Gamme de modèles et tarifs (OpenAI)

Ceci est la référence unique pour les IDs, tarifs et limites des modèles OpenAI utilisés dans l’ensemble des pistes OpenAI. Tout ce qui figure ici reflète la gamme API publiée au 15 septembre 2026 ; les tarifs sont en USD par million de tokens (MTok) et sensibles au déploiement, alors traitez le tableau comme un instantané à partir duquel raisonner, pas comme une grille tarifaire en direct. Revérifiez auprès des pages API pricing et API models avant d’engager une architecture ou un budget.

Gamme API (septembre 2026)

Tous les derniers modèles acceptent du texte et des images en entrée, produisent du texte en sortie, sont multilingues et prennent en charge la vision. Ils sont servis via la Responses API et les SDK clients.

Génération précédente, toujours disponible : gpt-5.5 à $5 / $30 et gpt-5.5-pro à $30 / $180. Les modèles hérités restent appelables ; les nouveaux travaux devraient viser la ligne GPT-5.6 ou Astra.

Reasoning effort

Les modèles GPT-5.6 acceptent des efforts de none à max ; Astra fonctionne avec low, medium, high, xhigh, max. La règle, tirée directement de la documentation, est d’utiliser le reasoning effort le plus bas qui donne le résultat — un effort plus élevé dépense davantage de tokens de sortie (et donc plus d’argent et de latence) en raisonnement interne. Il n’existe aucune correspondance exacte entre les efforts GPT-5.5 et GPT-5.6, alors reréglez plutôt que de porter un paramètre d’effort d’une génération à l’autre.

Positionnement des modèles

Guide de sélection, tiré directement de la documentation :

                 capability ▲
                            │  GPT-6 Astra      frontier, judgment, multi-tool
                            │  GPT-5.6 Sol      complex, open-ended, high-value
                            │  GPT-5.6 Terra    pragmatic all-rounder
                            │  GPT-5.6 Luna     high-volume, structured, cheap
                            └───────────────────────────────► $ / MTok rises
   choose the lowest tier that clears the task, then the lowest effort that clears it

Noms de modèles côté ChatGPT

Le produit grand public/entreprise expose des libellés différents pour la même famille sous-jacente. Ne supposez pas qu’un ID d’API existe pour un libellé ChatGPT, ni l’inverse.

Les modèles hérités restent disponibles dans ChatGPT. La liste exacte des modèles qu’un utilisateur voit est dépendante du plan — voir la référence des fonctionnalités et plans ChatGPT.

Familles de modèles spécialisées

Ce sont des lignes conçues à dessein, dont plusieurs sont réservées aux organisations autorisées ou approuvées. Ne routez jamais du trafic général vers elles.

Sélectionner un modèle — tableau de décision

Calculs de coût détaillés

Les tarifs sont par MTok. Ils illustrent des différences d’ordre de grandeur ; faites vos propres calculs par rapport aux tarifs en direct avant de vous engager.

Exemple 1 — une seule réponse RAG de 50 k tokens

Une réponse augmentée par récupération avec 50 000 tokens en entrée (contexte récupéré + prompt) et 1 000 tokens en sortie, un seul appel.

Le côté entrée domine une réponse RAG parce que le contexte récupéré est volumineux par rapport à la réponse. Astra coûte ~49× Luna pour la même réponse — le choix du modèle est donc une décision de qualité de récupération, pas de puissance de raisonnement, sauf si la synthèse est réellement difficile.

Exemple 2 — un job batch d’un million de tokens

Classifier ou transformer un million de tokens en entrée avec 200 k tokens en sortie, exécuté hors ligne.

Pour du travail structuré à fort volume, Luna sur Batch est le défaut ; escalader un sous-ensemble vers Terra uniquement là où un validateur signale une qualité faible est une cascade, pas une montée en gamme généralisée.

Exemple 3 — une session d’agent

Une seule session d’agent qui consomme 300 k tokens en entrée (contexte accumulé, résultats d’outils, compaction) et produit 40 k tokens en sortie sur de nombreux tours.

Les sessions d’agent accumulent du contexte, donc la compaction et la synthèse de contexte (voir l’aide-mémoire Agents) sont les vrais leviers de coût : une session qui laisse le contexte croître sans limite sur Astra est là où les budgets disparaissent. Mettre en cache (prompt caching) un system prompt stable d’un tour à l’autre aide aussi.

Comment revérifier

1. Ouvrez developers.openai.com/api/docs/models pour les IDs, alias, fenêtres de contexte et dates de coupure actuels.
2. Ouvrez developers.openai.com/api/docs/pricing pour les tarifs entrée/sortie en direct et toute remise Batch/cached-input.
3. Consultez la page Codex models pour la liste spécifique à Codex et les dates de retrait.
4. Quand un fait ici est en désaccord avec la documentation, la documentation l’emporte — cette page est une aide à l’étude, pas une autorité.

Faits clés à mémoriser

• Quatre modèles API actuels : Astra ($10/$50), Sol ($4/$20), Terra ($2/$12), Luna ($0.20/$1.20) ; tous 1.05M de contexte, 128K de sortie max.
• gpt-5.6 est un alias de gpt-5.6-sol ; épinglez les IDs explicites en production.
• Utilisez le niveau le plus bas et l’effort le plus bas qui traitent la tâche ; il n’y a pas de correspondance d’effort GPT-5.5 → 5.6.
• Terra est le remplaçant pragmatique des charges GPT-5.5 ; Luna est pour les tâches structurées à fort volume.
• Les familles spécialisées (cyber, Daybreak, Rosalind) sont réservées et interdites au trafic général.