GPT-6 Luna è ora in Felo Search: un milione di token per $0,10
GPT-6 Luna è attivo in Felo Search: 1,05M di contesto e lettura di frontiera a $0,10 per milione di token in input, il livello più economico della famiglia GPT-6.
OpenAI ha rilasciato GPT-6 Luna il 22 settembre insieme a GPT-6 Sol. Luna è il modello più economico della famiglia GPT-6 con un ampio margine: $0,10 per milione di token in input e $0,50 per milione in output, circa un ventesimo del costo di Sol e un centesimo rispetto al modello di punta Astra.
Ora è attivo in Felo Search. La domanda interessante non riguarda l’intelligenza di Luna dietro una casella di ricerca. Riguarda ciò che diventa possibile quando leggere un documento costa quasi nulla.
Cosa rappresenta davvero GPT-6 Luna
Luna si trova alla base della generazione GPT-6, sotto GPT-6 Sol e molto sotto GPT-6 Astra. Il nome merita attenzione, perché segue una logica opposta rispetto alla generazione precedente.
Nella generazione GPT-5.6, Sol era il modello di punta, con Terra e Luna sotto di esso. GPT-6 inverte quell’ordine: Astra guida a $10/$50, Sol occupa la fascia intermedia a $2/$10, e Luna chiude la famiglia a $0,10/$0,50. Stessi tre nomi, classifica opposta. Se porti con te le abitudini della GPT-5.6, il prezzo distingue subito quale Luna hai davanti.
| Specifica | GPT-6 Luna |
|---|---|
| Model ID | gpt-6-luna |
| Maker | OpenAI |
| Released | 22 settembre 2026 |
| Context window | 1.050.000 token |
| Max input | 922.000 token |
| Max output | 128.000 token |
| Input | Testo, immagine |
| Output | Testo |
| Reasoning effort | nessuno / basso / medio (predefinito) / alto / molto alto / massimo |
| Price | $0,10 per milione in input, $0,50 per milione in output |
| Long context | $0,20 in / $0,75 out sopra 272.000 token in input |
| Cached input | $0,01 per milione di token |
| Knowledge cutoff | 18 maggio 2026 |
Leggi la riga del contesto accanto a quella del prezzo. Luna offre la stessa finestra da 1.050.000 token del modello di punta (922.000 token in input, 128.000 in output) a un centesimo del prezzo di input di Astra. OpenAI non ha ridotto la finestra per raggiungere questo prezzo. La finestra resta uguale su un modello più economico.
Tre righe cambiano il comportamento del modello nel lavoro reale.
L’input in cache costa un centesimo per milione di token. Passare lo stesso set di fonti attraverso venti domande diverse, a questa tariffa, non incide.
Sei impostazioni di sforzo di ragionamento, con predefinito su medio. Luna è l’unico modello tra i quattro rilasciati questa settimana con un interruttore: nessuno salta il ragionamento per i compiti che non lo richiedono. Questa scelta riguarda la latenza e il costo. Per classificazione, estrazione e instradamento, la risposta corretta più veloce arriva senza ragionamento.
Batch e Flex dimezzano di nuovo il prezzo. Per i lavori che non richiedono una risposta in tempo reale, cinquanta centesimi per milione di token in output rappresentano il minimo.
Cosa cambia con la lettura a basso costo
La maggior parte dei budget di ricerca non va nella sintesi. Va nella lettura: aprire quaranta fonti per trovare le sei rilevanti, poi analizzare quelle sei. Il primo passaggio costa perché un modello di frontiera svolge un compito che un modello molto più economico potrebbe gestire.
A $0,10 per milione di token in input, il calcolo si ribalta. Ora in Felo Search puoi fare questo:
- Leggi tutto prima di decidere cosa conta. Porta l’intero set di risultati in un unico contesto e classificali per rilevanza rispetto alla domanda specifica, con motivazioni. Centomila token in input costano un centesimo.
- Poni la stessa domanda su più fonti del solito. Leggere dieci fonti invece di tre aumenta la copertura, e il motivo per cui si leggono solo tre è il costo. A questo prezzo il vincolo cambia.
