GPT-API-Preise 2026 – GPT-6-, GPT-5.6- und GPT-5.5-Tokentarife und tatsächliche Kosten

Die GPT-API wird mit Eingabe- und Ausgabetarifen pro 1M Tokens abgerechnet; es gibt weder eine Monatsgebühr noch eine kostenlose Stufe. Diese Seite stellt die aktuellen Tarife der GPT-5- und GPT-6-Familie den OpenAI-Listenpreisen gegenüber, enthält Rechenbeispiele zur direkten Prüfung der Kosten eines einzelnen Requests, erklärt die zwei Kostenfallen, die den Rechnungsbetrag beeinflussen (Reasoning-Tokens und Langtextaufschlag), und beschreibt die Zahlung aus Korea.

Die Tarife wurden am 4. Oktober 2026 überprüft — die OpenAI-Listenpreise stammen von openai.com/api/pricing, die Kunavo-Tarife werden in Echtzeit aus dem Modellkatalog gelesen.

Tariftabelle der GPT-5- und GPT-6-Familie

Die GPT-6-Familie ist OpenAIs neue Generation. GPT-6 Astra wurde am 3. September 2026 als OpenAIs Spitzenmodell veröffentlicht, gefolgt von GPT-6 Sol und GPT-6 Luna am 22. September 2026. OpenAI erklärt, dass beide Modelle auf den Fortschritten aufbauen, die GPT-6 Astra ermöglicht haben. Sol ist für komplexe Programmierung und Agenten-Workflows vorgesehen, Luna wird als „effizientestes Modell für fokussierte Massenarbeit“ positioniert. Beide Modelle haben einen Kontext von 1,050,000 Tokens und eine maximale Ausgabe von 128,000 Tokens.

Das günstigste GPT-Modell bei Kunavo ist GPT-6 Luna ($0.04 / $0.20). GPT-6 Sol ($0.80 / $4.00) hat einen niedrigeren Ausgabetarif als GPT-5.6 Terra ($4.20). Allerdings ist der Eingabepreis bei GPT-5.6 Terra ($0.70) niedriger; bei Anfragen, bei denen die Eingabetoken das 2-Fache der Ausgabetoken überschreiten, ist Terra günstiger. Wenn Sie lange Prompts senden und nur kurze Antworten erhalten, berechnen Sie beide Modelle direkt anhand der Tarife in der obigen Tabelle.

Was kostet ein einzelner Request tatsächlich?

Anhand der Tariftabelle allein ist das schwer einzuschätzen, daher sollten Sie selbst nachrechnen. Der folgende Code verwendet exakt dieselben Zahlen wie die Tabelle oben; ändern Sie nur die Tokenzahlen, um die Kosten für Ihren eigenen Workload zu berechnen.

# Kunavo GPT 요율(1M 토큰당 USD): (input, output)
RATES = {
    "gpt-5-6-terra": (0.70, 4.20),
    "gpt-5-5":       (2.00, 12.00),
    "gpt-5-6-sol":   (2.00, 12.00),
    "gpt-6-sol":     (0.80, 4.00),
    "gpt-6-luna":    (0.04, 0.20),
}

def cost(model: str, in_tokens: int, out_tokens: int) -> float:
    i, o = RATES[model]
    # 주의: GPT-5 계열 추론 모델의 reasoning 토큰은 출력 요율로 과금됩니다.
    return in_tokens / 1_000_000 * i + out_tokens / 1_000_000 * o

print(cost("gpt-5-6-terra", 1_000, 300))  # 짧은 턴
print(cost("gpt-5-6-terra", 6_000, 500))  # RAG 답변
print(cost("gpt-5-5", 20_000, 3_000))     # 어려운 문제
print(cost("gpt-5-6-sol", 20_000, 3_000)) # GPT-5.6 플래그십
print(cost("gpt-6-sol", 20_000, 3_000))   # GPT-6 Sol
print(cost("gpt-6-luna", 1_000, 300))     # 가장 저렴한 짧은 턴

Zwei Faktoren, die den Rechnungsbetrag bestimmen

1. Reasoning-Tokens werden als Ausgabe abgerechnet. Reasoning-Modelle der GPT-5-Familie erzeugen unsichtbare Denk-Tokens, die zum Ausgabetarif berechnet werden. Auch bei einer dreizeiligen Antwort entspricht der Rechnungsbetrag daher möglicherweise nicht drei Zeilen. Begrenzen Sie max_tokens und senken Sie die Reasoning-Stärke, soweit die Aufgabe es erlaubt; dies ist die direkteste Möglichkeit zur Kostensenkung.

