GPT-6 Luna et GPT-6 Sol partagent une fenêtre de contexte de 1,050,000 tokens, un maximum de 128,000 tokens en sortie, et une entrée texte et image. Ce ne sont pas des défauts interchangeables. OpenAI positionne Luna pour le travail ciblé à fort volume et Sol pour le code complexe et les flux agentiques. Sur GPTProto, les tarifs affichés actuels sont de $0.08 en entrée / $0.40 en sortie pour Luna et de $1.60 en entrée / $8.00 en sortie pour Sol, par million de tokens. Consultez les panneaux de prix en direct avant d’établir un budget.
En bref : commencez par Luna pour les tâches répétables avec des critères d’acceptation clairs. Essayez Sol pour le code multi-fichiers, le raisonnement ambigu et les exécutions d’agent où moins de tentatives ratées pourrait justifier le tarif au token plus élevé. Choisissez avec un jeu de tests et un calcul du coût par tâche réussie, pas avec un classement de noms de modèles.
Idéal pourMeilleur premier test pour la classification, l’extraction structurée, les réponses fondées et les étapes d’agent étroites qui doivent tourner souvent.
Par million de tokens · palier liste de base
Idéal pourMeilleur premier test pour les changements de code complexes, la revue de code, le débogage entre fichiers et le travail d’agent en plusieurs étapes.
Par million de tokens · palier liste de base
Les tarifs GPTProto ci-dessous sont les prix du catalogue vérifiés le 13 octobre 2026. Ce sont les prix à utiliser pour une comparaison GPTProto ; consultez les pages actuelles avant de budgéter le trafic de production. Les dates de sortie suivent les slugs canoniques OpenRouter gpt-6-luna-20260922 et gpt-6-sol-20260922.
curl https://gptproto.com/v1/chat/completions \
-H "Authorization: Bearer $GPTPROTO_API_KEY" \
-H "Content-Type: application/json" \
-d '{
"model": "gpt-6-luna",
"messages": [{"role": "user", "content": "Hi"}]
}'curl https://gptproto.com/v1/chat/completions \
-H "Authorization: Bearer $GPTPROTO_API_KEY" \
-H "Content-Type: application/json" \
-d '{
"model": "gpt-6-sol",
"messages": [{"role": "user", "content": "Hi"}]
}'Prix par million de tokens. Tarifs catalogue officiels issus du catalogue GPTProto (raw price / 740). Les tarifs GPTProto appliquent price_multiplication 0.8. Le palier de long contexte 272K est le prix officiel dans extend_config, converti avec le même multiplicateur. Latence et benchmarks : chiffres OpenRouter au 14 octobre 2026.
Les tarifs affichés de GPTProto placent Luna à $0.08 en entrée / $0.40 en sortie et Sol à $1.60 en entrée / $8.00 en sortie par million de tokens. Sol vaut 20 fois le tarif d’entrée et de sortie listé de Luna. Pour une requête illustrative de 10,000 tokens d’entrée non mis en cache et 1,000 tokens de sortie, ces tarifs affichés donnent $0.0012 pour Luna ou $0.024 pour Sol. Ce calcul ne couvre que ces tokens d’entrée et de sortie ; l’entrée en cache, les écritures de cache, les outils, les reprises et les autres usages peuvent changer une facture complète.
Un écart de tarif de 20× pèse sur les appels répétés. Mais l’appel le moins cher n’est pas automatiquement la tâche terminée la moins chère. Si Luna a besoin de nombreuses reprises ou escalades sur un travail difficile, comparez le total de tokens et les résultats acceptés à une exécution Sol. OpenAI applique des tarifs de long contexte plus élevés au-delà de 272,000 tokens d’entrée. Le catalogue stocke ces paliers officiels ($0.20/$0.75 pour Luna et $4/$15 pour Sol par million) et les convertit avec le multiplicateur 0.8. Confirmez la facturation GPTProto des prompts longs avant d’extrapoler à partir des tarifs de base affichés.
Vérifiez le tarif Luna et le tarif Sol actuels avant une estimation de production.
Calculez les coûts de base en tokens des deux modèles avec le même volume d’entrée et de sortie attendu. Ajoutez ensuite des observations réelles : comportement de mise en cache du prompt, taux de reprise, coût des appels d’outils, et le pourcentage de tâches que chaque modèle mène à votre niveau.
