Le 1er juillet 2026, OpenAI a officialisé sa gamme GPT-5.6. Mais au lieu d’un modèle unique décliné en versions mini et nano, l’éditeur propose trois modèles nommés : Sol, Terra et Luna. Derrière cette nomenclature poétique se cache une logique de positionnement très concrète sur le triangle coût, vitesse et puissance. Si vous développez une application, pilotez une équipe technique ou cherchez simplement à comprendre lequel activer dans ChatGPT ou via l’API, le choix peut vite devenir stratégique. Ce guide vous donne les clés pour distinguer ces trois versions GPT et choisir celle qui correspond vraiment à vos besoins.
En bref :
- Sol : modèle frontier le plus puissant, réservé aux tâches complexes (codage avancé, science, cybersécurité). Tarif : 5 $/M tokens entrée, 30 $/M sortie.
- Terra : modèle équilibré pour la production quotidienne, performances proches de GPT-5.5 pour moitié moins cher (2,50 $/M entrée, 15 $/M sortie).
- Luna : modèle rapide et économique pour les gros volumes (1 $/M entrée, 6 $/M sortie). Garde une fenêtre de million de tokens et des fonctions avancées.
- Tous partagent une fenêtre de contexte d’environ 1 million de tokens, un cutoff février 2026, et des capacités agentiques (appels de fonctions, JSON, recherche web, code, MCP).
- Un prompt caching agressif (90 % de remise) change l’économie réelle sur les prompts réutilisés.
GPT-5.6 : une nouvelle logique de nommage qui change la donne
Jusqu’ici, OpenAI utilisait des suffixes techniques comme mini ou nano pour signaler une version allégée du modèle phare. Avec GPT-5.6, la logique change radicalement. Le chiffre 5.6 désigne la génération, tandis que les noms Sol, Terra et Luna correspondent à des paliers de capacité pensés pour durer d’une génération à l’autre. Si vous appelez simplement gpt-5.6 dans l’API sans préciser le nom, la requête part automatiquement vers Sol, le modèle par défaut.
Le socle commun aux trois modèles
Avant de plonger dans les différences, il faut connaître les bases partagées. Chaque modèle offre une fenêtre de contexte de l’ordre du million de tokens, soit de quoi ingérer un gros dossier ou une base de code entière en une seule fois. La connaissance s’arrête en février 2026. L’entrée accepte texte et image, la sortie est textuelle uniquement (attention : la multimodalité étendue que vous croisez sur certaines plateformes vient des services entourant le modèle, pas du modèle lui-même). Les capacités agentiques sont complètes : appels de fonctions, sorties structurées en JSON, recherche web, exécution de code et compatibilité avec le protocole MCP. Enfin, un prompt caching agressif offre 90 % de remise sur les relectures de contexte déjà vu, ce qui change beaucoup l’économie réelle quand vous réutilisez un gros prompt.
Un point technique important : au-delà de 272 000 tokens en entrée, le tarif double sur l’entrée et augmente de moitié sur la sortie, pour toute la requête. Un contexte d’un million de tokens, c’est puissant, mais ça se paie. Pour optimiser, mieux vaut structurer ses prompts en conséquence.
Sol : le modèle frontier pour les tâches complexes
Sol est le sommet de la gamme. OpenAI le positionne comme son modèle frontier pour le travail professionnel complexe : codage avancé, recherche scientifique, cybersécurité, pilotage d’agents autonomes. Techniquement, il offre une fenêtre de contexte d’environ 1,05 million de tokens et jusqu’à 128 000 tokens en sortie. Deux nouveautés notables : un niveau d’effort max pour le raisonnement profond, et un mode ultra qui orchestre plusieurs sous-agents en parallèle sur une même tâche.
Pourquoi Sol est le plus économe au résultat
Les chiffres de performance parlent d’eux-mêmes. Sur Terminal-Bench 2.1, un test de codage agentique exigeant, Sol atteint 91,9 % en mode ultra et 88,8 % en mode standard, le plaçant en tête du secteur. Mais le détail le plus intéressant vient de CodeRabbit : sur les longs runs de codage, Sol produit environ 21 000 tokens par tâche réussie, presque trois fois moins que Terra (55 000 tokens). Un modèle plus cher au token peut donc coûter moins cher au résultat final. Tarifs API : 5 $ par million de tokens en entrée, 30 $ en sortie, 0,50 $ pour l’entrée servie par le cache. Pour qui ? Le débogage multi-fichiers, le refactoring de gros modules, les workflows qui tournent plusieurs heures, la recherche scientifique et la cybersécurité défensive. Si votre tâche est ambiguë, critique et longue, c’est lui qu’il vous faut.
Terra : l’équilibre pour la production quotidienne
Terra est le modèle du milieu, celui que la majorité des projets devraient utiliser par défaut. Son argument massue : il offre des performances comparables au précédent modèle phare (GPT-5.5) pour environ deux fois moins cher. La fenêtre de contexte tourne autour du million de tokens. Le raisonnement est élevé, sans atteindre le niveau maximal de Sol. Terra encaisse la grande majorité des charges de travail sans broncher. Vous ne sortez l’artillerie Sol que pour les cas qui le justifient vraiment.
Quand Terra devient le choix par défaut
Tarifs API : 2,50 $ par million de tokens en entrée, 15 $ en sortie, soit exactement la moitié de Sol. Attention : Terra est plus bavard que Sol. Sur les mêmes tâches de codage longues, il produit en moyenne 55 000 tokens par tâche réussie contre 21 000 pour Sol. Résultat, sur certaines tâches complexes, l’économie réelle par rapport à Sol est plus faible que le simple ratio de prix ne le laisse croire. Le prix au token ne dit pas tout : ce qui compte, c’est le coût du résultat final. Pour qui ? Le triage de tickets support, l’extraction de données structurées, le résumé de documents, la génération de contenu, le codage à périmètre défini (une fonctionnalité isolée, une correction ciblée). L’architecture idéale consiste souvent à mettre Terra par défaut et à escalader vers Sol sur les exceptions.
