GPT 6 Sol und Luna senken KI Kosten bei begrenzten Leistungsfortschritten

OpenAI setzt bei GPT-6 auf Kosten statt auf einen großen Leistungssprung

OpenAI hat mit GPT-6 Sol und GPT-6 Luna zwei neue Modelle für unterschiedliche Einsatzklassen veröffentlicht. Beide Varianten sollen die GPT-5.6-Modelle in ihren jeweiligen Segmenten ablösen beziehungsweise ergänzen. Im Mittelpunkt der Veröffentlichung steht nicht in erster Linie eine deutlich höhere Modellintelligenz, sondern eine erhebliche Reduzierung der Nutzungskosten über die Programmierschnittstelle.

Nach den vorliegenden Informationen sinken die Preise für GPT-6 Sol auf 2 US-Dollar pro einer Million Eingabetokens und 10 US-Dollar pro einer Million Ausgabetokens. GPT-6 Luna wird mit 0,10 US-Dollar pro einer Million Eingabetokens und 0,50 US-Dollar pro einer Million Ausgabetokens angeboten. Damit positioniert OpenAI beide Modelle deutlich näher an kostengünstigen Open-Weight-Modellen und preisaggressiven Angeboten anderer Anbieter.

Die Leistungsdaten zeichnen jedoch ein differenzierteres Bild. Zwar weist OpenAI in eigenen Vergleichen auf bessere Ergebnisse bei bestimmten Aufgaben hin. Auswertungen von Artificial Analysis und weiteren Beobachtern deuten hingegen darauf hin, dass der Fortschritt bei allgemeinen Intelligenz- und Agentenbewertungen begrenzt bleibt. In einigen Kategorien legen die Modelle zu, in anderen stagnieren sie oder schneiden schlechter ab als ihre Vorgänger.

Die neue Modellstruktur: Astra, Sol und Luna

GPT-6 Sol und GPT-6 Luna sind Teil einer abgestuften Modellfamilie. An der Spitze steht GPT-6 Astra, das für besonders anspruchsvolle Aufgaben und komplexe Projekte vorgesehen ist. Sol nimmt darunter die Rolle eines leistungsfähigen Arbeitsmodells ein. Luna ist auf Aufgaben mit hoher Wiederholungsrate, klaren Regeln und großen Verarbeitungsmengen ausgerichtet.

Diese Aufteilung folgt einem Muster, das sich in der Branche zunehmend etabliert: Unternehmen sollen nicht jede Anfrage mit dem jeweils leistungsstärksten und teuersten Modell bearbeiten. Stattdessen wird ein System aus mehreren Modellklassen eingesetzt, die je nach Aufgabenprofil unterschiedliche Kosten- und Qualitätsniveaus bieten.

GPT-6 Sol für anspruchsvolle Standardprozesse

OpenAI beschreibt Sol als Modell für wiederkehrende, aber inhaltlich anspruchsvollere Aufgaben. Dazu gehören etwa die Entwicklung neuer Funktionen, Code-Reviews, Fehleranalysen, Dateninterpretation und komplexere Automatisierungsprozesse. Sol richtet sich damit vor allem an Teams, die regelmäßig professionelle Arbeitsabläufe mit KI unterstützen möchten, ohne für jede Anfrage auf ein Spitzenmodell zurückzugreifen.

Für die betriebliche Praxis ist dabei nicht nur die Punktzahl in einem Benchmark entscheidend. Wichtiger sind unter anderem die Verlässlichkeit bei langen Aufgabenketten, die Qualität von Zwischenschritten, die Fähigkeit zur Nutzung externer Werkzeuge sowie die Frage, wie häufig menschliche Nacharbeit erforderlich ist.

GPT-6 Luna für hohe Volumina

Luna ist auf große Mengen klar strukturierter Aufgaben ausgerichtet. Als Beispiele werden das Zusammenfassen von Dokumenten, die Extraktion bestimmter Informationen, die Beantwortung kurzer Fragen und andere standardisierte Textverarbeitungen genannt.

Bei solchen Szenarien kann bereits eine kleine Preisänderung erhebliche Auswirkungen auf die Gesamtkosten haben. Wird ein Modell beispielsweise für die Verarbeitung von Millionen Dokumenten, Supportanfragen oder Datensätzen eingesetzt, ist der Preis pro Token ein wesentlicher Bestandteil der Wirtschaftlichkeitsrechnung. Gleichzeitig kann sich der Kostenvorteil verringern, wenn Luna aufgrund längerer Ausgaben mehr Tokens erzeugt oder zusätzliche Prüfungen durch ein zweites Modell notwendig werden.

