GPT-6 Luna est désormais disponible dans Felo Search : Un million de jetons pour 0,10 $
GPT-6 Luna est disponible dans Felo Search : 1,05 M de contexte et lecture de pointe à 0,10 $ par million de jetons d'entrée, le niveau le moins cher de la famille GPT-6.
OpenAI a lancé GPT-6 Luna le 22 septembre en même temps que GPT-6 Sol. Luna occupe la place de modèle le moins cher de la famille GPT-6 : 0,10 $ par million de jetons d'entrée et 0,50 $ par million de jetons de sortie, soit environ un vingtième du prix de Sol et un centième de celui du modèle phare Astra.
Il est disponible dès maintenant dans Felo Search. La question intéressante ne porte pas sur l’intelligence de Luna derrière une barre de recherche. Elle concerne ce qui devient possible quand lire un document ne coûte presque rien.
Ce qu’est vraiment GPT-6 Luna
Luna se situe à la base de la génération GPT-6, en dessous de GPT-6 Sol et bien en dessous de GPT-6 Astra. Le choix du nom mérite réflexion, car il va à l’encontre de la génération précédente.
Dans la génération GPT-5.6, Sol était le modèle phare, avec Terra et Luna en dessous. GPT-6 inverse cet ordre : Astra mène à 10 $/50 $, Sol occupe le milieu à 2 $/10 $, et Luna ancre la famille à 0,10 $/0,50 $. Les trois mêmes noms, mais un classement opposé. Si vous gardez les repères de GPT-5.6, le prix permet d’identifier rapidement de quel Luna il s’agit.
| Spécification | GPT-6 Luna |
|---|---|
| ID du modèle | gpt-6-luna |
| Créateur | OpenAI |
| Date de sortie | 22 septembre 2026 |
| Fenêtre de contexte | 1 050 000 jetons |
| Entrée max | 922 000 jetons |
| Sortie max | 128 000 jetons |
| Entrée | Texte, image |
| Sortie | Texte |
| Niveau de raisonnement | aucun / faible / moyen (par défaut) / élevé / très élevé / max |
| Prix | 0,10 $ par million d'entrée, 0,50 $ par million de sortie |
| Long contexte | 0,20 $ entrée / 0,75 $ sortie au-delà de 272 000 jetons d'entrée |
| Entrée en cache | 0,01 $ par million de jetons |
| Limite de connaissances | 18 mai 2026 |
Regardez la ligne du contexte à côté de celle du prix. Luna propose la même fenêtre de 1 050 000 jetons que le modèle phare (922 000 jetons d'entrée, 128 000 de sortie) pour un centième du prix d’entrée d’Astra. OpenAI n’a pas réduit la fenêtre pour atteindre ce tarif. C’est la même fenêtre sur un modèle moins cher.
Trois autres lignes modifient le comportement du modèle sur des tâches concrètes.
L’entrée en cache coûte un centime par million de jetons. Traiter le même ensemble de sources avec vingt questions différentes devient, à ce tarif, gratuit.
Six niveaux d’effort de raisonnement, avec un réglage par défaut à moyen. Luna est le seul modèle parmi les quatre sortis cette semaine à proposer une désactivation du raisonnement : aucun saute complètement le raisonnement pour les tâches qui n’en ont pas besoin. Ce choix réduit la latence autant que le coût. Pour la classification, l’extraction et le routage, la réponse correcte la plus rapide ne passe pas par une réflexion préalable.
Batch et Flex divisent encore le prix par deux. Pour les tâches qui n’exigent pas de réponse immédiate, cinquante centimes par million de jetons de sortie représentent le minimum.
Ce que change la lecture à bas coût
La plupart des budgets de recherche ne servent pas à la synthèse. Ils servent à la lecture : ouvrir quarante sources pour trouver les six pertinentes, puis examiner ces six en détail. Ce premier passage coûte cher parce qu’un modèle de pointe effectue un travail qu’un modèle bien moins cher pourrait faire.
À 0,10 $ par million de jetons d’entrée, le calcul s’inverse. Voici ce que vous pouvez faire dans Felo Search :
- Lire tout avant de décider ce qui compte. Rassembler tous les résultats dans un seul contexte et les classer selon leur pertinence pour votre question, avec justification. Cent mille jetons d’entrée coûtent un centime.
- Poser la même question à plus de sources que d’habitude. Lire dix sources au lieu de trois augmente la couverture, et si l’on se limite à trois, c’est à cause du coût. À ce tarif, la contrainte disparaît.
