De GPT-5.6-familie van OpenAI kent drie duurzame capaciteitsniveaus: Sol voor het zwaarste werk, Terra voor evenwichtige productieworkloads en Luna voor snel, kostenbewust verkeer. Het verhaal achter de benchmarks is niet simpelweg dat Sol wint. Terra en Luna behouden vaak een groot deel van de capaciteit, tegen goedkopere tokens, waardoor modelroutering belangrijker is dan één model kiezen voor elk verzoek.
OpenAI bracht de volledige GPT-5.6-familie uit op 9 juli 2026. In deze gids lees je wat de gepubliceerde benchmarkresultaten zeggen, wat ze meten en hoe je kwaliteit, prijs, latentie en het aantal nieuwe pogingen combineert bij het kiezen van een model.
Gegevens en prijzen gecontroleerd op 19 juli 2026. De benchmarkresultaten komen uit het lanceringsmateriaal van OpenAI en gebruiken de daar beschreven instellingen. Het zijn geen directe garanties voor een andere toepassing of agent-testomgeving.
Samenvatting van de GPT-5.6-benchmarks
De tabel hieronder richt zich op representatieve professionele en codeerevaluaties.
| Evaluatie | Sol | Terra | Luna | GPT-5.5 | Wat het meet |
|---|---|---|---|---|---|
| Agents' Last Exam | 52,7% | 50,4% | 50,3% | 46,9% | Langlopende professionele workflows |
| Artificial Analysis Intelligence Index | 58,9 | 55,0 | 51,2 | 54,8 | Brede intelligentie bij agentisch werk, coderen en redeneren |
| Coding Agent Index | 80,0 | 77,4 | 74,6 | 76,4 | Implementatie, terminalgebruik en echte codebases |
| SWE-Bench Pro | 64,6% | 63,4% | 62,7% | 59,4% | Oplossen van software-engineeringproblemen |
| DeepSWE 1.1 | 72,7% | 69,6% | 67,2% | 67,0% | Engineering over een lange horizon in echte codebases |
| Terminal-Bench 2.1 | 88,8% | 87,4% | 84,7% | 85,6% | Complexe opdrachtregelworkflows |
Sol staat bij deze geselecteerde evaluaties voorop. Terra blijft bij meerdere codeertaken dichtbij. Luna is niet overal sterker dan GPT-5.5, maar blijft concurrerend en zit in het snelste en goedkoopste niveau van GPT-5.6.
De tabel laat ook zien waarom één gemiddelde score niet volstaat. Een supportclassifier, een codereview-agent, een financiële onderzoeksworkflow en een browseroperator hechten niet aan dezelfde mogelijkheden evenveel waarde.
Wat GPT-5.6-benchmarks echt meten
Benchmarks voor codeeragents
Codeerbenchmarks lopen sterk uiteen. Sommige testen of een model een patch kan maken. Andere omvatten het verkennen van repository's, terminalopdrachten, het uitvoeren van tests en iteratief corrigeren.
OpenAI meldt dat GPT-5.6 Sol 80 haalde op de Artificial Analysis Coding Agent Index, terwijl het in de vergelijking minder tokens en minder tijd gebruikte dan verschillende frontier-alternatieven. Terra scoorde 77,4 en Luna 74,6. Voor een codeeragent in productie zijn dit de belangrijke vervolgvragen:
- Vindt het de juiste bestanden?
- Houdt het zich aan de conventies van het project?
- Voert het tests uit en interpreteert het de uitkomst?
- Herstelt het na een mislukte aanpak?
- Hoeveel modelbeurten zijn nodig voor een geverifieerd resultaat?
Een model met een iets hogere patchscore kan toch minder zuinig zijn als het lange redeneersporen produceert, toolaanroepen herhaalt of dure menselijke controle vraagt.
Benchmarks voor agents over een lange horizon
Agents' Last Exam evalueert langere professionele workflows in veel domeinen. Sol scoorde 52,7%, Terra en Luna 50,4% en 50,3%. Het kleine verschil is opvallend: het suggereert dat veel professionele taken het vlaggenschipniveau niet nodig hebben.
Evaluaties over een lange horizon zijn extra gevoelig voor het systeem eromheen. Tooldesign, geheugen, beleid voor nieuwe pogingen, rechten en verificatiestappen kunnen de resultaten net zo sterk veranderen als het basismodel.
Browsen en computergebruik
OpenAI meldt 92,2% voor GPT-5.6 Sol op BrowseComp en 62,6% op OSWorld 2.0. Deze resultaten ondersteunen onderzoeksagents, browserworkflows en toepassingen die hun eigen uitvoer moeten controleren.
