OpenAI: GPT-5.6 Luna

GPT-5.6 Luna is een tekstmodel van OpenAI, onderdeel van de GPT-5.6-serie. OpenAI beschrijft het als snel en kostenefficiënt, gepositioneerd voor werk met hoog volume en latentiegevoeligheid, eerder dan als het grootste of meest capabele lid van de familie. Het valt in de tekstcategorie, dus het doel is taalbegrip en generatie, niet audio-, video- of embeddingtaken.

Het model accepteert tekst, afbeeldingen en bestanden als invoer, en retourneert alleen tekst. Het contextvenster is 1.050.000 tokens, groot genoeg om zeer lange documenten, uitgebreide gespreksgeschiedenissen of omvangrijke codebases in één verzoek te bevatten. De maximale uitvoer is 128.000 tokens, dus lange generaties zijn mogelijk binnen dat venster. De knowledge cutoff is 2026-02-16, en de releasedatum van de provider is 2026-07-09. Omdat het naast tekst ook afbeeldings- en bestandsinvoer verwerkt, kan het werken over gemengd materiaal zoals een document plus een screenshot plus een geschreven vraag in één aanroep.

Die kenmerken wijzen op een vrij specifieke set toepassingen. Chat en classificatie met hoog volume zijn de voor de hand liggende, aangezien het model is gebouwd voor doorvoer en lage latentie. Lichtgewicht agentische workflows passen ook: tool calling wordt ondersteund, dus het model kan beslissen wanneer het door jou gedefinieerde functies aanroept en een paar stappen aan elkaar koppelt. Het grote contextvenster maakt het redelijk voor het samenvatten van of queryen over lange rapporten, contracten of logs zonder chunking, en de afbeeldingsinvoer maakt vragen over diagrammen, screenshots of gescande pagina's mogelijk. Reasoning-besturing betekent dat je de inspanning hoger of lager kunt zetten, afhankelijk van of een taak overleg nodig heeft of alleen een snel antwoord.

Je roept het aan via de OpenAI-compatibele API van api14 met het model-id "openai/gpt-5.6-luna". De ondersteunde verzoekparameters zijn include_reasoning, max_completion_tokens, max_tokens, reasoning, reasoning_effort, response_format, seed, structured_outputs, tool_choice, tools en verbosity. In de praktijk betekent dat je de uitvoerlengte kunt beperken, reasoning-uitvoer kunt aanvragen of onderdrukken, kunt bepalen hoeveel reasoning-inspanning wordt geleverd, kunt vragen om JSON of schema-conforme antwoorden via response_format en structured_outputs, tools kunt definiëren en de toolselectie kunt bepalen, een seed kunt instellen voor meer reproduceerbare sampling, en de verbosity kunt aanpassen. Als je al een OpenAI-compatibele client gebruikt, is het richten ervan op api14 en het wijzigen van het model-id de belangrijkste stap.

Er is geen vermelde beperking in de feiten naast de uitvoer die alleen tekst is en de knowledge cutoff, dus beschouw die als de grenzen om tegen je taak te controleren. Als je uitvoer nodig hebt in een andere modaliteit dan tekst, zal dit model niet in die behoefte voorzien. Als je workload klein is en niet latentiegevoelig, laten de reasoning- en verbosity-besturingen je gedrag nog steeds afstemmen, maar het vermelde ontwerpdoel van het model is volume en snelheid. Voor werk dat afhankelijk is van kennis na 2026-02-16, plan je om het relevante materiaal in de prompt of via bestands- en afbeeldingsinvoer aan te leveren in plaats van te vertrouwen op de interne kennis van het model.