GPT-6 Luna: preço, contexto e benchmarks com fonte

OpenAI
lançado em
pesos fechados
verificado
Snapshot de 7 out 2026
metodologia v1.1

A geração anterior deste modelo, GPT-5.6 Luna, segue no comparativo até a reavaliação de 22 out 2026.

Entrada US$/M
Saída US$/M
em reais
Contexto
tokens
Saída máx.
tokens
Em São Paulo

Ficha técnica

Contexto de entrada
Saída máxima
Corte de conhecimento
Modalidades
Pesos do modelo
Retirada mínima: sem data anunciada pelo fabricante
Em São Paulo: O modelo pode ser chamado a partir da região de São Paulo do Amazon Bedrock, mas só com inferência global: o pedido pode ser processado em outra região da AWS, e os dados podem sair da região.
O que significa
Na tabela de disponibilidade regional da AWS, In-Region quer dizer inferência dentro da região de São Paulo; Global quer dizer que o pedido pode ser processado em outra região da AWS, e os dados podem sair de São Paulo. A apuração cobre só o Amazon Bedrock: Azure e Google Cloud não foram conferidos.Se o seu dado não pode sair da região, isso decide a escolha antes do preço e do benchmark. Para a política de uso, a classificação de dados e a trilha de auditoria, veja governança e segurança para IA generativa.

Preços

Dólar por milhão de tokens, por provedor, como o fabricante publica: uma linha por tarifa e uma coluna por tipo de token.

OpenAI API, Pricing (Standard)

Em vigor desde 22 set 2026.

Preço por milhão de tokens neste provedor, com o escopo declarado de cada valor e a fonte. OpenAI API, Pricing (Standard).
Tarifa	Leitura de cache	Escrita de cache	Saída em R$
Até 272.000 tokens
Batch	não consta	não consta	não convertida
Acima de 272.000 tokens		não consta	não convertida

Saída em R$ convertida a partir da linha Até 272.000 tokens, a tarifa que a tabela do comparativo usa, pela PTAX de venda de 6 out 2026. As outras linhas não são convertidas.

Nenhuma mudança de preço registrada desde 22 set 2026.

Avaliações

Todos os resultados publicados para este modelo, uma linha por grupo comparável: a mesma versão do benchmark e a mesma origem do número.

Resultados do modelo nos benchmarks deste eixo, um grupo comparável por linha, com a origem e a fonte de cada número. posição na ordem do grupo comparável, não ranking absoluto.
Benchmark	Resultado	Posição no grupo	Origem do número
Raciocínio
ARC-AGI-2, como o benchmark mede	max de esforço xhigh de esforço high de esforço medium de esforço low de esforço	15º de 16líder: GPT-6 Astra	medição independenteEpoch AI
GPQA Diamond, como o benchmark mede	max de esforço, intervalo publicado de 88,62% a 92,32%	19º de 21líder: GPT-6 Astra	medição independenteEpoch AI
Código
Arena WebDev (Code Arena), como o benchmark mede	max de esforço, intervalo publicado de 1.570,2 a 1.587,23	18º de 27líder: Claude Opus 5.5	preferência humanaLMArena
Agentes
Arena Agent, como o benchmark mede	max de esforço, intervalo publicado de 0,28% a 2,42%	16º de 24líder: Claude Fable 5.1	preferência humanaLMArena
Preferência humana
Arena Text, como o benchmark mede	max de esforço, intervalo publicado de 1.384,95 a 1.398	26º de 27líder: Claude Opus 5.5	preferência humanaLMArena
Índice composto
Epoch Capabilities Index, como o benchmark mede	, intervalo publicado de 153,67 a 158,75	14º de 24líder: Claude Opus 5.5	medição independenteEpoch AI

Resultado por nível de esforço, com a distância até os limites do intervalo publicado ao lado (± quando as duas metades são iguais). Posição: na ordem do grupo comparável, não ranking absoluto; dois modelos com o mesmo número dividem a posição. Ver os grupos comparáveis no comparativo

Custo mensal por caso de uso

Este modelo está entre os modelos que o comparativo usa no cartão de custo destes casos. A conta usa o preço da tabela do comparativo, o perfil de carga do caso e a cotação PTAX com data e hora.