Hors crédits bonus de recharge. Tarifé au palier de base, pas au palier de long contexte au-delà de 272K. Confirmez la facturation GPTProto avant d’extrapoler un budget de prompts longs.
OpenAI décrit Luna comme son option efficace pour le travail ciblé à fort volume, tandis que Sol vise le code et les agents plus complexes. Ce positionnement est utile, mais ce n’est pas une latence mesurée ni une garantie de disponibilité pour GPTProto. La longueur de la requête, la longueur de la sortie, l’effort de raisonnement, l’usage des outils et les conditions en direct influent tous sur le temps d’achèvement.
Chiffres OpenRouter au 14 octobre 2026. Les médianes des fournisseurs ne sont pas un SLA GPTProto. OpenAI ne documente l’appel de fonctions des Chat Completions que lorsque l’effort de raisonnement vaut none ; confirmez la route GPTProto en direct.
Utilisez un seul compte et un seul solde GPTProto pour tester les deux modèles à leurs tarifs affichés. Cela permet de commencer les étapes courantes sur Luna et de tester Sol de façon sélective pour le travail qui demande plus de raisonnement. Consultez le panneau Usage de l’API de l’endpoint choisi pour les réglages disponibles.
Commencez. Parfait pour tester l'endpoint et essayer de nouveaux modèles.
Le juste équilibre pour les développeurs individuels et les petits projets en production.
Conçu pour les équipes avec des charges de production. Les crédits bonus s’ajoutent aux tarifs des modèles déjà réduits.
Luna convient aux tâches dont la réponse est bornée : étiqueter un message de support, extraire des champs, résumer un passage retrouvé, ou traiter un petit changement de code avec un test direct. Sol est le candidat le plus pertinent quand un agent doit planifier entre plusieurs fichiers, interpréter plusieurs résultats d’outils, déboguer un échec difficile ou relire un correctif substantiel. Un benchmark publié ne peut pas, à lui seul, fixer votre règle de routage.
Chiffres Artificial Analysis et Vals AI tels que listés sur OpenRouter, 14 octobre 2026. Aucun des deux modèles n’avait de rang sur Design Arena lors de cette vérification.
Routez selon le test d’acceptation, puis escaladez quand ce test échoue.
Routez les requêtes courantes vers Luna et passez une requête à Sol après une validation ratée, des reprises répétées ou un signal clair de complexité. Comparez ce flux mixte à une base tout-Luna et une base tout-Sol. Comptez le coût et la latence de la tâche complète, y compris chaque tentative escaladée.
Les deux modèles publient une fenêtre de contexte de 1,050,000 tokens, une entrée maximale de 922,000 tokens et une sortie maximale de 128,000 tokens. Ils prennent du texte et des images en entrée et renvoient du texte. Des limites identiques ne signifient pas des performances égales sur de longs documents ou des références visuelles complexes. Récupérez le matériau pertinent, gardez de la place pour la réponse, et testez la qualité aux longueurs de prompt que vous utilisez vraiment. Ce sont des limites de modèles OpenAI, pas une garantie que chaque route GPTProto accepte une requête à la taille maximale.
GPTProto a aussi des pages analyse de fichiers Luna et analyse de fichiers Sol, plus des routes recherche web Luna et recherche web Sol. Vérifiez le schéma de requête en direct de chaque route avant de vous appuyer sur une capacité en production.
Créez un petit jeu d’évaluation qui reflète la production : classification courante, une tâche sur un document plus long, un changement de code multi-fichiers, et une tâche que votre système actuel rate souvent. Lancez les deux modèles avec des prompts, des outils, des réglages de raisonnement et des tests d’acceptation comparables. Séparez les succès peu chers des échecs coûteux. Indiquez le coût par résultat accepté, pas seulement le prix par million de tokens ; décidez ensuite quelles tâches restent sur Luna et lesquelles méritent une escalade vers Sol.
Les deux pages modèles comprennent le prix actuel, des exemples d’API et un Playground. Copiez l’ID du modèle et la route depuis la page concernée, testez la même charge réelle, et choisissez le défaut ou la règle d’escalade qui répond à vos exigences de qualité, de vitesse et de budget. GPT-6 Sol n’est pas GPT-6.1 Sol. Parcourir les modèles OpenAI sur GPTProto.
