curl --request POST "https://gptproto.com/v1/chat/completions" \
--header "Authorization: Bearer $GPTPROTO_API_KEY" \
--header "Content-Type: application/json" \
--data '{
"model": "gpt-6-luna",
"messages": [
{
"role": "user",
"content": "Hello"
}
]
}'Chat, Coding-Agenten und Dokumentenarbeit. Preise pro 1 Mio. Tokens – Eingabe, gecachte Eingabe und Ausgabe werden separat abgerechnet. GPTProto liegt 20% unter den offiziellen Preisen.
| Szenario | OpenAI Liste | OpenRouter | GPTProto | Du sparst / Monat |
|---|---|---|---|---|
| Persönlich10 Mio. Tokens / Monat (4.8 Mio. im Cache) | $1.37 | $1.44 | $1.09 | −$0.27≈ $3.28 / Jahr |
| Team100 Mio. Tokens / Monat (48 Mio. im Cache) | $13.68 | $14.43 | $10.94 | −$2.74≈ $32.83 / Jahr |
| Business500 Mio. Tokens / Monat (240 Mio. im Cache) | $68.40 | $72.16 | $54.72 | −$13.68≈ $164.16 / Jahr |
OpenAI · 1.05M context · $0.08/M input · $0.4/M output
Bytedance · 262K context · $0.0971/M input · $0.9714/M output
Bytedance · 262K context · $0.0971/M input · $0.9714/M output
Erstellen Sie mit Luna wiederholbare Anwendungsabläufe – von der Kennzeichnung von Supportnachrichten über das Extrahieren von Produktdetails bis hin zu kleinen Agentenschritten. Testen Sie die Genauigkeit mit echten Eingaben und vergleichen Sie anschließend Latenz, Wiederholungsversuche und Gesamtkosten, bevor Sie ein Arbeitsvolumen mit hohem Durchsatz auf diese Modellstufe umstellen.
Für wiederkehrende Aufgaben entwickelt
Nutzen Sie Luna für klar umrissene Aufgaben, die häufig ausgeführt werden: Anfragen klassifizieren, Felder extrahieren, ausgewähltes Material zusammenfassen oder kurze Antworten entwerfen. Messen Sie die Genauigkeit anhand Ihrer eigenen Beispiele, bevor Sie das Volumen erhöhen.
Kontextfenster mit 1,05 Mio. Tokens
Das Modell verarbeitet bis zu 1.050.000 Tokens Kontext und unterstützt bis zu 128.000 Ausgabetokens. Rufen Sie für jede Anfrage nur relevantes Material ab; ein großes Kontextfenster ist eine Kapazitätsgrenze, keine empfohlene Promptlänge.
Anpassbarer Reasoning-Aufwand
Wählen Sie upstream none, low, medium (default), high, xhigh oder max. Beginnen Sie mit einer kleinen Aufgabenmenge und vergleichen Sie abgeschlossene Ergebnisse, Latenz und Tokenverbrauch bei unterschiedlichen Aufwandsstufen.
Strukturierte Textergebnisse
OpenAI dokumentiert für Luna strukturierte Ausgaben, Streaming und Funktionsaufrufe. Nutzen Sie diese Funktionen für Extraktions- oder Anwendungsabläufe, sofern sie von der GPTProto-Route unterstützt werden; validieren Sie die Antwort, bevor Sie sie in Ihre Datenbank schreiben.
GPT-6 Luna ist OpenAIs auf Effizienz ausgelegtes Modell für Arbeitslasten mit hohem Volumen und wiederkehrenden Aufgaben. Die veröffentlichte API-Modell-ID lautet gpt-6-luna. Das Modell akzeptiert Text und Bilder als Eingabe und erzeugt Text; es ist ein gehostetes Modell und kein Open-Source-Download. OpenAI führt Streaming, strukturierte Ausgaben und Funktionsaufrufe als unterstützte Funktionen der vorgelagerten API auf.
Luna ist ein guter erster Kandidat für klar begrenzte Anfragen: Ticket-Kategorisierungen, Antworten auf Basis abgerufener Texte oder Produkteigenschaften. Bei mehrdeutigen Plänen, dateiübergreifenden Änderungen oder längeren Agentenläufen solltest du auch GPT-6 Sol testen. Wähle anhand der Kosten pro erledigter Aufgabe und nicht allein anhand des Tokenpreises.
| Veröffentlichte Spezifikation | GPT-6 Luna |
|---|---|
| OpenAI-Modell-ID | gpt-6-luna |
| Kontextfenster | 1,050,000 Tokens |
| Maximale Ausgabe | 128,000 Tokens |
| Eingabe / Ausgabe | Text und Bild / Text |
| Denkaufwand | none, low, medium (Standard), high, xhigh, max |
| Strukturierte Ausgaben / Streaming | Auf der vorgelagerten API unterstützt |
| Feinabstimmung | Nicht unterstützt |
Das große Kontextfenster garantiert nicht, dass eine Aufgabe mit langem Zeithorizont erfolgreich abgeschlossen wird. Teile die Arbeit in überprüfbare Schritte auf, speichere den Status außerhalb des Prompts und berücksichtige Wiederholungsversuche beim Kostenvergleich.
