- ▸ Ce que facture chaque modèle de la série GPT-5.6 par million de tokens
- ▸ À quoi sert chaque modèle : phare, équilibré, abordable
- ▸ Ce qu'annoncent les évaluations : codage, biologie, cybersécurité
- ▸ Cache et débit d'entrée : les leviers de coût moins visibles
Trois modèles de la série GPT-5.6 sont présentés avec des profils distincts : Sol en modèle phare, Terra en option équilibrée, Luna en offre la moins chère. Sur le prix par million de tokens, l’écart va du simple au quintuple entre le haut et le bas de la gamme. Ce comparatif s’appuie sur l’annonce officielle d’OpenAI publiée le 26 juin 2026 — il ne remplace pas votre propre test avant de choisir.
Ce qu’il faut retenir – GPT-5.6 Sol est le modèle phare de la série, lancé avec la pile de sécurité la plus robuste à ce jour selon OpenAI. – Terra vise un usage quotidien : performance présentée comme comparable à GPT-5.5, pour un tarif deux fois moindre. – Luna descend à 1 $ le million de tokens en entrée, soit cinq fois moins que Sol, tout en conservant des capacités jugées solides par l’éditeur. – Le rapport sortie/entrée est constant sur les trois modèles : la sortie coûte six fois le prix de l’entrée, un point à intégrer dans tout calcul de budget.
Ce que facture chaque modèle de la série GPT-5.6 par million de tokens
Le coût d’un modèle de langage se lit d’abord dans son tarif par token, en entrée comme en sortie. Selon l’annonce officielle d’OpenAI, la série GPT-5.6 se décline en trois tailles aux grilles distinctes.
Sol, le modèle haut de gamme, est facturé 5 $ par million de tokens en entrée et 30 $ en sortie. Terra, positionné au milieu, revient à 2,50 $ en entrée et 15 $ en sortie. Luna, l’offre d’entrée de gamme, descend à 1 $ en entrée et 6 $ en sortie.
L’échelle est nette. Sur le prix d’entrée, Luna coûte cinq fois moins que Sol et deux fois moins que Terra. Sur la sortie, le même rapport de un à cinq sépare Luna de Sol. Terra se place exactement à mi-chemin de Sol : moitié prix en entrée comme en sortie.
Un détail structurant apparaît quand on aligne les trois grilles. Sur chacun des modèles, la sortie coûte six fois l’entrée : 30 pour 5, 15 pour 2,50, 6 pour 1. Ce ratio constant a une conséquence pratique. Pour les charges de travail qui génèrent beaucoup de texte — rédaction longue, génération de code volumineux, synthèses étendues —, c’est le tarif de sortie qui pèse le plus dans la facture, quel que soit le modèle retenu.
Le choix du modèle ne modifie donc pas la structure du coût, seulement son niveau. Un usage dominé par la lecture de longs documents et une réponse courte penchera vers l’entrée ; un usage de production de contenu penchera vers la sortie. Cette lecture aide à estimer le budget avant même de comparer les capacités.
À quoi sert chaque modèle : phare, équilibré, abordable
OpenAI attribue à chaque taille un rôle explicite dans son annonce. Sol est décrit comme le modèle phare de la série, celui qui vise les tâches les plus exigeantes. Terra est présenté comme un modèle équilibré, pensé pour le travail quotidien. Luna est positionné comme l’option la plus abordable, tout en apportant des capacités jugées solides par l’éditeur.
Cette segmentation recoupe une logique répandue chez les fournisseurs de modèles : un modèle haut de gamme pour les cas critiques, un modèle médian pour le volume, un modèle léger pour les tâches simples et massives. La différence tient au niveau de capacité conservé en bas de gamme.
Sur ce point, OpenAI met en avant deux comparaisons. Terra afficherait une performance compétitive face à GPT-5.5 tout en étant deux fois moins cher. Luna, de son côté, apporterait une capacité forte au coût le plus bas de la gamme. Ces formulations viennent de l’éditeur et n’ont pas, à ce jour, de contre-mesure indépendante publiée.
