Text & Reasoning

GPT-6 Luna

GPT-6 Luna ist für eng umrissene, häufig wiederholte Aufgaben vorgesehen. Es verarbeitet Text und Bilder und erzeugt Text. Bei einer Integration sind neben dem niedrigen Standardtarif die Reasoning-Stufe, der benötigte Kontext und die Schnittstelle für Tools wichtig.

Wie kannst du es nutzen?

Nutze den in den Quellen genannten Anbieterzugang für genau diese Version. Ein Produktabo enthält nicht automatisch API-Guthaben.

Aktuell im HerstellerkatalogQuellenstand 2026-10-13

OpenAI im Verzeichnis

Tokenwerk / Text & Reasoning · Quellenstand 2026-10-13

EingabeText, Bild

AusgabeText

Kontext1.050.000 Tokens

Änderungen am Modell

Nachprüfung am 24. Oktober 2026; Herstellerdokumentation, kein eigener Modelltest.

OpenAI hat am 20. Oktober eine12-Stunden-Cacheoption in der Responses API ergänzt; deren Schreibkosten betragen laut Changelog 2,5 mal den Inputtarif. Am 22. Oktober wurde die Decisions API mit GPT-6 Luna allgemein verfügbar und unterstützt bis 400 Fragen je Request. Diese Funktion wird nicht anderen Modellen als unterstützt zugeschrieben. Der Datenstand der übrigen Modellfelder steht weiterhin separat im Profil.

Herstellerquelle zum Update · geprüft am 24. Oktober 2026

Technische Daten

Identität, Funktionen und Betrieb getrennt lesen. Die Angaben beziehen sich auf diese konkrete Version.

„Nicht bestätigt“ kennzeichnet eine offene Angabe. Es bedeutet weder „nicht vorhanden“ noch „unbegrenzt“.

Version & Identität
Hersteller	OpenAI
Modellfamilie	GPT
Modell-/API-ID	`gpt-6-luna`
Status	Aktuell im Herstellerkatalog

Ein- & Ausgabe
Modellart	Text & Reasoning
Eingabe	Text, Bild
Ausgabe	Text

Dokumentierte Limits
Kontext	1.050.000 Tokens
Maximaler Output / Horizont	128.000 Tokens

Zugang & Betrieb
Bereitstellung	Gehostete API
Gewichte	Gehosteter oder integrierter Zugang
Lizenz	Anbieterbedingungen

Daten im Überblick

Input und Output sind getrennte Texttarife je einer Million Tokens. Preisstufen, Cache, Werkzeuge und weitere Bedingungen stehen im Kostenabschnitt. Kein Preis für eine konkrete Aufgabe.

Text-Input / Mio. Tokens: 0,1 USD
Text-Output / Mio. Tokens: 0,5 USD

Datenbasis: Herstellerangaben im Quellenstand 2026-10-13. Quellen zu diesem Profil ↓

Tokenwerk-Datenbild · Tarifdarstellung · kein eigener Benchmark.

Einsatz und Grenzen

OpenAI positioniert Luna für fokussierte Aufgaben mit hohem Anfragevolumen. Eine passende eigene Prüfung könnte deshalb feste Felder aus Nachrichten lesen oder kurze Textfälle einer klaren Kategorie zuordnen. Geschwindigkeit und Kosten für deinen Ablauf müssen tatsächlich gemessen werden; das Profil enthält dafür keine eigene Treffer- oder Latenzstatistik. Das Vergleichsblatt für KI-Tools hilft dir, Ergebnis, Datenweg und erforderliche Nacharbeit für dieselbe Aufgabe festzuhalten.

Die API-ID lautet gpt-6-luna. Anders als Astra und GPT-6.1 Sol unterstützt diese Variante auch none als Reasoning-Effort. Weitere Stufen sind low, medium, high, xhigh und max; medium ist die Voreinstellung. Eine andere Stufe kann das Antwortverhalten ändern und gehört deshalb in die Testnotizen.

Für integrierte Werkzeuge und Function Calling empfiehlt die Modellseite Responses. Function Calling in Chat Completions ist bei Luna nur mit reasoning_effort none unterstützt. Eine generelle Angabe unterstützt Tools reicht daher nicht, um eine Integration korrekt zu planen.

Auch diese Variante hat 1.050.000 Tokens Gesamtkontext, maximal 922.000 Eingabetokens und 128.000 Ausgabetokens. Der günstige kurze Standardtarif gilt nicht unverändert über das ganze Fenster: Oberhalb von 272.000 Eingabetokens greift eine höhere Preisstufe für die Anfrage.

Vor deiner Auswahl

Klare und mehrdeutige Fälle in die eigene Stichprobe aufnehmen.
Beim Function Calling die Kombination aus API-Schnittstelle und Reasoning-Stufe prüfen.
Für kurze Aufgaben nur den notwendigen Kontext bereitstellen und die tatsächlichen Kosten erfassen.

