GPT-5.6-Preissenkung: Luna um 80 % reduziert, Terra um 20 % reduziert, Sol erhält neuen Schnellmodus

Einleitung

OpenAI hat die Preisstruktur für die GPT-5.6-Serie weniger als einen Monat nach der offiziellen Veröffentlichung angepasst.

Ab dem 30. Juli 2026:

• GPT-5.6 Luna wird um 80 % günstiger.
• GPT-5.6 Terra wird um 20 % günstiger.
• GPT-5.6 Sol behält den bisherigen Standardpreis, erhält aber eine schnellere API-Verarbeitungsoption.
• Priority Processing wurde in Fast mode umbenannt.

Diese Aktualisierung ist nicht auf zeitlich begrenzte Rabatte beschränkt. OpenAI gibt an, dass die Preissenkungen Verbesserungen im Modell selbst, in der Inferenzarchitektur, im Routing-System, im Kontextmanagement sowie in der Agentensoftware widerspiegeln, die Modelle mit Tools verbindet.

Das praktische Ergebnis ist eine größere Auswahl in Produktionsumgebungen.

Luna ist nun zu einem Preis erhältlich, der sich für hochparallele, kosten sensitive Agenten-Workflows eignet. Terra bleibt die ausgewogene Wahl für den täglichen Einsatz, wenn höhere Intelligenz erforderlich ist. Sol bedient weiterhin die anspruchsvollsten Aufgaben, während Fast mode eine Option mit geringerer Latenz bietet, wenn Wartezeit wichtiger ist als der Token-Aufschlag.

Änderungen vom 30. Juli 2026

Als GPT-5.6 am 9. Juli veröffentlicht wurde, gab OpenAI die folgenden Standard-API-Preise für kurzen Kontext bekannt:

Modell	Ursprünglicher Eingabepreis	Ursprünglicher Ausgabepreis
GPT-5.6 Sol	$5,00 / Million Token	$30,00 / Million Token
GPT-5.6 Terra	$2,50 / Million Token	$15,00 / Million Token
GPT-5.6 Luna	$1,00 / Million Token	$6,00 / Million Token

Die Aktualisierung vom 30. Juli hat die Preise für Terra und Luna angepasst:

Modell	Neuer Eingabepreis	Neuer Ausgabepreis	Änderung
GPT-5.6 Sol	$5,00 / Million Token	$30,00 / Million Token	Unverändert
GPT-5.6 Terra	$2,00 / Million Token	$12,00 / Million Token	20 % günstiger
GPT-5.6 Luna	$0,20 / Million Token	$1,20 / Million Token	80 % günstiger

Der Preis für Luna ist nun auf ein Fünftel des ursprünglichen Veröffentlichungspreises gesunken.

Der neue Preis für Terra beträgt vier Fünftel des ursprünglichen Preises.

Sol bleibt unter Standardverarbeitung unverändert, aber der Fast mode bietet Entwicklern nun eine Option: eine bis zu 2,5-fache Reaktionsgeschwindigkeit zum doppelten Standard-Token-Preis.

Aktuelle Standard-API-Preise

Die angezeigten Eingabe- und Ausgabepreise zeigen nicht die vollständige Abrechnungsstruktur.

GPT-5.6 unterstützt Rabatte für zwischengespeicherte Eingaben und explizites Cache-Schreiben. Anfragen mit mehr als 272.000 Eingabe-Tokens erhalten außerdem Langkontext-Preise für die gesamte Anfrage.

Standardpreise für kurzen Kontext

Die folgenden Tarife gelten pro Million Token:

Modell	Eingabe	Cache-Eingabe	Cache-Schreiben	Ausgabe
GPT-5.6 Sol	$5,00	$0,50	$6,25	$30,00
GPT-5.6 Terra	$2,00	$0,20	$2,50	$12,00
GPT-5.6 Luna	$0,20	$0,02	$0,25	$1,20

Cache-Lesezugriffe erhalten einen Rabatt von 90 % gegenüber normalen, nicht zwischengespeicherten Eingaben.