La grille de rôles donne un premier repère de sélection. Un cas d’usage sensible, où l’erreur coûte cher, oriente vers Sol. Un flux régulier de tâches standard oriente vers Terra. Un volume important de requêtes simples, où le coût unitaire fait la différence à l’échelle, oriente vers Luna. La suite du comparatif précise ces arbitrages avec les capacités annoncées.
Ce qu’annoncent les évaluations : codage, biologie, cybersécurité
Au-delà du prix, OpenAI met en avant des progrès de capacités sur Sol. L’annonce indique que le modèle est lancé avec la pile de sécurité la plus robuste à ce jour chez l’éditeur — une mention qui vise autant la maîtrise des usages sensibles que la performance brute.
L’éditeur publie un jeu d’évaluations destiné à illustrer des capacités agentiques améliorées dans trois domaines : le codage, la biologie et la cybersécurité. Ces trois axes correspondent à des usages où un modèle enchaîne plusieurs étapes de raisonnement et d’action, plutôt que de répondre en une passe.
Deux réserves méthodologiques s’imposent ici, et elles valent pour toute annonce d’éditeur. D’abord, ces évaluations sont produites et sélectionnées par OpenAI ; elles ne constituent pas un benchmark tiers indépendant. Ensuite, l’annonce cite des domaines et une direction de progrès, sans fournir dans les faits collectés de scores chiffrés comparables entre Sol, Terra et Luna. Un lecteur qui cherche un classement quantifié modèle par modèle ne le trouvera pas dans la communication initiale.
Le choix des trois domaines n’est pas neutre. Le codage est le terrain où les capacités agentiques se mesurent le plus concrètement : un modèle capable de lire une base de code, de proposer une modification et de la vérifier a une valeur directe pour les équipes techniques. La biologie et la cybersécurité, elles, relèvent des usages à double tranchant, ce qui explique l’insistance parallèle sur la pile de sécurité. Mettre en avant des progrès agentiques dans ces domaines et, dans le même mouvement, la robustesse du dispositif de sûreté, répond à une même logique : montrer que la capacité accrue s’accompagne d’un cadre de contrôle.
Pour un décideur, la lecture prudente consiste à traiter ces évaluations comme des indications de trajectoire, pas comme des mesures définitives. Les benchmarks publics indépendants, quand ils paraîtront, permettront de confronter ces annonces aux résultats obtenus hors du laboratoire de l’éditeur. En attendant, l’information disponible reste celle d’OpenAI, et le comparatif la présente comme telle.
Cache et débit d’entrée : les leviers de coût moins visibles
Le prix affiché par token ne raconte pas toute l’histoire du coût réel. La gestion du cache pèse lourd sur les charges de travail qui réutilisent souvent le même contexte — un long prompt système, une base documentaire stable, un historique de conversation.
Selon l’annonce, les lectures en cache continuent de bénéficier de la remise de 90 % sur le tarif d’entrée. Concrètement, un token déjà mis en cache et relu coûte un dixième de son prix d’entrée normal. Sur Sol, cela ramène l’entrée relue de 5 $ à 0,50 $ le million ; sur Luna, de 1 $ à 0,10 $.
L’annonce précise aussi que l’écriture en cache est facturée à 25 fois le tarif d’entrée non mis en cache du modèle. Ce point mérite attention : constituer le cache a un coût, et il n’est rentabilisé que si le même contexte est relu un nombre suffisant de fois pour que la remise de 90 % sur les lectures compense l’écriture initiale. Pour un contexte réutilisé des dizaines de fois, l’équation penche vers l’économie ; pour un contexte utilisé une seule fois, le cache ne présente pas d’intérêt. Ce paramètre est à intégrer dès la conception d’une application, pas après coup.
Les distinctions qui pèsent vraiment dans le choix
Trois modèles, une même structure de prix, des rôles différents : l’arbitrage se joue sur un axe simple, le coût contre la capacité et la robustesse.
