# GPT-5.6 Luna

> Fiche du modèle de langage GPT-5.6 Luna sur Quelle IA, édition du 28 septembre 2026. GPT-5.6 Luna (OpenAI) : score IA de 88,1, 25e sur 246. Scores par tâche, prix, exécution locale et liens pour le télécharger ou l'essayer.

Page : https://quelleia.com/modeles/gpt-5-6-luna/
Origine : OpenAI · États-Unis · sorti le 9 juillet 2026

## Score général

- Score IA : 88,1 (marge à 90 % : de 86,2 à 90,1)
- Rang : 25 (Groupe 5, ex æquo)
- Couverture : 100 % du poids des tâches, 41 mesures
- Échelle : 100 pour le meilleur modèle au lancement du site, 50 pour GPT-4o de novembre 2024.

## Scores par tâche

| Tâche | Score | Détail |
| --- | --- | --- |
| Raisonnement | 85,8 | Rang 30 · 78 % |
| Code | 89,4 | Rang 20 · 54 % |
| Agents | 84,7 | Provisoire · 22 % |
| Usage | 85,2 | Rang 39 · 100 % |
| Maths | 91,0 | Rang 13 · 62 % |
| Sciences | 86,0 | Rang 23 · 80 % |
| Français | 87,9 | Rang 12 · 100 % |
| Vision | 90,7 | Rang 10 · 100 % |
| Écriture | 83,7 | Rang 46 · 100 % |
| Web | 85,5 | Rang 41 · 100 % |

## Artificial Analysis (hors du score)

Artificial Analysis évalue les modèles de son côté et publie son propre indice, l'Artificial Analysis Intelligence Index v4.3. C'est un autre indice, qui ne compte pas dans le score IA de Quelle IA et ne se compare pas directement à lui.

| Version évaluée | Indice v4.3 | Rang chez eux | Vitesse | Premier jeton | Prix par million de jetons (entrée / sortie) |
| --- | --- | --- | --- | --- | --- |
| [GPT-5.6 Luna (Max)](https://artificialanalysis.ai/models/gpt-5-6-luna) | 37,3 | 69e sur 193 | 108,7 jetons/s | 111,0 s | 0,2 $ / 1,2 $ |
| [GPT-5.6 Luna (Xhigh)](https://artificialanalysis.ai/models/gpt-5-6-luna-xhigh) | 34,6 | 75e sur 193 | 111,3 jetons/s | 51,5 s | 0,2 $ / 1,2 $ |
| [GPT-5.6 Luna (High)](https://artificialanalysis.ai/models/gpt-5-6-luna-high) | 32,1 | 91e sur 193 | 99,7 jetons/s | 15,6 s | 0,2 $ / 1,2 $ |
| [GPT-5.6 Luna (Medium)](https://artificialanalysis.ai/models/gpt-5-6-luna-medium) | 25,0 | 118e sur 193 | 110,6 jetons/s | 2,73 s | 0,2 $ / 1,2 $ |
| [GPT-5.6 Luna (Low)](https://artificialanalysis.ai/models/gpt-5-6-luna-low) | 21,0 | 134e sur 193 | 108,7 jetons/s | 1,60 s | 0,2 $ / 1,2 $ |
| [GPT-5.6 Luna (Non-reasoning)](https://artificialanalysis.ai/models/gpt-5-6-luna-non-reasoning) | 15,5 | 154e sur 193 | 106,9 jetons/s | 0,74 s | 0,2 $ / 1,2 $ |

Médianes de leurs mesures : vitesse en jetons produits par seconde, délai avant le premier jeton en secondes. Prix en dollars par million de jetons, en entrée puis en sortie. Rang parmi les 193 modèles que leur indice classe. Relevé le 1er octobre 2026 sur leur site, reproduit avec leur accord.

Source : Artificial Analysis, https://artificialanalysis.ai/models/gpt-5-6-luna

## Exécution locale

Non. GPT-5.6 Luna est un modèle fermé : il s'utilise en ligne, par l'application de son éditeur ou par API.

## Fiche technique

- Prix : 0,87 € / 5,20 € (entrée / sortie, par million de jetons)
- Fenêtre de contexte : 1 050 000 jetons (environ 788 000 mots)
- Entrées : Texte, image, PDF
- Réflexion : Sans, faible, moyenne, élevée, très élevée, maximale (six niveaux réglables)
- Paramètres : Non communiqué
- Licence : Propriétaire (poids fermés, accès par l'éditeur)
- Classe énergétique : E (sur une échelle de A à G)
- Hébergement en Europe : Possible
- Connaissances jusqu'à : Février 2026

## Où le trouver

- Par API : [OpenRouter](https://openrouter.ai/openai/gpt-5.6-luna)
- Par API : [API OpenAI](https://platform.openai.com/docs)
- L'essayer : [ChatGPT](https://chatgpt.com)

