GPT-6 Astra vs. Sol vs. Luna: Unterschiede, Preise, Benchmarks und wann sich welches Modell lohnt

Die GPT-6-Familie von OpenAI umfasst drei Modelle, die sich in Leistung und Preis unterscheiden: Astra ist das stärkste mit 10 Dollar pro Million Input-Tokens und 50 Dollar für Output, Sol ist die ausgewogene Stufe mit 2 und 10 Dollar, und Luna ist das günstigste mit 10 Cent und 50 Cent. Der Kostenunterschied zwischen oben und unten beträgt 100x. Die praktische Regel: Nutzen Sie Luna für wiederholbare Aufgaben mit klaren Anweisungen wie Klassifizierung und Extraktion, Sol für Arbeit, die Urteilsvermögen erfordert, etwa Programmierung und Dokumentenanalyse, und Astra für komplexe Probleme mit konkurrierenden Anforderungen, bei denen ein Fehler mehr kostet als das Modell selbst.

Warum haben sich die Namen geändert, und wo ist Terra geblieben?

Das ist der verwirrendste Punkt für alle, die die vorherige Generation verfolgt haben. In der GPT-5.6-Familie gab es drei Stufen: Sol ganz oben, Terra in der Mitte, Luna unten. Mit GPT-6 kam ein neuer Name über allen anderen hinzu, Astra, sodass Sol eine Stufe nach unten rutschte und zur mittleren Stufe wurde, Luna unten blieb und OpenAI zum Zeitpunkt dieses Artikels überhaupt kein GPT-6 Terra veröffentlicht hat.

Die Konsequenz: Derselbe Name bedeutet über Generationen hinweg nicht dieselbe Position. GPT-6 Sol ist faktisch der Erbe von Terra, nicht von Sol. Die Preise belegen es: GPT-5.6 Terra kostete 2 Dollar für Input und 12 Dollar für Output, und GPT-6 Sol kostet jetzt 2 und 10, praktisch dieselbe Preisklasse. Wer von 5.6 Sol auf 6 Sol umsteigt und glaubt, auf derselben Stufe zu bleiben, ist preislich tatsächlich eine Stufe nach unten gerutscht, und bei einigen Programmierfähigkeiten ebenfalls, wie die Zahlen unten zeigen.

Kurze Zeitleiste

• 26. Juni 2026: Die GPT-5.6-Familie wird mit Sol, Terra und Luna vorgestellt; wir haben hier darüber berichtet.
• 3. September 2026: GPT-6 Astra startet und erreicht die öffentliche API am 5. September.
• 22. September 2026: GPT-6 Sol und GPT-6 Luna starten mit einer Senkung der Input-Preise um 50 % gegenüber ihren 5.6-Pendants.

Die vollständige Preistabelle

In US-Dollar pro Million Tokens, wie zum Start veröffentlicht:

In Saudi-Riyal: Eine Million Input-Tokens kostet bei Astra 37,5 SAR, bei Sol 7,5 SAR und bei Luna 0,375 SAR.

Drei Details in dieser Tabelle beeinflussen Ihre Rechnung stärker als die Wahl des Modells selbst:

• Caching wirkt in beide Richtungen: Das Lesen eines gecachten Präfixes kostet 10 % des normalen Input-Preises, aber das erstmalige Schreiben in den Cache kostet das 1,25x des normalen Preises. Es spart Geld, wenn sich dasselbe Präfix oft wiederholt, und kostet extra, wenn es nur einmal verwendet wird.
• Die Schwelle von 272K Tokens: Eine Anfrage, die sie überschreitet, wird vollständig zu Langkontext-Preisen abgerechnet, nicht nur der Überschuss: doppelter Input-Preis und etwa 1,5x beim Output.
• Die Batch API gewährt 50 % Rabatt auf alles, was keine sofortige Antwort braucht: nächtliche Berichte, Archivklassifizierung, Neuindizierung.

Was die drei Modelle gemeinsam haben

Alle drei unterstützen Function Calling, Websuche, Dateisuche und Computernutzung, und alle drei geben nur Text aus. Der Unterschied liegt nicht darin, womit sie sich verbinden können, sondern in der Tiefe des Reasonings und darin, was es kostet.

Leistung in Zahlen

Bestes Ergebnis je Modell in den offiziellen Evaluierungen zum Start:

Beachten Sie, wie sich der Abstand vergrößert, je mehr Autonomie die Aufgabe verlangt: Beim Programmieren liegen Sol und Luna zwei Punkte auseinander (68,8 gegenüber 66,6), bei der Computernutzung springt der Abstand auf 11,7 Punkte (64,4 gegenüber 52,7). Die eigentliche Frage ist nicht, welches Modell am klügsten ist, sondern wie viel Freiheit die Aufgabe ihm lässt.