Preise sinken deutlich

Der wichtigste messbare Unterschied zwischen der neuen und der vorherigen Modellgeneration liegt bei den API-Tarifen. GPT-5.6 Sol wurde den verfügbaren Angaben zufolge mit 4 US-Dollar pro einer Million Eingabetokens und 20 US-Dollar pro einer Million Ausgabetokens berechnet. GPT-6 Sol liegt demnach bei 2 beziehungsweise 10 US-Dollar.

Bei Luna sinkt der Preis für Eingabetokens von 0,20 auf 0,10 US-Dollar. Für Ausgabetokens wird eine Reduzierung von 1,20 auf 0,50 US-Dollar genannt. Je nach zugrunde gelegtem Vergleichspreis entspricht dies einer Senkung von rund 50 bis knapp 60 Prozent.

Die genannten Werte beziehen sich auf die Nutzung über die API. Für Geschäftskunden ist daher die konkrete Abrechnungssituation entscheidend. Ein Vergleich anhand des Tokenpreises allein reicht nicht aus. In die Gesamtkosten fließen auch die Länge der Prompts, die Zahl der Modellaufrufe, die Ausgabelänge, die Nutzung von Werkzeugen, Wiederholungsversuche, Speicher- und Integrationskosten sowie gegebenenfalls Kosten für eine nachgelagerte Qualitätskontrolle ein.

Prompt-Caching als zusätzlicher Kostenfaktor

OpenAI verweist neben effizienterer Inferenz auf Verbesserungen beim Prompt-Caching. Für wiederverwendete Eingabetokens wird ein Rabatt von 90 Prozent genannt. Unternehmen können dadurch Kosten reduzieren, wenn sich große Teile eines Prompts über viele Anfragen hinweg wiederholen. Das kann beispielsweise bei Systemanweisungen, Produktkatalogen, Richtlinien, technischen Dokumentationen oder festgelegten Prozessbeschreibungen der Fall sein.

Nach den vorliegenden Angaben soll ein neues Dashboard mit Diagnosefunktionen Entwicklern helfen, die Cache-Nutzung zu analysieren. Außerdem sollen sich der gewünschte Grad der Schlussfolgerung und die verfügbaren Werkzeuge anpassen lassen, ohne dass der Cache zwangsläufig ungültig wird.

Der tatsächliche Nutzen hängt jedoch stark von der Architektur der Anwendung ab. Werden Prompts dynamisch aufgebaut und ändern sich zentrale Bestandteile bei jeder Anfrage, fällt der Anteil der wiederverwendbaren Tokens geringer aus. Für eine realistische Kalkulation sollten Unternehmen daher zunächst messen, wie hoch der Cache-Trefferanteil in den eigenen Workloads ist.

Was die Benchmarks zeigen

OpenAI stellt GPT-6 Sol und Luna vor allem über das Verhältnis von Preis und Leistung zu anderen Modellen dar. In einzelnen Vergleichen sollen die neuen Modelle ähnliche Resultate wie deutlich teurere Angebote von Anthropic erreichen. Die Aussagekraft solcher Vergleiche hängt allerdings von der Auswahl des Benchmarks, der Konfiguration des Modells und dem jeweils verwendeten Schlussfolgerungsniveau ab.

Ein wichtiger Aspekt ist, dass moderne Modelle häufig über mehrere sogenannte Reasoning- oder Effort-Stufen verfügen. Eine höhere Stufe kann zu besseren Ergebnissen führen, benötigt aber meist mehr Zeit und erzeugt mehr Tokens. Ein Modell mit niedrigerem Preis pro Token ist daher nicht automatisch günstiger pro Aufgabe, wenn es zur Erreichung eines bestimmten Qualitätsniveaus deutlich länger arbeiten muss.

Computersteuerung und Geschäftsprozesse

Auf dem Benchmark OSWorld 2.0, der die Nutzung von Computeroberflächen durch KI-Systeme untersucht, soll GPT-6 laut OpenAI ähnliche Resultate wie Claude Opus 5 erreichen, dabei aber deutlich günstiger sein. GPT-6 Astra soll in diesem Bereich weiterhin vorn liegen.

