GPT-5.6-modeller: Sol, Terra, Luna – vilken ska du använda när?
På denna sida
Uppdaterat 2 november 2026.
o4-miniavvecklades den 23 oktober 2026, ocho3,o3-prosamtgpt-5-familjen kommer att avvecklas den 11 december 2026. GPT-5.6-familjen finns fortfarande tillgänglig, men OpenAI rekommenderar nu GPT-6-familjen för nya projekt:gpt-6-astra(mest kapabel),gpt-6.1-sol,gpt-6.1-terraochgpt-6-luna(se ChatGPT år 2026: Från GPT-5.6 till GPT-6, lektion 9). Både GPT-5.6 och GPT-6 stöder ettpro-resonemangsläge (reasoning={"mode": "pro", "effort": "medium"}) för svåra uppgifter. Källor: Avvecklingar · Modeller · Resonemang.
Modellerna: Välj rätt för varje uppgift
Från och med den 9 juli 2026 är GPT-5.6-familjen allmänt tillgänglig: tre modeller, var och en optimerad för ett specifikt användningsområde, med en justerbar resonemangsnivå per begäran. Att välja rätt kombination av modell och resonemang är det enskilt viktigaste beslutet för din applikations kvalitet och kostnad – en faktor på 25x skiljer den dyraste modellen från den mest ekonomiska, och en jämförbar faktor skiljer extrema resonemangsinställningar åt.
| Modell | API-ID | Styrka | Pris ($/MTok inmatning / utmatning) | Användningsområde |
|---|---|---|---|---|
| GPT-5.6 Sol | gpt-5.6-sol (alias gpt-5.6) | Flaggskepp, mest kapabel | $5 / $30 | Komplexa uppgifter, djupt resonemang, maximal kvalitet |
| GPT-5.6 Terra | gpt-5.6-terra | Balanserad | $2 / $12 | Allmän användning, chattbotar, innehållsgenerering |
| GPT-5.6 Luna | gpt-5.6-luna | Volym, snabb, ekonomisk | $0.20 / $1.20 | Enkla uppgifter, klassificering, extrahering |
Alla tre modeller accepterar text och bilder som inmatning, är flerspråkiga och används via Responses API. För detaljerade specifikationer (kontextfönster, gränser), konsultera den officiella modellsidan på platform.openai.com.
Terra: Din utgångspunkt
Terra är modellen du kommer att använda oftast eftersom den erbjuder bäst kvalitet-i-förhållande-till-pris för de flesta uppgifter: chattbotar, innehållsgenerering, sammanfattningar, översättning och allmänna frågor och svar. Rätt strategi är att börja med Terra, mäta kvaliteten du får, och sedan uppgradera till Sol endast om resultatet inte är tillräckligt bra – inte tvärtom.
from openai import OpenAI
client = OpenAI()
# Allmän användning — Terra är perfekt
response = client.responses.create(
model="gpt-5.6-terra",
input="Skriv ett professionellt mejl för att begära ett möte."
)
print(response.output_text)
Sol när misstag är kostsamma
Sol är familjens mest presterande modell. Reservera den för situationer där maximal kvalitet är avgörande: analys av dokument med hög insats, uppgifter som drar nytta av djupt resonemang, eller allt där en människa skulle behöva korrekturläsa rad för rad om modellen gjorde ett misstag. Att analysera en årsredovisning för att extrahera nyckelrisker passar exakt in i denna kategori – en utelämning här medför en kostnad som långt överstiger de få cent som sparas på API-anropet.
# Krävande dokumentanalys
with open("annual_report.txt", "r") as f:
document = f.read()
response = client.responses.create(
model="gpt-5.6-sol",
input=f"Analysera denna årsredovisning och identifiera de 5 viktigaste "
f"riskerna:\n\n{document}"
)
print(response.output_text)
Luna för volym
Luna är optimerad för hastighet och kostnad, vilket gör den idealisk för storskalig repetitiv bearbetning: klassificering, dataextrahering, omskrivning och snabb prototypframställning. En flaggskeppsmodells resonemang tillför inget värde när man ska avgöra om en kundrecension är positiv eller negativ; däremot blir prisskillnaden den enda variabel som spelar roll över 100 000 recensioner.