Custo mensal em reais por modelo e por volume, calculado a partir do perfil de carga declarado abaixo.
Modelo	Chatbot10.000 interações por mês100.000 interações por mês1.000.000 interações por mês	RAG5.000 consultas por mês50.000 consultas por mês500.000 consultas por mês	Agentes1.000 tarefas por mês10.000 tarefas por mês100.000 tarefas por mês	Programação500 tarefas por mês5.000 tarefas por mês50.000 tarefas por mês
GPT-6 Luna	R$ 10,88R$ 108,84R$ 1.088,39	R$ 15,85R$ 158,54R$ 1.585,37	R$ 41,51R$ 415,08R$ 4.150,78	R$ 102,50R$ 1.025,02R$ 10.250,21

Reais por mês no volume escolhido, convertidos pela PTAX de venda de em 6 out 2026, 13:03:21. Perfil de carga da X-Apps, aprovado em 14 set 2026. Com a escrita de cache fora da conta, cada valor é um piso.

Fale com a X-Apps sobre: Chatbot · RAG · Agentes · Programação

Como a conta é feita

Fórmula: custo_mensal_usd = interacoes_por_mes x (tokens_entrada_por_interacao x preco_entrada x (1 - proporcao_cache x (1 - fator_cache)) + tokens_saida_por_interacao x preco_saida) / 1000000; custo_mensal_brl = custo_mensal_usd x meta.cotacao.valor; para agentes e código, interacoes_por_mes = tarefas_por_mes x chamadas_por_tarefa Regras assumidas por esta fórmula em regras_de_custo: fator_cache, escrita_de_cache, horario_de_pico e provedor_por_modelo.

A mesma conta com os números, no volume médio

Chatbot, GPT-6 Luna: custo_mensal_usd = 100.000 x (1.500 x 0,1 x (1 - 0,6 x (1 - 0,1)) + 300 x 0,5) / 1000000; custo_mensal_brl = 21,9 x 4,9698
RAG, GPT-6 Luna: custo_mensal_usd = 50.000 x (6.000 x 0,1 x (1 - 0,3 x (1 - 0,1)) + 400 x 0,5) / 1000000; custo_mensal_brl = 31,9 x 4,9698
Agentes, GPT-6 Luna: custo_mensal_usd = 120.000 x (8.000 x 0,1 x (1 - 0,7 x (1 - 0,1)) + 800 x 0,5) / 1000000; custo_mensal_brl = 83,52 x 4,9698
Programação, GPT-6 Luna: custo_mensal_usd = 125.000 x (20.000 x 0,1 x (1 - 0,75 x (1 - 0,1)) + 2.000 x 0,5) / 1000000; custo_mensal_brl = 206,25 x 4,9698

Premissas de carga de cada caso
Premissa	Chatbot	RAG	Agentes	Programação
Tokens de entrada por interação	1.500 tokens	6.000 tokens	8.000 tokens por chamada	20.000 tokens por chamada
Tokens de saída por interação	300 tokens	400 tokens	800 tokens por chamada	2.000 tokens por chamada
Fração da entrada servida por cache	0,6 fração da entrada servida por cache	0,3 fração da entrada servida por cache	0,7 fração da entrada servida por cache	0,75 fração da entrada servida por cache
Fator de cache	derivado do preço de cache de cada modelo razão entre o preço de leitura de cache e o preço de entrada de cada modelo; 1 quando o modelo não publica preço de cache, ou seja, sem desconto. Nunca 0. (em todos os casos)
Volume mensal	10.000, 100.000, 1.000.000 interações por mês [pequeno, médio, grande]	5.000, 50.000, 500.000 consultas por mês [pequeno, médio, grande]	1.000, 10.000, 100.000 tarefas por mês [pequeno, médio, grande]	500, 5.000, 50.000 tarefas por mês [pequeno, médio, grande]
Chamadas ao modelo por tarefa	não se aplica	não se aplica	12 chamadas ao modelo por tarefa	25 chamadas ao modelo por tarefa

Premissa da X-Apps definida a partir de perfis típicos de projeto (system prompt mais histórico curto), sem base em cliente específico. Aprovada em 14/09/2026.
Premissa da X-Apps definida a partir de perfis típicos de projeto (pergunta, system prompt e contexto recuperado), sem base em cliente específico. Aprovada em 14/09/2026.
Premissa da X-Apps definida a partir de perfis típicos de projeto (contexto acumulado e resultados de ferramentas), sem base em cliente específico. Aprovada em 14/09/2026.
Premissa da X-Apps definida a partir de perfis típicos de projeto (arquivos abertos, diff e histórico do agente de código), sem base em cliente específico. Aprovada em 14/09/2026.
Premissa da X-Apps definida a partir de perfis típicos de projeto, sem base em cliente específico. Aprovada em 14/09/2026.
Derivada do preço de cada modelo no dataset, não é premissa numérica. Regra aprovada em 14/09/2026.