Was kostet GPT-6 Luna?

OpenAI API / Standardtarif, kurze Eingabe0.1 / 0.5 USD je 1 Mio. Texttokens

Je Million Tokens kostet normale Eingabe 0,10 USD, Cache-Lesen 0,01 USD, Cache-Schreiben 0,125 USD und Ausgabe 0,50 USD. Über 272.000 Eingabetokens gelten der doppelte Eingabe-/Cachepreis und der 1,5-fache Ausgabepreis für die ganze Anfrage. Batch, Flex und Fast sind eigene Verarbeitungsarten.

Fiktive kurze Standardrechnung ohne Cache und Zusatzkosten: 10.000 Eingabetokens plus 2.000 Ausgabetokens kosten 0,002 USD. Bei 300.000 Eingabetokens und demselben Output sind es 0,0615 USD. Werkzeug-, Bild-, weitere Verarbeitungskosten und Steuern sind nicht enthalten.

Zugang: Gehostete API. Eine öffentlich dokumentierte Modell-ID bestätigt keine Freischaltung deines Kontos.

Textkosten im Rechner schätzen →

Praxis: Nachrichten in Datenfelder übertragen

Praxisergänzung geprüft am 21. Oktober 2026 · eigene Aufgabe, kein Modellbenchmark

Eine kurze Antwort ist erst dann brauchbar, wenn sie nichts dazuerfindet. In dieser Übung überträgst du Empfänger und Termin in feste Felder. Zwei Angaben fehlen absichtlich. So erkennst du, ob die Antwort eine Lücke offenlässt oder sie mit einer plausiblen Vermutung füllt.

Vorbereitung

Verwende einen freigegebenen Zugang zu gpt-6-luna. Die offizielle Modellseite nennt Text- und Bildeingaben, Textausgabe und strukturierte Ausgaben. Hier genügt Text: Trage die Vorlage in deinen eigenen Zugang ein und notiere Datum, Endpunkt und Effort. Die Vorlage enthält keine echten Kontaktdaten. Ein API-Aufruf kann Kosten auslösen; der Download-Prüfer arbeitet ohne API.

Sechs Sollfelder aus einer fiktiven Nachrichtenvorlage.

Kopiere Regeln und alle drei Nachrichten zusammen. Wochentage bleiben Wochentage; du ergänzt kein Kalenderdatum.
Lass genau das geforderte JSON-Objekt ausgeben und speichere nur dieses als antwort.json. Eine freie Erklärung kannst du getrennt aufheben.
Vergleiche alle sechs Nutzfelder mit dem Soll. Ändere anschließend einen Namen in der Vorlage und prüfe, ob sich nur das zugehörige Feld verändert.

Aufgabe zum Kopieren

Die Angaben sind fiktiv. Speichere den geforderten JSON-Teil der Antwort separat als antwort.json; zusätzliche Erklärungen gehören in eine andere Datei.

Aufgabe: Übertrage ausschließlich ausdrücklich genannte Empfänger und Termine.
Fehlende Werte sind JSON-null, niemals der Text "null". Wochentage nicht in Daten umrechnen.
A: Bitte an Lea senden. Termin: Freitag.
B: Bitte an Omar senden. Kein Termin genannt.
C: Empfänger unbekannt. Termin: Montag.
Gib ein JSON-Objekt mit dem Feld nachrichten aus. Das ist eine Liste in der Reihenfolge A, B, C.
Jeder Eintrag enthält id, empfaenger und termin. Keine Nachricht senden.

Vorlage herunterladen Lokalen JSON-Prüfer herunterladen

Lösung und Prüfkriterien ansehen

Genau drei Datensätze in der Reihenfolge A, B, C; jeder Wert lässt sich direkt auf die Vorlage zurückführen.
B.termin und C.empfaenger sind echtes null. Ein leeres Wort, ein geratenes Datum oder ein Name sind hier falsch.
Das Ergebnis bereitet Daten vor. Es bestätigt weder einen Versand noch eine Berechtigung zum Versenden.

{
  "nachrichten": [
    {
      "id": "A",
      "empfaenger": "Lea",
      "termin": "Freitag"
    },
    {
      "id": "B",
      "empfaenger": "Omar",
      "termin": null
    },
    {
      "id": "C",
      "empfaenger": null,
      "termin": "Montag"
    }
  ]
}

Das Soll ist redaktionell aus der Vorlage abgeleitet, keine aufgezeichnete Modellantwort. Der lokale Prüfer vergleicht die festgelegten Felder und führt keinen generierten Code oder API-Aufruf aus. Er bewertet keine freien Begründungen.

Speichere Prüfer und deine Antwort im selben Ordner. Mit installiertem Python: python pruefen.py antwort.json.