- Extraire avant de raisonner. Demander à Luna de transformer quarante documents en un tableau structuré de chiffres, dates et affirmations, avec la source associée à chaque ligne. Puis transmettre ce tableau, et non les documents, à un modèle plus puissant.
- Routage par difficulté. Confier la moitié facile d’une tâche à Luna et n’escalader que les questions nécessitant de la profondeur. Le triage multiplie les économies.
Les scores confirment l’intérêt d’utiliser Luna pour ce premier passage. DeepSWE v1.1 publié par OpenAI affiche 66,6 % sur l’ingénierie logicielle à long terme, et Agents' Last Exam atteint 0,51. HealthBench Professional obtient 60,8 %. Le score SEC-Bench Pro, 34,2 %, rappelle que les tâches du domaine financier restent plus difficiles que la lecture générale pour tous les modèles de ce niveau.
Ce que Luna n’est pas
Honnêtement : Luna échange la profondeur de raisonnement contre le coût, et cet échange existe vraiment.
Dans les tableaux publiés, il occupe la base de la famille, et la propre estimation d’OpenAI pour le réglage par défaut (effort moyen) reste bien en dessous de ce que Sol et Astra atteignent à effort supérieur. Les chiffres de rappel en domaine ouvert ont progressé nettement par rapport au précédent Luna, mais ils ne suffisent pas pour une réponse finale sur une question à fort enjeu.
Ce n’est pas une raison pour l’éviter. C’est une raison de l’utiliser pour la bonne partie du travail : Luna lit, le modèle plus fort décide. Dans Felo Search, les deux étapes se déroulent dans le même espace de travail. Effectuez le passage large avec Luna, puis changez de modèle dans le sélecteur et posez la question finale avec les preuves extraites toujours en contexte.
Comment utiliser GPT-6 Luna dans Felo Search
1. Ouvrez le sélecteur de modèles et choisissez GPT-6 Luna. Même barre de recherche, mêmes sources.
2. Commencez large. Posez une question qui nécessite de lire plus de sources que ce que vous paieriez habituellement : « trouve chaque chiffre publié à ce sujet, avec sa source et sa date ».
3. Demandez de la structure, pas du texte rédigé. Tableaux, listes et champs extraits sont les points forts d’un modèle économique. Gardez la synthèse rédigée pour le passage coûteux.
4. Augmentez l’effort quand la question devient difficile. Moyen reste le réglage par défaut, mais élevé et très élevé existent pour les tâches qui l’exigent.
5. Changez de modèle pour la réponse finale. Gardez les preuves, changez le modèle. Le sélecteur sert de contrôle, pas d’engagement.
Les trois autres modèles disponibles dans Felo Search
Luna est arrivé avec trois frères et sœurs, et les quatre sont présents dans Felo Search.
| Modèle | Éditeur | Prix par million de jetons | Contexte | Conçu pour |
|---|---|---|---|---|
| Grok 4.7 | SpaceXAI | 2 $ entrée / 6 $ sortie | 500K | Raisonnement à long terme et travail de connaissance |
| Claude Opus 5.5 | Anthropic | 4 $ entrée / 20 $ sortie | 1M | Réponses vérifiables |
| GPT-6 Luna | OpenAI | 0,10 $ entrée / 0,50 $ sortie | 1,05M | Recherche à grand volume au coût le plus bas par appel |
| GPT-6 Sol | OpenAI | 2 $ entrée / 10 $ sortie | 1,05M | Boucles d’agent et appels répétés à prix intermédiaire |
Luna reste le moins cher des quatre, de loin, et le seul à proposer la désactivation du raisonnement. Si vous pensez que les modèles économiques servent aux questions sans importance, la fenêtre d’un million de jetons devrait vous faire changer d’avis.
Essayez GPT-6 Luna dans Felo Search
GPT-6 Luna est disponible dans Felo Search avec une fenêtre de contexte de 1 050 000 jetons, six niveaux d’effort de raisonnement et un tarif de 0,10 $/0,50 $. Ce modèle rend la lecture exhaustive accessible à moindre coût.
Ouvrir GPT-6 Luna dans Felo Search →
Cet article est également disponible en English, 简体中文, 日本語, 한국어, 繁體中文, हिन्दी, العربية, Русский, اردو, Bahasa Indonesia, Deutsch, Tiếng Việt, Türkçe, Italiano, ไทย, Español, বাংলা and Português.