)
Luna voor volume
Luna is geoptimaliseerd voor snelheid en kosten, waardoor het ideaal is voor grootschalige repetitieve verwerking: classificatie, data-extractie, herformulering en snelle prototyping. De redeneerkracht van een vlaggenschipmodel voegt geen waarde toe bij het beslissen of een klantenrecensie positief of negatief is; bij 100.000 recensies wordt het prijsverschil echter de enige variabele die ertoe doet.
# Snelle tekstclassificatie
texts = [
"Dit product is fantastisch, ik raad het aan!",
"Late levering, niet-bestaande klantenservice.",
"Oké, niets bijzonders.",
]
for text in texts:
response = client.responses.create(
model="gpt-5.6-luna",
input=f"Classificeer het sentiment (positief/negatief/neutraal): {text}",
)
print(f"{text[:50]}... → {response.output_text}")
# Resultaat:
# Dit product is fantastisch, ik raad het aan!... → Positief
# Late levering, niet-bestaande klantenservice.... → Negatief
# Oké, niets bijzonders.... → Neutraal
Redeneren: een parameter, geen model
Bij de vorige generatie (o3, o3-pro, o4-mini) werd redeneren belichaamd door toegewijde modellen: u wisselde van model om redeneermogelijkheden te krijgen. Dat is niet langer het geval. Elk GPT-5.6-model accepteert een reasoning-parameter per verzoek, met zes inspanningsniveaus—none, low, medium, high, xhigh, max.
# Complex redeneerprobleem: Sol + hoge inspanning
response = client.responses.create(
model="gpt-5.6-sol",
input="Een slak staat onderaan een put van 30 meter. "
"Elke dag klimt hij 3 meter, maar glijdt hij 's nachts 2 meter terug. "
"Hoeveel dagen duurt het voordat hij eruit is? "
"Leg uw redenering stap voor stap uit.",
reasoning={"effort": "high"} # none, low, medium, high, xhigh, max
)
print(response.output_text)
# Gedetailleerd resultaat met gestructureerde redenering:
# Dag 1 tot 27: nettowinst van 1m/dag → 27m
# Dag 28: klimt 3m vanaf 27m → bereikt 30m en gaat eruit
# Antwoord: 28 dagen
Het niveau none schakelt redeneren eenvoudigweg uit: het antwoord is direct en de kosten minimaal, wat geschikt is voor mechanische taken zoals de bovenstaande classificatie. De niveaus medium en high dekken de meeste technische taken. Bewaar xhigh en max voor echt moeilijke problemen, wetende dat interne redenering tokens verbruikt die als output worden gefactureerd: bij het slakkenraadsel kan het onzichtbare denkwerk zwaarder wegen dan het getoonde antwoord. Een extra instelling, ultra, coördineert standaard 4 agenten parallel, tot 16 bij bepaalde evaluaties, voor de zwaarste taken—met aanzienlijk hoger tokenverbruik.
Als u code migreert die is geschreven voor de vorige generatie (GPT-5.3, GPT-5.4, o3, o3-pro, o4-mini), zijn hier de equivalenten:
o3→gpt-5.6-sol, eno3-pro→gpt-5.6-solmetreasoning={"mode": "pro"}(aangewezen vervangers volgens de officiële verouderingstabel; stel vervolgenseffortin ophigh,xhighofmaxop basis van de moeilijkheidsgraad)o4-mini→gpt-5.6-terrametreasoningingesteld opmediumgpt-5.3/gpt-5.4(algemeen gebruik) →gpt-5.6-terra- Taken met hoog volume →
gpt-5.6-luna
Dynamische routing in productie
In productie heeft u niet slechts één type verzoek, maar vele, en het hardcoden van één model betekent dat u ofwel te veel betaalt voor eenvoudige taken, ofwel moeilijke taken verprutst. Het routerpatroon houdt in dat u de beslissing centraliseert in een functie, die vóór elk verzoek wordt aangeroepen en de juiste configuratie retourneert. U kunt deze vervolgens aanpassen zonder de rest van de applicatie aan te raken.
def choose_config(task: str, complexity: str, budget: str) -> dict:
"""Selecteert het optimale model en de redeneerinspanning."""
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"}}
# Gebruik
config = choose_config(task="chatbot", complexity="medium", budget="standard")
response = client.responses.create(
input="Uw vraag hier",
**config
)
Prijzen per 5 augustus 2026—prijzen wijzigen regelmatig: controleer vóór elke budgetberekening de huidige tarievenlijst op de officiële OpenAI-prijs pagina.
Belangrijkste punten
- Terra is de standaardkeuze voor de meeste taken ($2 / $12 per MTok)
- Sol voor maximale kwaliteit en diepe redenering ($5 / $30); Luna voor volume ($0.20 / $1.20)
- Redeneren is een parameter per verzoek (
none→max, plusultra), geen apart model - Migratie-equivalenten: o3 → Sol; o3-pro → Sol in
pro-modus; o4-mini → Terra medium; GPT-5.3/5.4 → Terra - Routeer in productie dynamisch naar de juiste combinatie van model + inspanning op basis van de context