OpenAI: GPT-5.6 Luna

GPT-5.6 Luna ist ein Textmodell von OpenAI, Teil der GPT-5.6-Serie. OpenAI beschreibt es als schnell und kosteneffizient, positioniert für volumenstarke und latenzempfindliche Arbeit rather than als das größte oder leistungsfähigste Mitglied der Familie. Es befindet sich in der Kategorie Text, sein Zweck ist also Sprachverständnis und Generierung rather than Audio-, Video- oder Embedding-Aufgaben.

Das Modell akzeptiert Text, Bilder und Dateien als Eingabe und gibt nur Text zurück. Sein Kontextfenster beträgt 1.050.000 Token, was groß genug ist, um sehr lange Dokumente, ausgedehnte Gesprächsverläufe oder umfangreiche Codebasen in einer einzigen Anfrage zu halten. Die maximale Ausgabe beträgt 128.000 Token, sodass lange Generierungen innerhalb dieses Fensters möglich sind. Sein Wissensstichtag ist der 2026-02-16, und das Veröffentlichungsdatum des Anbieters ist der 2026-07-09. Da es Bild- und Dateieingaben neben Text verarbeitet, kann es mit gemischtem Material arbeiten, etwa einem Dokument plus einem Screenshot plus einer geschriebenen Frage in einem Aufruf.

Diese Eigenschaften deuten auf eine ziemlich spezifische Menge von Anwendungen hin. Volumenstarker Chat und Klassifikation sind die offensichtlichen, da das Modell auf Durchsatz und niedrige Latenz ausgelegt ist. Leichtgewichtige agentische Workflows passen ebenfalls: Tool Calling wird unterstützt, sodass das Modell entscheiden kann, wann es von Ihnen definierte Funktionen aufruft und ein paar Schritte miteinander verkettet. Das große Kontextfenster macht es sinnvoll für das Zusammenfassen oder Abfragen langer Berichte, Verträge oder Protokolle ohne Chunking, und die Bildeingabe ermöglicht Fragen zu Diagrammen, Screenshots oder gescannten Seiten. Reasoning-Steuerungen bedeuten, dass Sie den Aufwand höher oder niedriger einstellen können, je nachdem, ob eine Aufgabe Abwägung oder nur eine schnelle Antwort erfordert.

Sie rufen es über die OpenAI-kompatible API von api14 mit der Modell-ID "openai/gpt-5.6-luna" auf. Die unterstützten Anfrageparameter sind include_reasoning, max_completion_tokens, max_tokens, reasoning, reasoning_effort, response_format, seed, structured_outputs, tool_choice, tools und verbosity. In der Praxis bedeutet das, dass Sie die Ausgabelänge begrenzen, Reasoning-Ausgabe anfordern oder unterdrücken, steuern können, wie viel Reasoning-Aufwand betrieben wird, JSON- oder schema-konforme Antworten über response_format und structured_outputs anfordern, Tools definieren und die Tool-Auswahl steuern, einen Seed für reproduzierbareres Sampling setzen und die verbosity anpassen können. Wenn Sie bereits einen OpenAI-kompatiblen Client verwenden, ist das Ausrichten auf api14 und das Ändern der Modell-ID der wesentliche Schritt.

Es gibt keine angegebene Einschränkung in den Fakten über die reine Textausgabe und den Wissensstichtag hinaus, behandeln Sie diese also als die Grenzen, die Sie gegen Ihre Aufgabe prüfen sollten. Wenn Sie Ausgabe in einer anderen Modalität als Text benötigen, wird dieses Modell diesen Bedarf nicht decken. Wenn Ihre Arbeitslast klein und nicht latenzempfindlich ist, lassen die Reasoning- und verbosity-Steuerungen Sie das Verhalten dennoch justieren, aber das angegebene Designziel des Modells ist Volumen und Geschwindigkeit. Für Arbeit, die auf Wissen nach dem 2026-02-16 angewiesen ist, planen Sie, das relevante Material im Prompt oder über Datei- und Bildeingaben bereitzustellen, rather than sich auf das interne Wissen des Modells zu verlassen.