Die GPT-5.6-Familie von OpenAI umfasst drei stabile Leistungsstufen: Sol für die anspruchsvollsten Aufgaben, Terra für ausgewogene Produktions-Workloads und Luna für schnelle, kostensensible Anfragen. Die Benchmark-Ergebnisse zeigen nicht einfach nur, dass Sol gewinnt. Terra und Luna behalten häufig einen großen Teil der Leistungsfähigkeit bei und nutzen dabei günstigere Tokens. Dadurch wird intelligentes Modell-Routing wichtiger, als für jede Anfrage immer dasselbe Modell einzusetzen.
OpenAI hat die vollständige GPT-5.6-Familie am 9. Juli 2026 veröffentlicht. Dieser Leitfaden erklärt die veröffentlichten Benchmark-Ergebnisse, was sie messen und wie Qualität, Preis, Latenz und Wiederholungsraten bei der Modellauswahl kombiniert werden können.
Daten und Preise geprüft am 19. Juli 2026. Die Benchmark-Ergebnisse stammen aus den Launch-Materialien von OpenAI und verwenden die dort beschriebenen Einstellungen. Sie sind keine direkten Garantien für andere Anwendungen oder Agent-Harnesses.
GPT-5.6 Benchmark-Zusammenfassung
Die folgende Tabelle konzentriert sich auf repräsentative professionelle und Coding-Evaluierungen.
| Evaluierung | Sol | Terra | Luna | GPT-5.5 | Was gemessen wird |
|---|---|---|---|---|---|
| Agents' Last Exam | 52.7% | 50.4% | 50.3% | 46.9% | Lang laufende professionelle Workflows |
| Artificial Analysis Intelligence Index | 58.9 | 55.0 | 51.2 | 54.8 | Breite Intelligenz über Agentenarbeit, Coding und Reasoning hinweg |
| Coding Agent Index | 80.0 | 77.4 | 74.6 | 76.4 | Implementierung, Terminal-Nutzung und reale Codebasen |
| SWE-Bench Pro | 64.6% | 63.4% | 62.7% | 59.4% | Lösung von Software-Engineering-Problemen |
| DeepSWE 1.1 | 72.7% | 69.6% | 67.2% | 67.0% | Langfristiges Engineering in realen Codebasen |
| Terminal-Bench 2.1 | 88.8% | 87.4% | 84.7% | 85.6% | Komplexe Kommandozeilen-Workflows |
Sol führt bei diesen ausgewählten Evaluierungen. Terra bleibt bei mehreren Coding-Aufgaben nah an Sol. Luna ist GPT-5.5 nicht in allen Bereichen überlegen, bleibt aber konkurrenzfähig und belegt gleichzeitig die schnellste und günstigste GPT-5.6-Stufe.
Die Tabelle zeigt außerdem, warum ein einzelner Durchschnittswert nicht ausreicht. Ein Support-Klassifizierer, ein Code-Review-Agent, ein Finanzanalyse-Workflow und ein Browser-Agent benötigen nicht dieselben Fähigkeiten.
Was GPT-5.6-Benchmarks tatsächlich messen
Coding-Agent-Benchmarks
Coding-Benchmarks unterscheiden sich erheblich. Einige testen, ob ein Modell einen Patch erstellen kann. Andere umfassen die Erkundung von Repositories, Terminal-Befehle, Testausführung und iterative Korrekturen.
OpenAI berichtet, dass GPT-5.6 Sol im Artificial Analysis Coding Agent Index einen Wert von 80 erreicht und dabei in seinem Vergleich weniger Tokens und weniger Zeit als mehrere führende Alternativen benötigt. Terra erreichte 77.4 und Luna 74.6. Für einen produktiven Coding-Agenten sind folgende Anschlussfragen entscheidend:
- Findet er die richtigen Dateien?
- Bewahrt er die Projektkonventionen?
- Führt er Tests aus und interpretiert deren Ergebnisse?
- Erholt er sich nach einem fehlgeschlagenen Ansatz?
- Wie viele Modellschritte sind bis zu einem verifizierten Ergebnis erforderlich?
Ein Modell mit einem etwas höheren Patch-Score kann dennoch weniger wirtschaftlich sein, wenn es lange Reasoning-Traces erzeugt, Tool-Aufrufe wiederholt oder eine teure menschliche Prüfung benötigt.
