Le 9 juillet 2026, OpenAI a généralisé une nouvelle famille de modèles qui rebat les cartes : GPT-5.6. Mais au lieu de sortir un modèle unique décliné en versions mini et nano comme avant, l’éditeur a fait un choix différent. Il propose désormais trois modèles portant chacun un nom : Sol, Terra et Luna.

Sol, Terra, Luna. Trois noms qui ressemblent à une gamme de voitures ou à des collections de mobilier. Derrière cette poésie se cache en réalité une logique très concrète : trois positionnements distincts 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, la question se pose vite : lequel choisir ?

J’ai passé les trois modèles au crible. Dans cet article, je vous explique d’abord ce qui distingue cette famille GPT-5.6, puis je détaille chacun des trois modèles (positionnement, contexte, tarifs, cas d’usage), avant de vous donner un tableau comparatif et une méthode simple pour choisir selon votre profil. C’est parti.

GPT-5.6 : une nouvelle façon de nommer les modèles

Commençons par le plus déroutant : la nomenclature. Jusqu’ici, OpenAI utilisait des suffixes techniques comme mini ou nano pour signaler qu’un modèle était une version allégée du modèle phare. Avec GPT-5.6, la logique change.

Le chiffre (5.6) désigne la génération. Les noms (Sol, Terra, Luna) désignent des paliers de capacité pensés pour durer d’une génération à l’autre. Concrètement :

• Sol est le modèle frontier, le plus puissant, réservé aux travaux les plus complexes.
• Terra est le modèle équilibré, le cheval de trait pour la production quotidienne.
• Luna est le plus rapide et le plus économique, taillé pour les gros volumes.

Bon à savoir : si vous appelez simplement gpt-5.6 dans l’API sans préciser le nom, la requête part automatiquement vers Sol. C’est le modèle par défaut de la famille.

Au-delà de leur positionnement, les trois modèles partagent un socle commun qu’il faut avoir en tête :

• Une fenêtre de contexte de l’ordre du million de tokens, soit de quoi ingérer un très gros dossier ou une base de code entière en une seule fois.
• Un cutoff de connaissances situé en février 2026 : au-delà, les modèles ne connaissent pas l’actualité.
• Une entrée texte et image, une sortie texte. Attention à une confusion fréquente : GPT-5.6 n’est pas un modèle audio ou vidéo natif. La multimodalité étendue que vous croiserez sur certaines plateformes vient des services qui entourent le modèle, pas du modèle lui-même.
• Des capacités agentiques complètes : appels de fonctions, sorties structurées en JSON, recherche web, exécution de code, et compatibilité avec le protocole MCP.
• Un prompt caching agressif : les relectures de contexte déjà vu bénéficient d’une remise de 90 %, ce qui change beaucoup l’économie réelle quand vous réutilisez un gros prompt.

Un point technique important sur la facturation : 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.

GPT-5.6 Sol : le modèle frontier pour les tâches complexes

Sol est le sommet de la gamme. OpenAI le présente comme son modèle frontier pour le travail professionnel complexe : codage avancé, recherche scientifique, cybersécurité, pilotage d’agents autonomes.

Sur le plan technique, Sol offre une fenêtre de contexte d’environ 1,05 million de tokens et jusqu’à 128 000 tokens en sortie. C’est aussi le modèle qui pousse le raisonnement le plus loin, avec 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.

Côté performances, les chiffres 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, ce qui le place en tête du secteur. Autre donnée intéressante : Sol est remarquablement économe en tokens de sortie. Sur les longs runs de codage mesurés par CodeRabbit, il produit environ 21 000 tokens par tâche réussie, presque trois fois moins que Terra. Un modèle plus cher au token peut donc coûter moins cher au résultat.

Tarifs API : 5 $ par million de tokens en entrée, 30 $ en sortie, 0,50 $ pour l’entrée servie par le cache.

Pour qui ? Sol est fait pour le débogage multi-fichiers, le refactoring de gros modules, les workflows qui tournent plusieurs heures voire plusieurs jours, la recherche scientifique et la cybersécurité défensive. Si votre tâche est ambiguë, critique et longue, c’est lui qu’il vous faut.

GPT-5.6 Terra : le modèle équilibré pour la production

Terra est le modèle du milieu, et c’est probablement celui que la majorité des projets devraient utiliser par défaut. OpenAI le décrit comme le modèle équilibré pour le travail de production quotidien, et son argument massue tient en une phrase : 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. En clair, Terra encaisse la grande majorité des charges de travail sans broncher, et vous ne sortez l’artillerie Sol que pour les cas qui le justifient vraiment.

Tarifs API : 2,50 $ par million de tokens en entrée, 15 $ en sortie, soit exactement la moitié de Sol.

Une nuance à garder en tête, cependant. 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.

GPT-5.6 Luna : le modèle rapide et économique

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 $.

Pour qui ? Les chatbots à grande échelle, la classification, le routage de requêtes, l’extraction normalisée, le résumé en masse. Luna brille aussi en première ligne d’une architecture agentique : il filtre et pré-analyse, puis passe la main à Terra ou Sol pour les cas qui demandent plus de finesse. Un conseil toutefois : ne choisissez pas Luna sur le seul critère du prix. Vérifiez d’abord qu’il atteint le niveau de précision dont vous avez besoin.

Sol, Terra, Luna : le tableau comparatif

À titre de repère, Sol se situe dans la même fourchette de prix que les modèles frontier concurrents du moment. Il facture son entrée au même niveau que les meilleurs modèles rivaux, avec une sortie un peu plus chère. Rien d’aberrant pour un modèle de pointe.

Ce graphique ExploitBench publié par OpenAI résume bien la hiérarchie des trois modèles. En abscisse, les jetons de sortie consommés, en ordonnée le taux de réussite. Sol grimpe le plus haut (près de 74 %) tout en produisant nettement moins de tokens que Terra ou Luna. Autrement dit, le modèle le plus puissant est aussi le plus économe en sortie, ce qui confirme qu’il faut regarder le coût au résultat, pas seulement le prix au token.

Lequel choisir selon votre profil ?

Passons au concret. Voici comment je raisonnerais selon votre situation.

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.

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.

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 à adopter : 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.

Conclusion

Avec Sol, Terra et Luna, OpenAI abandonne la logique du modèle unique décliné en versions dégradées, au profit de trois modèles pensés chacun 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 elle vous 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.