GPT-6 Sol dan Luna Resmi Dirilis, OpenAI Pangkas Harga API hingga 50 Persen
 |
| Ilustrasi GPT-6 Sol dan GPT-6 Luna. (Foto: OpenAI) |
AdityaTekno.com - OpenAI merilis GPT-6 Sol dan GPT-6 Luna pada 22 September 2026, melengkapi GPT-6 Astra yang diperkenalkan awal bulan ini. OpenAI mematok harga API lebih rendah untuk kedua model baru ini.
Ketiga model GPT-6 menyasar kebutuhan berbeda. Astra menangani pekerjaan paling menuntut. Sol menangani tugas kompleks. Luna memproses pekerjaan sederhana dalam volume besar.
OpenAI membawa sejumlah kemajuan dari Astra ke Sol dan Luna, termasuk dalam kemampuan pemrograman, penggunaan komputer, akurasi faktual, dan alignment.
Sol untuk Tugas Kompleks, Luna untuk Pekerjaan Bervolume Tinggi
GPT-6 Sol menangani pemrograman, penggunaan komputer, dan alur kerja berbasis agen yang membutuhkan penalaran mendalam.
Sementara itu, GPT-6 Luna menangani tugas terarah dan berulang, seperti merangkum dokumen, mengekstrak informasi, serta menjawab pertanyaan spesifik. Pengguna dapat memilih model sesuai kebutuhan dan biaya komputasi.
Harga API Turun hingga 50 Persen
 |
| Credit: OpenAI |
OpenAI memangkas harga API GPT-6 Sol dan Luna hingga 50 persen dari harga promosi GPT-5.6. Perusahaan mengklaim efisiensi baru pada sistem caching dan inference menopang penurunan tersebut.
Untuk konteks standar hingga 272.000 token input, GPT-6 Sol dibanderol US$2 per juta token input dan US$10 per juta token output.
Sementara itu, GPT-6 Luna dibanderol US$0,10 per juta token input dan US$0,50 per juta token output. Token input yang di-cache mendapatkan tarif lebih murah.
Biaya penggunaan tetap mengikuti jumlah token yang diproses, baik untuk input maupun output.
OpenAI Klaim Sol Menghasilkan Lebih Sedikit Kesalahan
 |
| Credit: OpenAI |
Dalam evaluasi internal, GPT-6 Sol menghasilkan sekitar setengah jumlah kesalahan faktual dibanding GPT-5.6 Sol, menurut OpenAI. Pengujian tersebut menggunakan percakapan dunia nyata yang dianonimkan dan telah ditandai pengguna karena mengandung kesalahan.
OpenAI menyebut hasil tersebut menyamakan keandalan GPT-6 Sol dengan GPT-6 Astra pada pengujian yang sama, tetapi dengan biaya lebih rendah.
Namun, evaluasi ini hanya menguji percakapan yang sebelumnya sudah bermasalah. Karena itu, hasil tersebut tidak secara langsung mewakili tingkat kesalahan model dalam penggunaan sehari-hari secara umum.
Kemampuan Coding dan Penggunaan Komputer Meningkat
OpenAI mengembangkan GPT-6 Sol untuk menangani pekerjaan pemrograman yang lebih panjang dan kompleks, termasuk alur kerja coding agent.
Pada pengujian OSWorld 2.0 offline, GPT-6 Sol mencetak skor 60,5 persen dalam konfigurasi tertentu. OpenAI membandingkannya dengan skor Claude Opus 5 sebesar 60,3 persen pada konfigurasi pengujian yang sama menurut perusahaan.
Meski demikian, konfigurasi dan metode pengujian dapat memengaruhi angka tersebut. Benchmark yang dilakukan oleh perusahaan berbeda juga belum tentu sepenuhnya dapat dibandingkan secara langsung.
Tersedia melalui ChatGPT dan API
GPT-6 Sol dan GPT-6 Luna mulai tersedia pada 22 September 2026 melalui ChatGPT Work, Codex, dan API untuk pengguna Plus, Pro, Business, Enterprise, dan Edu.
Pengguna Free dan Go dapat mencoba GPT-6 Luna melalui aplikasi desktop. OpenAI berencana memperluas ketersediaan model di ChatGPT secara bertahap, tergantung proses peluncuran dan pengaturan workspace masing-masing pengguna.
Tiga Model dalam Keluarga GPT-6
Keluarga GPT-6 kini memiliki tiga model yang ditujukan untuk kebutuhan berbeda.
GPT-6 Astra
GPT-6 Astra ditujukan untuk pekerjaan paling menuntut yang memerlukan kemampuan penalaran dan komputasi tingkat tinggi.
GPT-6 Sol
GPT-6 Sol difokuskan pada tugas kompleks, termasuk coding, penggunaan komputer, dan alur kerja berbasis agen.
GPT-6 Luna
GPT-6 Luna dirancang untuk menangani tugas terarah dan sederhana dalam volume besar dengan biaya yang lebih rendah.
Peluncuran Sol dan Luna terjadi di tengah persaingan ketat antarperusahaan AI. Pada hari yang sama, Anthropic memperkenalkan Claude Opus 5.5.
Metode pengujian yang digunakan masing-masing perusahaan dapat berbeda. Karena itu, klaim performa setiap model perlu dibaca dengan mempertimbangkan konteks, konfigurasi, dan metode pengujiannya.
Artikel terkait:
