GPT-6 Sol und Luna: Astra denkt vor, die Agenten bauen

Zwei Releases an einem Abend

Erst Claude Opus 5.5, dann OpenAI: Der OpenAI-Post erschien am 22. September um 20:12 Uhr deutscher Zeit, rund 1 Stunde 41 Minuten nach der Claude-Ankündigung. Ob das eine gezielte Antwort war, ist damit nicht belegt. Für uns als Nutzer ist spannender, was wir daraus bauen können.

Neu sind GPT-6 Sol und GPT-6 Luna. Astra war bereits verfügbar; Terra heißt in der aktuellen Dokumentation weiterhin GPT-5.6 Terra. Sol und Luna starten in ChatGPT Work, Codex und der API. Plus und höhere Tarife sind dabei; Free und Go bekommen Luna in der Desktop-App. Der Rollout erfolgt schrittweise. Im normalen Chat sind die beiden zum Release noch nicht verfügbar.

Was kosten die Modelle wirklich?

Die Tabelle zeigt Standard-API-Preise in USD je Million Token, also der Textbausteine eines Modells. Sol halbiert gegenüber GPT-5.6 Sols Aktionspreisen Eingabe und Ausgabe. Bei Luna halbiert sich die Eingabe; die Ausgabe sinkt von 1,20 auf 0,50 USD, rechnerisch um rund 58 Prozent.

Sol kostet damit bei gleicher Tokenmenge ein Fünftel von Astra, Luna ein Hundertstel. Selbst gegenüber dem bisherigen Terra ist Sol bei Ausgabe-Token günstiger. Das sind Stückpreise, keine gemessenen Kosten eines fertig gelösten Auftrags.

• Cache-Lesen bedeutet: bereits gespeicherten Kontext wiederverwenden. Für GPT-6 kostet das Schreiben in den Cache dagegen das 1,25-Fache der regulären Eingabe. Wiederverwendung ist günstiger, aber nicht garantiert.
• Die Tabelle enthält keine Werkzeugkosten, Steuern oder Sondertarife. Bei allen vier Modellen gelten oberhalb von 272.000 Eingabe-Token höhere Preise für die gesamte Anfrage. Fast, Batch und Flex müssen separat verglichen werden.

Starke Werte – mit klaren Vergleichsgrenzen

Die Grafik erklärt, warum mich Sol als ausführender Agent interessiert: Für manche Arbeit ist der zusätzliche Astra-Aufwand schwerer zu rechtfertigen. Die folgenden Werte stammen aus OpenAIs Releasebericht, nicht aus einem eigenen Test:

• AutomationBench: Sol mit xhigh erreicht 33,2 Prozent bei 0,27 USD pro Aufgabe; Astra mit low liegt bei 30,3 Prozent. Das vergleicht unterschiedliche Rechenstufen, nicht das jeweilige Maximum.
• DeepSWE 1.1: Sol mit max erreicht 68,8 Prozent, Luna mit max 66,6 Prozent. Fable 5 mit xhigh kommt auf 69,9 Prozent; Sol kostet laut Bericht dabei etwa 80 Prozent weniger pro Aufgabe.
• Agents’ Last Exam: Sol mit max erreicht 56,4 Prozent. Der Test untersucht längere professionelle Arbeitsabläufe.
• OSWorld 2.0 offline: Sol mit xhigh erreicht 60,5 Prozent, Opus 5 mit medium 60,3 Prozent. Gemessen werden Teilergebnisse bei Computeraufgaben.

Kein fertiger Sieger über Opus 5.5

Die genannten Claude-Vergleiche verwenden Opus 5 und Fable 5 beziehungsweise 5.1. Sie beantworten nicht, wie die neuen Modelle gegen das ebenfalls gerade veröffentlichte Opus 5.5 abschneiden. OpenAI kombiniert eigene Forschungs- und API-Tests mit öffentlich berichteten Konkurrenzwerten; Werkzeuge und Testumgebungen können abweichen.

Für mein Projekt zählt deshalb eine andere Frage: Wie viel Nacharbeit bleibt bis zu einer funktionierenden, getesteten Änderung? Ein günstiger Agent, dessen Fehler Astra ständig reparieren muss, kann den Preisvorteil wieder verbrauchen.

So würde ich ein größeres Feature aufteilen

Nehmen wir einen CSV-Import mit Vorschau, Validierung und verständlichen Fehlermeldungen. Astra klärt das Datenformat, legt Schnittstellen und Abnahmekriterien fest und verteilt abgegrenzte Arbeitspakete. Ich würde zunächst mit zwei bis drei ausführenden Agenten starten. Mehr Parallelität lohnt sich erst, wenn die Teile wirklich unabhängig sind.

