Anleitung zur Nutzung der GPT-5.6 API: Sol, Terra und Luna

OpenAI hat GPT-5.6 am 9. Juli 2026 allgemein verfügbar gemacht, und der API-Zugriff ist Self-Service: Jedes API-Konto kann es heute aufrufen, ohne Warteliste und ohne Planbeschränkung. Die begrenzte Vorschau, die bis Anfang Juli lief, ist Geschichte. Was sich für Entwickler geändert hat, ist die Art des Starts selbst. Anstelle eines Modells erhalten Sie drei: Sol, Terra und Luna, jedes mit einem eigenen Preismodell, plus sechs Ebenen der Denk-Anstrengung und expliziten Prompt-Caching-Kontrollen.

Das sind mehr Entscheidungen als bei einem typischen Modellwechsel, und die Standardeinstellungen, die Sie in der ersten Woche wählen, bleiben oft bestehen. Dieser Leitfaden führt Sie durch die Modell-IDs und wann jede ihren Platz verdient, Ihre erste Anfrage in Python und curl, den Denk-Aufwand, die Caching-Einrichtung, die neue Responses API-Oberfläche und wie Sie ohne Überraschungen von GPT-5.5 migrieren können. Wenn Sie zuerst den vollständigen Hintergrund zur Flaggschiff-Stufe wünschen, behandelt die GPT-5.6 Sol-Übersicht die Positionierung und Benchmarks; dieser Artikel bleibt praxisnah.

Am Ende werden Sie funktionierende Aufrufe an alle drei Stufen haben und eine wiederholbare Möglichkeit, sie mit Ihren eigenen Prompts in Apidog zu vergleichen, sodass Kosten- und Qualitätsentscheidungen aus Ihren Daten stammen und nicht aus dem Startbeitrag.

Kurz gesagt

Drei Modell-IDs, eine Generation: gpt-5.6-sol (tiefstes Denken), gpt-5.6-terra (ausgewogen), gpt-5.6-luna (schnellstes und günstigstes). Der einfache Alias gpt-5.6 leitet zu Sol weiter.
Der API-Zugriff ist Self-Service für jedes OpenAI API-Konto. Es gibt keine Beschränkungen mehr.
Preise pro 1 Million Token: Sol 5 $ Eingang / 30 $ Ausgang, Terra 2,50 $ / 15 $, Luna 1 $ / 6 $.
Der Denk-Aufwand hat sechs Stufen, von none bis max. Der Pro-Modus ist eine Einstellung (reasoning.mode: "pro") bei allen drei Modellen, kein separates Modell.
Explizites Prompt-Caching ist da: prompt_cache_options.mode: "explicit" plus ein ttl. Schreibvorgänge werden zum 1,25-fachen abgerechnet, Lesevorgänge behalten den 90%igen Rabatt, und Caches bleiben mindestens 30 Minuten erhalten.
Die Migration von GPT-5.5 ist ein Abstimmungsdurchlauf: Testen Sie eine niedrigere Aufwandsstufe und entfernen Sie Kürze-Anweisungen aus Ihren Prompts.

Die drei Modell-IDs und wann Sie welche auswählen sollten

GPT-5.6 bricht mit der üblichen Namensgebung von OpenAI. Die Zahl ist die Generation; Sol, Terra und Luna sind dauerhafte Leistungsstufen, die sich in ihrem eigenen Tempo weiterentwickeln werden, wie die Startberichterstattung von MarkTechPost darlegt. Die Stufe, auf die Sie sich heute standardisieren, behält ihre Bedeutung in der nächsten Generation.

