GPT-5.6 Luna
GPT-5.6 Luna od OpenAI: $0.2 wejście i $1.20 wyjście za 1M tokenów, kontekst 400K. Wywołuj przez bramkę LLM odnogi.
GPT-5.6 Luna jest dostarczany przez OpenAI i wywoływany przez odnogę tym samym formatem zgodnym z OpenAI, co każdy inny model w katalogu. 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 400K 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 | 400K tokenów |
| Maks. wyjście | 128K tokenów |
| Możliwości | Reasoning, Vision, Tools, JSON mode, Streaming |
| 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" }],
}),
});
Ten sam format wywołania dla każdego dostawcy — zmieniasz identyfikator modelu, a odnoga zajmuje się kluczami, routingiem, limitami i rozliczeniem kosztów.
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.
GPT-5.6 Luna w porównaniu
| Model | Kontekst | Wejście / 1M | Wyjście / 1M | Możliwości |
|---|---|---|---|---|
| GPT-5.6 Luna | 400K | $0.2 | $1.20 | Reasoning, Vision, Tools, JSON mode, Streaming |
| ChatGPT (chat-latest) | 400K | $5 | $30 | Vision, Tools, JSON mode, Streaming |
| GPT Image 1 mini | — | $2 | $8 | Vision |
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