- Estrai prima di ragionare. Fai trasformare a Luna quaranta documenti in una tabella strutturata di numeri, date e affermazioni, con la fonte associata a ogni riga. Poi passa quella tabella, non i documenti, a un modello più potente.
- Instrada in base alla difficoltà. Manda la metà semplice di un carico di lavoro a Luna ed eleva solo le domande che richiedono profondità. Il risparmio si accumula nella fase di triage.
I punteggi suggeriscono l’uso di Luna per il primo passaggio. DeepSWE v1.1 pubblicato da OpenAI lo colloca al 66,6% nell’ingegneria del software a lungo termine, e Agents' Last Exam a 0,51. HealthBench Professional arriva al 60,8%. Il punteggio SEC-Bench Pro, 34,2%, ricorda che il lavoro in ambito finanziario risulta più difficile della lettura generale per ogni modello di questa fascia.
Cosa non è Luna
La versione onesta: Luna scambia profondità di ragionamento con il costo, e lo scambio è concreto.
Nelle tabelle pubblicate rappresenta il livello più basso della famiglia, e il dato fornito da OpenAI per l’impostazione predefinita (sforzo medio) resta molto sotto rispetto a Sol e Astra con sforzo maggiore. I numeri di richiamo open-domain migliorano molto rispetto al precedente Luna, ma non raggiungono ancora i valori desiderati per una risposta finale su una domanda critica.
Questo non rappresenta un motivo per evitarlo. Indica solo il giusto utilizzo: Luna legge, il modello più forte decide. In Felo Search le due fasi convivono nello stesso spazio di lavoro. Fai il passaggio ampio con Luna, poi cambia modello nel selettore e poni la domanda finale con le prove estratte ancora in contesto.
Come usare GPT-6 Luna in Felo Search
1. Apri il selettore dei modelli e scegli GPT-6 Luna. Stessa casella di ricerca, stesse fonti.
2. Parti in ampiezza. Poni una domanda che richiede la lettura di più fonti di quante normalmente pagheresti: "trova ogni dato pubblicato su questo, con fonte e data."
3. Chiedi struttura, non prosa. Tabelle, elenchi e campi estratti sono il punto di forza di un modello economico. Riserva la sintesi scritta al passaggio costoso.
4. Alza lo sforzo quando la domanda si complica. Medio è il predefinito per un motivo, ma alto e molto alto servono quando il compito lo richiede.
5. Cambia modello per la risposta finale. Conserva le prove, cambia il modello. Il selettore è un controllo, non un vincolo.
Gli altri tre modelli attivi in Felo Search
Luna è arrivato con tre fratelli, e tutti e quattro sono disponibili in Felo Search.
| Modello | Rilasciato da | Prezzo per milione di token | Contesto | Progettato per |
|---|---|---|---|---|
| Grok 4.7 | SpaceXAI | $2 in / $6 out | 500K | Ragionamento a lungo termine e lavoro di conoscenza |
| Claude Opus 5.5 | Anthropic | $4 in / $20 out | 1M | Risposte che superano la verifica |
| GPT-6 Luna | OpenAI | $0,10 in / $0,50 out | 1,05M | Ricerca ad alto volume al costo più basso per chiamata |
| GPT-6 Sol | OpenAI | $2 in / $10 out | 1,05M | Cicli agent e chiamate ripetute a prezzo intermedio |
Luna risulta il più economico dei quattro di un ordine di grandezza, e l’unico con l’opzione di spegnere il ragionamento. Se pensi che i modelli economici servano solo per domande banali, la finestra da un milione di token dovrebbe farti cambiare idea.
Prova GPT-6 Luna in Felo Search
GPT-6 Luna è attivo in Felo Search con una finestra di contesto da 1.050.000 token, sei impostazioni di sforzo di ragionamento e prezzi a $0,10/$0,50. È il modello che rende la lettura completa l’opzione più economica.
Apri GPT-6 Luna in Felo Search →
Questo articolo è disponibile anche in English, 简体中文, 日本語, 한국어, 繁體中文, हिन्दी, Français, العربية, Русский, اردو, Bahasa Indonesia, Deutsch, Tiếng Việt, Türkçe, ไทย, Español, বাংলা and Português.