Terra occupe la position la plus argumentée par l’éditeur. Une performance présentée comme compétitive face à GPT-5.5, pour un tarif deux fois inférieur à Sol, en fait l’option par défaut sur le papier pour un usage de production régulier. C’est le modèle où l’écart prix-capacité semble le plus favorable, sous réserve de vérification indépendante.
Luna joue une autre carte : le coût le plus bas de la gamme, avec des capacités qualifiées de fortes. À 1 $ le million en entrée, il s’adresse aux volumes élevés où chaque centième de dollar compte à l’échelle. Sa valeur se mesure au nombre de requêtes, pas à la difficulté de chacune.
Sol, enfin, ne se justifie pas par son prix mais par son positionnement de modèle le plus capable de la série, doublé de la pile de sécurité la plus aboutie. Il vise les cas où la qualité de la réponse et la maîtrise des usages sensibles priment sur le coût unitaire. Payer six fois le prix de sortie de Luna n’a de sens que si la tâche l’exige réellement.
Pour quel profil choisir Sol, Terra ou Luna ?
Le bon modèle dépend du cas d’usage et de la sensibilité au coût. Trois profils types se dégagent des grilles et des rôles annoncés.
Le profil découverte ou volume simple — quelqu’un qui automatise des tâches nombreuses mais peu exigeantes : classification, extraction, réponses courtes. À 1 $ en entrée et 6 $ en sortie le million, Luna est le choix cohérent. L’éditeur le présente comme apportant une capacité forte au coût le plus bas ; pour un flux de requêtes simples, l’économie d’échelle prime sur la marge de performance.
Le profil pro au quotidien — une équipe qui intègre le modèle dans un produit ou un flux de travail régulier, avec des tâches de difficulté moyenne. Terra vise précisément ce terrain. Deux fois moins cher que Sol, avec une performance annoncée comme comparable à GPT-5.5, il offre le compromis le plus défendable pour un usage soutenu, tant que les tâches ne relèvent pas du plus haut niveau d’exigence.
Le profil développeur-intégrateur sur cas critiques — celui qui construit des agents de codage, manipule des domaines sensibles, ou ne peut pas tolérer une baisse de qualité. Sol s’impose ici, non pour son prix mais parce qu’OpenAI le décrit comme son modèle le plus fort à ce jour, doté de la pile de sécurité la plus robuste. Le surcoût, jusqu’à cinq fois Luna en sortie, se justifie quand l’erreur coûte davantage que le token.
Ces recommandations reposent sur les tarifs publiés et les rôles annoncés par l’éditeur. Elles sont à confirmer par un test sur vos propres cas : une performance compétitive « en moyenne » peut se dégrader sur une tâche précise. Pour approfondir, notre dossier sur le coût réel des API de modèles de langage détaille la méthode de calcul, et notre comparatif sur les modèles milieu de gamme et leur rapport qualité-prix replace Terra dans le paysage.
Questions fréquentes sur GPT-5.6 Sol, Terra et Luna
GPT-5.6 Sol est-il disponible pour tout le monde ?
L’annonce du 26 juin 2026 est présentée comme une prévisualisation (« previewing »). Les faits disponibles à ce jour ne précisent pas de calendrier de disponibilité générale ni de conditions d’accès élargi. Le statut exact d’ouverture reste donc non communiqué au-delà de cette phase de présentation initiale.
Quel modèle GPT-5.6 est le moins cher ?
Luna est le moins cher de la série, à 1 $ le million de tokens en entrée et 6 $ en sortie, selon la grille publiée par OpenAI. C’est cinq fois moins que Sol en entrée comme en sortie, et deux fois moins que Terra. Il est présenté comme conservant des capacités fortes malgré ce tarif.
La remise sur le cache s’applique-t-elle aux trois modèles ?
L’annonce indique que les lectures en cache conservent une remise de 90 % sur le tarif d’entrée, sans distinction de modèle mentionnée dans les faits disponibles. L’écriture en cache est en revanche facturée à 25 fois le tarif d’entrée non mis en cache, ce qui rend le cache rentable seulement pour un contexte réutilisé de nombreuses fois.