Benchmarks voor computergebruik moet je niet lezen als belofte van betrouwbaarheid zonder toezicht. Productiesystemen hebben nog steeds beperkte rechten nodig, bevestiging bij belangrijke acties, time-outs en herstelgedrag.
Kenniswerk en artefacten
GPT-5.6 is ook gepositioneerd voor documenten, spreadsheets, presentaties, onderzoeksnotities en frontendwerk. Zulke uitvoer is moeilijk in één benchmark te vangen, omdat juistheid, bronnauwkeurigheid, visuele kwaliteit en bewerkbaarheid er allemaal toe doen.
Bouw voor zulke workloads een eigen beoordelingsraster. Scoor feitelijke juistheid, structuur, naleving van een referentiesjabloon, het aantal handmatige correcties en de tijd tot een acceptabel resultaat.
GPT-5.6 Sol vs Terra vs Luna
Kies GPT-5.6 Sol voor moeilijke problemen met hoge waarde
Sol is het vlaggenschipniveau. Het is het beste startpunt voor:
- coderen op schaal van een hele repository en lastig debuggen;
- langlopende agents met meerdere tools;
- cyberbeveiliging en wetenschappelijke analyse binnen toegestaan gebruik;
- complex onderzoek en professionele artefacten;
- taken waarbij een mislukt resultaat veel meer kost dan de tokenrekening.
Sol is niet automatisch de beste standaard voor verkeer in grote volumes. De officiële tokentarieven zijn 2,5 keer zo hoog als die van Terra en 25 keer zo hoog als die van Luna.
Kies GPT-5.6 Terra als evenwichtige standaard
Terra is ontworpen voor dagelijks productiewerk. Het past bij:
- codeerassistenten en codereview;
- documentanalyse en onderzoeksondersteuning;
- interne assistenten;
- workflows met tools die meer betrouwbaarheid vragen dan een licht model biedt;
- producten die de capaciteit van GPT-5.6 willen zonder de prijs van Sol.
De benchmarkscores van Terra blijven bij meerdere codeerevaluaties dicht bij die van Sol, waardoor het een verstandige eerste kandidaat is om in productie te testen.
Kies GPT-5.6 Luna voor doorvoer en voorspelbare taken
Luna is het snelste en voordeligste niveau. Het is geschikt voor:
- extractie en classificatie;
- verwerking van gestructureerde content;
- lichte support;
- automatisering in grote volumes;
- een eerste routeringsfase die moeilijke verzoeken opschaalt.
Luna kan ook sommige codeer- en professionele taken aan, maar benchmarkgemiddelden moeten die grens niet bepalen. Test waar het aantal mislukkingen of nieuwe pogingen de besparing op tokens begint op te eten.
GPT-5.6 API-prijzen
OpenAI rekent GPT-5.6 af per 1 miljoen tokens. Poyo.ai biedt op dit moment alle drie de niveaus aan via de Responses API tegen de onderstaande tarieven.
| Model | 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 documenteert ook expliciete cachebreakpoints, een minimale levensduur van de cache van 30 minuten, cache schrijven tegen 1,25 keer het tarief voor niet-gecachete input en cache lezen met 90% korting op niet-gecachete input.
Op de modelpagina van de GPT-5.6 API vind je de actuele Poyo-prijzen, ondersteunde model-ID's en API-toegang.
Kostenvergelijking voor een echte workload
Neem een maandelijkse workload met 10 miljoen niet-gecachete input-tokens en 2 miljoen output-tokens.
| Model en route | Inputkosten | Outputkosten | Totaal |
|---|---|---|---|
| Luna bij OpenAI | $2.00 | $2.40 | $4.40 |
| Luna bij Poyo.ai | $0.56 | $0.67 | $1.23 |
| Terra bij OpenAI | $20.00 | $24.00 | $44.00 |
| Terra bij Poyo.ai | $5.60 | $6.72 | $12.32 |
| Sol bij OpenAI | $50.00 | $60.00 | $110.00 |
| Sol bij Poyo.ai | $14.00 | $16.80 | $30.80 |
Deze berekening is nuttig maar onvolledig. Ze gaat ervan uit dat elk model evenveel taken afrondt met hetzelfde aantal pogingen.
Benchmarkscore versus kosten per geslaagde taak
De bruikbaardere maatstaf voor productie is:
effective task cost =
average API cost per attempt
× average attempts per successful task
+ human correction cost
Stel dat Luna per token ongeveer een vijfentwintigste kost van Sol, maar een moeilijke workflow slechts in één van de drie pogingen slaagt. Terra zou dezelfde taak mogelijk in één keer afronden, met minder toolaanroepen en minder menselijke controle. Dan is Terra de goedkopere keuze in productie, ook al is het tokentarief hoger.