Quatro regras que esta conta assume

Fator de cache: O fator de cache é o preço de leitura de cache dividido pelo preço de entrada, quando o fabricante publica o preço de leitura de cache do modelo, e 1 quando esse preço não é divulgado, ou seja, sem desconto. Nunca 0: lido como 0, o fator aplicaria desconto integral sobre toda a parte da entrada servida por cache e subestimaria o custo (no caso código, com proporção de cache de três quartos, a subestimação seria de metade do valor). Dois preços em vigor não trazem preço de cache: os do Qwen3.8-Max e do Qwen3.8-2.4T-A95B, os dois no Model Studio da Alibaba Cloud, que manda consultar o console para o preço de cache desses modelos.
Escrita de cache: Fora do cálculo nesta versão e declarado como tal ao leitor. A escrita de cache custa 1,25x a entrada na janela de cinco minutos e 2x na de uma hora nos preços da Anthropic, e 1,25x nos da OpenAI; a taxa de reescrita do prefixo depende do padrão de uso, que o dataset não mede e que nenhuma fonte publica. Consequência declarada: em carga com muito cache o custo publicado é um piso, não uma estimativa central.
Horário de pico: Modelo com horário de pico na tabela de preços entra na coluna de custo pela tarifa de PICO, que é a tarifa de referência da própria página (a DeepSeek apresenta o fora de pico como desconto de metade), e o fora de pico aparece como nota. Vale para o DeepSeek-V4-Pro e o DeepSeek-V4.1-Flash: pico das 01:00 às 04:00 e das 06:00 às 10:00 UTC, de segunda a sexta, exceto feriados chineses, no máximo 35 das 168 horas da semana. No horário de Brasília (UTC-3) essas janelas vão das 22:00 à 01:00 e das 03:00 às 07:00, fora do horário comercial brasileiro, o que torna a tarifa de pico uma referência conservadora para quem usa o modelo nesse horário.
Provedor por modelo: Quando um modelo tem mais de um preço em vigor, a coluna de custo usa o preço indicado aqui. Muse Spark 1.3: o tier Standard da Meta Model API. O tier Contributor, doze vezes e meia mais barato, fica FORA da coluna de custo porque é o tier em que prompts e respostas do cliente treinam modelos da Meta; ele aparece só na seção de preços, com a pílula de treino de dados. Gemini 3.1 Pro Preview e Gemini 3.8 Flash: o preço da Gemini API do Google (os dois preços em vigor, Gemini API e Vertex AI, têm a mesma entrada, a mesma saída e o mesmo preço de leitura de cache, então a escolha não muda o valor).
Fora do cálculo: IOF, spread bancário, tributação de pessoa jurídica, marketplace de nuvem, Batch, modo rápido, escrita de cache, tokens de raciocínio além da saída declarada e custo de ferramentas ou de infraestrutura.

Continue no comparativo

A tabela com todos os modelos lado a lado, as páginas por caso de uso e modelos parecidos com este.

Comparativo e casos de uso

Comparativo completo de modelos de IATodos os modelos
Melhor modelo de IA para chatbot: custo em reais e qualidadeChatbot
Melhor modelo de IA para RAG: custo em reais e qualidadeChat com documentos
Melhor modelo de IA para agentes: custo em reais e qualidadeAgentes
Melhor modelo de IA para programação: custo em reais e qualidadeProgramação

Modelos parecidos

GPT-5.6 Lunageração anterior
GPT-6.1 Solmesmo fabricante
GPT-6 Astramesmo fabricante
GLM-5.3-Flashpreço de entrada parecido

Quer colocar este modelo para trabalhar no seu caso?

A X-Apps desenha, opera e governa soluções com estes modelos. A escolha depende da sua carga, do seu dado e do seu risco.

Chatbot com IA para a sua empresa Solicitar orçamento