Für geschäftliche Automatisierungen verweist OpenAI außerdem auf AutomationBench. Dieser Test umfasst Workflows mit zahlreichen Werkzeugen und soll die Fähigkeit eines Modells bewerten, mehrstufige Aufgaben in einer realitätsnahen Umgebung zu erledigen. GPT-6 Sol soll bei maximalem Aufwand besser als Claude Opus 5 abschneiden. Gleichzeitig wird für Sol ein deutlich niedrigerer Preis pro abgeschlossener Aufgabe angegeben.

Solche Ergebnisse sind für Unternehmen interessant, weil sie näher an praktischen Agentenszenarien liegen als reine Frage-Antwort-Tests. Dennoch bleibt offen, wie gut die Ergebnisse auf individuelle Anwendungen übertragbar sind. Ein Modell kann in einem standardisierten Workflow sehr effizient arbeiten und dennoch bei abweichenden Unternehmensdaten, unklaren Zuständigkeiten oder unvollständigen Schnittstellen häufiger Fehler machen.

Programmieraufgaben mit unterschiedlichen Ergebnissen

Bei Programmierbenchmarks ergibt sich ein uneinheitliches Bild. Im Test FrontierCode 1.1 soll GPT-6 Sol bei maximalem Aufwand einen Wert von 49,3 Prozent erreichen. Damit liegt es den verfügbaren Angaben zufolge in der Nähe von Claude Fable 5.1, dessen Ergebnis mit 50,3 Prozent angegeben wird. Claude Opus 5 soll in einer anderen Konfiguration 53,4 Prozent erreichen.

Die Kosten pro Aufgabe unterscheiden sich jedoch erheblich. Für Sol werden in diesem Vergleich rund 2,14 US-Dollar pro Aufgabe genannt, während die Kosten der verglichenen Anthropic-Modelle teilweise deutlich höher liegen. Für Unternehmen kann dies bedeuten, dass ein etwas schwächeres Modell bei ausreichender Zuverlässigkeit wirtschaftlich attraktiver ist als ein Spitzenmodell mit wenigen zusätzlichen Prozentpunkten in einem Benchmark.

Beim Software-Engineering-Benchmark DeepSWE v1.1 fällt der Vergleich komplizierter aus. GPT-6 Sol soll bei maximalem Aufwand 68,8 Prozent erreichen. Dieser Wert liegt nahe an den Ergebnissen bestimmter Claude-Modelle, bleibt aber hinter dem angegebenen Ergebnis von GPT-5.6 Sol mit 72,7 Prozent zurück. Gleichzeitig kann Sol in einer niedrigeren Aufwandstufe zu deutlich geringeren Kosten eingesetzt werden.

Auch Luna zeigt in diesem Test eine bemerkenswerte Kostenposition. Den vorliegenden Daten zufolge erreicht Luna bei maximalem Aufwand einen ähnlichen Wert wie Sol bei einer höheren, aber nicht maximalen Aufwandstufe. Das bedeutet jedoch nicht automatisch, dass Luna für alle Softwareentwicklungsaufgaben geeignet ist. Bei komplexen Abhängigkeiten, größeren Codebasen und langfristigen Änderungen können Robustheit, Kontextverarbeitung und die Qualität der Erklärungen wichtiger sein als ein einzelner Benchmarkwert.

Unabhängige Analysen relativieren die Leistungsversprechen

Artificial Analysis kommt zu dem Ergebnis, dass die Kosten pro Aufgabe bei GPT-6 Sol und Luna deutlich sinken, während die Werte im eigenen Intelligence Index weitgehend auf dem Niveau der GPT-5.6-Vorgänger bleiben. Sol soll sich lediglich geringfügig verbessern, während Luna in etwa auf dem bisherigen Stand bleibt.

Auf dem Coding Agent Index wird für Sol ein kleiner Fortschritt genannt. Luna soll in dieser Bewertung dagegen leicht zurückfallen. Diese Unterschiede sind relevant, weil sie zeigen, dass eine neue Modellgeneration nicht zwangsläufig in allen Dimensionen besser abschneidet. Ein Modell kann bei bestimmten Programmieraufgaben effizienter werden, während es bei Wissensarbeit, Präsentationsqualität oder der Vollständigkeit von Ergebnissen Schwächen zeigt.

