GPT-6.1 Terra vs Sol vs Luna untuk coding: biaya per tugas

Sesi agen Anda selesai, diff-nya terlihat baik, dan sekarang Anda bertanya-tanya apakah tier termahal memang perlu. Jawaban singkat: mulai dari Terra, kirim langkah-langkah sederhana secara massal ke Luna, dan bayar Sol hanya untuk tugas yang sudah gagal di Terra. Pada satu edit yang identik (40.000 token masuk, 3.000 keluar) harga standar OpenAI menghasilkan $0.0055 di Luna, $0.055 di Terra, dan $0.11 di Sol.

Apa kata daftar harga#

Halaman harga OpenAI (diperiksa 29 Oktober 2026, tier standar, input hingga 272K token) mencantumkan harga per 1M token berikut:

Polanya rapi. Sol tepat dua kali Terra di setiap kolom. Luna sepersepuluh Terra pada input dan output, dan seperlima pada input cache. Jadi tangga biayanya tetap, dan pertanyaan sebenarnya adalah seberapa sering tingkat yang lebih murah menyelesaikan pekerjaan.

Kolom terakhir adalah aritmetika biasa. Di Terra: 40.000 × 1.00 / 1.000.000 = 0.04 untuk input dan 3.000 × 5.00 / 1.000.000 = 0.015 untuk output, jadi 0.04 + 0.015 = 0.055. Di Sol jumlah yang sama adalah 0.08 + 0.03 = 0.11, di Luna 0.004 + 0.0015 = 0.0055.

Satu edit, lalu lima puluh edit#

Katakanlah Anda membuat 50 edit seperti ini sehari: menulis ulang sebuah fungsi, memperbaiki tes yang rusak, sekitar 40.000 token file dan instruksi masuk dan 3.000 token patch dan penjelasan keluar. Sehari kemudian berbiaya 50 × 0.055 = 2.75 dolar di Terra, 50 × 0.11 = 5.50 di Sol dan 50 × 0.0055 = 0.275 di Luna.

Tidak ada yang merasakan $0.11 untuk satu edit. Sebulan Sol dengan laju itu adalah percakapan yang berbeda, dan itulah alasan untuk memutuskan tier sekali per jenis tugas alih-alih sekali per suasana hati.

Berikut seluruh perhitungan sebagai beberapa baris yang bisa Anda tempel dan jalankan ulang dengan jumlah token Anda sendiri (harga contoh dari tabel di atas, masukkan yang terkini):

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

Loop agen: input adalah tagihannya#

Satu edit adalah satu permintaan. Agen adalah dua puluh permintaan berturut-turut, dan setiap langkah membaca ulang file dan riwayat sejauh ini. Ambil loop 20 langkah di mana setiap langkah mengirim sekitar 30.000 token dan mendapat sekitar 1.000 kembali. Itu 600.000 token masuk dan 20.000 keluar.

Di Terra: 600.000 × 1.00 / 1.000.000 = 0.60 untuk input dan 20.000 × 5.00 / 1.000.000 = 0.10 untuk output, jadi 0.60 + 0.10 = 0.70 dolar. Sol menggandakannya menjadi 1.40, Luna memotongnya menjadi 0.07. Lihat pembagiannya: $0.60 dari $0.70 adalah yang Anda kirim, bukan yang ditulis model. Itu kebalikan dari cara kebanyakan orang membayangkan tagihannya.

Caching mengubah gambaran, jika prefix Anda benar-benar berulang. Misalkan 25.000 dari 30.000 token di setiap langkah adalah prefix yang sama dan mengenai cache: 100.000 × 1.00 / 1.000.000 = 0.10 input baru, 500.000 × 0.05 / 1.000.000 = 0.025 input cache, ditambah 0.10 output, jadi Terra menjadi 0.10 + 0.025 + 0.10 = 0.225. Cara kerjanya ada di apa itu prompt caching; mengapa riwayat terus bertambah ada di mengapa agen AI memakai begitu banyak token.

Kalkulator di bawah menjalankan loop yang sama pada model CheapTokens. Ubah langkah dan token agar sesuai dengan agen Anda.

Tier mana untuk tugas mana#

Seorang penulis kanal Telegram, yang menjalankan eksperimen AI, membandingkan Terra dengan Sol dan Luna di Codex dan menerbitkan video pada 28 Oktober 2026. Kesimpulannya, dalam judulnya sendiri, adalah bahwa Terra adalah tier menengah dan itu bukan kekurangan (postingan). Framing itu adalah petunjuk yang berguna: tingkat menengah adalah default, dan dua lainnya butuh alasan.

Alasannya biasanya retry. Pada jumlah token yang sama, dua percobaan Terra berbiaya 2 × 0.055 = 0.11, yang setara satu percobaan Sol. Dan sepuluh percobaan Luna berbiaya 10 × 0.0055 = 0.055, yang setara satu percobaan Terra. Jadi jika Sol adalah satu-satunya tier yang menyelesaikan suatu kelas tugas pada percobaan pertama, ia membayar dirinya sendiri pada tugas-tugas itu. Jika Luna menyelesaikan suatu kelas tugas lebih dari satu kali dalam sepuluh, itu cara yang lebih murah untuk mendapatkannya, sebelum Anda menghitung waktu yang dihabiskan meninjau kegagalan.

Pilih situasi yang paling dekat dengan Anda:

Kapan model open-weight yang lebih murah sudah cukup#

Edit yang sama pada tiga tier OpenAI di samping tiga model CheapTokens, dengan 40.000 token masuk dan 3.000 keluar yang sama:

Batang grafik menunjukkan harga, bukan hasil. Apakah salah satu model ini cukup baik untuk edit Anda adalah sesuatu yang Anda periksa dengan cara yang sama seperti untuk Luna: jalankan ulang tugas nyata dan baca diff-nya. Jika lolos, tagihannya turun lebih jauh. Untuk loop agen, DeepSeek-V4-Flash memiliki konteks 380K, hingga 32.768 token dalam satu jawaban dan satu harga di jam berapa pun. GLM-5.3-Flash memiliki konteks 390K dan MiniMax-M2.7 180K; semua harga ada di halaman harga, dan langkah koneksinya ada di dokumentasi.

Jalankan ulang tugas Anda sendiri#

Tabel memberi Anda biaya. Kualitas Anda ketahui dalam satu sore: ambil sepuluh tugas dari riwayat terbaru Anda, jalankan masing-masing di Luna, lalu di Terra, dan letakkan diff-nya berdampingan. Satu-satunya angka yang Anda butuhkan ada di respons, di bidang usage, yang memudahkan menghitung biaya satu eksekusi secara tepat. Dengan CheapTokens tampilannya seperti ini:

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: ..."}]}'

Dalam JSON yang dikembalikan, usage.prompt_tokens dan usage.completion_tokens adalah input dan output Anda untuk tugas tersebut. Masukkan ke helper cost() di atas, dan Anda mendapatkan biaya per tugas untuk model apa pun yang memiliki harga. Untuk detail peluncuran tier baru, lihat harga API GPT-6.1 Terra; untuk pembagian input/output, token input vs output.