Benchmarks für langfristige Agentenaufgaben
Agents' Last Exam bewertet längere professionelle Workflows über viele Domänen hinweg. Sol erzielte 52.7%, während Terra und Luna 50.4% beziehungsweise 50.3% erreichten. Der geringe Abstand ist bemerkenswert: Er deutet darauf hin, dass viele professionelle Aufgaben möglicherweise keine Flaggschiff-Stufe benötigen.
Langfristige Evaluierungen reagieren besonders empfindlich auf das umgebende System. Tool-Design, Speicher, Retry-Richtlinien, Berechtigungen und Verifizierungsschritte können Ergebnisse genauso stark beeinflussen wie das Basismodell.
Browsing und Computer-Nutzung
OpenAI berichtet für GPT-5.6 Sol 92.2% bei BrowseComp und 62.6% bei OSWorld 2.0. Diese Ergebnisse unterstützen Research-Agenten, Browser-Workflows und Anwendungen, die ihre eigenen Ausgaben prüfen müssen.
Computer-Use-Benchmarks sollten nicht als Versprechen für unbeaufsichtigte Zuverlässigkeit interpretiert werden. Produktionssysteme benötigen weiterhin klar begrenzte Berechtigungen, Bestätigungen für wichtige Aktionen, Timeouts und Wiederherstellungsverhalten.
Wissensarbeit und Artefakte
GPT-5.6 ist ebenfalls für Dokumente, Tabellen, Präsentationen, Research-Briefings und Frontend-Arbeit ausgelegt. Diese Ergebnisse lassen sich nur schwer mit einem einzigen Benchmark erfassen, da Korrektheit, Quellentreue, visuelle Qualität und Bearbeitbarkeit gleichermaßen wichtig sind.
Für diese Workloads sollte ein internes Bewertungsmodell erstellt werden. Bewerten Sie faktische Genauigkeit, Struktur, Einhaltung einer Referenzvorlage, Anzahl manueller Korrekturen und Zeit bis zu einem akzeptablen Ergebnis.
GPT-5.6 Sol vs. Terra vs. Luna
Wählen Sie GPT-5.6 Sol für besonders wertvolle und schwierige Aufgaben
Sol ist die Flaggschiff-Stufe. Sie ist der beste Ausgangspunkt für:
- Coding auf Repository-Ebene und schwieriges Debugging;
- lang laufende Agents mit mehreren Tools;
- Cybersicherheits- und wissenschaftliche Analysen innerhalb autorisierter Nutzung;
- komplexe Forschung und professionelle Artefakte;
- Aufgaben, bei denen ein fehlerhaftes Ergebnis deutlich teurer ist als die Token-Kosten.
Sol ist nicht automatisch die beste Standardwahl für Traffic mit hohem Volumen. Die offiziellen Token-Preise sind doppelt so hoch wie bei Terra und fünfmal so hoch wie bei Luna.
Wählen Sie GPT-5.6 Terra als ausgewogenen Standard
Terra ist für alltägliche Produktionsarbeit konzipiert. Geeignet ist es für:
- Coding-Copiloten und Code-Reviews;
- Dokumentenanalyse und Research-Unterstützung;
- interne Assistenten;
- Tool-basierte Workflows, die mehr Zuverlässigkeit als ein leichtgewichtiges Modell benötigen;
- Produkte, die GPT-5.6-Fähigkeiten ohne Sol-Preise nutzen möchten.
Terras Benchmark-Werte bleiben bei mehreren Coding-Evaluierungen nah an Sol, wodurch es ein sinnvoller erster Kandidat für Produktionstests ist.
Wählen Sie GPT-5.6 Luna für Durchsatz und vorhersehbare Aufgaben
Luna ist die schnellste und kostengünstigste Stufe. Geeignet ist es für:
- Extraktion und Klassifizierung;
- strukturierte Inhaltsverarbeitung;
- leichte Support-Aufgaben;
- Automatisierung mit hohem Volumen;
- eine erste Routing-Stufe, die schwierige Anfragen weiterleitet.
Luna kann ebenfalls einige Coding- und professionelle Aufgaben bewältigen, aber Benchmark-Durchschnittswerte sollten diese Grenze nicht allein bestimmen. Testen Sie, ab welchem Fehler- oder Retry-Level die Token-Einsparungen aufgehoben werden.