Besonders auffällig sind laut der Analyse Rückgänge bei GDPval-AA v2.1. Dieser Benchmark prüft computerbasierte Wissensarbeit in zahlreichen professionellen Bereichen. Für Sol wird ein Rückgang um ungefähr 100 Elo-Punkte genannt, für Luna ein Minus von etwa 75 Punkten. Bei einer manuellen Prüfung seien vor allem eine geringere Präsentationsqualität und unvollständige Ergebnisse aufgefallen.

Benchmarkdaten sollten grundsätzlich mit Vorsicht interpretiert werden. Testaufgaben bilden nur einen begrenzten Ausschnitt realer Arbeit ab. Zudem können Veränderungen an Datensätzen, Bewertungsverfahren oder Modellkonfigurationen die Vergleichbarkeit beeinflussen. Auch Artificial Analysis hat in der Vergangenheit seine Bewertungen nach Kritik an der Einordnung von GPT-6 Astra angepasst. Die aktuelle Bewertung von Sol und Luna kann sich daher mit weiteren Tests noch verändern.

Warum ein niedriger Preis nicht automatisch eine bessere Lösung bedeutet

Für die Auswahl eines Modells ist der Preis pro Million Tokens nur eine von mehreren Größen. Unternehmen sollten insbesondere die Kosten pro erfolgreich abgeschlossener Aufgabe betrachten. Diese hängen davon ab, wie viele Versuche erforderlich sind, wie lang die Antworten ausfallen und ob ein Mensch die Ergebnisse prüfen oder korrigieren muss.

Ein günstiges Modell kann wirtschaftlich überlegen sein, wenn es eine Aufgabe zuverlässig in einem Durchlauf erledigt. Muss es dagegen häufig wiederholt, durch zusätzliche Regeln abgesichert oder von einem leistungsfähigeren Modell kontrolliert werden, kann der Kostenvorteil schrumpfen.

Auch die Qualität der Ausgabe spielt eine Rolle. Bei einer Zusammenfassung mit geringem Risiko kann eine leichte Abweichung tolerierbar sein. Bei Vertragsanalysen, technischen Änderungen, Finanzdaten oder medizinischen Informationen gelten dagegen andere Anforderungen. Dort können unvollständige Antworten oder unauffällig falsche Aussagen erhebliche Folgekosten verursachen.

Geeignete Einsatzfelder für Luna

Luna kommt vor allem dort infrage, wo Aufgaben klar definiert sind und sich die Ergebnisse automatisiert prüfen lassen. Dazu zählen beispielsweise:

• Klassifizierung und Routing eingehender Anfragen
• Extraktion von Feldern aus standardisierten Dokumenten
• Zusammenfassungen mit festgelegter Struktur
• Erstellung erster Entwürfe für interne Kommunikation
• Beantwortung einfacher, dokumentenbasierter Fragen
• Vorverarbeitung großer Daten- und Textmengen

Für diese Anwendungen sollten Sie Schwellenwerte und Prüfregeln definieren. Eine automatische Weiterleitung an ein leistungsstärkeres Modell kann sinnvoll sein, wenn Luna unsicher ist, wichtige Informationen nicht findet oder eine Anfrage außerhalb des vorgesehenen Themenbereichs liegt.

Geeignete Einsatzfelder für Sol

Sol richtet sich eher an Aufgaben, bei denen mehrere Arbeitsschritte verbunden werden müssen. Denkbar sind unter anderem:

• Code-Reviews und Vorschläge für Änderungen
• Fehleranalyse in Softwareprojekten
• Unterstützung bei der Entwicklung neuer Funktionen
• Analyse strukturierter Unternehmensdaten
• Recherche und Aufbereitung von Informationen
• Agentenbasierte Prozesse mit mehreren Werkzeugaufrufen

Auch hier sollten Unternehmen die fachliche Freigabe nicht allein vom Modell abhängig machen. Besonders bei Änderungen an produktiven Systemen sind Tests, Berechtigungsmodelle, Protokollierung und eine nachvollziehbare Rücknahme von Änderungen erforderlich.