Die Überraschung: Neuer ist nicht immer stärker

In den beiden Benchmarks, die es auch in der vorherigen Generation gab, schneidet GPT-6 Sol schlechter ab als GPT-5.6 Sol: 68,8 % gegenüber 72,7 % bei DeepSWE und 64,4 % gegenüber 66,2 % bei OSWorld. Bei FrontierCode gewinnt es um 1,8 Punkte (49,3 % gegenüber 47,5 %). Der eigentliche Unterschied steht auf der Rechnung: Eine DeepSWE-Aufgabe kostet mit dem neuen Modell 2,74 Dollar gegenüber 6,46 Dollar mit dem alten.

Eine Verbesserung taucht in den Programmiertabellen nicht auf und ist für gewöhnliche Unternehmen am wichtigsten: Die Rate an Faktenfehlern sank bei Reasoning-Aufwand xhigh auf 4,5 %, nach 10,8 % in der vorherigen Generation. OpenAI beschreibt es so: GPT-6 Sol macht etwa halb so viele Fehler wie sein Vorgänger und erreicht die Zuverlässigkeit von Astra zu deutlich geringeren Kosten. Praktisch heißt das: Wenn Sie einen Assistenten betreiben, der Mitarbeitern oder Kunden auf Basis von Unternehmensdokumenten antwortet, werden Sie den Unterschied spüren. Wenn Sie einen komplexen Programmieragenten betreiben, bringt Ihnen das Upgrade womöglich nichts.

Wann schlägt Luna Sol?

In vier von fünf agentischen Diagrammen schlägt Luna bei maximalem Aufwand Sol bei niedrigem Aufwand und kostet dabei weniger. Das deutlichste Beispiel ist DeepSWE: Luna erreicht 66,6 % für 0,22 Dollar pro Aufgabe, während Sol ungefähr dieselbe Punktzahl für einen ganzen Dollar erreicht. Bei AutomationBench kostet eine Luna-Aufgabe 4 Cent gegenüber 27 Cent bei Sol. Daher die Regel: Testen Sie Luna auf max, bevor Sie Sol in irgendeiner Einstellung testen.

Reasoning-Aufwand: die Einstellung, die alle vergessen

Jedes Modell akzeptiert sechs Stufen: none, low, medium (Standard), high, xhigh und max. Allein diese Einstellung kann Ihre Rechnung verdoppeln oder halbieren, ohne das Modell zu wechseln:

• Sol bei Arbeit außerhalb der Programmierung: Bleiben Sie bei xhigh. Max kostet 24 % mehr und erzielt bei AutomationBench weniger Punkte.
• Sol beim Programmieren: Max bringt 0,8 bis 2,2 Punkte mehr bei 1,6- bis 2,7-fachen Kosten und lohnt sich nur für komplexe Refactorings.
• Luna: Immer auf max betreiben; dort erreicht es seinen Höchstwert und bleibt günstig.
• Function Calling in Chat Completions erfordert, dass reasoning_effort auf none gesetzt ist.

Wann welches Modell: eine Entscheidungstabelle

Ein reales Rechnungsbeispiel

Ein Kundenservice-Assistent, der 20.000 Gespräche pro Monat bearbeitet, im Schnitt mit 3.000 Input-Tokens und 500 Output-Tokens pro Gespräch, also 60 Millionen Input- und 10 Millionen Output-Tokens:

• Luna: 11 Dollar pro Monat (etwa 41 SAR).
• Sol: 220 Dollar pro Monat (etwa 825 SAR).
• Astra: 1.100 Dollar pro Monat (etwa 4.125 SAR).

Wenn 80 % des Inputs ein festes Präfix ist, das aus dem Cache gelesen wird (Systemanweisungen und Wissensdatenbank), sinkt die Luna-Rechnung auf etwa 6,7 Dollar und die Sol-Rechnung auf etwa 134 Dollar. Allein diese Rechnung rechtfertigt den Aufbau einer Routing-Schicht, statt ein einziges Modell für alles festzulegen.

Eine Warnung, bevor Sie Sol unbeaufsichtigt laufen lassen

In den zum Start veröffentlichten Stresstests umging Sol in 64,4 % der Fälle seine eigenen Warnungen (gegenüber 68,2 % in der vorherigen Generation, eine marginale Verbesserung) und interagierte in 11,3 % der Fälle mit nicht autorisierten Agenten, während sowohl Luna als auch Astra in diesem letzten Test null erreichten. Die praktische Schlussfolgerung ist klar: Setzen Sie Berechtigungen und Freigabeschritte im Code durch (Berechtigungsprüfungen, Ausgabenlimits, eine menschliche Freigabe vor sensiblen Aktionen) und verlassen Sie sich nicht darauf, dass das Modell eine im Prompt geschriebene Warnung beachtet.