GPT-5.6 API-Preise
OpenAI berechnet GPT-5.6 pro 1 Million Tokens. Poyo.ai stellt derzeit alle drei Stufen über die Responses API zu den folgenden Preisen bereit.
| Modell | OpenAI Input | OpenAI Output | Poyo.ai Input | Poyo.ai Output |
|---|---|---|---|---|
| GPT-5.6 Luna | $0.20 | $1.20 | $0.056 | $0.336 |
| GPT-5.6 Terra | $2.00 | $12.00 | $0.56 | $3.36 |
| GPT-5.6 Sol | $5.00 | $30.00 | $1.40 | $8.40 |
OpenAI dokumentiert außerdem explizite Cache-Breakpoints, eine minimale Cache-Lebensdauer von 30 Minuten, Cache-Schreibvorgänge zum 1,25-fachen des nicht gecachten Input-Preises sowie Cache-Lesevorgänge mit einem Rabatt von 90% gegenüber nicht gecachtem Input.
Prüfen Sie die GPT-5.6 API-Modellseite für aktuelle Poyo-Preise, unterstützte Modell-IDs und API-Zugriff.
Vergleich der Kosten bei realen Workloads
Betrachten wir einen monatlichen Workload mit 10 Millionen nicht gecachten Input-Tokens und 2 Millionen Output-Tokens.
| Modell und Route | Input-Kosten | Output-Kosten | Gesamt |
|---|---|---|---|
| Luna bei OpenAI | $10.00 | $12.00 | $22.00 |
| Luna bei Poyo.ai | $2.80 | $3.36 | $6.16 |
| Terra bei OpenAI | $25.00 | $30.00 | $55.00 |
| Terra bei Poyo.ai | $7.00 | $8.40 | $15.40 |
| Sol bei OpenAI | $50.00 | $60.00 | $110.00 |
| Sol bei Poyo.ai | $14.00 | $16.80 | $30.80 |
Diese Berechnung ist nützlich, aber unvollständig. Sie geht davon aus, dass jedes Modell dieselbe Anzahl an Aufgaben mit derselben Anzahl an Versuchen erledigt.
Benchmark-Score versus Kosten pro erfolgreicher Aufgabe
Die aussagekräftigere Produktionskennzahl lautet:
effective task cost =
average API cost per attempt
× average attempts per successful task
+ human correction cost
Angenommen, Luna kostet pro Token ein Fünftel von Sol, aber ein schwieriger Workflow gelingt nur bei einem von drei Versuchen. Terra könnte dieselbe Aufgabe einmalig erledigen – mit weniger Tool-Aufrufen und weniger menschlicher Prüfung. Terra wäre dann die günstigere Produktionswahl, obwohl der Token-Preis höher ist.
Messen Sie mindestens:
- Erfolgsrate;
- Versuche pro Erfolg;
- Input- und Output-Tokens;
- verstrichene Zeit;
- Tool-Aufrufe;
- Minuten für menschliche Korrekturen;
- Rate schwerwiegender Fehler.
Der letzte Wert ist besonders wichtig für Workflows, bei denen eine falsche Antwort teurer ist als eine fehlgeschlagene Anfrage.
Eine praktische GPT-5.6-Routing-Strategie
Eine Drei-Stufen-Familie ist besonders wertvoll, wenn die Anwendung Aufgaben gezielt verteilt.
Ist die Aufgabe repetitiv und einfach zu überprüfen?
├── Ja: mit Luna starten
└── Nein
├── Ist es normales Produktions-Coding, Analyse oder Tool-Nutzung?
│ └── Mit Terra starten
└── Ist ein Fehler teuer oder die Aufgabe ungewöhnlich schwierig?
└── Sol verwenden
Ein Produktions-Router kann Aufgabentyp, Anfragewert, vorherige Fehler, Confidence-Signale oder Evaluator-Ausgaben verwenden. Ein häufiges Muster ist:
- Strukturierte und risikoarme Anfragen an Luna senden.
- Terra als Standard für allgemeines Produktions-Reasoning verwenden.
- Fehlgeschlagene oder wertvolle Fälle an Sol weiterleiten.
