- ▸ Prise en main : premières impressions de la série GPT-5.6
- ▸ Test en conditions réelles : analyse des tarifs et performances
- ▸ La grille des trois modèles
- ▸ J'ai simulé une charge type
OpenAI a dévoilé le 26 juin 2026 une preview limitée de trois modèles : Sol, Terra et Luna. J’ai épluché la grille tarifaire et les promesses techniques de l’annonce officielle, faute d’accès complet. Verdict : une gamme puissante, mais un positionnement encore flou et un accès verrouillé.
| Critère | Détail |
|---|---|
| Prix | Sol 5 $/30 $ · Terra 2,50 $/15 $ · Luna 1 $/6 $ (input/output par M tokens) |
| Disponibilité | Preview limité, partenaires sélectionnés |
| Catégorie | LLM généraliste |
| Note Léo | 7 / 10 |
Points clés – Sol se positionne comme le modèle phare, avec le stack de sécurité le plus robuste publié par OpenAI à ce jour. – Terra affiche une performance présentée comme compétitive face à GPT-5.5, pour deux fois moins cher que Sol. – Luna descend à 1 $ en entrée et 6 $ en sortie par million de tokens, le coût le plus bas de la série. – Contre : l’accès reste en preview limité et aucune suite de benchmarks détaillée n’est publiée à ce jour.
Prise en main : premières impressions de la série GPT-5.6
Je vais être transparent dès le départ : je n’ai pas pu mettre les mains sur le modèle. GPT-5.6 est en preview limité, réservé à un groupe restreint de partenaires. Mon test porte donc sur l’analyse de l’annonce officielle d’OpenAI du 26 juin 2026, sa grille tarifaire et la structure de la gamme. Quand un éditeur verrouille l’accès, je le dis plutôt que de paraphraser un communiqué en faisant semblant d’avoir tout essayé.
La gamme se découpe en trois tailles. Sol joue le haut de gamme : OpenAI le présente comme son modèle le plus solide à ce jour, accompagné de son stack de sécurité le plus robuste. Terra occupe le milieu, avec une performance annoncée comme comparable à GPT-5.5 pour un tarif deux fois inférieur à Sol. Luna ferme la marche sur le segment économique, avec, selon l’éditeur, des capacités solides au coût le plus bas de la série. [capture: page d’annonce OpenAI présentant la gamme Sol, Terra et Luna]
Ce découpage en trois niveaux n’a rien d’inédit. Il rappelle la logique des familles Opus/Sonnet/Haiku côté concurrence. La vraie question, c’est de savoir où placer le curseur prix-performance. C’est ce que j’ai cherché à mesurer.
Test en conditions réelles : analyse des tarifs et performances
Sans accès au modèle, j’ai concentré mon test là où les chiffres sont publics : la facturation. Et là, il y a de la matière.
La grille des trois modèles
OpenAI facture la série au million de tokens, avec un écart marqué entre les tailles. Sol coûte 5 $ en entrée et 30 $ en sortie. Terra descend à 2,50 $ en entrée et 15 $ en sortie, soit exactement la moitié de Sol — l’éditeur confirme un facteur « 2x moins cher ». Luna tombe à 1 $ en entrée et 6 $ en sortie (détail de la tarification dans l’annonce officielle). [capture: tableau tarifaire des trois modèles avec colonnes input/output]
Premier enseignement que j’ai relevé : le ratio sortie/entrée reste constant sur toute la gamme. Pour Sol, Terra comme Luna, le coût de sortie vaut six fois celui de l’entrée. C’est une cohérence appréciable. Elle signifie que le profil de vos appels — beaucoup de contexte en entrée, ou beaucoup de génération en sortie — pèse de la même façon quel que soit le modèle choisi. Vous changez d’échelle de prix, pas de logique.
J’ai simulé une charge type
Pour donner du concret, j’ai pris une charge fictive mais réaliste : 10 millions de tokens en entrée et 2 millions en sortie, l’équivalent d’un agent qui ingère beaucoup de contexte.
- Sol : 50 $ d’entrée + 60 $ de sortie = 110 $.
- Terra : 25 $ + 30 $ = 55 $.
- Luna : 10 $ + 12 $ = 22 $.
L’écart parle de lui-même. Pour la même charge, Luna revient cinq fois moins cher que Sol. Sur des volumes de production, ce facteur cinq change la donne d’un budget mensuel. [capture: graphique comparatif du coût simulé pour les trois modèles]
Le cache, variable à surveiller
OpenAI conserve sa mécanique de cache, et c’est un point que j’ai voulu vérifier. Les lectures en cache continuent de bénéficier de la remise de 90 % sur l’input. Concrètement, sur Sol, un token d’entrée déjà mis en cache revient à une fraction du tarif plein. À l’inverse, l’écriture en cache est facturée à un multiple du tarif input non caché, selon les sources disponibles à ce jour.
Cette asymétrie n’est pas anodine. Si votre application réutilise beaucoup le même contexte — instructions système longues, base documentaire stable — le cache fait fondre la facture d’entrée. Si vous écrivez sans cesse de nouveaux contextes, le surcoût d’écriture peut grignoter le gain. J’aurais aimé chiffrer précisément le multiplicateur d’écriture, mais l’information publique reste partielle. Je marque donc ce point comme « à confirmer ».
