Massive Preissenkung: OpenAI macht günstigstes KI-Modell noch billiger

OpenAI hat die API-Preise für das gesamte GPT 5.6 Lineup gesenkt, über das wir zum Launch berichtet haben. Das Unternehmen führt die Preissenkungen auf Effizienzverbesserungen zurück, an denen das Modell selbst mitgewirkt haben soll. GPT-5.6 Luna, die schnellste und günstigste Variante, kostet nun 80 Prozent weniger. Der Preis von GPT-5.6 Terra, dem ausgewogenen Modell für alltägliche Aufgaben, sinkt um 20 Prozent. Die Änderungen sind am 30. Juli in Kraft getreten.

Die Abonnementpreise und Nutzungskontingente für ChatGPT und Codex bleiben unverändert. Die Verwendung von Terra und Luna verbraucht innerhalb dieser Tarife nun jedoch weniger Credits.

OpenAI hat außerdem einen Fast-Modus für die API eingeführt, der die bisherige Stufe Priority Processing ersetzt. Bei GPT-5.6 Sol arbeitet dieser Modus bis zu 2,5-mal schneller als die Standardverarbeitung, kostet jedoch doppelt so viel. Die Qualität der Ausgaben soll unverändert bleiben. Bestehende Anfragen mit der Kennzeichnung "priority" werden automatisch übernommen.

Laut OpenAI erreicht Luna inzwischen das Leistungsniveau von Modellen, die vor einem Jahr noch zur Spitzenklasse gezählt haben, benötigt dabei aber nur rund 6 Prozent der Kosten pro Aufgabe und arbeitet fast neunmal so schnell. Das Unternehmen hat Luna zudem direkt mit einem Konkurrenten verglichen: Im auf professionelle Aufgaben ausgerichteten Benchmark Agents' Last Exam soll das Modell Claude Fable 5 übertreffen, während die geschätzten Kosten pro Aufgabe fast 99 Prozent niedriger ausfallen.

OpenAI führt die Fortschritte auf Optimierungen in drei Bereichen zurück: der Modellarchitektur, den Inferenzsystemen und der agentischen Laufzeitumgebung, die Modelle mit Werkzeugen verbindet. Bemerkenswert ist, dass GPT-5.6 Sol laut dem Unternehmen selbst an der Suche nach diesen Effizienzsteigerungen beteiligt gewesen ist. Das Modell hat Produktions-Kernels eigenständig neu geschrieben und Hunderte Experimente zur Verbesserung der Token-Generierung durchgeführt. Die Kernel-Optimierungen haben die End-to-End-Kosten des Modellbetriebs um 20 Prozent gesenkt, während die Experimente die Effizienz der Token-Generierung um mehr als 15 Prozent gesteigert haben.