2. Langtextaufschlag. OpenAI wendet bei Requests mit mehr als 272.000 Eingabe-Tokens auf den gesamten Request (einschließlich Cache-Eingaben) das Zweifache für Eingaben und das 1,5-Fache für Ausgaben an. Kunavo wendet dasselbe Intervall auch auf GPT-5.5, GPT-5.6 Sol und Terra sowie GPT-6 Astra, Sol und Luna an. In diesem Intervall werden die Tarife aus der Tabelle für Eingaben verdoppelt und für Ausgaben mit 1,5 multipliziert; der Rabatt gegenüber dem Listenpreis bleibt unverändert. Bei kontextintensiven Aufgaben wie RAG mit vollständigen Dokumenten oder Codebasisanalysen kann das Überschreiten dieses Intervalls die Kosten stärker beeinflussen als die Wahl des Modells. Teilen Sie Eingaben nach Möglichkeit so auf, dass sie unter 272.000 Tokens bleiben.

In bestehenden OpenAI-Code integrieren

Kunavo ist ein OpenAI-kompatibler Endpoint, daher müssen Sie das SDK nicht ändern. Ersetzen Sie nur base_url eine Zeile und den Schlüssel.

from openai import OpenAI

client = OpenAI(
    api_key="sk-kn-...",
    base_url="https://api.kunavo.com/v1",   # 이 한 줄만 바꾸면 됩니다
)

resp = client.chat.completions.create(
    model="gpt-5-6-terra",
    messages=[{"role": "user", "content": "안녕하세요"}],
)
print(resp.choices[0].message.content)

Mit demselben Schlüssel können auch Claude-, Bild- und Videomodelle aufgerufen werden — die Modellliste finden Sie im Modellkatalog, Details zu den Endpoints im Schnellstart.

Zahlung aus Korea

Die Zahlung wird über Stripe abgewickelt und erfolgt als Vorauszahlung. Internationale und inländische Kredit- und Debitkarten (Visa, Mastercard, Amex, JCB, UnionPay), Apple Pay und Google Pay werden unterstützt. Sie laden ab mindestens $10 auf, und das Guthaben wird entsprechend der Nutzung abgezogen; das Guthaben verfällt nicht. Ein OpenAI-Konto oder ein separater Vertrag ist nicht erforderlich.

Wenn die Zahlungsseite in KRW angezeigt wird, erscheinen KakaoPay, Naver Pay, PAYCO, Samsung Pay und inländische Karten als Kunavo-Auflademethoden. Zu den inländischen Karten gehören auch Karten ohne aktivierte Auslandszahlungen; Toss wird nicht unterstützt. Diese Methoden laden Ihr Kunavo-Guthaben auf und sind keine direkte Zahlung an OpenAI. Die Preise werden in USD festgelegt, und Stripe rechnet sie zum Wechselkurs zum Zahlungszeitpunkt in KRW um. Dieser Wechselkurs enthält die vom Käufer gezahlte Umrechnungsgebühr von 2–4 % (bei Zahlung in Dollar fällt sie nicht an; die genannten inländischen Methoden werden nur bei Zahlung in KRW angezeigt). Alle Zahlungsmethoden finden Sie in der Zahlungsdokumentation; die Kostenübersicht für Claude steht unter Claude-API-Preise und -Zahlung.

Vier Hebel zur Kostensenkung

1. Reduzieren Sie die Ausgabe. Einschließlich Reasoning-Tokens ist die Ausgabe am teuersten. Eine Begrenzung von max_tokens und die Anpassung der Reasoning-Stärke bringen die schnellste Ersparnis.
2. Senken Sie die Modellklasse entsprechend der Aufgabengröße. Beginnen Sie bei Massenaufgaben wie Klassifizierung, Extraktion und Zusammenfassung mit dem günstigsten GPT-6 Luna und wechseln Sie nur dann in eine höhere Klasse, wenn Luna nicht ausreicht. Der Ausgabetarif von Luna entspricht dem Ausgabetarif des Spitzenmodells GPT-6 Astra geteilt durch 100.
3. Verwenden Sie Caching für wiederholte Kontextpräfixe (Funktionsweise).
4. Bündeln Sie Aufgaben, die keine Echtzeit erfordern. Wenn Nutzer nicht warten müssen, können Sie durch parallele Ausführung den Durchsatz erhöhen.

Wenn die Zahlung der OpenAI API blockiert ist, lesen Sie OpenAI API payment methods.

Häufig gestellte Fragen