Qu'est-ce que GPT-6 Sol ? ID du modèle, Tarifs, Contexte 872K et Benchmarks

Si vous avez vu gpt-6-sol apparaître dans un journal des modifications le 22 septembre 2026 et avez supposé qu'il s'agissait du GPT-5.6 Sol que vous aviez déjà intégré, arrêtez-vous là. Ce n'est pas le même modèle. OpenAI a réutilisé le nom du niveau et a lancé un nouveau modèle en dessous, entraîné avec des méthodes similaires à GPT-6 Astra, à un prix différent, avec une fenêtre contextuelle différente et un profil d'évaluation différent.

Cette décision de dénomination coûtera de l'argent et des heures de débogage aux équipes. Cet article couvre ce qu'est réellement GPT-6 Sol : l'ID du modèle, son coût, les chiffres publiés par OpenAI, la mesure déjà obsolète, et où vous pouvez l'appeler aujourd'hui.

GPT-6 Sol en un coup d'œil

À titre de comparaison au sein de la même famille : GPT-6 Astra coûte 10 $/50 $, et GPT-6 Luna coûte 0,10 $/0,50 $ avec une fenêtre contextuelle de 1M et un indice de 37. La propre déclaration d'OpenAI est qu'Astra "continue d'être notre meilleur modèle dans l'ensemble", donc Sol n'est pas le produit phare. C'est le niveau où le coût par tâche a évolué.

C'est un nouveau modèle, pas un niveau renommé

La famille GPT-5.6 était Sol, Terra et Luna. La famille GPT-6 est Astra, Sol et Luna. Deux noms ont été repris, un ne l'a pas été, et un est nouveau.

Il n'y a pas de GPT-6 Terra. Si vous avez construit une échelle de niveaux autour du schéma de dénomination de GPT-5.6, le barreau du milieu a disparu et les barreaux restants se situent à des hauteurs différentes. Notre ancienne comparaison de Sol contre Terra et Luna décrit la génération précédente et doit être lue comme historique.

La lignée des prix rend la rupture évidente :

Les prix sont par million de jetons d'entrée et par million de jetons de sortie. Les lignes "prix catalogue" et "prix promotionnel" de GPT-5.6 proviennent de notre propre couverture à l'époque : tarification GPT-5.6 et la réduction de prix GPT-5.6.

Ce que "50% moins cher" signifie réellement

OpenAI décrit Sol et Luna comme 50% moins chers que la tarification promotionnelle de GPT-5.6. Le mot promotionnel est celui d'OpenAI, et il est important. La comparaison se fait par rapport à un tarif réduit, et non au prix catalogue avec lequel GPT-5.6 a été lancé.

Mesuré par rapport au prix catalogue de GPT-5.6 Sol de 5 $/30 $, GPT-6 Sol à 2 $/10 $ représente une réduction de 60% sur l'entrée et de 67% sur la sortie. La réduction réelle est plus importante que le titre, et le titre est mesuré à partir d'une réduction. Les deux affirmations sont vraies simultanément, et vous voulez la seconde dans votre modèle budgétaire plutôt que la première.

Une chose qui n'a pas changé est qu'un coût par jeton moins cher ne produit pas automatiquement une facture moins chère. Les modèles de raisonnement dépensent des jetons de sortie pour la réflexion. Un modèle qui coûte deux fois moins cher par jeton et pense trois fois plus longtemps n'est pas une économie. C'est pourquoi OpenAI a présenté ses chiffres de lancement avec le coût par tâche plutôt que le coût par jeton.

Les évaluations publiées

Chaque chiffre ci-dessous provient du matériel de lancement d'OpenAI. Le réglage de l'effort de raisonnement est entre parenthèses car ces modèles obtiennent des scores très différents à différents niveaux d'effort, et une ligne d'évaluation sans son réglage d'effort n'est pas un nombre utilisable.

Le schéma est cohérent pour les quatre : Sol se situe au niveau ou légèrement au-dessus des modèles de pointe par rapport auxquels il est comparé, pour une fraction du coût par tâche. Sur AutomationBench, Sol en mode très élevé bat Claude Opus 5 en mode max pour 9% du coût par tâche d'Opus 5. Une configuration Claude Fable 5.1 avec un repli Opus 5 obtient 31,4%, en dessous de Sol, pour plus de 8,9 fois le coût.

OpenAI déclare également que Sol fait environ deux fois moins d'erreurs de factualité que son prédécesseur.

La comparaison qui a expiré le jour du lancement

Relisez ce tableau et notez le modèle Claude par rapport auquel il est évalué. Claude Opus 5.

Anthropic a lancé Claude Opus 5.5 le même jour, à 4 $/20 $ contre 5 $/25 $ pour Opus 5, et il a pris la première place des 212 modèles classés sur l'indice d'Intelligence d'Analyse Artificielle, avec un score de 58. Le billet de lancement d'OpenAI a été écrit avant l'existence de ce modèle, donc chaque phrase "bat Opus 5 à 9% du coût" est mesurée par rapport à un modèle qui a été remplacé en quelques heures.

Cela ne rend pas les chiffres d'OpenAI faux. Ils sont précis pour la comparaison qu'ils ont effectuée. Cela signifie que vous ne devriez pas les intégrer dans un dossier d'approvisionnement de 2027 comme étant l'état actuel des choses. Si vous avez besoin d'une réponse Sol contre Opus 5.5, personne n'en a encore publié, et les chiffres en face-à-face circulant sur les réseaux sociaux proviennent de testeurs individuels plutôt que de l'un ou l'autre fournisseur.