Cache-Schreiben werden mit dem 1,25-fachen Preis einer nicht zwischengespeicherten Eingabe berechnet.

Standardpreise für langen Kontext

Für Prompts mit mehr als 272.000 Eingabe-Tokens berechnet OpenAI derzeit die folgenden Gebühren für die gesamte Anfrage:

Modell	Eingabe	Cache-Eingabe	Cache-Schreiben	Ausgabe
GPT-5.6 Sol	$10,00	$1,00	$12,50	$45,00
GPT-5.6 Terra	$4,00	$0,40	$5,00	$18,00
GPT-5.6 Luna	$0,40	$0,04	$0,50	$1,80

Die Langkontext-Regel bedeutet, dass

Kostenschätzungen sowohl die Token-Anzahl als auch die Frage berücksichtigen sollten, ob die Anfrage die Schwelle von 272.000 Token überschreitet.

Ein einzelner sehr großer Prompt wird nicht verarbeitet, indem die ersten 272.000 Token zum Kurzkontext-Tarif und der Rest zum höheren Tarif berechnet werden. Der Langkontext-Multiplikator gilt für die gesamte Anfrage.

Intelligenz mit Ergebnissen abgleichen

Das Hauptargument von OpenAI ist, dass effiziente KI-Bereitstellung mit Ergebnissen beginnt, nicht mit Modellnamen.

Verschiedene Phasen desselben Workflows können unterschiedliche Stufen von Intelligenz, Geschwindigkeit und Zuverlässigkeit erfordern.

Das ideale Modell für eine Aufgabe hängt ab von:

• Den Konsequenzen von Fehlern.
• Dem Schwierigkeitsgrad der Arbeit.
• Der akzeptablen Antwortzeit.
• Dem Anfragevolumen.
• Den Kosten für menschliche Überprüfung.
• Der Fähigkeit, Ergebnisse automatisch zu validieren.
• Ob die Aufgabe klar spezifiziert ist oder noch vage bleibt.

Wann Luna wählen

GPT-5.6 Luna wurde für kosten sensitive, hochvolumige Arbeiten entwickelt.

Die aktuelle API-Modellseite beschreibt sie als ungefähr der nano-Stufe in der früheren GPT-5-Serie entsprechend.

Luna ist eine praktische Wahl für folgende Szenarien:

• Klassifizierung.
• Strukturierte Extraktion.
• Hintergrund-Agentenschritte.
• Routine-Codeänderungen.
• Testgenerierung.
• Dokumentklassifizierung.
• Wiederholte Tool-Aufrufschleifen.
• Massenverarbeitung, bei der die negativen Auswirkungen jeder einzelnen Aufgabe begrenzt sind.

OpenAI schätzt, dass Luna eine Leistung bietet, die mit Modellen vergleichbar ist, die vor etwa einem Jahr als Spitzenklasse galten – zu etwa sechs Cent pro Dollar Aufgabenkosten und fast neunfacher Geschwindigkeit.

Dieser Vergleich basiert auf den Bewertungen und Kostenmethoden von OpenAI. Teams sollten dies für ihre eigenen Workloads validieren.

Wann Terra wählen

GPT-5.6 Terra ist das ausgewogene Mitglied der Serie.

OpenAI positioniert es dort, wo die Mini-Modelle der frühen GPT-5-Ära standen, jedoch mit stärkerer Agenten- und Facharbeitsfähigkeit.

Terra eignet sich für folgende Arbeiten:

• Workspace-Fragen und Antworten.
• Begrenzte Recherche.
• Tägliches Codieren.
• Dokumentenanalyse.
• Agentenplanung mittlerer Komplexität.
• Kundensupport-Workflows, die Argumentation erfordern.
• Wiederkehrende Geschäftsaufgaben, bei denen Luna nicht zuverlässig genug, Sol aber nicht notwendig ist.

Wann Sol wählen

GPT-5.6 Sol ist das Flaggschiff für komplexe, anspruchsvolle Arbeiten.