Meet minstens:
- slagingspercentage;
- pogingen per geslaagde taak;
- input- en output-tokens;
- verstreken tijd;
- toolaanroepen;
- minuten aan menselijke correctie;
- percentage ernstige fouten.
De laatste maatstaf is belangrijk bij workflows waar een onjuist antwoord duurder is dan een mislukt verzoek.
Een praktische routeringsstrategie voor GPT-5.6
Een familie met drie niveaus is het meest waard als de toepassing werk bewust routeert.
Is the task repetitive and easy to verify?
├── Yes: start with Luna
└── No
├── Is it normal production coding, analysis, or tool use?
│ └── Start with Terra
└── Is failure expensive or the task unusually difficult?
└── Use Sol
Een router in productie kan het type taak, de waarde van het verzoek, eerdere mislukkingen, betrouwbaarheidssignalen of de uitvoer van een evaluator gebruiken. Een gangbaar patroon is:
- Stuur gestructureerde verzoeken met laag risico naar Luna.
- Gebruik Terra als standaard voor algemeen redeneren in productie.
- Schaal mislukte of waardevolle gevallen op naar Sol.
- Vergelijk per route de uiteindelijke kosten per geslaagde taak.
Route niet alleen op basis van promptlengte. Een kort beveiligingsprobleem kan moeilijker zijn dan een lang extractieverzoek.
Zo evalueer je GPT-5.6 in je eigen toepassing
Bouw een evaluatieset op basis van echt verkeer, niet van generieke prompts.
- Kies 30 tot 100 representatieve taken.
- Leg het verwachte resultaat vast en de onacceptabele manieren van falen.
- Voer dezelfde taak uit op Luna, Terra en Sol met vergelijkbare instellingen.
- Noteer kwaliteit, latentie, tokens, tools, nieuwe pogingen en menselijke correcties.
- Splits de resultaten op per type taak.
- Kies routeringsregels op basis van de resultaten per segment.
- Herhaal dit na updates van prompts, tools of modellen.
Neem bij agents ook moeilijke gevallen mee: kapotte toolantwoorden, dubbelzinnige gegevens, ontbrekende bestanden en taken die zelfcorrectie vragen. Makkelijke demo's verbergen vaak het verschil tussen de modelniveaus.
Zo gebruik je GPT-5.6 op Poyo.ai
Poyo.ai biedt de model-ID's gpt-5-6-luna, gpt-5-6-terra en gpt-5-6-sol aan via /v1/responses.
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"}
}'
Maak een sleutel aan in het Poyo-dashboard en bekijk de modelpagina van GPT-5.6 voordat je naar productie gaat.
Welk GPT-5.6-model moet je kiezen?
Begin met Luna als doorvoer en eenvoudige verificatie tellen. Begin met Terra voor algemeen coderen, analyse en agents in productie. Gebruik Sol als het probleem ongewoon moeilijk is of falen hoge bedrijfskosten heeft.
Het beste antwoord is zelden een blijvende keuze voor één model. GPT-5.6 is opgezet als familie, en het economisch sterkste ontwerp gebruikt de niveaus samen.
Veelgestelde vragen
Welk GPT-5.6-model is het beste?
Sol is het meest capabele niveau, maar Terra kan een betere balans voor productie bieden en Luna is aanzienlijk goedkoper voor eenvoudige taken in grote volumes.
Is GPT-5.6 Luna goed in coderen?
Luna kan codeerwerk aan, maar de gepubliceerde resultaten blijven bij de geselecteerde codeerevaluaties achter op Terra en Sol. Test het op je eigen repository en schaal taken op die de verificatie niet doorstaan.
Wat kost de GPT-5.6 API?
De officiële tarieven van OpenAI lopen van $0.20 voor input en $1.20 voor output per 1 miljoen tokens bij Luna tot $5 voor input en $30 voor output bij Sol. Poyo.ai vermeldt op dit moment lagere betaal-naar-gebruik-tarieven voor alle drie de niveaus.
Gebruikt GPT-5.6 de Responses API?
Ja. Poyo.ai biedt de drie model-ID's van GPT-5.6 aan via /v1/responses.
Moet ik GPT-5.5 vervangen door GPT-5.6 Terra?
Terra is een sterke kandidaat voor migratie, maar vergelijk taaksucces, latentie, tokens en toolaanroepen op een representatieve evaluatieset voordat je al het verkeer omzet.