# Snabb textklassificering
texts = [
"Den här produkten är fantastisk, jag rekommenderar den!",
"Sen leverans, obefintlig kundtjänst.",
"Okej, inget särskilt.",
]
for text in texts:
response = client.responses.create(
model="gpt-5.6-luna",
input=f"Klassificera sentimentet (positivt/negativt/neutralt): {text}",
)
print(f"{text[:50]}... → {response.output_text}")
# Resultat:
# Den här produkten är fantastisk, jag rekommenderar den!... → Positivt
# Sen leverans, obefintlig kundtjänst.... → Negativt
# Okej, inget särskilt.... → Neutralt
Resonemang: En parameter, inte en modell
Med föregående generation (o3, o3-pro, o4-mini) var resonemang förkroppsligat av dedikerade modeller: du bytte modell för att få resonemangsförmåga. Så är det inte längre. Varje GPT-5.6-modell accepterar en reasoning-parameter per begäran, med sex ansträngningsnivåer – none, low, medium, high, xhigh, max.
# Komplext resonemangsproblem: Sol + hög ansträngning
response = client.responses.create(
model="gpt-5.6-sol",
input="En snäcka befinner sig på botten av en 30 meter djup brunn. "
"Varje dag klättrar den 3 meter men glider tillbaka 2 meter "
"under natten. Hur många dagar tar det att komma upp? "
"Förklara ditt resonemang steg för steg.",
reasoning={"effort": "high"} # none, low, medium, high, xhigh, max
)
print(response.output_text)
# Detaljerat resultat med strukturerat resonemang:
# Dag 1 till 27: nettoframsteg på 1m/dag → 27m
# Dag 28: klättrar 3m från 27m → når 30m och kommer upp
# Svar: 28 dagar
Nivån none inaktiverar helt enkelt resonemang: svaret är omedelbart och kostnaden minimal, vilket passar mekaniska uppgifter som klassificeringen ovan. Nivåerna medium och high täcker de flesta tekniska uppgifter. Spara xhigh och max för genuint svåra problem, med vetskapen att internt resonemang konsumerar token som debiteras som utmatning: i snäckgåtan kan det osynliga tänkandet väga tyngre än det visade svaret. En ytterligare inställning, ultra, koordinerar 4 agenter parallellt som standard, upp till 16 vid vissa utvärderingar, för de tyngsta uppgifterna – med betydligt högre tokenförbrukning.
Om du migrerar kod skriven för föregående generation (GPT-5.3, GPT-5.4, o3, o3-pro, o4-mini), här är motsvarigheterna:
o3→gpt-5.6-sol, ocho3-pro→gpt-5.6-solmedreasoning={"mode": "pro"}(utsedda ersättare enligt den officiella avvecklingstabellen; ställ sedan ineffortpåhigh,xhighellermaxberoende på svårighetsgrad)o4-mini→gpt-5.6-terramedreasoninginställt påmediumgpt-5.3/gpt-5.4(allmän användning) →gpt-5.6-terra- Uppgifter med hög volym →
gpt-5.6-luna
Dynamisk routning i produktion
I produktion kommer du inte bara ha en typ av begäran utan många, och att hårdkoda en enda modell innebär antingen att du betalar för mycket för enkla uppgifter eller misslyckas med svåra. Routningsmönstret innebär att du centraliserar beslutet i en funktion, som anropas före varje begäran, som returnerar lämplig konfiguration. Du kan sedan justera den utan att röra resten av applikationen.
def choose_config(task: str, complexity: str, budget: str) -> dict:
"""Väljer optimal modell och resonemangsinsats."""
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"}}
# Användning
config = choose_config(task="chatbot", complexity="medium", budget="standard")
response = client.responses.create(
input="Din fråga här",
**config
)
Priser från och med 5 augusti 2026 – priser ändras regelbundet: innan någon budgetberäkning, verifiera den aktuella prislistan på OpenAIs officiella prissida.
Viktiga punkter
- Terra är standardvalet för de flesta uppgifter ($2 / $12 per MTok)
- Sol för maximal kvalitet och djupt resonemang ($5 / $30); Luna för volym ($0.20 / $1.20)
- Resonemang är en parameter per begäran (
none→max, plusultra), inte en separat modell - Migrationsmotsvarigheter: o3 → Sol; o3-pro → Sol i
pro-läge; o4-mini → Terra medium; GPT-5.3/5.4 → Terra - I produktion, routa dynamiskt till rätt modell + ansträngningskombination baserat på kontext