Modell-ID	Stufe	Eingabe / Ausgabe pro 1 Million Token	Wählen Sie es, wenn
`gpt-5.6-sol`	Flaggschiff	$5 / $30	Tiefes Denken, Agenten-Orchestrierung, schwieriges Debugging
`gpt-5.6-terra`	Ausgewogen	$2.50 / $15	Alltägliche Produktfunktionen, GPT-5.5-ähnliche Arbeit zu geringeren Kosten
`gpt-5.6-luna`	Schnell	$1 / $6	Klassifizierung, Extraktion, Routing, erste Entwurfserstellung

Sol ist das Flaggschiff. OpenAI gibt an, dass es bei Agents' Last Exam etwa 53 Punkte erreicht, gegenüber 46,9 für GPT-5.5. Betrachten Sie dies als Start-Tag-Angabe und überprüfen Sie es bei Ihren eigenen Aufgaben. Terra ist die pragmatische Wahl: OpenAI positioniert es als konkurrenzfähig zu GPT-5.5 bei etwa der Hälfte der Kosten. Luna existiert für hochvolumige, latenzempfindliche Arbeiten, bei denen Ihnen die Stückkosten wichtiger sind als die Tiefe.

Ein sinnvoller Standard: Prototypen auf Terra, nur dann auf Sol eskalieren, wenn Terra messbar versagt, und bei stabilen Prompts hochvolumige Pfade auf Luna umstellen. Die Aufschlüsselung der GPT-5.6-Preise geht tiefer darauf ein, wie diese Raten über Generationen und Konkurrenten hinweg verglichen werden.

Ein Alias, den man kennen sollte: gpt-5.6 ohne Suffix leitet zu Sol weiter. Fixieren Sie die expliziten Stufen-IDs im Produktionscode, damit jeder Aufruf genau angibt, was er kostet.

Ihre erste Anfrage

Die unten stehenden Modell-IDs entsprechen den OpenAI-Entwicklerdokumenten wörtlich. Sie benötigen einen OpenAI API-Schlüssel mit aktivierter Abrechnung; nichts weiter.

Chat Completions funktioniert unverändert, bestehender Code benötigt also nur einen Modelltausch:

from openai import OpenAI

client = OpenAI()

response = client.chat.completions.create(
    model="gpt-5.6-sol",
    messages=[
        {"role": "system", "content": "Sie sind ein prägnanter Code-Reviewer."},
        {"role": "user", "content": "Überprüfen Sie dies auf Grenzfälle: def parse_price(raw): return float(raw.strip('$'))"}
    ]
)

print(response.choices[0].message.content)

Derselbe Aufruf in curl:

curl https://api.openai.com/v1/chat/completions \
  -H "Content-Type: application/json" \
  -H "Authorization: Bearer $OPENAI_API_KEY" \
  -d '{
    "model": "gpt-5.6-sol",
    "messages": [
      {"role": "user", "content": "Erklären Sie Idempotenzschlüssel in einem Absatz."}
    ]
  }'

Für neue Builds sollten Sie stattdessen die Responses API verwenden. Jede GA-Ergänzung befindet sich dort, und sie akzeptiert direkt einen Reasoning-Block:

response = client.responses.create(
    model="gpt-5.6-terra",
    input="Fassen Sie die Kompromisse zwischen Webhooks und Polling zusammen.",
    reasoning={"effort": "low"}
)

print(response.output_text)

Führen Sie denselben Prompt gegen alle drei Stufen aus, bevor Sie eine weitere Zeile Integrationscode schreiben. Die Unterschiede in Ton, Länge und Latenz sind leichter zu fühlen als zu lesen.

Einen Denk-Aufwand auswählen

GPT-5.6 bietet sechs Stufen des Denk-Aufwands: none, low, medium, high, xhigh und max.

none schaltet das Denken ab. Verwenden Sie es, wenn die Aufgabe mechanisch ist und Latenz wichtiger ist als Tiefe: Neuformatierung, Extraktion gegen ein klares Schema, Vorlagenfüllung. Luna mit none verhält sich wie ein schnelles klassisches Vervollständigungsmodell, und diese Kombination ist es, wo seine 1 $-Eingaberate glänzt.

max befindet sich am anderen Ende. Reservieren Sie es für Probleme, bei denen eine falsche Antwort mehr kostet als eine langsame: subtile Parallelitätsprobleme, Architekturüberprüfungen, mehrstufige Planung. Erwarten Sie längere Wartezeiten und eine höhere Rechnung.