## Dans les outils de code

- Disponible dans : [Cursor](https://quelleia.com/outils/#cursor) (inclus), [GitHub Copilot](https://quelleia.com/outils/#github-copilot) (inclus), [Devin Desktop (ex-Windsurf)](https://quelleia.com/outils/#devin-desktop) (à l'usage), [Codex](https://quelleia.com/outils/#codex), [Zed](https://quelleia.com/outils/#zed) (inclus), [Kiro](https://quelleia.com/outils/#kiro) (offres payantes), [OpenCode](https://quelleia.com/outils/#opencode) (à l'usage), [Droid (Factory)](https://quelleia.com/outils/#factory-droid), [Augment Code](https://quelleia.com/outils/#augment), [Warp](https://quelleia.com/outils/#warp)
- Mesuré dans : [Codex](https://quelleia.com/outils/#codex)
- Relevé du 30 septembre 2026 sur la page publique de chaque outil. Un modèle proposé par un outil figure dans la liste que son éditeur publie. Rien n'y est mesuré.

## Mesures

| Benchmark | Tâche | Publié | Niveau suggéré | État | Source |
| --- | --- | --- | --- | --- | --- |
| OTIS Mock AIME 2024-2025 | Maths | 98,3 % | 90,3 | saturé | https://epoch.ai/benchmarks |
| EuroEval, Allociné (sentiment) | Français | 93,9 % | 47,8 | saturé | https://euroeval.com/leaderboards/Monolingual/french/ |
| GPQA Diamond | Sciences | 91,6 % | 85,1 | actif | https://epoch.ai/benchmarks |
| ARC-AGI-1 | Raisonnement | 88 % | 85,7 | saturé | https://arcprize.org/leaderboard |
| ARC-AGI-1 | Raisonnement | 87,7 % | 85,5 | saturé | https://arcprize.org/leaderboard |
| ARC-AGI-1 | Raisonnement | 87,7 % | 85,5 | saturé | https://arcprize.org/leaderboard |
| FrontierMath, paliers 1 à 3 (v2) | Maths | 82,1 % | 93,4 | actif | https://epoch.ai/benchmarks |
| DTBench | Raisonnement | 89,1 % | 83,4 | saturé | https://conceptualreasoning.ai/dtbench |
| DTBench | Raisonnement | 88,8 % | 83,0 | saturé | https://conceptualreasoning.ai/dtbench |
| EuroEval, ELTeC (noms propres) | Français | 80 % | 121,2 | actif | https://euroeval.com/leaderboards/Monolingual/french/ |
| DTBench | Raisonnement | 86,7 % | 79,9 | saturé | https://conceptualreasoning.ai/dtbench |
| ARC-AGI-1 | Raisonnement | 76,5 % | 80,9 | saturé | https://arcprize.org/leaderboard |
| GPQA Diamond | Sciences | 82,3 % | 74,6 | actif | https://epoch.ai/benchmarks |
| DTBench | Raisonnement | 83,2 % | 75,5 | saturé | https://conceptualreasoning.ai/dtbench |
| EuroEval, HellaSwag (bon sens) | Français | 71,9 % | 68,7 | actif | https://euroeval.com/leaderboards/Monolingual/french/ |
| EuroEval, INCLUDE (connaissances) | Français | 71,3 % | 73,9 | actif | https://euroeval.com/leaderboards/Monolingual/french/ |
| EuroEval, FQuAD (compréhension) | Français | 69,1 % | 64,8 | actif | https://euroeval.com/leaderboards/Monolingual/french/ |
| DeepSWE | Code | 67,2 % | 92,0 | actif | https://deepswe.datacurve.ai/ |
| EuroEval, MultiLoKo (connaissances locales) | Français | 67 % | 91,9 | actif | https://euroeval.com/leaderboards/Monolingual/french/ |
| DTBench | Raisonnement | 80 % | 72,0 | saturé | https://conceptualreasoning.ai/dtbench |
| OTIS Mock AIME 2024-2025 | Maths | 66,7 % | 67,1 | saturé | https://epoch.ai/benchmarks |
| Surface Evolver Bench | Sciences | 61,9 % | 84,9 | saturé | https://yhenon.github.io/surface-evolver-llm-eval/ |
| EuroEval, ScaLA (grammaire) | Français | 61,2 % | 90,9 | actif | https://euroeval.com/leaderboards/Monolingual/french/ |
| Code Arena, WebDev | Web | 1 517,9 Elo | 85,3 | actif | https://arena.ai/leaderboard |
| FrontierMath, palier 4 (v2) | Maths | 61 % | 92,2 | saturé | https://epoch.ai/benchmarks |
