GPT-5.6: Sol, Terra och Luna — OpenAIs nya modellfamilj förklarad

GPT-5.6: Sol, Terra och Luna — OpenAIs nya modellfamilj förklarad

GPT-5.6 är OpenAIs modellgeneration från 9 juli 2026, och den släpptes som tre modeller i stället för en: Sol (flaggskeppet), Terra (balansen mellan pris och prestanda) och Luna (den snabba och billiga). Alla tre delar 1,05 miljoner tokens kontextfönster och samma kunskapsgräns — skillnaden ligger i kapacitet och pris. Här går vi igenom vad som skiljer dem åt, vad de kostar och hur du väljer rätt nivå.

En ny generation, tre modeller

Den 9 juli 2026 släppte OpenAI GPT-5.6 — men inte som en enda modell. Den här gången kommer generationen i tre varianter: Sol, Terra och Luna. Det är ett medvetet brott med hur OpenAI namngett sina modeller tidigare, och det säger en hel del om vart branschen är på väg.

Tanken är enkel men genomtänkt: siffran (5.6) markerar generationen, medan namnet markerar en kapacitetsnivå som kan uppdateras i sin egen takt. Sol kan alltså få en efterföljare utan att Terra eller Luna rör sig, och tvärtom. Det löser ett problem många av oss känner igen — att välja "rätt" modell har blivit svårare för varje lansering.

Sol, Terra och Luna — vad skiljer dem åt

• Sol är flaggskeppet. Byggd för tung resonemangsförmåga och långa, agentiska arbetsflöden — den modell OpenAI kallar sin mest kapabla någonsin.
• Terra är balansmodellen. Prestanda i klass med GPT-5.5, men till halva kostnaden — ett naturligt förstahandsval för vardaglig kodning och agentarbete.
• Luna är den snabba och billiga varianten. Tänkt för mindre uppgifter i stor skala, där latens och pris väger tyngre än rå kapacitet.

Alla tre delar samma tekniska ramverk: 1,05 miljoner tokens i kontextfönster, upp till 128 000 tokens i output, och samma kunskapsgräns (16 februari 2026). Du väljer även "reasoning effort" per anrop — från none till max — vilket gör att samma modell kan tunas för allt från snabba svar till djup problemlösning.

Bild: mikemacmarketing, Flickr (CC BY 2.0)

Pris och prestanda

Vid lansering kostade Sol 5$ per miljon input-tokens och 30$ per miljon output-tokens. Terra låg på 2,50/15$ och Luna på 1/6$. Redan 30 juli 2026 sänkte OpenAI priset på Luna med 80 % och Terra med 20 % — Sol förblev oförändrad. Ett tecken på hur snabbt konkurrensen om de billigare modellnivåerna pressar priser nedåt.

Värt att notera: skickar du in mer än 272 000 tokens i en och samma förfrågan slår en surcharge in — dubbelt pris på input och 1,5x på output för hela anropet, inte bara det som överstiger gränsen.

På benchmarks som Terminal-Bench 2.1 (agentisk kodning) landar Sol strax över både Claude Mythos 5 och GPT-5.5 — marginellt, men mätbart. Luna, den billigaste modellen i familjen, klarar ändå 62,7 % på SWE-Bench Pro, vilket visar hur mycket kapacitet som numera ryms i "det snabba och billiga" alternativet.

Vad namnbytet faktiskt betyder

Det här är den intressanta delen. Genom att separera generation från kapacitetsklass kan OpenAI uppdatera en enskild tier utan att tvinga alla användare att byta modell samtidigt. Bygger du ett system runt Terra i dag, är tanken att nästa "Terra" ska kännas som en naturlig uppgradering — inte ett nytt namn du måste researcha från grunden.

Det påminner om hur Anthropic delat upp sina egna modeller i Opus, Sonnet och Haiku — fast med en generationssiffra ovanpå. Vill du se hur Claude-familjens motsvarande nivåer, priser och benchmarks ser ut har vi samlat det i vår guide till Claude.

Vad det betyder för dig som bygger med AI

• Välj nivå efter uppgift, inte efter hajp. Sol för komplext agentarbete, Terra för vardagskodning, Luna för volym.
• Räkna på long-context-surchargen om du kör stora dokument eller kodbaser genom modellen — den kan tredubbla notan om du inte planerar för det.
• Håll koll på prisändringar. Priscykeln på tre veckor mellan lansering och rabatt visar att kostnadsbilden fortfarande rör sig snabbt.
• Bygg med ett abstraktionslager. Oavsett om du kör OpenAI eller Claude gör en tunn integrationsyta det enkelt att byta nivå — eller leverantör — när nästa modell landar.

Modellkapplöpningen fortsätter, och namnen blir fler. Det viktiga är att förstå vad varje nivå faktiskt är byggd för — inte bara vad den heter. Är begreppen kontextfönster och tokens nya för dig går vi igenom grunderna i vad en LLM är, och vill du se hur modellerna presterar mot varandra i praktiken har vi testat dem i vår jämförelse av AI-chatbottar.