API-Tests mit GPT-6 Luna generieren: Was eine vollständige OpenAPI-Spezifikation wirklich kostet

Tests aus einer OpenAPI-Spezifikation zu generieren, ist seit einer Weile kein technisches Problem mehr. Modelle, die ein Path Item lesen und eine plausible Anfrage ausgeben können, gibt es seit zwei Jahren. Das Problem war die Rechnung. Testgenerierung kostete pro Durchlauf genug, dass Teams sie als einmalige Migration behandelten: einmal eine Suite generieren, committen und dann für immer von Hand pflegen, weil eine Neugenerierung bei jeder Spezifikationsänderung als Posten aufgetaucht wäre, nach dem jemand fragt.

GPT-6 Luna, angekündigt am 22. September 2026 zu $0,10 pro Million Eingabe-Tokens und $0,50 pro Million Ausgabe-Tokens, verschiebt die Aufgabe auf die andere Seite dieser Grenze. Ein vollständiger Durchlauf über eine Spezifikation mit 42 Endpunkten kostet ohne Caching grob $0,29 und mit Caching unter $0,10. Das ist billig genug, um aufzuhören, eine generierte Suite zu pflegen, und sie einfach bei jedem Merge neu zu generieren.

Hier ist die Rechnung, die Form der Anfrage, die Latenz, mit der Sie planen müssen, und die zwei Dinge, die das Modell immer noch falsch macht.

Der Preis, der sich bewegt hat

GPT-6 Luna ist ein neues Modell in der GPT-6-Familie, keine umbenannte GPT-5.6-Stufe. OpenAI sagt, Sol und Luna seien mit ähnlichen Methoden wie GPT-6 Astra trainiert worden und beide seien 50 % günstiger als die Aktionspreise von GPT-5.6. Dieser Zusatz stammt von OpenAI selbst und ist wichtig: Der Vergleich bezieht sich auf einen Aktionspreis, nicht auf einen Listenpreis. Die vollständige Abstammung in unserem Roundup zum KI-Modell-Preiskrieg.

Für diese Aufgabe ist das Kontextfenster wichtiger als der Schlagzeilenpreis. Eine Million Tokens bedeutet, dass die gesamte Spezifikation, Ihre hausinternen Testkonventionen und eine Reihe von Beispielanfragen mit reichlich Platz in einen Prompt passen. Sie zerlegen nichts in Chunks, und Sie schreiben keine Retrieval-Logik, um herauszufinden, von welchen Schemas ein Vorgang abhängt. Mehr zum Modell in Was ist GPT-6 Luna.

Die Aufgabe formen, bevor Sie sie bepreisen

Zwei Formen, sehr unterschiedliche Kosten.

Die One-Shot-Version legt die gesamte Spezifikation in den Kontext und verlangt die ganze Suite in einer Completion. Günstiger bei der Eingabe, schlechter bei der Ausgabe: Eine Completion über 42 Vorgänge dünnt bis zum zwanzigsten stark aus, wobei die frühen Endpunkte je fünf Fälle bekommen und der Rest einen Happy Path und ein Schulterzucken. Außerdem nur eine Retry-Einheit für den gesamten Durchlauf.

Die Version pro Vorgang sendet den gemeinsamen Spezifikationskontext plus einen Vorgang, 42-mal. Die Eingabe steigt, weil sich der gemeinsame Kontext wiederholt, aber die Ausgabequalität bleibt erhalten, jeder Aufruf ist unabhängig wiederholbar, und jede Datei lässt sich sauber gegen den letzten Durchlauf diffen. Caching holt einen Großteil der zusätzlichen Eingabekosten zurück, was dies zur Form macht, die man bepreisen sollte.

Kalkulieren Sie für einen Aufruf, mit einer mittelgroßen Spezifikation:

Die ersten beiden Zeilen sind bei jedem Aufruf byte-identisch. Dieser 52.000-Token-Präfix ist das, worauf Caching wirkt, und das invariante Material zuerst zu platzieren, ist die Entscheidung mit dem größten Hebel im Setup.

Was ein Durchlauf kostet

Bei 42 Vorgängen mit diesem Budget kommt der Durchlauf auf 2.247.000 Eingabe-Tokens und 126.000 Ausgabe-Tokens.

Zu Luna-Preisen sind das $0,2247 Eingabe und $0,0630 Ausgabe, also $0,2877 für den Durchlauf, etwas unter sieben Zehntel Cent pro Endpunkt. Dasselbe Token-Profil gegen die anderen Modelle, die im selben Zwei-Wochen-Zeitraum erschienen oder neu bepreist wurden:

Astra liegt bei Eingabe und Ausgabe genau beim 100-Fachen von Lunas Preis, kostet für diese Aufgabe also genau 100-mal so viel. Claude Opus 5.5 liegt beim 40-Fachen.