Es ist die beste Wahl, wenn das Modell Folgendes erfüllen muss:

• Mehrdeutigkeiten auflösen.
• Pläne für schwierige Projekte erstellen.
• Hochwertige Entscheidungen überprüfen.
• Komplexes Codieren oder Debugging handhaben.
• Tools in langen Workflows koordinieren.
• Tiefgründige Recherche durchführen.
• Arbeiten erstellen oder validieren, bei denen Fehler teuer sind.

Der gpt-5.6 API-Alias leitet zu gpt-5.6-sol.

Ein Workflow kann mehrere Modelle verwenden

Diese Preisanpassung macht Workflows mit gemischten Modellen praktikabler.

Ein Codier-Agent muss nicht für jeden Token und jeden Tool-Aufruf Sol verwenden.

Eine mögliche Architektur ist:

1. Sol verwenden, um die Codebasis zu verstehen und Unsicherheiten zu identifizieren.
2. Sol den Plan erstellen und Erfolgskriterien definieren lassen.
3. Klar spezifizierte Implementierungsaufgaben an Luna senden.
4. Luna verwenden, um routinemäßige Tests zu schreiben und wiederholte Prüfungen durchzuführen.
5. Unsichere oder fehlgeschlagene Schritte an Terra oder Sol weiterleiten.
6. Sol für die endgültige Überprüfung verwenden, wenn die Konsequenzen von Fehlern hoch sind.

Dasselbe Muster kann auch außerhalb der Softwareentwicklung angewendet werden.

Ein Dokumentenverarbeitungssystem könnte Luna für die Extraktion, Terra für die Synthese und Sol nur bei mehrdeutigem oder hochriskantem Material verwenden.

Die richtige Routing-Strategie sollte durch Evaluierung bestimmt werden, nicht durch Annahmen.

OpenAI-Kundenerfolge

Die Ankündigung von OpenAI enthält frühe Kundenrückmeldungen von mehreren Produktionsnutzern.

Diese Beispiele sind von den Unternehmen und Kunden selbst berichtet und keine unabhängigen Benchmarks.

Unternehmen	Berichtete Nutzung oder Ergebnisse
Replit	Luna macht bisher unpraktische Anwendungsszenarien kostengünstig genug für Erkundungen
Notion	Terra erreichte in internen Bewertungen eine mit GPT-5.5 vergleichbare Qualität bei halben Aufgabenkosten und 60 % weniger Zeit
Ramp	Terra und Luna führen bei internen Code-Bewertungen in Bezug auf Kosteneffizienz; Luna wird zum Standard für Hintergrundautomatisierungsaufgaben
Blitzy	Luna erhöhte die Wiederverwendungsrate des Prompt-Caches von 24 % auf 90 % und senkte die Kosten im Vergleich zur bisherigen Standardlösung erheblich
Cognition	Luna dient in Devin Fusion als kostengünstigerer Codierungspartner, der mit größeren Modellen zusammenarbeitet
Dust	Berichten zufolge ist Luna bei ähnlichen Agentenaufgaben 40 % schneller und 40 % günstiger als die bisherige Standardlösung des Unternehmens

Diese Beispiele zeigen, dass die Abrechnung pro Token nicht das einzige sinnvolle Maß ist.

Ein günstigeres Modell kann auch verändern:

• Die Anzahl der Tool-Aufrufe.
• Die Cache-Wiederverwendung.
• Die Kontextlänge.
• Die Ausführlichkeit der Ausgabe.
• Die Häufigkeit von Wiederholungen.
• Den Bedarf an manueller Überprüfung.
• Die Gesamtbearbeitungszeit.

Eine aussagekräftigere Kennzahl ist in der Regel die Kosten pro erfolgreichem Ergebnis.

Von OpenAI genannte Wege zur Effizienzsteigerung

OpenAI führt die Verbesserung des Preis-Leistungs-Verhältnisses auf drei miteinander verbundene Ebenen zurück.