Au global, la structure tarifaire est lisible et logique. Elle laisse le choix au développeur : payer cher pour la robustesse de Sol, ou descendre sur Luna pour absorber du volume. Reste l’inconnue majeure : sans accès, impossible de mesurer la qualité réelle de sortie. OpenAI promet une suite d’évaluations élargie au moment de la disponibilité générale. Pour l’instant, on achète une promesse, pas un benchmark.
Forces & limites : ce que j’ai retenu de la série GPT-5.6
Après cette analyse, voici mon bilan structuré, sans langue de bois.
Pour : – Affiche une cohérence tarifaire sur les trois tailles : ratio sortie/entrée constant, lecture facile pour dimensionner un budget. – Couvre tout le spectre du besoin, de Sol (robustesse maximale annoncée) à Luna (coût plancher à 1 $/6 $). – Renforce la sécurité : OpenAI met en avant son stack de sécurité le plus robuste à ce jour sur Sol, argument sérieux pour les usages sensibles. – Conserve la remise de 90 % sur les lectures en cache, levier réel d’économie pour les contextes stables.
Contre : – Verrouille l’accès : la preview est limitée à des partenaires triés. Impossible pour le grand public d’essayer aujourd’hui. – Manque de preuves chiffrées : aucune suite de benchmarks détaillée publiée à ce jour. Les performances reposent sur la parole de l’éditeur. – Laisse le cache flou : le surcoût d’écriture en cache n’est pas documenté de façon limpide.
OpenAI assume ce verrouillage. L’éditeur explique prendre cette étape de court terme parce qu’il la juge comme la meilleure voie vers une disponibilité plus large dans les semaines à venir. Traduction : c’est temporaire. Mais à l’instant T, on évalue une intention.
Vs la concurrence : comment GPT-5.6 se compare
Le point de référence le plus utile reste GPT-5.5, la génération précédente d’OpenAI. C’est elle qui sert d’étalon dans l’annonce. Voici comment je positionne les trois nouveaux modèles.
| Critère | Sol | Terra | Luna |
|---|---|---|---|
| Prix entrée (M tokens) | 5 $ | 2,50 $ | 1 $ |
| Prix sortie (M tokens) | 30 $ | 15 $ | 6 $ |
| Positionnement annoncé | Modèle le plus solide | Compétitif vs GPT-5.5 | Capacité forte, coût plancher |
| Profil d’usage | Tâches critiques | Workloads polyvalents | Volume à bas coût |
L’argument central, OpenAI le formule clairement : Terra offre une performance compétitive avec GPT-5.5 tout en coûtant deux fois moins cher, et Luna apporte une capacité solide au coût le plus bas de la gamme. Si ces affirmations se vérifient à la sortie publique, Terra devient le candidat évident pour remplacer un déploiement GPT-5.5 existant à moitié prix. Mais tant que les benchmarks comparatifs des LLM généralistes ne sont pas publiés, je reste prudent. Une équivalence annoncée n’est pas une équivalence mesurée.
Verdict : mon avis sur la série GPT-5.6
Je mets 7 / 10 à cette preview, et pas davantage. La gamme est bien pensée : trois tailles, une tarification cohérente, un discours clair sur le rôle de chaque modèle. Sur le papier, Terra à moitié prix de Sol et Luna en bas de tableau forment une offre crédible pour couvrir des besoins très différents.
Ce qui retient ma note, c’est l’absence de preuves. OpenAI promet de partager une suite d’évaluations élargie au moment de la disponibilité générale. D’ici là, on juge une grille de prix et un communiqué, pas un produit éprouvé. Je remonterai cette note dès que j’aurai pu tester Sol et Luna sur des cas réels. En un mot : prometteur, mais à vérifier.
Pour qui ?
Pour qui est la série GPT-5.6 ? – L’équipe produit exigeante : Sol, pour les tâches critiques où la robustesse et le stack de sécurité priment sur le coût. – Le dev backend qui optimise sa facture : Terra, candidat naturel pour remplacer GPT-5.5 à moitié prix, sous réserve des benchmarks. – L’ops qui traite du volume : Luna, à 1 $/6 $ par million de tokens, pour absorber de grosses charges sans exploser le budget.
FAQ
Est-ce que je peux utiliser GPT-5.6 dès maintenant ?
Non. Au 26 juin 2026, la série GPT-5.6 est en preview limité, réservée à un groupe restreint de partenaires. OpenAI présente cette étape comme temporaire et la décrit comme la meilleure voie vers une disponibilité plus large dans les semaines à venir. Aucune date publique ferme n’est communiquée à ce jour.
Quel est l’avantage concret du modèle Luna ?
Luna offre le coût d’entrée le plus bas de la série : 1 $ en entrée et 6 $ en sortie par million de tokens, soit cinq fois moins cher que Sol. OpenAI le présente comme apportant une capacité solide à ce tarif plancher. C’est le choix logique pour les charges volumineuses où le coût unitaire prime, à condition que la qualité annoncée se confirme.
Quelle différence entre Terra et GPT-5.5 ?
Selon OpenAI, Terra affiche une performance compétitive face à GPT-5.5 tout en coûtant deux fois moins cher que Sol. Si l’équivalence de performance se vérifie à la sortie publique, Terra devient un remplaçant économique direct de GPT-5.5. Les enjeux de tarification au token rendent cet argument décisif pour les déploiements à grande échelle.