Diese Spanne ist die ganze Entscheidung. Bei $28,77 pro Durchlauf baut man inkrementelle Logik: verfolgen, welche Vorgänge sich geändert haben, jedes Path Item hashen, nur das Diff neu generieren und dann diese Maschinerie debuggen, wenn sie mit der Spezifikation aus dem Tritt gerät. Bei $0,29 löscht man die inkrementelle Logik. Zwanzig Merges im Monat kosten $5,75, weniger als die CI-Minuten, die zum Ausführen der vom Modell geschriebenen Tests aufgewendet werden. Zur Einordnung: OpenAI berichtet, dass sein mittlerer Researcher mehr als $600 pro Tag für Coding-Agents ausgibt, mit dem 90. Perzentil über $7.000.

Was Prompt-Caching daraus macht

GPT-6 brachte zusammen mit der Preisänderung ein echtes Caching-Release: 90 % Rabatt auf gecachte Eingabe-Lesevorgänge, standardmäßig höhere Trefferraten, ein Dashboard und ein Diagnosewerkzeug, explizite Breakpoints, sodass Sie wählen, wo der gecachte Präfix endet, und Cache-Überleben über Änderungen an Reasoning-Aufwand und Tool-Verfügbarkeit hinweg. GitHub berichtete über mehr als 50 % weniger Prompt-Tokens, die über Milliarden von Anfragen hinweg frisch verarbeitet werden mussten. Details in GPT-6 Prompt-Caching.

Auf den obigen Durchlauf angewendet, wobei 90 % vom Eingabepreis von $0,10 als $0,01 pro Million für gecachte Lesevorgänge abgezogen werden:

Etwa ein Drittel der ungecachten Kosten, haarscharf unter einem Viertel Cent pro Endpunkt. Zwei Dinge sollte man nicht annehmen. OpenAI nennt den 90-%-Rabatt, veröffentlicht in unseren Quellen aber keinen Dollar-Preis für gecachte Lesevorgänge bei Luna, sodass die obigen $0,01 Arithmetik sind, kein veröffentlichter Preis. Und nichts, was wir haben, nennt eine Cache-Lebensdauer, also feuern Sie die 42 Aufrufe hintereinander ab, statt sie über eine langsame CI-Warteschlange zu verteilen, und bestätigen Sie die Trefferrate im Dashboard.

Die Anfrage

Nichts Exotisches. Die Reihenfolge ist das, was sich bezahlt macht:

curl https://api.openai.com/v1/chat/completions \
  -H "Authorization: Bearer $OPENAI_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "model": "gpt-6-luna",
    "reasoning_effort": "high",
    "messages": [
      { "role": "system",
        "content": "You write API tests. Emit one test file. Assert on status, response schema and error shape. Never assert on a field absent from the supplied schema." },
      { "role": "user",
        "content": "Shared spec context:\n<components, securitySchemes, servers>" },
      { "role": "user",
        "content": "Operation under test:\nPOST /orders\n<path item and examples>" }
    ]
  }'

Der System-Prompt und der gemeinsame Spezifikationsblock sind bei allen 42 Aufrufen byte-identisch und stehen zuerst. Der Vorgang variiert und steht zuletzt. Vertauschen Sie die beiden, cachen Sie nichts, und der Durchlauf kostet $0,29 statt $0,096. Das ist der ganze Mechanismus.

Die high-Effort-Einstellung ist bewusst gewählt. Lunas veröffentlichte Zugewinne gegenüber dem Vorgänger werden bei höherem Aufwand gemessen, und weil GPT-6-Caching eine Aufwandsänderung überlebt, können Sie sie pro Vorgang einstellen, ohne den Präfix neu aufzubauen. Sparen Sie sich die höchsten Einstellungen für Endpunkte, bei denen es um Geld oder Authentifizierung geht.

Planen Sie Zeit ein, nicht Geld

Billig ist nicht schnell. Artificial Analysis, ein Drittanbieter, misst die maximale Reasoning-Variante von Luna bei 153,9 Ausgabe-Tokens pro Sekunde mit einer Zeit bis zum ersten Token von 124,23 Sekunden. Beide Werte stammen von ihnen und nicht von OpenAI, beide gelten speziell für die Max-Variante, und AA bewertet kontinuierlich neu, also behandeln Sie sie als Richtwerte.

Wenn man sie wörtlich nimmt, ist ein Aufruf mit maximalem Aufwand ungefähr 124 Sekunden Warten plus etwa 20 Sekunden zum Streamen von 3.000 Tokens, also sagen wir 144 Sekunden. 42 nacheinander sind etwa 101 Minuten. Acht gleichzeitig sind etwa 13 Minuten, eine gewöhnliche CI-Stufe.