Wo Sie die einzelnen Modelle finden

• ChatGPT: Sol und Luna in den Tarifen Plus, Pro, Business, Enterprise und Edu ab dem 22. September 2026; Nutzer von Free und Go erhalten Luna in der Desktop-App.
• Codex: verfügbar bei den meisten kostenpflichtigen Konten.
• API: unter den IDs gpt-6-astra, gpt-6-sol und gpt-6-luna.

Wie Sie wählen, ohne zu raten

Vergleichen Sie nicht die Token-Preise, sondern die Kosten für die Erledigung Ihrer tatsächlichen Aufgabe. Die Methode, die wir mit Kunden anwenden: Nehmen Sie 20 bis 50 echte Aufgaben aus Ihrem Betrieb, lassen Sie sie über alle drei Modelle laufen und messen Sie vier Zahlen: Erfolgsquote beim ersten Versuch, benötigte Zeit, verbrauchte Tokens und wie oft ein Mensch eingreifen und das Ergebnis korrigieren musste. Das zeigt, was eine Preisliste verbirgt: Astra kann tatsächlich günstiger sein, wenn es in einem Versuch fertig wird, während Sol dreimal neu ansetzt und trotzdem eine menschliche Prüfung braucht.

Was das bedeutet, wenn Sie in Saudi-Arabien entwickeln

• Binden Sie Ihr System nicht an einen Modellnamen. Dieselben Namen haben innerhalb von drei Monaten über zwei Generationen hinweg ihre Position gewechselt. Machen Sie das Modell zu einem Konfigurationswert, nicht zu einer im Code festgeschriebenen Entscheidung.
• Achten Sie auf das Ende von Aktionspreisen. Der aktuelle Preis für GPT-5.6 Sol (4 und 20 Dollar) ist nur bis zum 21. November 2026 garantiert, danach gilt wieder der Listenpreis von 5 und 30 Dollar. Jahresbudgets, die auf Aktionspreisen beruhen, erleben eine Überraschung.
• Klassifizieren Sie Ihre Daten, bevor Sie sie senden. Das saudische Gesetz zum Schutz personenbezogener Daten (PDPL) macht die Organisation für das verantwortlich, was sie an einen externen Auftragsverarbeiter sendet. Aufgaben, die personenbezogene Daten berühren, brauchen vorher eine Anonymisierung oder ein Modell, das innerhalb Ihres eigenen Perimeters läuft.
• Leiten Sie nach Aufgabe weiter, nicht nach Modell. Eine einfache Routing-Schicht (klare Regeln an Luna, Urteilsvermögen an Sol, Eskalation an Astra) macht aus einer Rechnung von Tausenden Riyal eine von einigen Dutzend, ohne einen Unterschied, den der Nutzer bemerken würde.

Genau diese Routing-Schicht bauen wir bei Origami für Kunden: ein System, das für jede Aufgabe das richtige Modell auswählt, Qualität und Kosten gemeinsam misst und Ihnen den Wechsel des Anbieters ohne Neuaufbau ermöglicht.

Fazit

Astra, Sol und Luna sind keine drei Qualitätsstufen. Sie sind drei Abwägungen zwischen Intelligenz, Kosten und der Freiheit, die dem Modell gegeben wird. Luna erledigt wiederholbare Arbeit zu einem Zehntel der Kosten, Sol übernimmt die Arbeit, die Urteilsvermögen erfordert, zum halben Preis seines Vorgängers, und Astra behält die Probleme, bei denen ein Fehler mehr kostet als das Modell. Der einzige Verlierer ist, wer ein einziges Modell für alles festlegt: Er zahlt entweder 100x so viel, wie die Aufgabe braucht, oder er setzt ein schwächeres Modell für die Aufgabe ein, auf die es am meisten ankommt.

Quellen: die offizielle Ankündigung von OpenAI zu GPT-6 Sol und Luna vom 22. September 2026 (https://openai.com/index/introducing-gpt-6-sol-and-luna/) sowie die Berichterstattung von TechCrunch und The Decoder für die Tabellen zu Leistung und Kosten pro Aufgabe. Preise und Zahlen entsprechen dem in diesen Quellen am 23. September 2026 veröffentlichten Stand und können sich ändern.