1. Modell

Die Modelle der GPT-5.6-Serie sind darauf ausgelegt, Aufgaben direkter zu erledigen.

Ein Modell, das weniger Ausgabe-Token, weniger Wiederholungen oder weniger Denkschleifen benötigt, senkt die Gesamtaufgabenkosten, selbst wenn der Listenpreis unverändert bleibt.

2. Inferenzsystem

Der Produktions-Stack bestimmt, wie effizient das Modell die Hardware nutzt.

OpenAI gibt an, dass optimierte Service-Software Token effizienter erzeugen und die Produktivität der Rechenressourcen aufrechterhalten kann.

3. Agenten-Framework

Das Framework ist die Software um das Modell und bietet Werkzeuge, Kontext, Routing, Zustand und Workflow-Steuerung.

OpenAI gibt an, dass ein besseres Kontextmanagement Agenten dabei hilft, bereits erledigte Arbeit zu vermeiden.

Dies kann reduzieren:

• Wiederholte Tool-Aufrufe.
• Wiederholte Verarbeitung unveränderter Kontexte.
• Wiederholte Planung.
• Unnötige Modell-Roundtrips.
• Token-Verbrauch für das Wiederholen früherer Ergebnisse.

Diese drei Ebenen beeinflussen sich gegenseitig.

Ein stärkeres Modell könnte Optimierungspotenzial im Service-Stack finden. Diese Optimierung senkt die Kosten und macht den Einsatz von Agenten in größerem Umfang wirtschaftlich. Mehr Nutzung wiederum schafft mehr Gelegenheiten zur Verbesserung des Systems.

GPT-5.6 Sol half bei der Optimierung des eigenen Service-Stacks

Eine der auffälligsten Aussagen in der Ankündigung ist, dass GPT-5.6 Sol zu den internen Effizienzbemühungen von OpenAI beigetragen hat.

In einem von Menschen geführten Engineering-Prozess gibt OpenAI an, dass Sol:

• Produktions-Kernel neu geschrieben und optimiert hat.
• Hunderte von Token-Generierungsexperimenten entworfen und durchgeführt hat.
• Trainingsprozesse überwacht hat.
• Bei Problemen eingegriffen hat.

OpenAI berichtet, dass die Optimierungen im Kernel-Bereich die End-to-End-Servicekosten des Modells um etwa 20 % gesenkt haben.

Das Unternehmen gibt außerdem an, dass diese Experimente die Token-Generierungseffizienz um mehr als 15 % verbessert haben.

Dies sind interne Ergebnisse von OpenAI, die noch nicht durch öffentliche Benchmarks unabhängig reproduziert wurden.

Wichtiger ist die Erkenntnis, dass Modelle zunehmend Teil des Prozesses werden, die eigene Betriebsinfrastruktur zu verbessern.

Dies schafft eine engere technische Rückkopplungsschleife:

Stärkeres Modell
→ Bessere Infrastrukturoptimierung
→ Niedrigere Servicekosten
→ Breitere Anwendung
→ Mehr Feedback und Investitionen
→ Stärkeres Modell der nächsten Generation

Rechenstrategie für Skalierung

Niedrigere Preise bedeuten nicht, dass OpenAI insgesamt weniger Rechenleistung benötigt.

Das Unternehmen ist der Ansicht, dass ausreichende Intelligenz zwei Dinge gleichzeitig erfordert:

• Mehr Rechenleistung.
• Produktivere Rechenleistung.

Ersteres erweitert die Gesamtkapazität.

Letzteres erhöht die effektive Arbeitsmenge pro Hardware-Einheit.

OpenAI gibt an, ein diversifiziertes Infrastrukturportfolio aufzubauen und Arbeitslasten den Systemen zuzuweisen, die am besten für sie geeignet sind.

Dies unterstützt beide Enden der GPT-5.6-Serie:

• Luna und Terra machen hochvolumige Arbeitslasten kostengünstiger.
• Sol und Fast-Modus unterstützen schwierige und latenzempfindliche Arbeiten.