| WeirdML (v2) | Code | 60,9 % | 82,0 | actif | https://htihle.github.io/weirdml.html |
| Arena, questions de maths | Maths | 1 474,9 Elo | 84,8 | actif | https://arena.ai/leaderboard |
| ProofBench | Maths | 60 % | 89,5 | saturé | https://www.vals.ai/benchmarks/proof_bench |
| compar:IA | Français | 1 095,0 Elo | 104,0 | actif | https://arene.comparia.beta.gouv.fr/ranking |
| Arena, questions d'experts | Sciences | 1 490,5 Elo | 83,5 | actif | https://arena.ai/leaderboard |
| ARC-AGI-2 | Raisonnement | 59,5 % | 86,7 | saturé | https://epoch.ai/benchmarks |
| Arena, questions en français | Français | 1 483,0 Elo | 83,1 | actif | https://arena.ai/leaderboard |
| Arena, questions de code | Code | 1 501,6 Elo | 81,9 | actif | https://arena.ai/leaderboard |
| Arena, texte | Usage | 1 453,4 Elo | 81,8 | actif | https://arena.ai/leaderboard |
| LMCA | Raisonnement | 48,54 | 86,8 | actif | https://conceptualreasoning.ai/lmca |
| LMCA | Raisonnement | 48,54 | 86,8 | actif | https://conceptualreasoning.ai/lmca |
| DeepSWE | Code | 56,9 % | 88,6 | actif | https://deepswe.datacurve.ai/ |
| ARC-AGI-1 | Raisonnement | 56,5 % | 75,5 | saturé | https://arcprize.org/leaderboard |
| LMCA | Raisonnement | 47,38 | 85,9 | actif | https://conceptualreasoning.ai/lmca |
| Arena, écriture créative | Écriture | 1 408,6 Elo | 78,5 | actif | https://arena.ai/leaderboard |
| Arena, vision | Vision | 1 259,1 Elo | 83,2 | actif | https://arena.ai/leaderboard |
| SciCode | Code | 53,6 % | 87,4 | actif | https://artificialanalysis.ai/evaluations/scicode |
| LMCA | Raisonnement | 44,25 | 83,5 | actif | https://conceptualreasoning.ai/lmca |
| LMCA | Raisonnement | 43,79 | 83,1 | actif | https://conceptualreasoning.ai/lmca |
| GPQA Diamond | Sciences | 63,6 % | 61,5 | actif | https://epoch.ai/benchmarks |
| SciCode | Code | 50,7 % | 84,0 | actif | https://artificialanalysis.ai/evaluations/scicode |
| SciCode | Code | 50 % | 83,2 | actif | https://artificialanalysis.ai/evaluations/scicode |
| Vending-Bench 2 | Agents | 4 095 $ | 87,2 | actif | https://epoch.ai/benchmarks |
| DTBench | Raisonnement | 69,3 % | 61,4 | saturé | https://conceptualreasoning.ai/dtbench |
| LMCA | Raisonnement | 41,4 | 81,2 | actif | https://conceptualreasoning.ai/lmca |
| ARC-AGI-2 | Raisonnement | 47,6 % | 84,6 | saturé | https://epoch.ai/benchmarks |
| ARC-AGI-2 | Raisonnement | 47,6 % | 84,6 | saturé | https://epoch.ai/benchmarks |
| SciCode | Code | 45,8 % | 78,3 | actif | https://artificialanalysis.ai/evaluations/scicode |
| SciCode | Code | 45,6 % | 78,0 | actif | https://artificialanalysis.ai/evaluations/scicode |
| BALROG | Agents | 45,6 % | 80,3 | actif | https://balrogai.com/ |
| DeepSWE | Code | 44,2 % | 84,8 | actif | https://deepswe.datacurve.ai/ |
| FrontierMath, paliers 1 à 3 (v2) | Maths | 41,4 % | 79,1 | actif | https://epoch.ai/benchmarks |
| SimpleQA Verified | Données | 41 % | 81,6 | actif | https://epoch.ai/benchmarks |
| OTIS Mock AIME 2024-2025 | Maths | 40 % | 59,6 | saturé | https://epoch.ai/benchmarks |
| SciCode | Code | 39,9 % | 71,2 | actif | https://artificialanalysis.ai/evaluations/scicode |
| FrontierCode | Code | 39,8 % | 90,1 | actif | https://cognition.com/frontiercode |
| FrontierMath, paliers 1 à 3 (v2) | Maths | 39,6 % | 78,5 | actif | https://epoch.ai/benchmarks |
| EuroEval, OrangeSum (résumé) | Français | 37,4 % | 59,4 | actif | https://euroeval.com/leaderboards/Monolingual/french/ |
| Chess Puzzles | Raisonnement | 40 % | 89,0 | actif | https://epoch.ai/benchmarks |
