GPT-5.6 Luna
GPT-5.6 Luna od OpenAI: $0.20 za 1M tokenów wejścia i $1.20 za 1M wyjścia, kontekst 1.1M. Jeden klucz API zgodny z OpenAI, porównanie z podobnymi modelami, start za darmo.
GPT-5.6 Luna jest dostarczany przez OpenAI i wywoływany przez odnogę na /v1/chat/completions, w tym samym formacie zgodnym z OpenAI co pozostałe modele na tym endpoincie. To model rozumujący — zużywa dodatkowe tokeny wyjściowe na rozumowanie, więc przy trudnych zadaniach licz się z wyższym kosztem wyjścia. Przyjmuje obrazy obok tekstu. Obsługuje wywoływanie narzędzi i funkcji. Można wymusić zwracanie ustrukturyzowanego JSON-a. Okno kontekstu 1.1M tokenów wyznacza, ile wejścia zmieścisz w jednym wywołaniu. Pamięć podręczna wejścia kosztuje $0.02 za 1M tokenów, więc powtarzane prefiksy są tańsze.
Specyfikacja i cena
| Dostawca | OpenAI |
|---|---|
| ID modelu | gpt-5.6-luna |
| Okno kontekstu | 1.1M tokenów |
| Maks. wyjście | 128K tokenów |
| Wywołanie przez | /v1/chat/completions |
| Możliwości | Rozumowanie, Czyta obrazy, Wywoływanie narzędzi, Schemat JSON, Streaming, Cache promptu, Batch |
| Za 1M tokenów | Koszt dostawcy | Twoja cena na planie Free+7% |
|---|---|---|
| Wejście | $0.2 | $0.215 |
| Wyjście | $1.20 | $1.29 |
| Pamięć podręczna wejścia | $0.02 | $0.022 |
Koszt dostawcy to cena katalogowa za milion tokenów zapisana w katalogu odnoga; Twoja cena stosuje marżę planu tym samym wzorem, który rozlicza każdy request — zobacz cennik. Cennik
Wywołaj przez odnogę
const res = await fetch("https://api.odnoga.com/v1/chat/completions", {
method: "POST",
headers: {
Authorization: `Bearer ${process.env.ODNOGA_API_KEY}`,
"Content-Type": "application/json",
},
body: JSON.stringify({
model: "gpt-5.6-luna",
messages: [{ role: "user", content: "Hello" }],
}),
});
Jeden endpoint, jeden klucz, jeden rachunek — /v1/chat/completions ma ten sam format niezależnie od dostawcy. Zmieniasz identyfikator modelu, a odnoga zajmuje się kluczami, routingiem, limitami i rozliczeniem kosztów.
Co potrafi GPT-5.6 Luna
Wszystko poniżej to funkcje, które obsługuje sam model. Jeśli poprosisz o coś, czego nie potrafi, odnoga powie Ci o tym, zanim wywołanie trafi do dostawcy — zamiast zwrócić gorszą odpowiedź.
Rozkłada problem na kroki, zanim odpowie — zużywa więcej tokenów, ale lepiej radzi sobie z trudnymi zadaniami.
Wyślij zrzut ekranu, zdjęcie albo skan w tej samej wiadomości co tekst.
Model wywołuje funkcje, które sam zdefiniujesz, i korzysta z tego, co zwrócą.
Odpowiada poprawnym JSON-em, zamiast tekstem, który trzeba dopiero parsować.
Odpowiada dokładnie w takiej strukturze, jaką podasz — odpowiedź pasuje do Twoich typów bez ścieżki awaryjnej.
Tokeny przychodzą na bieżąco, więc Twój interfejs zaczyna odpowiadać od razu.
Prompt wysyłany wielokrotnie liczy się po stawce cache — ułamku ceny wejścia.
Zadania, które mogą poczekać, przechodzą taniej.
Dokładniejsza kontrola
- Wyjście strukturalne · Dostawca gwarantuje zgodność ze schematem, a nie tylko do niej dąży.
- Równoległe narzędzia · Wywołuje kilka Twoich funkcji w jednej turze, zamiast jedna po drugiej.
Jak używać GPT-5.6 Luna
Zweryfikowano 2026-09-14
Najlepszy do
- Obciążenia masowe i wrażliwe na koszt — dokładnie tam OpenAI pozycjonuje ten poziom.
