GPT-6 : Luna, Sol ou Astra, quel modèle choisir ?

Trois modèles GPT-6, plusieurs niveaux de réflexion et des prix qui vont du simple au centuple : le choix mérite mieux qu’un clic sur le réglage le plus puissant. GPT-6 Astra, Sol et Luna sont bien disponibles, mais ils ne répondent pas au même besoin. Et ce que vous pouvez sélectionner dans Codex n’est pas forcément proposé dans une conversation ChatGPT classique.

Ce qui m’intéresse dans cette nouvelle gamme, c’est la possibilité de réserver le travail coûteux aux moments où il apporte vraiment quelque chose. Trier des données, reprendre un site et examiner un dossier contradictoire sont trois tâches différentes. Je ne leur donnerais ni le même modèle, ni le même budget de réflexion.

GPT-6 : Astra le 3 septembre, Sol et Luna le 22 septembre 2026

Le journal des sorties de l’API OpenAI donne deux dates distinctes : GPT-6 Astra est sorti le 3 septembre 2026, puis GPT-6 Sol et GPT-6 Luna le 22 septembre. Il ne s’agit donc pas de trois annonces simultanées.

Par rapport à la famille GPT-5.6 Sol, Terra et Luna, le changement de repères est important. Le modèle le plus ambitieux de la gamme GPT-6 s’appelle Astra. Sol occupe une place intermédiaire et Luna reste l’option économique. Le catalogue actuel ne présente pas de GPT-6 Terra. Cela ne signifie pas que GPT-5.6 Terra a soudain disparu.

OpenAI annonce notamment des progrès de fiabilité factuelle, de communication et de code pour Sol et Luna. Je les prends pour ce qu’ils sont à ce stade : des améliorations annoncées par l’éditeur. Pour savoir si elles vous font gagner une heure sur un audit ou dix minutes sur une correction, il faut encore regarder le résultat sur vos propres fichiers.

GPT-6 Luna, Sol et Astra : les différences qui comptent

Ce tableau est ma grille de choix à partir du positionnement documenté par OpenAI, pas un classement issu d’un test comparatif réalisé ici. Une tâche courte peut être difficile. À l’inverse, un traitement de milliers de lignes peut rester simple si les règles sont claires.

Je commencerais par Sol lorsque je ne sais pas encore où se situe la difficulté. Si le travail se révèle très régulier, je testerais Luna sur un échantillon représentatif. Si Sol manque une contrainte essentielle malgré une demande claire, je comparerais avec Astra. Cette progression me paraît plus utile que de décider une fois pour toutes qu’un modèle est « le meilleur ».

ChatGPT 6, Work, Codex et API : attention au nom de l’interface

GPT-6 est une famille de modèles ; ChatGPT est un produit. Chercher « ChatGPT 6 » est compréhensible, mais ce raccourci peut faire attendre un bouton qui n’existe pas dans l’interface utilisée. Au 26 septembre, OpenAI précise que Sol et Luna sont proposés dans Work et Codex, pas dans Chat, la conversation classique. Le déploiement annoncé le 22 septembre dépend aussi du forfait, du client et des réglages de l’espace de travail.

• Dans Work et Codex : recherchez le modèle dans le sélecteur, puis ses options de raisonnement. Les offres Plus, Pro, Business, Enterprise et Edu sont concernées par le déploiement de Sol et Luna.
• Sur Free et Go : l’annonce mentionne Luna dans l’application de bureau. Ce n’est pas une promesse d’accès identique à tous les modèles.
• Dans un compte d’entreprise : un modèle peut dépendre d’une activation par l’administrateur.
• Dans l’API : les identifiants sont gpt-6-luna, gpt-6-sol et gpt-6-astra. La facturation à l’usage est à distinguer de celle de l’abonnement ChatGPT.

Astra figure également parmi les modèles de Work et Codex. Je vérifierais cependant son accès directement dans votre sélecteur et sur la page des offres et limites, plutôt que de déduire ses droits d’accès de ceux de Luna. Un nom de modèle, un abonnement et un crédit API sont trois choses différentes.