Die meisten Workloads liegen in der Mitte. Beginnen Sie bei medium, bewegen Sie sich jeweils eine Stufe weiter und messen Sie die Qualität, bevor Sie die zusätzlichen Kosten für eine Erhöhung akzeptieren. Eine Herabstufung ist oft kostenlos: Die eigenen Migrationsrichtlinien von OpenAI besagen, dass viele GPT-5.5-Workloads bei GPT-5.6 eine Stufe niedriger die gleiche Qualität beibehalten.

Der Pro-Modus ist vom Aufwand getrennt. Stellen Sie reasoning.mode: "pro" ein, und das Modell priorisiert die Antwortqualität gegenüber der Geschwindigkeit. Er funktioniert auf allen drei Stufen und ist eine Einstellung, keine andere Modell-ID, sodass kein Pro-spezifischer Slug gesucht werden muss. Qualitätsorientierte Workloads wie rechtliche Zusammenfassungen oder Post-Mortems von Vorfällen sind sein Anwendungsbereich. Für die genaue Anforderungsform und Beschränkungen siehe die OpenAI API-Referenz.

Prompt-Caching einrichten

GPT-5.6 fügt eine explizite Cache-Steuerung hinzu. Stellen Sie prompt_cache_options.mode auf `"explicit"` ein, und Sie entscheiden, was zwischengespeichert wird, anstatt sich auf die automatische Präfixerkennung zu verlassen:

response = client.responses.create(
    model="gpt-5.6-luna",
    input=[
        {"role": "system", "content": SUPPORT_PLAYBOOK},
        {"role": "user", "content": ticket_text}
    ],
    prompt_cache_options={"mode": "explicit"}
)

Ein ttl-Feld auf demselben Options-Objekt legt fest, wie lange das zwischengespeicherte Präfix aktiv bleibt; was auch immer Sie anfordern, das Minimum beträgt 30 Minuten. Akzeptierte ttl-Werte und Regeln zur Bruchpunktplatzierung finden Sie in der OpenAI API-Referenz.

Die Wirtschaftlichkeit ist einfach. Cache-Schreibvorgänge werden zum 1,25-fachen der ungecachten Eingaberate abgerechnet. Cache-Lesevorgänge behalten den 90%igen Rabatt. Caching zahlt sich also ab dem zweiten Zugriff aus: Zwei ungecachte Durchläufe über ein Präfix kosten das 2,0-fache seines Token-Preises, während ein Schreibvorgang plus ein Lesevorgang 1,35-fach kosten.

Ein Beispiel. Angenommen, ein Support-Bot sendet ein 40.000-Token-Playbook bei jedem Luna-Aufruf. Ohne Cache kostet dieses Präfix 0,04 $ pro Aufruf bei Lunas 1 $ pro 1 Million Eingabetoken. Mit explizitem Caching schreibt der erste Aufruf für 0,05 $, und jeder Lesevorgang innerhalb des `ttl` kostet 0,004 $. Bei einem Stoß von 100 Aufrufen sind das 0,45 $ statt 4,00 $, also ungefähr 89 % Rabatt auf den statischen Teil Ihrer Rechnung. Die Mindestlebensdauer von 30 Minuten bedeutet, dass auch bei stoßartigem Datenverkehr mit Pausen unter einer halben Stunde weiterhin günstige Lesevorgänge erfolgen.

Die Faustregel: Jeder Prompt mit einem großen statischen Präfix, der mindestens zweimal innerhalb des `ttl` wiederverwendet wird, sollte im expliziten Modus laufen.

Was ist neu in der Responses API bei GA?

