GPT-5.6 ist live: Änderungen bei der Abrechnung des Prompt-Cachings erklärt

OpenAI hat die GPT-5.6-Familie offiziell am 9. Juli 2026 veröffentlicht. AIHubMix hat die Integration aller drei Stufen abgeschlossen: gpt-5.6-sol, gpt-5.6-terra und gpt-5.6-luna sind jetzt über Chat Completions und Responses verfügbar. Die Veröffentlichung ändert auch den Mechanismus des Prompt-Cachings und dessen Abrechnung: Cache-Schreibvorgänge werden jetzt separat abgerechnet. Dieser Beitrag behandelt die Positionierung der drei Stufen und erläutert die Änderungen beim Caching Punkt für Punkt.

Was ändert sich mit den drei GPT-5.6-Stufen

GPT-5.6 überarbeitet das Benennungsschema: Die Zahl bezeichnet die Modellgeneration, während Sol, Terra und Luna Fähigkeitsstufen sind, die sich unabhängig entwickeln können. Laut den offiziellen Definitionen ist Sol das Flaggschiffmodell, Terra ist eine kostengünstigere Stufe mit einer Leistung, die mit GPT-5.5 vergleichbar ist, und Luna ist die schnellste und günstigste Stufe.

Zu den Fähigkeiten: Die offizielle Position lautet: Sol erzielt erstklassige Ergebnisse bei Programmier-, Wissensarbeit-, Cybersecurity- und Wissenschaftsaufgaben, wird von OpenAI als das beste Programmiermodell bis heute beschrieben und setzt neue Rekorde bei Terminal-Bench 2.1 und DeepSWE; Terra erreicht die Leistung von GPT-5.5 zum halben Preis. Die Familie fügt ein maximales Denkvermögen hinzu, und die Responses-API erhält programmatische Tool-Calls und Multi-Agenten (Beta)-Funktionen.

Das Upgrade des Caching-Mechanismus erklärt

Vor GPT-5.6 war das Prompt-Caching bei GPT-Modellen vollständig automatisch: Präfixe von 1.024 Tokens oder mehr wurden automatisch zwischengespeichert, Entwickler hatten keine Kontrolle darüber, was zwischengespeichert wurde oder wie lange, und Caches wurden nach 5–10 Minuten Inaktivität gelöscht. OpenAI fasst die Änderungen bei GPT-5.6 als "vorhersehbareres Prompt-Caching" zusammen, mit drei konkreten Punkten:

1. Die Aufbewahrung ändert sich von "so kurz wie 5 Minuten" auf "mindestens 30 Minuten". prompt_cache_options.ttl unterstützt derzeit nur "30m"; das ist ein garantierter Mindestwert, und die tatsächliche Aufbewahrung kann länger sein.
2. Explizite Cache-Breakpoints sind neu. Das Setzen von prompt_cache_breakpoint auf einem Inhaltsblock fixiert die Cache-Grenze am Ende stabiler Inhalte, sodass Änderungen nach dem Breakpoint das zwischengespeicherte Präfix davor nicht ungültig machen; mit prompt_cache_options.mode, das auf "explicit" gesetzt ist, werden nur manuelle Breakpoints verwendet.
3. prompt_cache_key wechselt von einer Optimierung zu einer offiziellen Anforderung. Ab GPT-5.6 sollte der Parameter gesetzt werden, um eine zuverlässigere Cache-Zuordnung zu ermöglichen; OpenAI empfiehlt, den Verkehr pro Schlüssel auf etwa 15 Anfragen pro Minute zu halten.

Wie man die 1,25x Abrechnung für Cache-Schreibvorgänge bewertet

Ab GPT-5.6 werden Cache-Schreibvorgänge mit 1,25x des Basis-Eingangsrate und Cache-Lesevorgänge mit 0,1x abgerechnet; bei früheren Modellen gab es keine zusätzlichen Gebühren für Cache-Schreibvorgänge. Die offizielle Formulierung (aus der GPT-5.6-Ankündigung): "Für GPT-5.6 und spätere Modelle werden Cache-Schreibvorgänge mit 1,25x der nicht zwischengespeicherten Eingangsrate des Modells abgerechnet, während Cache-Lesevorgänge weiterhin den 90%-Rabatt auf die zwischengespeicherte Eingabe erhalten."

Die Break-Even-Mathematik folgt direkt aus den offiziellen Raten: Das Schreiben eines Präfixes kostet 0,25x mehr als kein Caching, und jeder nachfolgende Zugriff spart 0,9x der Eingangsrate: ein einmal wiederverwendetes Präfix erzeugt eine Nettospare, und je mehr Wiederverwendung, desto größer die Ersparnis.

• Arbeitslasten, die eindeutig profitieren: Agenten-Workflows mit langen Systemaufforderungen, RAG, die wiederholt umfangreiche Referenzmaterialien enthält, Anwendungen mit großen Tool-Definitionen und mehrstufige Gespräche, die nur Nachrichten anhängen. Diese Arbeitslasten haben eine hohe Präfix-Wiederverwendung, sodass der 0,1x-Lesepreis dominiert.
• Arbeitslasten, die beobachtet werden sollten: einmalige lange Anfragen, deren Präfix nie wiederverwendet wird. Automatisches Caching ist standardmäßig aktiviert, sodass diese Anfragen eine nicht wiederherstellbare 1,25x Schreibgebühr verursachen; das Setzen von prompt_cache_options.mode auf "explicit" ohne das Setzen von Breakpoints lässt die Anfrage das Cache vollständig überspringen und verursacht keine Schreibgebühr.