Notre pilier de la guerre des prix suit les trois lancements dans un seul tableau.

Le modèle bon marché n'est pas le modèle rapide

Des mesures tierces d'Artificial Analysis placent GPT-6 Sol à 115,2 jetons de sortie par seconde avec un temps jusqu'au premier jeton de 102,15 secondes dans sa configuration de raisonnement maximale. GPT-6 Luna, le modèle moins cher, est plus lent pour le premier jeton, à 124,23 secondes.

Deux mises en garde avant de planifier autour de ces chiffres. Ils proviennent de tiers, non publiés par le fournisseur. Et ils concernent spécifiquement les variantes de raisonnement maximal, qui est le réglage le plus cher à exécuter et le plus lent à répondre. Les niveaux d'effort inférieurs se comporteront différemment, et OpenAI n'a pas publié ses propres chiffres de latence.

Même avec ces deux mises en garde, la forme du résultat est ce qu'il faut retenir. Une attente de 102 secondes avant l'arrivée du premier jeton n'est pas un écart que votre configuration de délai d'attente existante est susceptible de survivre. Les délais d'attente par défaut des clients HTTP sont de 30 ou 60 secondes. Les équilibreurs de charge se mettent en veille. Les fonctions sans serveur atteignent leur plafond d'exécution. Si vous déplacez un point de terminaison synchrone de GPT-5.6 Sol vers GPT-6 Sol à effort élevé, le travail d'intégration se trouve dans votre couche de délai d'attente et de streaming, et non dans l'invite.

Cela vaut la peine de le mesurer vous-même plutôt que de nous faire confiance ou de faire confiance à Artificial Analysis. Dans Apidog, vous pouvez pointer une requête vers le point de terminaison d'OpenAI, définir l'ID du modèle comme variable d'environnement afin qu'une seule collection couvre chaque niveau, et lire le temps de réponse directement après chaque exécution. Construisez la même requête trois fois à trois niveaux d'effort, enregistrez-les comme scénario de test, et vous aurez votre propre tableau de latence pour vos propres invites en une dizaine de minutes. Ce chiffre est celui à partir duquel votre configuration de délai d'attente devrait être construite.

La mise en cache des invites a eu une véritable publication

Parallèlement aux modèles, OpenAI a lancé des modifications de mise en cache qui importent plus que le prix affiché pour quiconque exécute des agents :

• 90% de réduction sur les lectures d'entrée mises en cache. Pour une entrée à 2$, une lecture mise en cache coûte 0,20$ par million de jetons.
• Taux de réussite de cache plus élevés par défaut, sans nécessiter de modification de code.
• La modification de l'effort de raisonnement ou de la disponibilité des outils ne rompt plus le cache. Auparavant, l'augmentation de l'effort en cours de conversation invalidait le préfixe mis en cache.
• Points d'arrêt explicites, pour que vous choisissiez où un préfixe mis en cache se termine au lieu de deviner.
• Un tableau de bord de mise en cache des invites et un outil de diagnostic, afin que le taux de réussite ne soit plus invisible.

GitHub rapporte plus de 50% de jetons d'invite en moins nécessitant un traitement frais sur des milliards de requêtes. Sur une fenêtre contextuelle de 872 000 jetons, la différence entre un taux de réussite de 20% et un de 80% est la différence entre un produit agent viable et un que vous fermez discrètement.

Le changement d'effort et de disponibilité des outils est le coup de génie (passé inaperçu). Les boucles d'agents augmentent régulièrement l'effort lorsqu'une tâche devient difficile et échangent des ensembles d'outils entre les étapes de planification et d'exécution. Selon l'ancien comportement, ces deux mouvements rejetaient le cache précisément lorsque le contexte était le plus long.

Où vous pouvez l'appeler aujourd'hui

L'absence dans le Chat est ce qui déroute les gens. Si vous vérifiez généralement une invite dans l'interface grand public de ChatGPT avant de l'intégrer dans votre code, vous ne trouverez pas GPT-6 Sol là-bas. Utilisez Codex ou allez directement à l'API.

Un appel minimal ressemble à ceci :

curl https://api.openai.com/v1/responses \
  -H "Authorization: Bearer $OPENAI_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "model": "gpt-6-sol",
    "input": "Summarize the breaking changes in this OpenAPI diff.",
    "reasoning": { "effort": "high" }
  }'

Confirmez la forme de la requête par rapport à la référence de modèle actuelle d'OpenAI avant de le déployer. L'ID du modèle est la partie que nous avons vérifiée.

Quelle est sa valeur pour vous

Un chiffre du lancement d'OpenAI donne une idée de la cible de cette tarification : le chercheur OpenAI médian dépense plus de 600 $ par jour pour les agents de codage, et le 90e centile dépense 7 000 $ par jour. À cette échelle, une réduction de 80% du coût par tâche est un poste budgétaire, pas une erreur d'arrondi.

Pour la plupart des équipes, le calcul est plus petit et plus spécifique :

Quelle que soit la direction que vous prenez, le changement est un changement de comportement, pas un changement de configuration. Même invite, nouveau modèle, sorties différentes. Exécutez votre suite de tests API existante par rapport au nouvel ID de modèle avant d'y acheminer le trafic de production, et vérifiez le schéma de réponse et la latence, pas seulement un code de statut 200. C'est exactement l'écart entre un modèle qui donne de bons résultats d'évaluation et un modèle qui fonctionne dans votre pile.