Beispiele für Arbeitslasten, die möglicherweise leichter skalierbar sind:

• Große Dokumentanalyse-Pipelines.
• Klassifizierung von Kundeninteraktionen.
• Routinemäßige Software-Implementierungen.
• Hintergrund-Agentenautomatisierung.
• Wiederkehrende Datenverarbeitungsaufgaben.
• Tool-Aufruf-Workflows mit hoher Cache-Wiederverwendungsrate.

Gleichzeitig können komplexe Sol-Anfragen den Fast-Modus verwenden, wenn der Wert einer schnelleren Antwort die zusätzlichen Kosten übersteigt.

Fast-Modus ersetzt Priority-Handling

Der Fast-Modus ist der neue Name für die Prioritätsbehandlung auf Serviceebene von OpenAI.

Bestehende API-Anfragen mit:

"service_tier": "priority"

bleiben weiterhin kompatibel.

Entwickler können auch verwenden:

"service_tier": "fast"

Für GPT-5.6 Sol gibt OpenAI an, dass der Fast-Modus bei gleicher Modellintelligenz bis zu 2,5-mal schneller sein kann als die Standardverarbeitung.

Der Preis dafür ist höher.

Derzeit beträgt die Gebühr für den Fast-Modus von GPT-5.6 Sol das Zweifache des Standard-API-Tokenpreises.

Die Rabatte für Cache-Eingaben gelten weiterhin.

Python-Beispiel

from openai import OpenAI

client = OpenAI()

response = client.responses.create(
    model="gpt-5.6-sol",
    input="Überprüfen Sie diesen Migrationsplan und identifizieren Sie die drei riskantesten Annahmen.",
    service_tier="fast",
)

print(response.output_text)

Der Fast-Modus ist über die Responses-API und die Chat-Completions-API für unterstützte Modelle verfügbar.

Bei GPT-5.6 und älteren Modellen kann das Antwortobjekt die Serviceebene möglicherweise weiterhin als priority melden, selbst wenn die Anfrage den neueren Namen fast verwendet.

Wann sich der Aufpreis für den Fast-Modus lohnt

Der Fast-Modus ist nicht automatisch für alle Sol-Anfragen die beste Einstellung.

Er ist am nützlichsten, wenn die Latenz den Wert des Ergebnisses direkt beeinflusst.

Beispiele sind:

• Benutzerorientierte Assistenten, die wertvolle Workflows abschließen.
• Programmier-Agenten, die auf die Aufhebung von Entwickler-Blockaden warten.
• Interaktive Forschung oder Analyse.
• Unterstützung bei der Incident-Response.
• Echtzeit-Überprüfung vor Entscheidungen.
• Stabil laufende Produktionssysteme.

Latenzempfindlicher Geschäftsverkehr.

Für folgende Szenarien kann die Standardverarbeitung wirtschaftlicher sein:

• Hintergrundaufgaben.
• Übernacht-Recherche.
• Asynchrone Berichtserstellung.
• Batch-Analysen.
• Aufgaben, bei denen der Benutzer nicht warten muss.
• Workflows, bei denen der Engpass bei externen Tools und nicht beim Modell liegt.

Der doppelte Token-Aufpreis ist nur sinnvoll, wenn der Wert des abgeschlossenen Ergebnisses die Kosten übersteigt.

Prompt-Caching wird bei langen Agenten-Workflows wichtiger

Die neuen Listenpreise machen Luna und Terra günstiger, aber Prompt-Caching kann bei langlebigen Agenten ebenfalls einen großen Unterschied machen.

Jede Runde in der Agentenschleife kann erneut senden:

• Systemanweisungen.
• Tool-Definitionen.
• Gemeinsame Dokumente.
• Codebasis-Kontext.
• Gesprächsverlauf.
• Stabile Workflow-Regeln.

Ohne Cache kann eine Anwendung wiederholt für dasselbe Präfix bezahlen.

GPT-5.6 unterstützt sowohl automatisches Caching als auch explizite Cache-Breakpoints.