Les niveaux de réflexion : Low, Medium, High, xhigh, Max et Ultra

Choisir Sol ou Astra ne suffit pas : le niveau de raisonnement change aussi la manière de dépenser du temps et des tokens. Ce n’est pas un simple réglage de longueur de réponse. Une conclusion courte peut demander beaucoup de travail en amont.

La documentation des modèles dans l’application précise que Luna va jusqu’à Max, sans Ultra. Les options visibles peuvent dépendre du client et des réglages. Light dans certaines interfaces correspond à low ; Extra High correspond à xhigh.

Dans l’API, Sol et Luna acceptent none, low, medium, high, xhigh et max. Leur valeur par défaut documentée est medium. Astra accepte les mêmes niveaux à partir de low, mais pas none. N’envoyez pas ultra comme valeur de reasoning.effort : ce n’est pas une valeur de ce paramètre.

Mon critère serait le suivant : si je passe plus de temps à reprendre le résultat qu’à attendre sa production, je monte d’un cran ou je compare un autre modèle. Si le travail est déjà correct, augmenter systématiquement la puissance n’apporte pas forcément de valeur. Et je garde la même tâche témoin pour comparer, sinon le ressenti devient vite trompeur.

Prix de GPT-6 : Luna est très accessible, Astra se justifie tâche par tâche

Voici les tarifs API Standard observés le 26 septembre 2026, en dollars pour un million de tokens, avec au plus 272 000 tokens d’entrée. Ils ne représentent pas le prix d’un abonnement ChatGPT.

Combien coûtent 20 000 tokens d’entrée et 4 000 de sortie ?

Supposons 20 000 tokens d’entrée non mis en cache et 4 000 tokens de sortie facturés, sans appel à un outil payant. Le calcul donne :

• Luna : 0,004 $, soit 0,4 centime de dollar.
• Sol : 0,08 $.
• Astra : 0,40 $.

À volumes identiques, Sol coûte ici vingt fois Luna et Astra cinq fois Sol. Ce n’est pas une mesure du coût réel d’une tâche réussie. Les modèles ne consomment pas nécessairement autant de tokens, ne font pas le même nombre d’appels et ne demandent pas le même temps de correction. Un résultat inutilisable à bas prix reste du travail à refaire.

Les tokens de raisonnement comptent dans la facture

Les tokens de raisonnement sont facturés comme de la sortie, même s’ils n’apparaissent pas dans la réponse. Les 4 000 tokens de l’exemple doivent donc comprendre cette consommation, pas seulement les mots que vous lisez. Les outils, nouvelles tentatives et échanges successifs peuvent aussi ajouter des coûts.

Autre détail important : au-delà de 272 000 tokens d’entrée, les taux d’entrée et de cache doublent et le taux de sortie est multiplié par 1,5 pour toute la requête. Il ne s’agit pas d’un supplément appliqué uniquement à la tranche dépassée. Les modes Batch et Flex affichent la moitié des taux Standard ; Fast coûte le double des taux applicables. Leur intérêt dépend des contraintes du traitement.

Attention si vous utilisez les crédits Work ou Codex : leur barème est distinct. Le mode Fast y consomme 2,5 fois le taux Standard pour GPT-6, contre deux fois dans l’API. Work et Codex partagent aussi leur consommation : ce ne sont pas deux réserves indépendantes. Je vérifierais donc le tableau de bord correspondant au compte utilisé, pas uniquement le tarif API.

Pour un usage régulier, je suivrais le coût total, les erreurs et le temps de reprise sur un petit ensemble de tâches réelles. C’est plus parlant que d’extrapoler un abonnement mensuel à partir d’une seule réponse. Cette logique rejoint mon guide pour calculer le budget d’une stack SEO et IA.

Un million de tokens de contexte ne signifie pas une mémoire infinie

Les fiches API de Luna, Sol et Astra annoncent chacune 1 050 000 tokens de contexte et 128 000 tokens de sortie maximum. Ce sont des capacités API, pas la promesse que toutes les interfaces exposent exactement les mêmes limites.

