GPT-6 Luna Agora Está no Felo Search: Um Milhão de Tokens por $0,10
GPT-6 Luna está disponível no Felo Search: 1,05M de contexto e leitura de classe de fronteira por $0,10 por milhão de tokens de entrada, o nível mais barato da família GPT-6.
A OpenAI lançou o GPT-6 Luna em 22 de setembro junto com o GPT-6 Sol. Luna ocupa o posto de modelo mais barato da família GPT-6 por ampla diferença: $0,10 por milhão de tokens de entrada e $0,50 por milhão de saída, cerca de um vigésimo do custo do Sol e um centésimo do Astra, o carro-chefe.
Ele está disponível no Felo Search agora. A questão interessante não é se Luna é o modelo mais inteligente que se pode colocar atrás de uma caixa de busca. A questão é o que se torna possível quando ler um documento custa quase nada.
O Que É o GPT-6 Luna
Luna ocupa a base da geração GPT-6, abaixo do GPT-6 Sol e muito abaixo do GPT-6 Astra. O nome merece atenção, pois segue lógica oposta à geração anterior.
Na geração GPT-5.6, Sol era o carro-chefe, com Terra e Luna abaixo dele. O GPT-6 inverte essa ordem: Astra lidera por $10/$50, Sol ocupa o nível intermediário por $2/$10, e Luna ancora a família por $0,10/$0,50. Os mesmos três nomes, mas em ordem inversa. Se alguém traz suposições da GPT-5.6, o preço revela rapidamente qual Luna está diante de você.
| Especificação | GPT-6 Luna |
|---|---|
| Model ID | gpt-6-luna |
| Maker | OpenAI |
| Released | September 22, 2026 |
| Context window | 1,050,000 tokens |
| Max input | 922,000 tokens |
| Max output | 128,000 tokens |
| Input | Text, image |
| Output | Text |
| Reasoning effort | none / low / medium (default) / high / xhigh / max |
| Price | $0.10 per million input, $0.50 per million output |
| Long context | $0.20 in / $0.75 out above 272,000 input tokens |
| Cached input | $0.01 per million tokens |
| Knowledge cutoff | May 18, 2026 |
Leia a linha de contexto ao lado da linha de preço. Luna traz a mesma janela de 1.050.000 tokens do carro-chefe (922.000 tokens de entrada, 128.000 de saída) por um centésimo do preço de entrada do Astra. A OpenAI não reduziu a janela para atingir esse preço. É a mesma janela em um modelo mais barato.
Três linhas mudam como o modelo atua no trabalho real.
Entrada em cache custa um centavo por milhão de tokens. Rodar o mesmo conjunto de fontes em vinte perguntas diferentes, nesse ritmo, sai de graça.
Seis configurações de esforço de raciocínio, padrão em médio. Luna é o único modelo dos quatro lançados nesta semana com um modo desligado: none pula o raciocínio para tarefas que não precisam disso. Essa decisão afeta tanto a latência quanto o custo. Para classificação, extração e roteamento, a resposta correta mais rápida geralmente não pensa antes.
Batch e Flex reduzem o preço pela metade novamente. Para tarefas que não exigem resposta ao vivo, cinquenta centavos por milhão de tokens de saída formam o piso.
O Que a Leitura Barata Muda
A maior parte dos orçamentos de pesquisa não vai para síntese. Vai para leitura: abrir quarenta fontes para encontrar as seis que importam, depois examinar essas seis de perto. Essa primeira rodada custa caro porque um modelo de fronteira faz um trabalho que um muito mais barato poderia fazer.
Por $0,10 por milhão de tokens de entrada, a lógica se inverte. Agora é possível fazer isso no Felo Search:
- Leia tudo antes de decidir o que importa. Junte todos os resultados em um único contexto e classifique-os por relevância para sua pergunta específica, com justificativas. Cem mil tokens de entrada custam um centavo.
- Rode a mesma pergunta em mais fontes do que o habitual. O motivo para ler dez fontes em vez de três é cobertura, e o motivo para ler só três é custo. Com esse preço, o limite muda.