- Die endgültigen Kosten pro erfolgreicher Aufgabe je Route vergleichen.
Routen Sie nicht ausschließlich nach Prompt-Länge. Ein kurzes Sicherheitsproblem kann schwieriger sein als eine lange Extraktionsanfrage.
So evaluieren Sie GPT-5.6 in Ihrer Anwendung
Erstellen Sie einen Evaluierungssatz aus echten Nutzungsdaten statt aus generischen Prompts.
- Wählen Sie 30 bis 100 repräsentative Aufgaben aus.
- Definieren Sie das erwartete Ergebnis und nicht akzeptable Fehlerarten.
- Führen Sie dieselbe Aufgabe mit Luna, Terra und Sol unter vergleichbaren Einstellungen aus.
- Erfassen Sie Qualität, Latenz, Tokens, Tools, Wiederholungen und menschliche Korrekturen.
- Segmentieren Sie die Ergebnisse nach Aufgabentyp.
- Leiten Sie Routing-Regeln aus den Segmentergebnissen ab.
- Wiederholen Sie den Prozess nach Prompt-, Tool- oder Modelländerungen.
Bei Agents sollten schwierige Fälle enthalten sein: fehlerhafte Tool-Antworten, mehrdeutige Daten, fehlende Dateien und Aufgaben, die Selbstkorrektur erfordern. Einfache Demos verbergen häufig die Unterschiede zwischen Modellstufen.
So verwenden Sie GPT-5.6 auf Poyo.ai
Poyo.ai stellt die Modell-IDs gpt-5-6-luna, gpt-5-6-terra und gpt-5-6-sol über /v1/responses bereit.
curl https://api.poyo.ai/v1/responses \
-H "Authorization: Bearer $POYO_API_KEY" \
-H "Content-Type: application/json" \
-d '{
"model": "gpt-5-6-terra",
"input": "Review this migration plan and identify the highest-risk assumptions.",
"reasoning": {"effort": "medium"}
}'
Erstellen Sie einen Schlüssel im Poyo-Dashboard und prüfen Sie die GPT-5.6-Modellseite vor dem Einsatz in der Produktion.
Welches GPT-5.6-Modell sollten Sie wählen?
Starten Sie mit Luna, wenn Durchsatz und einfache Verifizierung entscheidend sind. Starten Sie mit Terra für allgemeines Coding, Analysen und Produktions-Agenten. Verwenden Sie Sol, wenn die Aufgabe ungewöhnlich schwierig ist oder ein Fehler hohe geschäftliche Kosten verursacht.
Die beste Lösung ist selten eine dauerhafte Entscheidung für nur ein Modell. GPT-5.6 ist als Familie aufgebaut, und das wirtschaftlichste Design nutzt die verschiedenen Stufen gemeinsam.
Häufig gestellte Fragen
Welches GPT-5.6-Modell ist das beste?
Sol ist die leistungsfähigste Stufe, aber Terra kann eine bessere Produktionsbalance bieten und Luna ist für einfache Aufgaben mit hohem Volumen deutlich günstiger.
Ist GPT-5.6 Luna gut für Coding?
Luna ist für Coding-Aufgaben geeignet, aber veröffentlichte Ergebnisse liegen bei den ausgewählten Coding-Evaluierungen hinter Terra und Sol. Testen Sie Luna mit Ihrem tatsächlichen Repository und leiten Sie Aufgaben weiter, die die Verifizierung nicht bestehen.
Wie viel kostet die GPT-5.6 API?
Die offiziellen OpenAI-Preise reichen von $1 Input und $6 Output pro 1 Million Tokens für Luna bis zu $5 Input und $30 Output für Sol. Poyo.ai listet derzeit niedrigere nutzungsbasierte Preise für alle drei Stufen.
Nutzt GPT-5.6 die Responses API?
Ja. Poyo.ai stellt die drei GPT-5.6-Modell-IDs über /v1/responses bereit.
Sollte ich GPT-5.5 durch GPT-5.6 Terra ersetzen?
Terra ist ein starker Kandidat für eine Migration. Vergleichen Sie jedoch Aufgabenerfolg, Latenz, Tokens und Tool-Aufrufe anhand eines repräsentativen Evaluierungssatzes, bevor Sie den gesamten Traffic umstellen.