Die aktuelle Abrechnung von OpenAI:

• Cache-Lesezugriffe werden mit 10 % des Preises für nicht gecachte Eingaben berechnet.
• Cache-Schreibzugriffe werden mit 125 % des Preises für nicht gecachte Eingaben berechnet.

Cache-Schreibzugriffe kosten mehr als normale Eingaben, aber nachfolgende Lesezugriffe erhalten einen erheblichen Rabatt.

Caching ist am nützlichsten, wenn dasselbe stabile Präfix oft genug wiederverwendet wird, um die höheren Schreibkosten wieder hereinzuholen.

Anwendungen sollten verfolgen:

• Die Cache-Trefferquote.
• Die Präfixstabilität.
• Die Zeitabstände zwischen Anfragen.
• Die Größe des Cache-Kontexts.
• Ob der Workflow Präfixe häufig ungültig macht.

Modellspezifikationen für die gesamte Serie

Die aktuellen

Die API-Modellseite listet mehrere gemeinsame Spezifikationen auf:

Spezifikation	Sol	Terra	Luna
Kontextfenster	1.050.000 Tokens	1.050.000 Tokens	1.050.000 Tokens
Maximale Ausgabe	128.000 Tokens	128.000 Tokens	128.000 Tokens
Wissensstand	16. Februar 2026	16. Februar 2026	16. Februar 2026
Texteingabe/-ausgabe	Unterstützt	Unterstützt	Unterstützt
Bildeingabe	Unterstützt	Unterstützt	Unterstützt
Reasoning-Tokens	Unterstützt	Unterstützt	Unterstützt
Funktionsaufrufe	Unterstützt	Unterstützt	Unterstützt
Strukturierte Ausgabe	Unterstützt	Unterstützt	Unterstützt
Feintuning	Nicht unterstützt	Nicht unterstützt	Nicht unterstützt

Alle drei Modelle sind über die Responses API verfügbar.

Die Modellseite listet außerdem umfangreiche Tool-Unterstützung auf, die tatsächliche Funktionsverfügbarkeit kann jedoch je nach Endpunkt, Konto, Produkt und Veröffentlichungsphase variieren.

Verfügbarkeit in ChatGPT Work, Codex und API

OpenAI gibt an, dass GPT-5.6 Terra und Luna weiterhin auf den folgenden Plattformen verfügbar sind:

• ChatGPT Work.
• Codex.
• OpenAI API.

Der in der Preisankündigung beschriebene aktuelle Zugriff umfasst:

Tarifgruppe	GPT-5.6-Zugriff in ChatGPT Work und Codex
Free und Go	Terra
Plus, Pro, Business, Enterprise	Terra und Luna

Sol hat eigene Zugriffsregeln in ChatGPT, ChatGPT Work, Codex und API.

Das Update vom 30. Juli hat die Abonnementpreise für ChatGPT oder Codex nicht gesenkt.

Auch wurden die angegebenen Kontingentbudgets nicht erhöht.

Stattdessen verbrauchen Luna und Terra nun weniger Credits, da ihre zugrunde liegenden Nutzungskosten niedriger sind.

OpenAI gab außerdem an, dass die Preisaktualisierung am Tag der Ankündigung über AWS ausgerollt wird. Die Preise für Modelle über Drittanbieterplattformen können von den direkten OpenAI-API-Preisen abweichen.

Vorgehensweise

Das richtige GPT-5.6-Modell auswählen

Ein praktischer Auswahlprozess kann fünf Schritten folgen.

Schritt 1: Erwartete Ergebnisse definieren

Notieren Sie, was als Erfolg gilt.

Vermeiden Sie es, Modelle nur aufgrund breiter Bezeichnungen wie „Programmierung“ oder „Forschung“ auszuwählen.

Schritt 2: Kosten eines Fehlschlags identifizieren

Kategorisierungsaufgaben mit geringem Risiko und Datenbankmigrationen in Produktionsumgebungen sollten nicht denselben Entscheidungsregeln folgen.

