Terra och Luna: Snabb och prisvärd resonemangskraft
På denna sida
Resonemang du kommer att använda varje dag
I föregående generation hanterades snabb och prisvärd resonemangskraft av o4-mini. Den modellen togs bort från API:t den 23 oktober 2026, med gpt-5.6-terra som utsedd efterträdare. I den nuvarande modellparken har denna roll övertagits av två modeller: GPT-6.1 Terra, som är snabb och effektiv, samt GPT-6 Luna, det mest ekonomiska alternativet. Tillsammans med måttliga inställningar för ansträngningsnivå hanterar de merparten av dina dagliga tekniska uppgifter och förtjänar en central plats i ditt arbetsflöde.
Där Terra och Luna passar in
I API:t kostar GPT-6.1 Terra (gpt-6.1-terra) 1 USD per miljon inmatningstokens och 5 USD per miljon utmatningstokens. OpenAI positionerar den som en snabb och effektiv modell för visuell resonemangsförmåga, precisionsstyrning av datorer och tydligt skrivande. GPT-6 Luna (gpt-6-luna), prissatt till 0,10 USD respektive 0,50 USD, är byggd för riktade, repetitiva uppgifter i hög volym: extrahering, klassificering, transformering och strukturerade sammanfattningar. Båda accepterar alla ansträngningsnivåer från none till max och delar resten av modellparkens kontextfönster på 1,05 miljoner tokens.
I ChatGPT möter du dem främst i Work och Codex. OpenAI rekommenderar Terra för skrivande, bildförståelse och arbete inom applikationer, medan Luna lämpar sig bäst för rena, repetitiva uppgifter där du enkelt kan känna igen ett bra resultat; för Luna föreslår dokumentationen att du börjar på nivån High. I Chat förlitar sig abonnemangen Free och Go på en Luna-modell, med knappen Think tillgänglig för svårare frågor.
GPT-6.1 Sol och GPT-6 Astra behåller fördelen vid mycket abstrakta problem, strategiska avvägningar som involverar många faktorer, uttömmande undersökningar och långformat arbete där svarstiden är mindre avgörande.
När du ska skruva upp nivån
Den avgörande frågan är inte “vilken modell ska jag välja?” utan “vilken ansträngningsnivå ska jag aktivera?”. Fyra signaler motiverar att du går från none eller low till medium på Terra: uppgiften involverar beräkningar eller logisk verifiering; den bryts ner i flera steg; svaret på lägsta nivån var ungefärligt eller felaktigt; eller slutsatsen kräver korsreferenser mellan flera informationskällor. Om high fortfarande inte räcker till är det dags att byta till GPT-6.1 Sol.
Fem användningsområden där denna inställning glänser
Som daglig kodningsassistent resonerar Terra inställd på medium igenom programlogik, hittar buggar och föreslår väl underbyggda lösningar: “Här är en Python-funktion som ska beräkna medianen av en lista, men den returnerar ibland fel resultat. Hitta buggen och åtgärda den: [kod].” För snabb dataanalys undviker du behovet av att anropa en dyrare modell: “Här är försäljningssiffror för 5 produkter över 6 månader. Vilken har den bästa utvecklingen och vilken riskerar att tappa fart? Motivera med beräkningar.”
Den excellerar också som verifierare, oavsett om det gäller dina egna beräkningar eller en annan modells utdata. Tack vare sina visuella förmågor kan den kommentera en skärmdump av en instrumentpanel: “Vilka är de tre viktigaste observationerna och vad rekommenderar du?” Kom bara ihåg att siffror som läses från en bild fortfarande behöver verifieras. Slutligen, för repetitiva uppgifter som att sortera 500 ärenden eller extrahera fält från 200 dokument, erbjuder Luna inställd på low eller medium bäst kvalitet i förhållande till kostnad; testa först på ett urval.
Tre vanor som förändrar allt
Var direkt: “Beräkna den årliga genomsnittliga tillväxttakten (CAGR) för denna omsättning: 2021 = 1,2 M€, 2022 = 1,5 M€, 2023 = 1,9 M€, 2024 = 2,3 M€, 2025 = 2,8 M€” fungerar bättre än en lång inledning. OpenAI rekommenderar enkla och direkta instruktioner för sina resonemangsmodeller. Be om verifiering inom resultatet: “Ge resultatet och verifiera det sedan med en annan metod.” Arbeta dessutom i korta iterationer: hastigheten hos dessa inställningar är designad för snabba fram och tillbaka-växlingar.
Din tur
Fyra uppgifter, ett stoppur. Testa Terra på medium (i API:t eller Work), eller nivån Medium i Chat som reservlösning, på dessa fyra förfrågningar. Notera svarstiden och verifiera varje resultat.
- “Lös: om 3x + 7 = 2(x − 4) + 15, vad är x? Verifiera.” (Förväntat svar: x = 0.)
- “Här är ett JavaScript-kodsnutt: [kod med en subtil bugg]. Hitta buggen.”
- “Min kvartalsomsättning: Q1 = 120k, Q2 = 135k, Q3 = 128k, Q4 = 142k. Beräkna trenden och prognostisera nästa Q1.”
- “Mjukvaran kostar 15 000 € per år. Open source-alternativet kostar 5 000 € att driftsätta, sedan 2 000 € per år för underhåll. När blir alternativet kostnadseffektivt?”
Varje uppgift hanteras snabbt med tillräcklig resonemangskraft. Att använda en dyrare modell på en hög ansträngningsnivå för denna typ av förfrågan kostar mer och tar längre tid utan att tillföra något värde.
Officiella källor: Modeller (OpenAI API: GPT-6.1 Terra och GPT-6 Luna, ansträngningsnivåer, prissättning) · Avvecklade funktioner (o4-mini borttagen 23 oktober 2026, efterträdare) · Modeller (ChatGPT-dokumentation: användningsområden för Terra och Luna i Work, startnivå) · Bästa praxis för resonemang (direkta instruktioner)
Viktiga punkter
- o4-mini lämnade API:t den 23 oktober 2026; GPT-6.1 Terra och GPT-6 Luna hanterar nu snabb resonemangskraft
- Terra: 1 USD / 5 USD per miljon tokens för skrivande, bilder och applikationsstyrning; Luna: 0,10 USD / 0,50 USD för repetitiva uppgifter i hög volym
- Båda accepterar ansträngning från
nonetillmax; öka ansträngningen innan du byter modell - Använd direkta instruktioner, begär verifiering i utdatan och iterera snabbt
- Spara GPT-6.1 Sol och GPT-6 Astra för abstrakta, strategiska eller uttömmande problem