Le contexte est ce que le modèle peut prendre en compte pendant son traitement. La mémoire persistante, la recherche dans un ancien échange et l’accès à un fichier relèvent aussi du logiciel qui l’entoure. Je ne considérerais donc jamais un gros fichier envoyé une fois comme « mémorisé pour toujours ».

OpenAI documente par ailleurs une gestion expérimentale du contexte avec Astra dans certains clients Codex : des notes et une recherche dans les échanges précédents de la tâche. Elle est désactivée par défaut, avec des conditions d’accès particulières. C’est justement un bon exemple de fonctionnalité du client qu’il ne faut pas attribuer automatiquement à toute requête GPT-6.

Les dates de connaissances annoncées diffèrent aussi : 20 avril 2026 pour Sol, 30 avril pour Astra et 18 mai pour Luna. Un modèle plus récent dans le sélecteur ne connaît donc pas spontanément tout ce qui s’est produit hier. Pour une annonce, un tarif ou une règle Google, je demanderais des sources actuelles, puis j’ouvrirais les pages citées. Mon comparatif Deep Research, Perplexity et assistants IA détaille cette différence entre chercher une information et la vérifier.

Les nouveautés les plus intéressantes ne sont pas seulement dans les réponses

Le guide GPT-6 pour les développeurs met en avant des possibilités utiles quand le modèle travaille avec des outils. Elles ne s’activent pas toutes par magie dans n’importe quelle application.

Avancer pendant qu’un outil travaille

Avec les appels asynchrones, GPT-6 peut poursuivre une partie indépendante du travail pendant qu’un outil s’exécute. Dans une application bien conçue, cela évite d’attendre inutilement chaque résultat. L’application doit toujours lancer l’outil, conserver l’identifiant de l’appel et lui retourner sa réponse. Le modèle n’héberge pas votre programme à votre place.

Corriger la direction en cours de travail

Le pilotage en cours de réponse, ou mid-turn steering, permet d’ajouter une instruction pendant l’exécution via l’intégration prévue, notamment WebSocket. Pour un travail long, pouvoir préciser une contrainte sans tout recommencer peut compter davantage qu’une petite amélioration de vitesse.

Adapter les réglages sans tout reconstruire

La documentation décrit aussi des mises à jour de configuration pendant la conversation, dont le raisonnement, tout en préservant le cache compatible. Je verrais bien une application réserver une analyse approfondie aux étapes difficiles, puis revenir à un traitement plus léger. Cela reste un choix d’intégration à tester, pas un mécanisme d’économie garanti.

Et les images ? GPT-6 peut analyser des images et utiliser des outils de génération. Cela ne transforme pas Luna, Sol ou Astra en modèles de génération d’images natifs. Pour les rendus visuels, les différences entre modèles spécialisés restent une autre question, abordée dans mon comparatif Image 2, Flare et Sunburst.

Quel GPT-6 choisir pour le SEO, la rédaction et la création de sites ?

Analyser des exports SEO : séparer le tri de la conclusion

Pour préparer un export, normaliser des libellés ou rapprocher des lignes selon des règles écrites, je commencerais par Luna. Mais expliquer une baisse de visibilité est une autre affaire : il faut distinguer une saisonnalité, un changement de pages, des données incomplètes et plusieurs causes possibles. Je choisirais plutôt Sol, puis Astra si le dossier devient vraiment difficile.

Le contrôle essentiel reste le même : retrouver chaque chiffre dans le fichier, demander ce qui contredirait l’hypothèse et ne pas confondre corrélation et explication. Un modèle très convaincant peut être plus dangereux qu’un modèle hésitant s’il présente une supposition comme un diagnostic acquis.

Rédiger : le meilleur réglage ne remplace pas une voix

Pour réécrire un passage précis sans perdre ses faits, Luna peut être un bon candidat à essayer. Pour construire une comparaison qui tient compte d’objections et de sources, Sol est mon point de départ. Je réserverais Astra aux dossiers où la difficulté vient de la compréhension et des contradictions, pas simplement du nombre de mots demandé.

Dans tous les cas, je relirais les transitions, les exemples et les affirmations d’expérience. « J’ai testé » ne doit apparaître que si le test a eu lieu. Un réglage Max ne donne pas au modèle le droit d’inventer une utilisation, une capture ou un résultat pour rendre le texte plus vivant.