Schritt 3: Sol-Baseline etablieren

Testen Sie für schwierige Aufgaben zunächst Sol, um das höchste verfügbare Qualitätsniveau zu verstehen.

Schritt 4: Terra und Luna auf derselben Evaluierungsmenge testen

Messen Sie, ob die günstigeren Modelle die Qualität beibehalten, die wirklich wichtig ist.

Schritt 5: Den gesamten Workflow optimieren

Verfolgen Sie:

• Erfolgsrate bei Aufgaben.
• Gesamtzahl der Tokens.
• Cache-Wiederverwendungsrate.
• Anzahl der Tool-Aufrufe.
• Anzahl der Wiederholungen.
• Latenz.
• Zeit für menschliche Überprüfung.
• Kosten pro erfolgreichem Ergebnis.

Optimieren Sie nicht nur den günstigsten Eingabe-Token-Preis.

Häufig gestellte Fragen

Wie lautet der neue Preis für GPT-5.6 Luna?

GPT-5.6 Luna hat jetzt einen Standardpreis von 0,20 $ pro Million Tokens für kurze Kontext-Eingaben, 0,02 $ pro Million Tokens für gecachte Eingaben und 1,20 $ pro Million Tokens für Ausgaben. Der Preis für Cache-Schreibvorgänge beträgt 0,25 $ pro Million Tokens.

Wie lautet der neue Preis für GPT-5.6 Terra?

GPT-5.6 Terra hat jetzt einen Standardpreis von 2,00 $ pro Million Tokens für kurze Kontext-Eingaben, 0,20 $ pro Million Tokens für gecachte Eingaben und 12,00 $ pro Million Tokens für Ausgaben. Der Preis für Cache-Schreibvorgänge beträgt 2,50 $ pro Million Tokens.

Wurde GPT-5.6 Sol im Preis gesenkt?

Die Standard-Token-Preise haben sich nicht geändert. Sol kostet weiterhin 5 $ pro Million Tokens für kurze Kontext-Eingaben und 30 $ pro Million Tokens für Ausgaben, während der Fast-Modus die 2,5-fache Verarbeitungsgeschwindigkeit zum doppelten Preis des Standardpreises bietet.

Was ist mit Priority Processing passiert?

OpenAI hat Priority Processing am 30. Juli 2026 in Fast-Modus umbenannt. Bestehende Anfragen mit service_tier: "priority" bleiben kompatibel, neue Anfragen können service_tier: "fast" verwenden.

Wann gilt die Langkontext-Preisgestaltung von GPT-5.6?

Die aktuelle Modellseite besagt, dass Prompts mit mehr als 272.000 Eingabe-Tokens für die gesamte Anfrage höhere Eingabe- und Ausgabesätze verwenden. Entwickler sollten diesen Schwellenwert bei der Kostenschätzung für sehr große Prompts berücksichtigen.

Welches GPT-5.6-Modell eignet sich am besten für Workloads mit hohem Durchsatz?

OpenAI positioniert Luna als Modell für kostenbewusste, hochvolumige Arbeiten. Wenn Luna nicht genügend Qualität bietet, ist Terra die ausgewogene Wahl, während Sol für die schwierigsten Fachaufgaben gedacht ist.

Senken die Preissenkungen die Abonnementkosten für ChatGPT und Codex?

Nein. OpenAI gibt an, dass Abonnementpreise und Kontingentbudgets unverändert bleiben. Terra und Luna verbrauchen jetzt weniger Punkte in unterstützten kostenpflichtigen Produkt-Workflows.

Bieten alle Cloud-Anbieter die reduzierten Preise sofort an?

Die direkten OpenAI-API-Preise haben sich am 30. Juli geändert. OpenAI gibt an, dass die AWS-Preise später am selben Tag eingeführt werden, die Preise und die Verfügbarkeit von Drittanbietern können jedoch abweichen. Nutzer sollten daher die aktuellen Preistabellen des jeweiligen Anbieters prüfen.