Die Konkurrenzsituation verschärft sich

Die Preisstrategie von OpenAI ist auch im Kontext des Wettbewerbs zu sehen. Anthropic hat mit seinen Claude-Modellen eine starke Position bei Programmierung, Wissensarbeit und agentischen Aufgaben aufgebaut. Die vorliegenden Berichte verweisen zudem auf die zeitnahe Veröffentlichung von Claude Opus 5.5, die mit verbesserten Leistungen und niedrigeren Preisen verbunden gewesen sein soll.

Damit wird der Abstand zwischen den Anbietern nicht nur über Spitzenwerte definiert. Entscheidend ist zunehmend, wie viel zuverlässige Arbeit ein Modell pro Euro oder Dollar erledigen kann. Anbieter konkurrieren deshalb über mehrere Ebenen: Modellqualität, Tokenpreise, Caching, Antwortgeschwindigkeit, Kontextlänge, Werkzeugnutzung, Unternehmensfunktionen und Verfügbarkeit.

Für B2B-Anwender erhöht diese Entwicklung den Spielraum, macht die Auswahl aber auch anspruchsvoller. Ein Anbieterwechsel oder eine Multi-Modell-Strategie kann Vorteile bringen, verursacht jedoch zusätzlichen Integrations- und Governance-Aufwand. Unterschiedliche APIs, Sicherheitskonzepte, Datenverarbeitungsbedingungen und Antwortformate müssen berücksichtigt werden.

Was Unternehmen jetzt prüfen sollten

Die Veröffentlichung von GPT-6 Sol und Luna bietet Anlass, bestehende KI-Anwendungen neu zu bewerten. Ein automatischer Wechsel auf die neuen Modelle ist ebenso wenig angezeigt wie eine pauschale Ablehnung aufgrund begrenzter Benchmarkfortschritte. Sinnvoller ist eine kontrollierte Prüfung anhand realer Unternehmensaufgaben.

Ein belastbarer Evaluierungsprozess sollte mindestens folgende Punkte umfassen:

• Definieren Sie typische Aufgaben aus dem produktiven Betrieb und nicht nur synthetische Testfragen.
• Vergleichen Sie Qualität, Laufzeit, Tokenverbrauch und Kosten pro erfolgreicher Aufgabe.
• Erfassen Sie, wie häufig Antworten korrigiert, wiederholt oder an Menschen eskaliert werden müssen.
• Prüfen Sie die Leistung bei langen Kontexten, unvollständigen Angaben und widersprüchlichen Informationen.
• Testen Sie die Modelle mit Ihren eigenen Dokumenten, Datenformaten und Schnittstellen.
• Bewerten Sie Sicherheits-, Datenschutz- und Compliance-Anforderungen getrennt von der reinen Modellleistung.
• Nutzen Sie Routing-Regeln, um einfache Aufgaben kostengünstig und komplexe Fälle mit leistungsfähigeren Modellen zu bearbeiten.
• Überwachen Sie die Ergebnisse nach dem Rollout kontinuierlich und definieren Sie Abbruch- oder Rückfallmechanismen.

Mindverse kann in diesem Zusammenhang als übergreifender KI-Partner eingesetzt werden, um Texte, Inhalte, Bilder und Rechercheprozesse in einer zentralen Umgebung zu unterstützen. Für Unternehmen ist dabei entscheidend, nicht nur einzelne Modellaufrufe zu betrachten, sondern den gesamten Prozess von der Anfrage über die Verarbeitung bis zur Prüfung und Veröffentlichung.

Die wirtschaftliche Bedeutung der Preisreduzierung

Eine Halbierung der Tokenpreise kann die Schwelle für produktive KI-Anwendungen deutlich senken. Projekte, die bisher wegen hoher variabler Kosten nur als Pilot betrieben wurden, könnten wirtschaftlich interessanter werden. Das gilt insbesondere für Prozesse mit regelmäßigem Volumen und einem hohen Anteil standardisierter Eingaben.

Die Preisreduzierung kann außerdem die Architektur von Anwendungen verändern. Entwickler erhalten mehr Spielraum, mehrere Modellaufrufe einzusetzen, Entwürfe erzeugen zu lassen oder Ergebnisse durch zusätzliche Prüfungen abzusichern. Allerdings führt ein niedrigerer Preis häufig auch zu einer höheren Nutzung. Der sogenannte Rebound-Effekt kann dazu führen, dass die Gesamtausgaben trotz niedrigerer Einzelpreise steigen.