1. Astra legt fest, welche Dateien jeder Agent bearbeiten darf und woran ein Ergebnis als fertig erkennbar ist. Abhängige Schritte laufen nacheinander.
2. Die Agenten liefern Änderungen, ausgeführte Prüfungen und offene Fragen. Astra erhält kurze Übergaben statt jedes Zwischenprotokoll erneut zu lesen.
3. Astra prüft den tatsächlichen Code und lässt die integrierte Anwendung testen. Danach probiere ich den Import selbst mit einer korrekten und einer fehlerhaften Datei aus.

Mein Rat für den 20-Dollar-Tarif

Mit ChatGPT Plus würde ich Astra gezielt für Planung, schwierige Entscheidungen und Schlussprüfung einsetzen. Sol übernimmt die umfangreiche Umsetzung, Luna einfache Teilaufgaben. Für einen kleinen Fix reicht oft ein einzelner Sol-Agent; dafür braucht es keine ganze Agentengruppe.

OpenAI nennt 20 USD pro Monat als Plus-Listenpreis, keinen garantierten deutschen Endpreis. Codex und ChatGPT Work teilen sich Nutzung; auch die Subagenten verbrauchen Kontingent. OpenAI schätzt für Plus je fünf Stunden 5 bis 45 lokale Codex-Nachrichten mit Astra, 15 bis 150 mit Sol und 350 bis 3.000 mit Luna. Das sind keine festen Limits: Sie hängen von Modell, Kontext und Aufgabe ab, und Wochenlimits können hinzukommen. Aus halbierten API-Preisen folgt weder ein halbierter Abopreis noch automatisch die doppelte Reichweite jeder Sitzung.

Wichtig beim Start: die Modelle ausdrücklich nennen und die tatsächliche Auswahl der gestarteten Agenten kontrollieren. Ohne abweichende Vorgabe erbt ein Subagent in Codex das Modell des Hauptagenten. Ein Astra-Auftrag mit fünf weiteren Astra-Agenten wäre eine andere Kostenentscheidung.

Ein Auftrag, mit dem du anfangen kannst

Diesen Vorschlag würde ich in einem lokalen Codex-Projekt mit Astra starten. Er beschreibt die gewünschte Arbeitsteilung; vorhandene Agentenkonfigurationen können die Modellwahl beeinflussen. Wenn die Oberfläche eine Auswahl nicht unterstützt, soll der Agent das offen melden.

Baue [Feature] in diesem Projekt. Du koordinierst als GPT-6 Astra. Lies zuerst die Projektregeln, definiere Abnahmekriterien und einen kurzen Plan. Delegiere unabhängige, anspruchsvolle Implementierung ausdrücklich an GPT-6 Sol; nutze GPT-6 Luna für kleine, klar begrenzte Aufgaben. Setze höchstens drei ausführende Agenten gleichzeitig ein. Nenne vor dem Start die tatsächlichen Modelle und Aufgaben. Melde, falls eine Modellwahl nicht verfügbar ist. Gib jedem Agenten einen klaren Dateibereich, nötigen Kontext und konkrete Prüfungen. Lass die Agenten Änderungen, Testresultate und offene Fragen knapp zurückmelden. Prüfe als Astra den Code, die Integration und die Abnahmekriterien. Fordere bei Fehlern gezielte Korrekturen an. Berichte am Ende, was funktioniert, was geprüft wurde und was offen ist.

Was die Arbeitsteilung sparen könnte

Ein reines API-Rechenbeispiel: 100.000 Eingabe- und 20.000 Ausgabe-Token kosten vollständig mit Astra 2,00 USD. Fallen von beiden Tokenarten 10 Prozent bei Astra, 80 Prozent bei Sol und 10 Prozent bei Luna an, ergeben sich 0,522 USD – rund 74 Prozent weniger.

Die Rechnung setzt dieselbe gesamte Tokenmenge voraus, ohne Cache, Werkzeugkosten oder Aufpreise. In der Praxis kommen durch Übergaben, zusätzliche Denk-Token und Wiederholungen oft weitere Kosten dazu. Für einen belastbaren Vergleich würde ich dieselbe klar definierte Aufgabe in separaten Projektkopien einmal mit Sol allein und einmal mit dieser Aufteilung lösen: gleicher Startstand, gleiche Abnahmetests. Danach vergleiche ich Ergebnisqualität, Nacharbeit, Laufzeit und Kontingentverbrauch beziehungsweise API-Kosten.