Typische Fehler bei dieser Aufgabe
Beobachtung	Was du prüfst
Freitag wurde zu einem Kalenderdatum	Der Vorlage fehlt ein Bezugsdatum. Übernimm Freitag wörtlich.
Ein fehlender Empfänger wurde geraten	Markiere die Belegstelle. Ohne Beleg muss das Feld null bleiben.
Der Prüfer meldet ungültiges JSON	Entferne Markdown-Zäune und Zusatztexte; verändere dabei keine Nutzwerte.

Passende Anleitungen

Wenn Felder noch uneindeutig bleiben, helfen dir Prompts mit klaren Prüfkriterien beim Trennen von Eingabe, Regeln und Ausgabeformat.

Für freie Texte übst du anschließend das Texte überarbeiten und Fakten erhalten; dort prüfst du Änderungen ohne ein starres JSON-Schema.

Gezielte Praxisergänzung auf Basis aktueller Herstellerunterlagen. Der Datenstand der bisherigen Modell-Faktentabellen bleibt separat ausgewiesen. Neue Beispiele und Grafiken sind eigene Erklärungen; es wurden keine Modellantworten oder Leistungswerte gemessen.

Herstellerunterlagen zur Ergänzung: GPT-6 Luna Model | OpenAI API (Abruf 2026-10-21) · Structured model outputs | OpenAI API (Abruf 2026-10-21).

LernpfadCloud-KI und Prompting PraxisprojektModellvergleich dokumentieren VertiefenModelle fair bewerten

Quellen und Prüfstand

Die verlinkten Herstellerunterlagen wurden für dieses Profil ausgewertet. Ältere Versionen und Einführungstexte dienen der Einordnung; aktuelle technische Angaben haben Vorrang. Abrufdaten stehen an den Quellen. Die Grafik ist redaktionell, kein Leistungstest.

GPT-6 LunaAbruf 2026-10-13
PricingAbruf 2026-10-14
ModelsAbruf 2026-10-14
Using GPT-6Abruf 2026-10-14

Häufige Fragen

Wofür ist GPT-6 Luna vorgesehen?

OpenAI positioniert Luna für fokussierte, häufig wiederholte und kostensensitive Aufgaben. Das Profil gibt keine garantierte Antwortzeit oder Genauigkeit für eine eigene Anwendung an.

Unterstützt Luna Reasoning-Effort none?

Ja. Die Modellseite nennt none, low, medium, high, xhigh und max; medium ist die Voreinstellung. Welche Einstellung tatsächlich benutzt wurde, gehört zu einem nachvollziehbaren Vergleich.

Wann funktioniert Function Calling in Chat Completions?

Bei GPT-6 Luna laut Modellseite nur mit reasoning_effort none. Für Reasoning mit Werkzeugen und integrierte Tools ist die Responses API vorgesehen.

Gilt der günstige Preis im gesamten Kontextfenster?

Über 272.000 Eingabetokens steigt der Eingabe-/Cachepreis auf das Doppelte und der Ausgabepreis auf das 1,5-Fache für die gesamte Anfrage. Kontextmaximum und Preisgrenze sind verschiedene Angaben.

Sind die gezeigten Empfänger echte Nutzerdaten?

Nein. Die Namen und Nachrichten sind fiktive redaktionelle Übungsdaten mit vorab festgelegten Sollwerten. Es wurde keine Luna-Antwort erzeugt.

Wie groß ist das Kontextfenster von GPT-6 Luna?

Im dokumentierten Quellenstand: 1.050.000 Tokens. Beachte die Bedingungen der konkreten Modellversion und des verwendeten Endpunkts. Kontext ist keine Wortzahl und kein Nachweis, dass jede enthaltene Information zuverlässig verarbeitet wird.

Wie prüfst du GPT-6 Luna für deine Aufgabe?

Lege eine kleine Aufgabe mit bekanntem oder nachprüfbarem Ergebnis fest. Notiere Version, Eingabe und Einstellungen. Vergleiche die Ausgabe mit deinem Prüfkriterium und halte Fehler sowie tatsächliche Kosten getrennt fest. Die Testidee auf dieser Seite ist ein Vorschlag und wurde hier nicht als Modelltest ausgeführt.

Warum bleibt bei GPT-6 Luna ein fehlender Termin null?

Die Übung verlangt nur Angaben aus den drei Nachrichten. Ein unbekannter Termin ist keine Erlaubnis, einen Tag zu ergänzen. JSON-null macht diese fehlende Information maschinenlesbar.

Garantiert ein JSON-Format richtige extrahierte Werte?

Nein. Ein Format kann strukturell stimmen und trotzdem den falschen Empfänger enthalten. Prüfe Feldwerte und Belege zusätzlich; der lokale Prüfer vergleicht die Sollfelder dieser kleinen Vorlage.

Kann ich diese Vorlage ohne echten Nachrichtenversand testen?

Ja. Du übergibst nur fiktiven Text und lässt eine Datenstruktur entwerfen. Ein Versandwerkzeug wird für diese Übung weder eingerichtet noch aufgerufen.

Weitere OpenAI-Modelle

Alle anzeigen →