Chat und Klassifizierung mit hohem Volumen. Leite klar definierte Nachrichten an Luna weiter. Gib Kategorien vor oder stelle einen kurzen Wissensauszug bereit und teste dann Genauigkeit und Antwortzeit mit echten Eingaben.
Strukturierte Extraktion. Extrahiere Felder aus Produktbeschreibungen oder Kundennachrichten. Fordere ein Schema an, validiere die Felder in deiner Anwendung und prüfe unsichere Fälle.
Begrenzte Programmier- und Agentenschritte. Erkläre eine Funktion, entwirf einen gezielten Test oder fasse ein Tool-Ergebnis zusammen. Deine Anwendung führt Tools und Tests aus; bei schwierigen Änderungen oder wiederholten Fehlschlägen solltest du an Sol eskalieren.
Die Tabelle zeigt OpenAIs standardmäßige Preise der vorgelagerten API für Textanfragen mit kurzem Kontext, nicht die Preise von GPTProto. Die aktuellen Preise von GPTProto findest du im Live-Preisbereich auf dieser Seite. Für alle drei Modelle werden ein Kontextfenster von 1,050,000 Tokens und eine maximale Ausgabe von 128,000 Tokens angegeben.
| Modell | OpenAI-Eingabe / -Ausgabe pro 1 Mio. Tokens | Geeigneter erster Test |
|---|---|---|
| GPT-5.6 Luna | $0.20 / $1.20 | Ausgangswert für bestehende Arbeitslasten; beibehalten, bis die Migrationstests bestanden sind. |
| GPT-6 Luna | $0.10 / $0.50 | Wiederkehrende Aufgaben, bei denen Kosten und Antwortzeit wichtig sind. |
| GPT-6 Sol | $2.00 / $10.00 | Aufgaben, die stärkeres Schlussfolgern oder längere Agentenschleifen erfordern. |
OpenAIs Listenpreise für GPT-6 Luna liegen bei der Eingabe 50 % und bei der Ausgabe etwa 58 % unter den aktuellen Preisen von GPT-5.6 Luna. Verglichen werden hier Tokenpreise, nicht die Qualität. Bei mehr als 272,000 Eingabe-Tokens gelten für die gesamte Anfrage höhere Preise der vorgelagerten API für lange Kontexte. Prüfe bei großen Aufträgen die Abrechnungsregeln von GPTProto.
Führe eine repräsentative Auswahl von Aufgaben mit GPT-5.6 Luna, GPT-6 Luna und Sol aus. Vergleiche akzeptierte Antworten, Wiederholungsversuche, Latenz und Gesamtkosten. Lege eine Regel für die Eskalation fest. Bei Tool-Aufrufen mit aktivierter Schlussfolgerungsfunktion empfiehlt OpenAI die Responses API; bei Chat Completions sind Funktionsaufrufe nur mit reasoning_effort: "none" möglich. Überprüfe die Route von GPTProto in der Schnellstartanleitung.
Anleitungen, Vergleiche und Updates zu diesem Modell.
Alle Artikel
Vergleiche die sechs besten LLM-API-Anbieter 2026 hinsichtlich Modellzugriff, Preisstruktur, Geschwindigkeit, Kompatibilität, Governance und Developer Experience.
Was ist GPT-6 Sol? Erfahre mehr über den Veröffentlichungsstatus, gemeldete Funktionen, Preise, Coding-Tests und den Vergleich mit GPT-6 Astra und GPT-5.6 Sol.
Vergleiche 6 erschwingliche LLM-APIs für KI-Agenten hinsichtlich Preisen, Tool-Aufrufen, Geschwindigkeit, Kontext und Kosten pro erfolgreicher Aufgabe, um 2026 das passende Modell zu finden.
Qwen3.8-Flash-Next und GLM-5.3 Flash im Vergleich: Coding, Agenten, Frontend-Arbeit, Geschwindigkeit, Preise, Kontext, Lizenzen und Produktionseinsatz.