Verwandte Tools

• GPT-5.6 Sol: Das Flaggschiff-GPT-5.6-Modell von OpenAI für komplexe Facharbeit.
• GPT-5.6 Terra: Das ausgewogene GPT-5.6-Modell für Workloads, die sowohl Intelligenz als auch geringere Kosten erfordern.
• GPT-5.6 Luna: Das schnellste und wirtschaftlichste GPT-5.6-Modell für hochvolumige, kostenempfindliche Aufgaben.
• Responses API: Die primäre OpenAI-API für Reasoning, Tools, mehrstufige Workflows und Agentenanwendungen.
• Codex: Die agentische Software-Engineering-Umgebung von OpenAI auf Basis der GPT-5.6-Modellfamilie.
• OpenAI API Dashboard: Die offizielle Arbeitsumgebung zur Verwaltung von API-Schlüsseln, Projekten, Nutzung, Limits und Abrechnung.

Verwandte Links

• Vollständige OpenAI-API-Preise: Aktuelle Sätze für Standard-, Batch-, Fast-, Cache-Eingabe-, Cache-Schreib- und Langkontext-Tokens.
• Fast-Modus-Dokumentation: Offizielle Einrichtungsanleitung, Kompatibilitätsdetails und Nutzungsrichtlinien für die umbenannte Service-Stufe.
• [GPT-5.6-Modellanleitung](https://developers.openai.

com/api/docs/guides/latest-model): Offizielle Empfehlungen zu Modellauswahl, Migration, Inferenz, Caching und Workflows.

• GPT-5.6-Veröffentlichungsankündigung: Veröffentlichung der ursprünglichen Modellreihe, Modellfähigkeiten, Anfangspreise, Verfügbarkeit und Benchmarks.
• GPT-5.6-Effizienztechnik: OpenAIs Erläuterung der Modell- und Infrastrukturarbeit hinter den Effizienzverbesserungen.
• Leitfaden zum Prompt-Caching: Offizielle Hinweise zu automatischem und explizitem Prompt-Caching.
• OpenAI-API-Änderungsprotokoll: Datierte Aufzeichnungen zu Preisaktualisierungen, Schnellmodus-Veröffentlichungen und anderen API-Änderungen.

Zusammenfassung

In seinem Update vom 30. Juli senkte OpenAI die Standard-API-Preise für GPT-5.6 Luna um 80 % und für Terra um 20 %. Der Standardpreis für Sol blieb unverändert, während der neue Schnellmodus die API-Antwortgeschwindigkeit auf das 2,5-fache erhöht, bei doppeltem Token-Tarif.

Die Ankündigung dreht sich um eine breitere Kosten-Leistungs-Strategie. OpenAI gibt an, dass Modelle, Inferenz-Stack, Routing, Kontextverwaltung und Agenten-Frameworks verbessert werden, um Zeit, Token-Anzahl oder Rechenleistung pro erfolgreicher Aufgabe zu reduzieren.

Für Entwickler ist die richtige Wahl nicht einfach das günstigste Modell. Luna ist auf hohen Durchsatz ausgelegt, Terra bietet eine Balance zwischen Kosten und Intelligenz, während Sol die komplexesten Aufgaben übernimmt. Die Einsparungen durch hybrides Modell-Routing, Caching, Evaluierung und Messung der Kosten pro erfolgreichem Ergebnis können deutlich größer sein als ein bloßer Modellwechsel.

Die Kernveränderung besteht darin, dass GPT-5.6 nun einen breiteren Arbeitsbereich bietet: Die Luna- und Terra-Stufen liefern wirtschaftlichere Alltagsintelligenz, während bei Latenzzeiten, die höhere Kosten rechtfertigen, über Sol schnellere Spitzenintelligenz verfügbar ist.

Diese Markdown-Datei ist eine unabhängige redaktionelle Adaption des offiziellen Artikels. Sie behält Themen, Faktenreihenfolge und inhaltliche Bedeutung bei, übernimmt jedoch nicht wörtlich OpenAIs Formulierungen oder Kundenaussagen.