Das schneidet entgegen den meisten Argumenten zur Modellauswahl, weshalb die Paarung funktioniert: Die Zeit bis zum ersten Token ist eine Katastrophe für einen interaktiven Assistenten und nahezu irrelevant für einen Batch-Job, der Dateien schreibt. Derselbe Trade-off beim größeren Geschwister in GPT-6 Sols Zeit bis zum ersten Token.

Was es richtig macht – und die zwei Dinge, die es nicht richtig macht

OpenAIs veröffentlichte Ergebnisse für Luna sind stärker, als der Preis vermuten lässt. Auf DeepSWE 1.1 erreicht es bei maximalem Aufwand 66,6 %, was OpenAI auf Augenhöhe mit Claude Opus 5 und Fable 5 bei mittlerem Aufwand setzt, während es pro Aufgabe 93 % weniger kostet als Opus 5 und 96 % weniger als Fable 5. Auf AutomationBench schlägt es seinen Vorgänger um 5,4 Prozentpunkte bei 58 % geringeren Kosten pro Aufgabe. Alle wurden von OpenAI auf OpenAI-Harnesses ausgeführt, und keines misst Testgenerierung aus einer Spezifikation.

Zwei Fehlermodi sind hier wichtiger als jeder Benchmark.

Das Modell kann nur testen, was in der Spezifikation steht. Wenn Ihre Spezifikation ein 200 und ein 400 für POST /orders dokumentiert, der Dienst aber bei einem doppelten Idempotenzschlüssel auch 409 zurückgibt, bekommen Sie keinen Konflikttest, und die Suite sieht trotzdem vollständig aus. Die Generierungsqualität wird von der Spezifikationsqualität begrenzt, was die Spezifikation zum Artefakt macht, in das es sich zu investieren lohnt, nicht den Prompt.

Billige Generierung scheitert, indem sie richtig aussieht. Der charakteristische Fehler ist kein kaputter Test, sondern ein bestehender Test, der ein Feld prüft, das die Antwort nie enthält, oder einen Statuscode, den der Endpunkt nie ausgibt. Diese kommen durch das Review, weil sie wie Tests lesen. Validieren Sie jede generierte Assertion vor dem Einchecken mechanisch gegen das Schema und weisen Sie jede zurück, die ein Feld referenziert, das in components fehlt. Diese Prüfung kostet nichts und schaltet diese Fehlerklasse vollständig aus.

Die Ausgabe lauffähig machen

Generierte Testdateien sind genau so viel wert wie die Testumgebung, in der sie laufen. Behalten Sie die Spezifikation als Single Source of Truth, generieren Sie dagegen und bringen Sie die Fälle dann irgendwo unter, wo sie bei jedem Push ausgeführt werden.

Apidog deckt die hintere Hälfte dieser Schleife ab. Es importiert die Spezifikation, aus der Sie generieren, sodass der gemeinsame Kontext in Ihrem Prompt und die Request-Definitionen in Ihrem Runner aus einem Dokument stammen und nicht auseinanderdriften können. Generierte Fälle werden zu Testszenarien, deren Assertions gegen das importierte Schema validieren, was die obige Prüfung zu einem mechanischen Gate statt zu einer Review-Pflicht macht. Smart Mock bedient die Spezifikation, während das Backend noch geschrieben wird, sodass eine generierte Suite ehrlich fehlschlagen kann, bevor es etwas Echtes zum Ansprechen gibt. Und die Szenarien laufen in CI, dem einzigen Ort, an dem sich ein Workflow zum Neugenerieren bei jedem Merge auszahlt.

Lohnt es sich, das an Luna zu routen?

Ja, mit einer Einschränkung. Kosten sind kein Grund mehr, es auszulassen: $0,29 pro Durchlauf oder unter $0,10 gecacht sind weniger als das Meeting, in dem Sie diskutieren, ob neu generiert werden soll. Die Latenz ist real, fällt aber in ein Fenster, in dem niemand wartet. Und Lunas veröffentlichte Ergebnisse bringen es in die Nähe von Modellen, die für agentische Coding-Arbeit 40- bis 100-mal mehr kosten.

Nichts davon macht die Ausgabe bei Ankunft vertrauenswürdig. Geben Sie das Gesparte für ein Schema-Validierungsgate und ein menschliches Review des ersten Durchlaufs aus, und behandeln Sie das Ergebnis als ersten Entwurf, der die dokumentierte Oberfläche vollständig und die undokumentierte Oberfläche überhaupt nicht abdeckt. Immer noch eine bessere Ausgangsposition als die handgeschriebene Suite, die vor vier Releases aufgehört hat, die Spezifikation zu verfolgen.