Oui. Le 13 octobre 2026, GPTProto affiche $0.08 en entrée / $0.40 en sortie par million de tokens pour Luna et $1.60 en entrée / $8.00 en sortie pour Sol. Les tarifs d’entrée et de sortie listés de Sol valent 20 fois ceux de Luna. Consultez chaque page modèle en direct pour le prix actuel et les autres frais applicables.
Commencez Luna sur des étapes étroites avec des tests directs. Essayez Sol sur les changements entre fichiers, le débogage difficile et le travail d’agent en plusieurs étapes. Utilisez les mêmes outils et critères d’acceptation, et comparez les achèvements réussis, les reprises, le temps écoulé et la dépense totale.
Non. OpenAI indique une fenêtre de contexte de 1,050,000 tokens, une entrée maximale de 922,000 tokens et une sortie maximale de 128,000 tokens pour les deux. Ces limites ne garantissent pas une précision égale sur de longues entrées, ni que chaque route GPTProto accepte la taille maximale.
Oui. OpenAI indique des entrées texte et image et une sortie texte pour les deux modèles. Pour créer des images, choisissez plutôt un modèle dédié à la génération d’images.
La documentation des modèles d’OpenAI prend en charge l’appel d’outils via son Responses API. Pour les Chat Completions, OpenAI ne documente l’appel de fonctions que lorsque l’effort de raisonnement est réglé sur none. Vérifiez la route et les réglages pris en charge dans le panneau Usage de l’API de GPTProto avant de déployer un agent qui utilise des outils.
Non. GPT-6 Sol et le plus récent GPT-6.1 Sol ont des pages modèles et des ID distincts sur GPTProto. Cette comparaison porte précisément sur gpt-6-luna face à gpt-6-sol.
Oui. Le catalogue comprend les pages GPT-6 Luna et GPT-6 Sol, avec les prix, des exemples d’API et un Playground. Le catalogue de modèles OpenAI montre la gamme actuelle.
De vrais posts de comptes réels et publics — rien ici n'est inventé.
For a team already juggling DeepSeek, Kimi, Qwen, or other providers, a shared routing layer can be reasonable if it removes duplicated work and the fallback behavior is tested. GPTProto is one implementation of this approach.
I've been testing GPTProto recently, and it's honestly made my creative workflow much simpler. Instead of paying for multiple subscriptions, I can access several leading AI models from one place.
I turned this single prompt into a cinematic fantasy video using GPTProto. "Continuous 15-second cinematic shot, 4K resolution, hyper-realistic dark fantasy photorealism…"
I challenged myself to create a cinematic AI cooking short in just 15 seconds. I used GPTProto to bring the entire workflow together, from image generation to video, all in one place.
Made with Seedance 2.0 + GPT Image 2 on GPTProto. A Pixar-style commercial with the perfect glow.
What worked for me was pointing the cloud connections at GPTProto so the frontend only sees one endpoint and I just change the model name to swap. I am not rebuilding a connection from scratch every time.
I route the calls through GPTProto so a fallback is a config switch instead of a weekend rewrite when a model disappears. It turns "my default model just got export controlled" from an incident into a config change.
I used to switch between different AI tools just to compare results. Now I just use GPTProto. GPT-5, Claude, Gemini, Kimi, and more — all in one workspace.
I route the calls through GPTProto so the model id and latency land in one place regardless of which provider is behind it. The win is having the log schema consistent across providers.
I created this 15-second cinematic product video with GPTProto using Seedance 2.0, and I was really impressed by how smooth the workflow was.
GPTProto routes the character prompt and shot list to a top model on one API key: 20 minutes … voices it and burns in captions from the same key: 20 minutes.
Text, images, and voice are configured separately. You can keep OpenRouter for text and use GPTProto for visuals.
The call layer underneath the router is GPTProto, so swapping a model does not require provisioning a new provider integration. Changing models becomes cheap enough that the question stops being "should we change."
Comparez les modèles, apprenez à configurer l’API et explorez les workflows image et vidéo pour de vrais projets.
Créez des images et vidéos en ligne, ou intégrez des modèles texte, image et vidéo à votre appli avec une seule clé API. Découvrez des tarifs réduits sur une sélection de modèles.
