GPT-6.1 Terra vs Sol vs Luna pour le code : coût par tâche

Votre session d'agent est terminée, le diff est correct, et vous vous demandez maintenant si le niveau le plus cher était nécessaire. Réponse courte : commencez sur Terra, envoyez les étapes simples en masse sur Luna, et ne payez Sol que pour la tâche que Terra a déjà ratée. Sur une modification identique (40 000 tokens en entrée, 3 000 en sortie), les prix standard OpenAI donnent 0,0055 $ sur Luna, 0,055 $ sur Terra et 0,11 $ sur Sol.

Ce que dit la grille tarifaire#

La page de tarification d'OpenAI (consultée le 29 octobre 2026, niveau standard, entrée jusqu'à 272K tokens) affiche ces prix par million de tokens :

Le schéma est net. Sol vaut exactement le double de Terra sur chaque colonne. Luna représente un dixième de Terra en entrée et en sortie, et un cinquième en entrée en cache. L'échelle des coûts est donc fixe, et la vraie question est la fréquence à laquelle un échelon moins cher suffit.

La dernière colonne est de l'arithmétique simple. Sur Terra : 40 000 × 1,00 / 1 000 000 = 0,04 pour l'entrée et 3 000 × 5,00 / 1 000 000 = 0,015 pour la sortie, donc 0,04 + 0,015 = 0,055. Sur Sol, le même calcul donne 0,08 + 0,03 = 0,11, sur Luna 0,004 + 0,0015 = 0,0055.

Une modification, puis cinquante#

Disons que vous faites 50 modifications de ce type par jour : réécrire une fonction, corriger les tests qu'elle a cassés, environ 40 000 tokens de fichiers et d'instructions en entrée et 3 000 tokens de patch et d'explication en sortie. Une journée coûte alors 50 × 0,055 = 2,75 dollars sur Terra, 50 × 0,11 = 5,50 sur Sol et 50 × 0,0055 = 0,275 sur Luna.

Personne ne ressent 0,11 $ sur une modification. Un mois de Sol à ce rythme, c'est une autre conversation, et c'est la raison de choisir le niveau une fois par type de tâche plutôt qu'une fois par humeur.

Voici tout le calcul en quelques lignes que vous pouvez coller et relancer avec vos propres nombres de tokens (prix d'exemple du tableau ci-dessus, remplacez-les par les prix actuels) :

PRICES = {  # $ per 1M tokens: (input, output), OpenAI, 29 Oct 2026
    'luna': (0.10, 0.50),
    'terra': (1.00, 5.00),
    'sol': (2.00, 10.00),
}

def cost(tier, tokens_in, tokens_out):
    p_in, p_out = PRICES[tier]
    return (tokens_in * p_in + tokens_out * p_out) / 1_000_000

print(cost('terra', 40_000, 3_000))  # 0.055

Boucles d'agent : l'entrée fait la facture#

Une modification, c'est une requête. Un agent, c'est vingt requêtes d'affilée, et chaque étape relit les fichiers et l'historique accumulé. Prenons une boucle de 20 étapes où chaque étape envoie environ 30 000 tokens et en reçoit environ 1 000. Cela fait 600 000 tokens en entrée et 20 000 en sortie.

Sur Terra : 600 000 × 1,00 / 1 000 000 = 0,60 pour l'entrée et 20 000 × 5,00 / 1 000 000 = 0,10 pour la sortie, donc 0,60 + 0,10 = 0,70 dollar. Sol double à 1,40, Luna réduit à 0,07. Regardez la répartition : 0,60 $ sur les 0,70 $ correspondent à ce que vous envoyez, pas à ce que le modèle écrit. C'est l'inverse de ce que la plupart des gens imaginent.

Le cache change la donne, si votre préfixe se répète vraiment. Supposons que 25 000 des 30 000 tokens de chaque étape soient le même préfixe et touchent le cache : 100 000 × 1,00 / 1 000 000 = 0,10 d'entrée fraîche, 500 000 × 0,05 / 1 000 000 = 0,025 d'entrée en cache, plus 0,10 de sortie, donc Terra arrive à 0,10 + 0,025 + 0,10 = 0,225. Le fonctionnement est décrit dans qu'est-ce que le prompt caching ; la raison pour laquelle l'historique ne cesse de grossir est dans pourquoi les agents IA utilisent autant de tokens.

Le calculateur ci-dessous exécute la même boucle sur les modèles CheapTokens. Modifiez les étapes et les tokens pour correspondre à votre agent.

Quel niveau pour quelle tâche#

Un auteur de chaîne Telegram, qui mène des expériences sur l'IA, a comparé Terra avec Sol et Luna dans Codex et publié une vidéo le 28 octobre 2026. Sa conclusion, dans son propre titre, est que Terra est un niveau intermédiaire et que ce n'est pas un défaut (la publication). Ce cadrage est un bon repère : l'échelon du milieu est la valeur par défaut, et les deux autres exigent une raison.

La raison, ce sont généralement les nouvelles tentatives. À nombre de tokens égal, deux tentatives Terra coûtent 2 × 0,055 = 0,11, soit une tentative Sol. Et dix tentatives Luna coûtent 10 × 0,0055 = 0,055, soit une tentative Terra. Donc si Sol est le seul niveau qui réussit une classe de tâches du premier coup, il se rentabilise sur ces tâches. Si Luna réussit une classe de tâches plus d'une fois sur dix, c'est le moyen le moins cher de les obtenir, avant même de compter le temps passé à examiner les échecs.

Choisissez la situation la plus proche de la vôtre :

Quand un modèle open-weight moins cher suffit#

La même modification sur les trois niveaux OpenAI à côté de trois modèles CheapTokens, avec les mêmes 40 000 tokens en entrée et 3 000 en sortie :

Les barres montrent le prix, pas les résultats. Savoir si l'un de ces modèles est assez bon pour vos modifications se vérifie de la même façon que pour Luna : rejouez de vraies tâches et lisez les diffs. S'il passe, la facture baisse encore. Pour les boucles d'agent, DeepSeek-V4-Flash dispose d'un contexte de 380K, de jusqu'à 32 768 tokens dans une réponse et d'un prix unique à toute heure de la journée. GLM-5.3-Flash a un contexte de 390K et MiniMax-M2.7 de 180K ; tous les prix sont sur la page de tarification, et les étapes de connexion sont dans la documentation.

Rejouez vos propres tâches#

Le tableau vous donne le coût. La qualité, vous la découvrez en un après-midi : prenez dix tâches de votre historique récent, exécutez chacune sur Luna, puis sur Terra, et comparez les diffs côte à côte. Les seuls chiffres dont vous avez besoin sont dans la réponse, dans le champ usage, ce qui permet de chiffrer une exécution exactement. Avec CheapTokens, cela ressemble à ceci :

curl https://api.cheaptokens.dev/v1/chat/completions \
  -H "Authorization: Bearer $CHEAPTOKENS_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{"model": "deepseek-ai/DeepSeek-V4-Flash-0731", "messages": [{"role": "user", "content": "Rename the variable x to retry_count in this function: ..."}]}'

Dans le JSON renvoyé, usage.prompt_tokens et usage.completion_tokens sont votre entrée et votre sortie pour cette tâche. Passez-les au helper cost() ci-dessus, et vous obtenez le coût par tâche pour tout modèle ayant un prix. Pour les détails de lancement du nouveau niveau, voir prix de l'API GPT-6.1 Terra ; pour la répartition entrée/sortie, tokens d'entrée vs de sortie.