- Klasyfikacja, tagowanie, routing, wstępna moderacja i krótkie przeredagowania liczone w milionach wywołań.
- Tani pierwszy przebieg w dwuetapowym procesie, gdzie mocniejszy model obsługuje tylko to, co Luna oznaczy.
- Odczyt długiego kontekstu przy napiętym budżecie: okno to te same 1 050 000 tokenów co w reszcie rodziny.
Nie wybieraj go, gdy
- Otwarte rozumowanie, decyzje architektoniczne czy długie przebiegi agenta — użyj Terra lub Sol.
- Teksty widoczne dla klienta, gdzie liczy się ton i niuans.
- Wszystko, co według ewaluacji tu nie przechodzi; tanio jest tanio tylko wtedy, gdy odpowiedź jest użyteczna.
Praktyczne wskazówki dla odnogi
- 01Daj mu jedno wąskie zadanie na prompt i wymuś JSON — małe modele są najbardziej niezawodne przy zamkniętym zadaniu.
- 02Użyj go jako pierwszego etapu i eskaluj przy niskiej pewności; odnoga zapisuje koszt obu etapów per request, więc zobaczysz, czy podział faktycznie się opłaca.
- 03Zbierz podobne wywołania w jednym zarządzanym promptcie — zmiana to wtedy jedna nowa wersja, a nie rozsiane edycje.
- 04Pilnuj budżetu na tenanta: przy dużym wolumenie to właśnie tu rozbiegana pętla robi się kosztowna.
Ile kosztuje miesiąc
1 000 wywołań miesięcznie, po 10 000 tokenów wejścia i 2 000 tokenów wyjścia, w Twojej cenie na planie Free (koszt dostawcy +7%):
| Wejście (10M tokenów) | $2.15 |
|---|---|
| Wyjście (2M tokenów) | $2.58 |
| Twój koszt miesięcznie na planie Free | $4.73 |
Koszt katalogowy dostawcy $4.40 + marża odnogi $0.331 (+7%). Pamięć podręczna wejścia lub ponowne użycie odpowiedzi ją obniża; odnoga zapisuje obie wartości dla każdego requestu.
Jeśli GPT-5.6 Luna to nie to
Modele, które przyjmują ten sam rodzaj danych, są rozliczane tak samo i robią najbardziej zbliżone rzeczy. To nie ranking jakości — odnoga nie testuje modeli porównawczo.
| Model | Kontekst | Wejście / 1M | Wyjście / 1M | Możliwości |
|---|---|---|---|---|
| GPT-5.6 Luna | 1.1M | $0.2 | $1.20 | Rozumowanie, Czyta obrazy, Wywoływanie narzędzi, Schemat JSON, Streaming, Cache promptu, Batch |
| GPT-5.4 nano | 400K | $0.2 | $1.25 | Rozumowanie, Czyta obrazy, Wywoływanie narzędzi, Schemat JSON, Streaming, Cache promptu, Batch |
| gpt-6-luna | 1.1M | $0.1 | $0.5 | Rozumowanie, Czyta obrazy, Wywoływanie narzędzi, Schemat JSON, Streaming, Cache promptu, Batch |
| GPT-5 mini | 400K | $0.25 | $2 | Rozumowanie, Czyta obrazy, Wywoływanie narzędzi, Schemat JSON, Streaming, Cache promptu, Batch |
Pytania
- Do czego służy GPT-5.6 Luna?
- OpenAI pozycjonuje Luna do obciążeń masowych i wrażliwych na koszt — to poziom nano rodziny GPT-5.6, z tym samym oknem kontekstu i zakresem poziomów rozumowania co większe modele.
- Czy Luna jest wystarczająco dokładna?
- Przy zamkniętych zadaniach z jasnym schematem wyjścia zwykle tak. Udowodnij to na własnych zamrożonych przypadkach testowych w laboratorium ewaluacji zamiast zakładać; macierz pokazuje dokładnie, które przypadki nie przechodzą.
- Ile można zaoszczędzić?
- Porównaj wyliczony koszt miesięczny na tej stronie z tym samym wolumenem na Sol. odnoga zapisuje potem rzeczywisty koszt per request, więc modelowaną oszczędność da się zweryfikować.
Wszystkie modele · Cennik · Dokumentacja · Porównaj modele w laboratorium ewaluacji