Coder et reprendre un site : juger le résultat complet

Une petite correction isolée, un formulaire à construire et une migration avec redirections n’appellent pas le même traitement. Je commencerais avec Sol pour un travail délimité, et Astra quand plusieurs parties du site interagissent ou que la cause du problème est inconnue. Pour une succession de transformations identiques, Luna mérite un essai contrôlé.

Ma vérification ne s’arrêterait pas à « le code compile ». La page doit s’ouvrir, rester utilisable sur mobile, préserver les données et ne pas casser les URLs. Le bon résultat est celui qui passe ces contrôles, pas celui dont l’explication paraît la plus brillante.

Pour une petite activité, éviter de tout acheter en double

Avant d’ajouter un abonnement, je regarderais ce qui est déjà inclus dans mes outils et ce que je fais réellement chaque semaine. Un assistant généraliste ne remplace pas automatiquement un outil métier, et l’inverse est vrai aussi. Le guide des outils IA pour une petite activité web aide à partir des besoins plutôt que des annonces.

Voir Astra à l’œuvre dans la démonstration officielle

Cette présentation en anglais, publiée par OpenAI le 4 septembre, montre Astra sur l’usage de l’ordinateur et présente les appels asynchrones ainsi que le pilotage en cours de travail. Elle complète les explications techniques ; elle ne constitue pas un test indépendant ni un face-à-face avec Sol et Luna.

Vidéo publiée par OpenAI : Introducing GPT-6 Astra for developers.

Passer de GPT-5.6 à GPT-6 : les réglages à revoir

Je garderais d’abord un exemple de travail réussi avec l’ancien modèle. Puis je donnerais les mêmes fichiers et les mêmes critères au nouveau. Sans ce témoin, on risque de confondre l’effet de nouveauté avec un progrès réellement utile.

1. Vérifier le modèle sélectionné. Une configuration enregistrée, un script ou une tâche programmée peut continuer d’appeler l’ancienne version.
2. Revoir l’effort de raisonnement. Ne pas présumer qu’un réglage identique a exactement le même effet d’une génération à l’autre.
3. Conserver les contraintes importantes. Sources obligatoires, fichiers à préserver, autorisations et tests attendus restent nécessaires.
4. Écarter les consignes devenues contradictoires. Demander simultanément de ne jamais poser de question et de ne jamais supposer un détail important peut bloquer le travail.
5. Comparer le coût du résultat utilisable. Compter aussi les reprises, pas seulement le premier appel.

OpenAI recommande de revoir les instructions accumulées autour d’Astra. J’en retiens une idée simple : préciser le résultat et les limites, sans imposer une longue cérémonie pour chaque correction. En revanche, supprimer les contrôles parce que le modèle est plus capable serait un mauvais raccourci.

Deux incompatibilités API à connaître

Astra ne prend pas en charge le raisonnement none, ni les valeurs personnalisées de temperature, top_p ou les logprobs. Remplacer uniquement le nom du modèle dans une ancienne requête peut donc échouer.

Pour Sol et Luna, la documentation recommande Responses pour les outils et les appels de fonctions. Dans Chat Completions, les appels de fonctions sont pris en charge uniquement avec reasoning_effort: "none". Par ailleurs, leur résidence des données dans l’Union européenne est documentée uniquement en traitement Standard. Ces détails sont importants avant de changer le modèle d’une application existante.

Avis ToolsBoxSEO en bref

Je commencerais par Sol, je descendrais vers Luna pour les tâches bien cadrées et je monterais vers Astra quand la difficulté le justifie. Cette gamme donne une marge intéressante pour ajuster capacité et coût. Elle ne dispense ni d’un bon brief, ni de preuves, ni d’une vérification finale.

Le point qui me paraît le plus prometteur n’est pas d’obtenir encore plus de texte. C’est de mieux traiter un travail complet : comprendre les documents, utiliser les bons outils, accepter une correction et produire quelque chose d’exploitable. Pour choisir, je regarderais donc moins le nom du réglage que le temps gagné une fois le résultat réellement vérifié.