Drei Ergänzungen wurden mit der GA ausgeliefert, alle in der Responses API:

Programmatische Tool-Aufrufe. Anstatt des Hin- und Her-Tanzes, bei dem das Modell einen Tool-Aufruf ausgibt, auf Ihr Ergebnis wartet und dann den nächsten ausgibt, schreibt das Modell JavaScript, das Ihre Tools orchestriert. Dieser Code läuft in einer isolierten V8-Laufzeitumgebung ohne Netzwerkzugriff, sodass er Schleifen durchlaufen, verzweigen und Tool-Ergebnisse kombinieren kann, ohne dass Ihr Server Nachrichten hin- und herschicken muss.
Multi-Agent, in Beta. Eine Anfrage kann die Arbeit an Sub-Agenten verteilen, die parallel ausgeführt werden, nützlich, wenn eine Aufgabe in unabhängige Teile aufgeteilt wird.
Persistiertes Denken. Der Denkkontext wird über reasoning.context zwischen den Runden übertragen, sodass ein Multi-Turn-Agent seine Gedankenfolge nicht bei jedem Aufruf von Grund auf neu aufbauen muss.

Es gibt auch neue Einstellungen für visuelle Details, original und auto, die die ursprünglichen Bildabmessungen beibehalten. Anforderungsformen und Parameter für all dies finden Sie in der OpenAI API-Referenz; die oben genannten Mechanismen sind das, worum Sie Ihr Design herum aufbauen sollten.

Migration von GPT-5.5

Die Anleitung von OpenAI ist deutlich: Betrachten Sie die Migration als einen Abstimmungslauf, nicht nur als eine Änderung des Modell-Slugs. Wenn Ihre Integration dem Workflow in unserem GPT-5.5 API-Leitfaden folgt, sind drei Anpassungen wichtig.

Erstens: Testen Sie Ihren aktuellen Denk-Aufwand und eine Stufe niedriger. GPT-5.6 behält oft eine gute Qualität bei einer Stufe darunter, was eine direkte Kostenreduzierung für denselben Traffic bedeutet.
Zweitens: Erwarten Sie kürzere Antworten. GPT-5.6 liefert deutlich prägnantere Ausgaben mit weniger generischen Einleitungen. Wenn Ihre Prompts Anweisungen wie „sei prägnant“ oder „überspringe die Einleitung“ enthalten, entfernen Sie diese und testen Sie erneut, da gestapelte Kürze-Anweisungen jetzt überschießen können. Simon Willisons Starttag-Bericht ist eine nützliche unabhängige Lektüre darüber, wie sich die Familie in der Praxis verhält.
Drittens: Achten Sie beim Tuning auf die Nutzung von zwischengespeicherten Token in Ihren Antworten und benchmarken Sie einen repräsentativen Aufgabensatz, bevor Sie den Produktionsverkehr umstellen. Eine vergleichbare Ausgabe auf Terra zum halben Preis von GPT-5.5 ist das Ergebnis, das zuerst überprüft werden sollte.

Die API in Apidog testen

Curl beweist, dass der Endpunkt funktioniert. Die Wahl zwischen drei Stufen erfordert etwas Wiederholbares. Laden Sie Apidog herunter und richten Sie ein kleines Vergleichs-Setup ein:

Erstellen Sie eine Umgebung mit Ihrem OPENAI_API_KEY plus drei Variablen: MODEL_SOL=gpt-5.6-sol, MODEL_TERRA=gpt-5.6-terra, MODEL_LUNA=gpt-5.6-luna.
Erstellen Sie eine POST-Anfrage an die API und verweisen Sie im Body auf {{MODEL_SOL}}, duplizieren Sie diese dann zweimal und tauschen Sie die anderen Variablen aus.
Senden Sie denselben produktionsgerechten Prompt durch alle drei und lesen Sie die Antworten nebeneinander.
Überprüfen Sie den Nutzungsblock in jeder Antwort. Multiplizieren Sie die Token-Anzahl mit der Rate jeder Stufe, und Sie erhalten eine Kostenprognose pro Anfrage, die auf Ihren eigenen Prompts basiert, nicht auf den Benchmarks anderer.