| SimpleBench | Raisonnement | 46,8 % | 74,2 | actif | https://epoch.ai/benchmarks |
| SimpleBench | Raisonnement | 46,8 % | 74,2 | actif | https://lmcouncil.ai/benchmarks |
| CursorBench | Code | 35,9 % | 86,8 | actif | https://cursor.com/cursorbench |
| ARC-AGI-1 | Raisonnement | 34,2 % | 70,1 | saturé | https://arcprize.org/leaderboard |
| CursorBench | Code | 33 % | 84,7 | actif | https://cursor.com/cursorbench |
| CursorBench | Code | 29,4 % | 81,9 | actif | https://cursor.com/cursorbench |
| ARC-AGI-2 | Raisonnement | 29,3 % | 81,1 | saturé | https://epoch.ai/benchmarks |
| GDP.pdf | Données | 22,7 % | 91,2 | actif | https://surgehq.ai/benchmarks/gdp-pdf |
| GDP.pdf | Données | 22,7 % | 91,2 | actif | https://surgehq.ai/benchmarks/gdp-pdf |
| Blueprint-Bench 2 | Vision | 22,6 % | 88,2 | actif | https://andonlabs.com/evals/blueprint-bench-2 |
| CursorBench | Code | 22,2 % | 75,7 | actif | https://cursor.com/cursorbench |
| CritPt | Sciences | 20,6 % | 90,8 | actif | https://epoch.ai/benchmarks |
| CritPt | Sciences | 20,6 % | 90,8 | actif | https://epoch.ai/benchmarks |
| Furniture Assembly | Vision | 42,5 % | 91,8 | actif | https://epoch.ai/benchmarks |
| Chess Puzzles | Raisonnement | 21 % | 78,2 | actif | https://epoch.ai/benchmarks |
| CritPt | Sciences | 16,6 % | 88,4 | actif | https://epoch.ai/benchmarks |
| CursorBench | Code | 16 % | 69,0 | actif | https://cursor.com/cursorbench |
| Mystery Game Puzzles | Raisonnement | 21 % | 82,8 | actif | https://epoch.ai/benchmarks |
| Mystery Game Puzzles | Raisonnement | 20 % | 82,2 | actif | https://epoch.ai/benchmarks |
| DeepSWE | Code | 11,3 % | 70,8 | actif | https://deepswe.datacurve.ai/ |
| Mystery Game Puzzles | Raisonnement | 17 % | 79,9 | actif | https://epoch.ai/benchmarks |
| ARC-AGI-2 | Raisonnement | 7,4 % | 73,8 | saturé | https://epoch.ai/benchmarks |
| WeirdML v3 | Code | 5,2 % | 87,7 | actif | https://htihle.github.io/weirdml.html |
| ARC-AGI-2 | Raisonnement | 5,1 % | 72,1 | saturé | https://epoch.ai/benchmarks |
| CritPt | Sciences | 4,9 % | 76,0 | actif | https://epoch.ai/benchmarks |
| Mystery Game Puzzles | Raisonnement | 12 % | 73,0 | actif | https://epoch.ai/benchmarks |
| CritPt | Sciences | 2,6 % | 70,0 | actif | https://epoch.ai/benchmarks |
| DeepSWE | Code | 1,5 % | 54,9 | actif | https://deepswe.datacurve.ai/ |
| CritPt | Sciences | 0,3 % | 61,2 | actif | https://epoch.ai/benchmarks |
| Chess Puzzles | Raisonnement | 2 % | 47,6 | actif | https://epoch.ai/benchmarks |

## En bref

**Quel est le score de GPT-5.6 Luna ?** GPT-5.6 Luna obtient un score IA de 88,1, avec une marge de 86,2 à 90,1, dans l'édition du 28 septembre 2026. Il est classé 25e sur 246 modèles, à partir de 41 mesures.

**Dans quelles tâches GPT-5.6 Luna est-il le plus fort ?** Ses deux meilleures tâches sont maths (91,0) et vision (90,7). Sa tâche la plus faible est écriture (83,7).

**GPT-5.6 Luna peut-il tourner en local ?** Non. GPT-5.6 Luna est un modèle fermé : il s'utilise en ligne, par l'application de son éditeur ou par API.

**Combien coûte GPT-5.6 Luna ?** 0,87 € par million de jetons en entrée et 5,20 € en sortie, au tarif affiché par les fournisseurs. Le coût réel d'une tâche dépend du nombre de jetons que le modèle consomme.

**Qui édite GPT-5.6 Luna ?** GPT-5.6 Luna est édité par OpenAI (États-Unis), et il est sorti le 9 juillet 2026. C'est un modèle fermé.

Source : Quelle IA, édition du 28 septembre 2026. https://quelleia.com