GPT-6 Luna jetzt in Felo Search: Eine Million Token für 0,10 $
GPT-6 Luna ist in Felo Search verfügbar: 1,05 Mio. Kontext und Spitzenklasse-Lesen für 0,10 $ pro Million Eingabetoken, die günstigste Stufe der GPT-6-Familie.
OpenAI stellte GPT-6 Luna am 22. September zusammen mit GPT-6 Sol vor. Luna ist das günstigste Modell der GPT-6-Familie mit großem Abstand: 0,10 $ pro Million Eingabetoken und 0,50 $ pro Million Ausgabetoken, etwa ein Zwanzigstel der Kosten von Sol und ein Hundertstel des Astra-Flaggschiffs.
Das Modell läuft jetzt in Felo Search. Die spannende Frage ist nicht, ob Luna das klügste Modell hinter einer Suchleiste ist. Es geht darum, was möglich wird, wenn das Lesen eines Dokuments fast nichts kostet.
Was GPT-6 Luna eigentlich ist
Luna steht am unteren Ende der GPT-6-Generation, unter GPT-6 Sol und weit unter GPT-6 Astra. Die Namensgebung verdient Aufmerksamkeit, denn sie läuft entgegengesetzt zur vorherigen Generation.
In der GPT-5.6-Generation war Sol das Flaggschiff, mit Terra und Luna darunter. GPT-6 kehrt diese Reihenfolge um: Astra führt mit 10/50 $, Sol bildet die Mittelklasse mit 2/10 $, und Luna verankert die Familie mit 0,10/0,50 $. Die gleichen drei Namen, aber umgekehrte Reihenfolge. Wer Annahmen aus GPT-5.6 übernimmt, erkennt Luna am schnellsten am Preis.
| Spezifikation | GPT-6 Luna |
|---|---|
| Modell-ID | gpt-6-luna |
| Hersteller | OpenAI |
| Veröffentlichung | 22. September 2026 |
| Kontextfenster | 1.050.000 Token |
| Maximale Eingabe | 922.000 Token |
| Maximale Ausgabe | 128.000 Token |
| Eingabe | Text, Bild |
| Ausgabe | Text |
| Reasoning-Einstellung | keine / niedrig / mittel (Standard) / hoch / sehr hoch / maximal |
| Preis | 0,10 $ pro Million Eingabe, 0,50 $ pro Million Ausgabe |
| Langer Kontext | 0,20 $ in / 0,75 $ out ab 272.000 Eingabetoken |
| Zwischengespeicherte Eingabe | 0,01 $ pro Million Token |
| Wissensstand | 18. Mai 2026 |
Die Kontextzeile steht direkt neben der Preiszeile. Luna bietet das gleiche 1.050.000-Token-Fenster wie das Flaggschiff (922.000 Token Eingabe, 128.000 Ausgabe) zum Hundertstel des Astra-Eingabepreises. OpenAI hat das Fenster nicht verkleinert, um den Preis zu erreichen. Es bleibt das gleiche Fenster auf einem günstigeren Modell.
Drei weitere Zeilen verändern das Verhalten des Modells bei realer Arbeit.
Zwischengespeicherte Eingabe kostet einen Cent pro Million Token. Die gleiche Quellensammlung mit zwanzig verschiedenen Fragen zu verarbeiten, kostet praktisch nichts.
Sechs Reasoning-Einstellungen, Standard ist mittel. Luna ist das einzige der vier Modelle dieser Woche mit einem Ausschalter: none überspringt Reasoning komplett für Aufgaben, die es nicht benötigen. Das beeinflusst die Latenz ebenso wie die Kosten. Bei Klassifikation, Extraktion und Routing liefert meist die schnellste richtige Antwort das beste Ergebnis – ohne vorheriges Nachdenken.
Batch und Flex halbieren den Preis erneut. Für Aufgaben, die keine Live-Antwort brauchen, liegt der Preis bei fünfzig Cent pro Million Ausgabetoken.
Was günstiges Lesen verändert
Die meisten Forschungsetats fließen nicht in Synthese. Sie fließen ins Lesen: Vierzig Quellen öffnen, um die sechs relevanten zu finden, dann diese sechs gründlich lesen. Dieser erste Durchgang kostet viel, weil ein Spitzenmodell Arbeit übernimmt, die ein günstigeres Modell erledigen könnte.
Bei 0,10 $ pro Million Eingabetoken kehrt sich die Rechnung um. Das lässt sich jetzt in Felo Search tatsächlich umsetzen:
- Alles lesen, bevor Relevanz entschieden wird. Den gesamten Ergebnissatz in einen Kontext ziehen und nach Relevanz zur eigenen Frage sortieren, mit Begründung. Hunderttausend Token Eingabe kosten einen Cent.
- Die gleiche Frage über mehr Quellen laufen lassen als sonst. Zehn Quellen statt drei zu lesen, erhöht die Abdeckung, aber bisher bremsten die Kosten. Bei diesem Preis verschiebt sich die Grenze.