Unternehmen sollten deshalb vor der Umstellung Budgets und Nutzungsgrenzen festlegen. Kostenüberwachung, Modellrouting und differenzierte Zugriffskontrollen sind besonders wichtig, wenn Anwendungen von vielen Beschäftigten oder externen Kunden genutzt werden.

Fazit: Ein Effizienz-Release mit offenem Praxistest

GPT-6 Sol und GPT-6 Luna markieren nach den vorliegenden Informationen vor allem einen Schritt in Richtung günstigerer KI-Nutzung. Die Modelle sollen die Leistungsfähigkeit ihrer Vorgänger weitgehend beibehalten, gleichzeitig aber deutlich weniger kosten. Verbesserungen bei Inferenz und Prompt-Caching könnten insbesondere bei stark ausgelasteten Unternehmensanwendungen eine spürbare wirtschaftliche Wirkung entfalten.

Ein großer Sprung bei der allgemeinen Modellintelligenz ist dagegen nicht eindeutig erkennbar. Unabhängige Analysen berichten von kleinen Fortschritten in einzelnen Kategorien, stagnierenden Werten in anderen Bereichen und Rückgängen bei bestimmten Wissensarbeits- und Programmierbenchmarks. Die Aussagekraft der Ergebnisse bleibt zudem von Testauswahl, Aufwandstufe und Bewertungsmethode abhängig.

Für Sie als Entscheider oder Entwickler bedeutet das: Die zentrale Frage lautet nicht, ob GPT-6 Sol und Luna pauschal besser als GPT-5.6 sind. Entscheidend ist, ob sie Ihre konkreten Aufgaben zu niedrigeren Gesamtkosten und mit ausreichender Zuverlässigkeit bearbeiten können. Eine realitätsnahe Evaluation, kombiniert mit Modellrouting, Qualitätskontrollen und laufender Kostenmessung, ist dafür aussagekräftiger als ein einzelner Spitzenwert in einer Vergleichstabelle.

Der Wettbewerb im Markt verschiebt sich damit weiter von der reinen Modellgröße hin zur Effizienz pro erledigter Aufgabe. Für Unternehmen entstehen dadurch neue Optionen, aber auch höhere Anforderungen an Auswahl, Monitoring und Governance. Die tatsächliche Bedeutung der neuen Modelle wird sich daher weniger an der Ankündigung als an ihrer Bewährung in alltäglichen, messbaren Arbeitsabläufen zeigen.

Bibliografie The Decoder: „OpenAI's GPT-6 Sol and Luna cut prices in half but barely move the needle on performance“, Matthias Bastian, 22. September 2026. https://the-decoder.com/openais-gpt-6-sol-and-luna-cut-prices-in-half-but-barely-move-the-needle-on-performance/ Artificial Analysis: „GPT-6 Sol and Luna push the cost efficiency frontier“, 22. September 2026. https://artificialanalysis.ai/articles/gpt-6-sol-and-luna-push-the-cost-efficiency-frontier VentureBeat: „OpenAI releases GPT-6 Sol and Luna models, slashing API costs 50% or more“, Carl Franzen, 22. September 2026. https://venturebeat.com/technology/openai-releases-gpt-6-sol-and-luna-models-slashing-api-costs-50-or-more MetricNexus: „GPT-6 Sol and Luna: Benchmarks, Pricing, and Cost Cuts“, MetricNexus Team, 23. September 2026. https://metricnexus.ai/blog/gpt-6-sol-luna-benchmarks-pricing AI Daily Post: „OpenAI's GPT-6 Models Cut Prices in Half“, Brian Petersen, 22. September 2026. https://aidailypost.com/news/openais-gpt-6-models-halve-prices iClarified: „OpenAI Cuts API Prices 50% With GPT-6 Sol and Luna“, Shalom Levytam, 22. September 2026. https://www.iclarified.com/102351/openai-cuts-api-prices-50-with-gpt-6-sol-and-luna Digital Applied: „GPT-6 Sol and Luna: API Prices, Benchmarks and Trade-offs“, 22. September 2026. https://www.digitalapplied.com/blog/gpt-6-sol-luna-launch-pricing-benchmarks-2026 i-Scoop: „GPT-6 Sol and Luna double accuracy at half the cost“, Tom Cuylaerts, 23. September 2026. https://www.i-scoop.eu/gpt-6-sol-and-luna/