- Extraia antes de raciocinar. Peça ao Luna para transformar quarenta documentos em uma tabela estruturada de números, datas e afirmações, com a fonte em cada linha. Depois, entregue essa tabela, não os documentos, para um modelo mais forte.
- Roteie por dificuldade. Envie a parte fácil do trabalho para o Luna e escale apenas as perguntas que exigem profundidade. A triagem concentra as economias.
Os resultados apoiam o uso do Luna nessa primeira rodada. O DeepSWE v1.1 publicado pela OpenAI marca 66,6% em engenharia de software de longo prazo, e o Agents' Last Exam marca 0,51. O HealthBench Professional chega a 60,8%. A pontuação do SEC-Bench Pro, 34,2%, lembra que tarefas do setor financeiro desafiam mais do que leitura geral para qualquer modelo desse nível.
O Que Luna Não É
A versão honesta: Luna troca profundidade de raciocínio por custo, e essa troca existe.
Nas tabelas publicadas, ele ocupa o nível mais baixo da família, e o próprio número da OpenAI para o ajuste padrão (esforço médio) fica bem abaixo do que Sol e Astra entregam em esforço maior. Os números de recall em domínio aberto melhoraram bastante em relação ao Luna anterior, mas ainda não atingem o patamar desejado para respostas finais em perguntas críticas.
Isso não impede seu uso. Indica o uso certo: Luna lê, o modelo mais forte decide. No Felo Search, os dois lados ficam no mesmo espaço de trabalho. Faça a rodada ampla com Luna, depois troque o modelo no seletor e faça a pergunta final com as evidências extraídas ainda no contexto.
Como Usar o GPT-6 Luna no Felo Search
1. Abra o seletor de modelos e escolha o GPT-6 Luna. Mesma caixa de busca, mesmas fontes.
2. Comece amplo. Faça uma pergunta que exige ler mais fontes do que você normalmente pagaria: "encontre todos os números publicados para isso, com fonte e data."
3. Peça estrutura, não texto corrido. Tabelas, listas e campos extraídos são o ponto forte de um modelo barato. Deixe a síntese escrita para a rodada cara.
4. Aumente o esforço quando a pergunta ficar difícil. Médio é o padrão por um motivo, mas high e xhigh servem quando a tarefa exige.
5. Troque de modelo para a resposta final. Mantenha as evidências, mude o modelo. O seletor é um controle, não um compromisso.
Os Outros Três Modelos Estão no Felo Search
Luna chegou com três irmãos, e todos os quatro estão no Felo Search.
| Modelo | Lançado por | Preço por milhão de tokens | Contexto | Feito para |
|---|---|---|---|---|
| Grok 4.7 | SpaceXAI | $2 in / $6 out | 500K | Raciocínio de longo prazo e trabalho de conhecimento |
| Claude Opus 5.5 | Anthropic | $4 in / $20 out | 1M | Respostas que passam por verificação |
| GPT-6 Luna | OpenAI | $0.10 in / $0.50 out | 1.05M | Busca de alto volume com menor custo por chamada |
| GPT-6 Sol | OpenAI | $2 in / $10 out | 1.05M | Loops de agente e chamadas repetidas a preço intermediário |
Luna é o mais barato dos quatro por uma ordem de magnitude, e o único que oferece modo sem raciocínio. Se a impressão é que modelos baratos servem só para perguntas descartáveis, a janela de um milhão de tokens muda essa ideia.
Experimente o GPT-6 Luna no Felo Search
GPT-6 Luna está disponível no Felo Search com janela de contexto de 1.050.000 tokens, seis níveis de esforço de raciocínio e preços de $0,10/$0,50. É o modelo que torna ler tudo a opção barata.
Abra o GPT-6 Luna no Felo Search →
Este post também está disponível em English, 简体中文, 日本語, 한국어, 繁體中文, हिन्दी, Français, العربية, Русский, اردو, Bahasa Indonesia, Deutsch, Tiếng Việt, Türkçe, Italiano, ไทย, Español and বাংলা.