Luna : rapidité et économie pour le volume
Luna ferme la marche côté prix, mais ne vous fiez pas à son statut de petit modèle. Conçu pour les charges à très fort volume où la latence et le coût priment, il conserve une fenêtre de contexte d’environ 1,05 million de tokens et jusqu’à 128 000 tokens en sortie, comme Sol. Plus surprenant, les fiches techniques le classent en raisonnement élevé et en vitesse rapide, malgré son tarif plancher. Il garde l’accès aux fonctions avancées : recherche web, recherche de fichiers, génération d’images, exécution de code, compatibilité MCP. Selon les benchmarks tiers disponibles (à confirmer par OpenAI), il obtient de bons scores sur les tests de codage et de raisonnement scientifique. Tarifs API : 1 $ par million de tokens en entrée, 6 $ en sortie, 0,10 $ pour l’entrée en cache. Pour donner un ordre de grandeur, traiter un million de tokens en entrée et cent mille en sortie revient à environ 1,60 $.
Quels cas d’usage pour Luna ?
- Chatbots à grande échelle (support client, FAQ intelligente)
- Classification automatique et routage de requêtes
- Extraction normalisée de données en masse
- Résumé de documents en volume
- Première ligne d’une architecture agentique : filtre et pré-analyse, puis passe la main à Terra ou Sol pour les cas plus fins
Un conseil : ne choisissez pas Luna sur le seul critère du prix. Vérifiez d’abord qu’il atteint le niveau de précision dont vous avez besoin.
Comparatif complet des trois modèles
Le tableau ci-dessous résume les caractéristiques principales de chaque version GPT. Il vous permet de visualiser rapidement les écarts de prix et de positionnement. Utilisez-le comme une grille de décision.
| Critère | Sol | Terra | Luna |
|---|---|---|---|
| Positionnement | Frontier, puissance max | Équilibré, production | Rapide, économique |
| Contexte | ~1,05 M tokens | ~1 M tokens | ~1,05 M tokens |
| Sortie max | 128 000 tokens | ~128 000 tokens | 128 000 tokens |
| Cutoff | Février 2026 | Février 2026 | Février 2026 |
| Prix entrée / M | 5 $ | 2,50 $ | 1 $ |
| Prix sortie / M | 30 $ | 15 $ | 6 $ |
| Cible | Codage complexe, science, cyber | Support, contenu, code cadré | Chatbots, classification, volume |
Comment choisir son modèle selon son usage
Passons au concret. La meilleure stratégie consiste à raisonner en fonction de votre profil et de vos besoins réels. Intelligence artificielle et modèles de langage ne se valent pas tous pour une même tâche. Voici trois scénarios types.
Vous développez et travaillez sur du code complexe
Partez sur Sol. Refactoring lourd, débogage multi-fichiers, agents de codage qui tournent longtemps : c’est son terrain. Activez le mode ultra pour les tâches les plus dures. Le coût au token est plus élevé, mais le coût au résultat est souvent inférieur à celui de Terra ou Luna, grâce à une production de tokens plus faible par tâche réussie. Si vous gérez des projets de taille modeste, testez d’abord Terra : il peut suffire pour une fonctionnalité isolée.
Vous êtes une entreprise avec des workflows de production classiques
Prenez Terra comme modèle par défaut. Support client, extraction, résumés, génération de contenu, code à périmètre borné. Vous escaladez vers Sol uniquement sur les cas qui le méritent. Cette approche permet de maîtriser les coûts tout en bénéficiant d’une qualité proche du modèle frontier. Pour les tâches très simples ou à très gros volume, n’hésitez pas à déléguer à Luna en première ligne.
Vous gérez du très fort volume avec un budget serré
Luna est votre allié. Classification, routage, chatbots grand public, traitement de masse. Mais validez toujours qu’il tient le niveau de qualité attendu avant de déployer. La stratégie la plus maligne consiste d’ailleurs à combiner les trois : Luna en première ligne pour filtrer, Terra pour la complexité moyenne, Sol pour les cas critiques. Vous payez le juste prix pour chaque tâche au lieu d’envoyer systématiquement le modèle le plus cher. Un dernier réflexe : ne raisonnez jamais uniquement en prix au token. Le vrai coût dépend du nombre de tokens produits, du nombre de tentatives avant d’obtenir un bon résultat, et des corrections humaines nécessaires derrière. Un modèle plus cher qui réussit du premier coup peut revenir moins cher qu’un modèle bon marché qu’il faut relancer trois fois.
Pour approfondir le sujet des alternatives, n’hésitez pas à consulter cette analyse des alternatives à ChatGPT en 2026. Et si vous souhaitez comprendre le fonctionnement des protocoles agentiques comme MCP, cet article détaille le protocole MCP.
Avec Sol, Terra et Luna, OpenAI abandonne la logique du modèle unique décliné en versions dégradées. Désormais, chaque modèle est pensé pour un usage précis : Sol pour la puissance brute, Terra pour l’équilibre, Luna pour la vitesse et le coût. La grille est simple à retenir et évite de payer pour de la puissance dont vous n’avez pas besoin. Mon conseil : commencez par Terra pour la plupart de vos usages, gardez Sol sous le coude pour les tâches vraiment complexes, et déployez Luna dès que le volume devient un enjeu. Testez les trois sur vos propres cas avant de trancher, car aucun benchmark ne remplace un essai sur vos données réelles.