- Erst extrahieren, dann nachdenken. Luna verwandelt vierzig Dokumente in eine strukturierte Tabelle mit Zahlen, Daten und Behauptungen, jeweils mit Quelle. Diese Tabelle, nicht die Dokumente, geht dann an ein stärkeres Modell.
- Nach Schwierigkeitsgrad routen. Die einfachen Aufgaben gehen an Luna, nur die schwierigen Fragen werden weitergeleitet. Hier entstehen die größten Einsparungen.
Die Werte sprechen für Luna beim ersten Durchgang. OpenAI veröffentlichte DeepSWE v1.1 mit 66,6 % bei langfristiger Softwareentwicklung, und Agents' Last Exam mit 0,51. HealthBench Professional erreicht 60,8 %. Der SEC-Bench Pro-Wert, 34,2 %, zeigt, dass Finanzthemen für jedes Modell dieser Preisklasse anspruchsvoller bleiben als allgemeines Lesen.
Was Luna nicht ist
Ehrlich gesagt: Luna tauscht Reasoning-Tiefe gegen Kosten, und dieser Tausch ist real.
In den veröffentlichten Tabellen steht Luna am unteren Ende der Familie, und OpenAIs eigene Zahl für die Standardeinstellung (mittlerer Aufwand) liegt deutlich unter den Werten von Sol und Astra bei höherem Aufwand. Die Open-Domain-Recall-Werte verbesserten sich gegenüber dem vorherigen Luna erheblich, aber sie erreichen noch nicht das Niveau, das man für finale Antworten bei wichtigen Fragen erwartet.
Das spricht nicht gegen die Nutzung. Es spricht für den richtigen Einsatz: Luna liest, das stärkere Modell entscheidet. In Felo Search arbeiten beide Modelle im gleichen Arbeitsbereich. Den breiten Durchgang übernimmt Luna, dann wechselt man im Picker das Modell und stellt die Schlussfrage mit den extrahierten Belegen im Kontext.
So nutzt man GPT-6 Luna in Felo Search
1. Modell-Picker öffnen und GPT-6 Luna auswählen. Gleiche Suchleiste, gleiche Quellen.
2. Breit starten. Eine Frage stellen, die mehr Quellen erfordert, als man sonst bezahlen würde: „Finde jede veröffentlichte Zahl dazu, mit Quelle und Datum.“
3. Nach Struktur fragen, nicht nach Fließtext. Tabellen, Listen und extrahierte Felder sind die Stärke eines günstigen Modells. Die schriftliche Synthese bleibt dem teuren Durchgang vorbehalten.
4. Reasoning-Einstellung erhöhen, wenn die Frage schwieriger wird. Mittel ist aus gutem Grund Standard, aber hoch und sehr hoch stehen bereit, wenn die Aufgabe es verlangt.
5. Für die finale Antwort das Modell wechseln. Die Belege bleiben, das Modell ändert sich. Der Picker ist ein Werkzeug, keine Verpflichtung.
Die anderen drei Modelle laufen auch in Felo Search
Luna kam mit drei Geschwistern, alle vier sind in Felo Search verfügbar.
| Modell | Herausgeber | Preis pro Million Token | Kontext | Einsatzgebiet |
|---|---|---|---|---|
| Grok 4.7 | SpaceXAI | 2 $ in / 6 $ out | 500K | Langfristiges Reasoning und Wissensarbeit |
| Claude Opus 5.5 | Anthropic | 4 $ in / 20 $ out | 1M | Antworten, die Überprüfung bestehen |
| GPT-6 Luna | OpenAI | 0,10 $ in / 0,50 $ out | 1,05M | Hochvolumige Suche zum niedrigsten Preis pro Anfrage |
| GPT-6 Sol | OpenAI | 2 $ in / 10 $ out | 1,05M | Agenten-Schleifen und Wiederholungsaufrufe zum Mittelklassepreis |
Luna ist das günstigste der vier Modelle mit großem Abstand und das einzige mit Reasoning-Off-Einstellung. Wer günstige Modelle für Wegwerf-Fragen hält, sollte das Million-Token-Fenster als Argument sehen.
GPT-6 Luna in Felo Search ausprobieren
GPT-6 Luna läuft in Felo Search mit einem 1.050.000-Token-Kontextfenster, sechs Reasoning-Einstellungen und 0,10/0,50 $-Preisen. Dieses Modell macht das Lesen aller Quellen zur günstigen Option.
GPT-6 Luna in Felo Search öffnen →
Dieser Beitrag ist auch in folgenden Sprachen verfügbar: English, 简体中文, 日本語, 한국어, 繁體中文, हिन्दी, Français, العربية, Русский, اردو, Bahasa Indonesia, Tiếng Việt, Türkçe, Italiano, ไทย, Español, বাংলা and Português.