Dasselbe Setup bewährt sich auch beim Tuning des Aufwands. Ändern Sie den Aufwandsgrad bei einer gespeicherten Anfrage, senden Sie sie erneut und beobachten Sie, wie sich die Ausgabe-Token bewegen; diese Zahl multipliziert mit der Pro-Token-Rate ist Ihre Qualität-Kosten-Kurve, sichtbar gemacht für jede Anfrage einzeln.

Häufig gestellte Fragen

Ist die GPT-5.6 API für alle verfügbar?

Ja. Seit dem 9. Juli 2026 kann jedes OpenAI API-Konto alle drei Modelle im Self-Service aufrufen. Die Beschränkung der Vorab-Vorschau wurde vor der allgemeinen Verfügbarkeit aufgehoben, und der API-Zugriff hängt nicht von Ihrem ChatGPT-Plan ab. Die Planstufen gestalten lediglich das Chat-Produkt, wobei Free- und Go-Nutzer Terra erhalten und kostenpflichtige Pläne die vollständige Modellauswahl freischalten.

Was sind GPT-5.6s Kontextfenster und Wissens-Cutoff?

Laut früher Dokumentation verfügt die Familie über ein 1-Millionen-Token-Kontextfenster, eine maximale Ausgabe von 128K und einen Wissens-Cutoff vom 16. Februar 2026. Die Modellseite von OpenAI ist die maßgebliche Quelle; behandeln Sie diese als gemeldete Zahlen, bis Sie sie für Ihr Konto bestätigt haben.

Was ist der Unterschied zwischen Pro-Modus und Ultra?

Der Pro-Modus ist eine API-Einstellung (reasoning.mode: "pro"), die auf allen drei Modellen funktioniert und Geschwindigkeit gegen Antwortqualität tauscht. Ultra ist eine Multi-Agenten-Einstellung, die standardmäßig vier Agenten parallel ausführt und in ChatGPT Work auf Pro- und Enterprise-Plänen sowie Codex ab Plus aufwärts verfügbar ist. Die GPT-5.6 Ultra-Modus-Aufschlüsselung behandelt, wann die bewusste zusätzliche Token-Ausgabe sich lohnt.

Sollte ich auf Chat Completions oder der Responses API aufbauen?

Bestehender Chat Completions-Code funktioniert weiterhin mit einem Modell-ID-Tausch, es gibt also keine erzwungene Neuschreibung. Neue Builds sollten auf die Responses API abzielen: programmatische Tool-Aufrufe, Multi-Agent und persistentes Denken wurden alle dort ausgeliefert, und die GPT-5.6-Dokumentation von OpenAI konzentriert sich darauf.

Wo Sie jetzt stehen

Sie benötigen kein Migrationsprojekt, um zu beginnen. Wählen Sie Terra, führen Sie einen echten Prompt aus Ihrem Produkt mit mittlerem Aufwand durch, gehen Sie dann eine Stufe tiefer und vergleichen Sie. Implementieren Sie explizites Caching, wenn Ihre Prompts ein großes statisches Präfix teilen; die 89% Ersparnis im obigen Beispiel ist typisch dafür, was ein großer System-Prompt zurückgibt. Erst dann entscheiden Sie, wo Sol und Luna in Ihrem Stack hingehören.

Behalten Sie auch das Drei-Stufen-Vergleichs-Setup bei. Sol, Terra und Luna werden sich in ihren eigenen Rhythmen weiterentwickeln, sodass die nächste Veröffentlichung ein erneuter Durchlauf gespeicherter Anfragen und kein Forschungsprojekt ist. Apidog speichert diese Anfragen, Umgebungen und Token-Anzahlen an einem Ort, was jede zukünftige Modelleinführung zu einem Nachmittag des Testens anstatt eines Ratespiels macht.

button