Vergleich: Prompt-Caching bei GPT-5.6 und Claude

Das Caching-Design von GPT-5.6 konvergiert in mehreren Dimensionen mit Claudes cache_control, wobei der Hauptunterschied im Standardverhalten liegt: GPT cached automatisch ohne erforderliche Parameter, während Claude das Caching in der Anfrage aktiviert haben muss, entweder im obersten cache_control-Feld (automatischer Breakpoint) oder in expliziten Breakpoints auf Inhaltsblockebene.

Die Claude-Spalte spiegelt die Regeln wider, die für alle aktiven Claude-Modelle gelten: 1,25x Schreibvorgänge für die 5-Minuten-Stufe, 2x für die 1-Stunden-Stufe und 0,1x Lesevorgänge gelten einheitlich für die gesamte Reihe (Dokumentation zum Prompt-Caching von Anthropic), wobei die Unterschiede zwischen den Modellen auf die minimale cachebare Länge beschränkt sind; die GPT-5.6-Spalte stammt aus dem OpenAI-Prompt-Caching-Leitfaden.

Die Breakpoint-Limits, Schreibraten (für die entsprechenden Stufen) und Lesraten stimmen genau zwischen den beiden Anbietern überein; praktisch gesehen überträgt sich die gleiche Strategie zur Strukturierung von "statischen Inhalten zuerst, sich ändernden Inhalten zuletzt" zwischen ihnen. Die Migrationskosten konzentrieren sich auf die Parametersyntax: GPT verwendet prompt_cache_breakpoint + prompt_cache_key, Claude verwendet cache_control.

Das gleiche Caching-Muster in beiden Protokollen

Für dasselbe Szenario "einen statischen langen Befehl cachen" folgen die minimalen Implementierungen in den beiden Protokollen. Die Beispiele verwenden gpt-5.6-sol und claude-opus-4-8. Beide teilen sich den gleichen Basis-Eingangspreis (5 $/M), sodass die effektiven Preise pro Token, die sich aus Cache-Schreibvorgängen (1,25x) und Lesevorgängen (0,1x) ableiten, ebenfalls identisch sind; nur die Syntax unterscheidet sich.

Das GPT-Protokoll setzt prompt_cache_key auf der obersten Ebene (lange Präfixe werden automatisch zwischengespeichert, kein Breakpoint-Marker erforderlich); das Claude-Protokoll setzt cache_control auf der obersten Ebene, um automatisches Caching zu aktivieren, und wechselt zu Breakpoints auf Inhaltsblockebene, wenn eine präzise Kontrolle über die Cache-Grenze erforderlich ist:

GPT-5.6 (Chat Completions)

curl https://aihubmix.com/v1/chat/completions \
  -H "Content-Type: application/json" \
  -H "Authorization: Bearer $AIHUBMIX_API_KEY" \
  -d '{
    "model": "gpt-5.6-sol",
    "prompt_cache_key": "my-app-report-v1",
    "messages": [
      {
        "role": "system",
        "content": "[Statische lange Anweisungen, >=1024 Tokens]"
      },
      {
        "role": "user",
        "content": "Fassen Sie die wichtigsten Zahlen zusammen."
      }
    ]
  }'

Claude (Messages)

curl https://aihubmix.com/v1/messages \
  -H "Content-Type: application/json" \
  -H "x-api-key: $AIHUBMIX_API_KEY" \
  -H "anthropic-version: 2023-06-01" \
  -d '{
    "model": "claude-opus-4-8",
    "max_tokens": 1024,
    "cache_control": {"type": "ephemeral"},
    "system": "[Statische lange Anweisungen, >=1024 Tokens]",
    "messages": [
      {
        "role": "user",
        "content": "Fassen Sie die wichtigsten Zahlen zusammen."
      }
    ]
  }'

Beim Vergleich der beiden Anfragen kommen die Unterschiede auf Folgendes hinaus: den Endpunkt (/v1/chat/completions vs /v1/messages), die Auth-Header (Authorization: Bearer vs x-api-key + anthropic-version), den Caching-Parameter (oberste Ebene prompt_cache_key vs oberste Ebene cache_control) und Claude, das ein explizites max_tokens erfordert. Beide Anfragen wurden gegen aihubmix.com (2026-07-10) überprüft: gpt-5.6-sol gab bei der zweiten Anfrage cached_tokens: 2816 zurück; claude-opus-4-8 gab bei der ersten Anfrage cache_creation_input_tokens: 3632 und bei der zweiten cache_read_input_tokens: 3632 zurück.

Über das Anfrageformat hinaus bleiben drei Unterschiede auf Mechanismusebene:

1. Aktivierung: GPT cached automatisch, selbst ohne Caching-Parameter, wobei prompt_cache_key die Trefferzuverlässigkeit verbessert; Claude erfordert eine Deklaration: einen Breakpoint auf Inhaltsblockebene cache_control oder den automatischen Modus auf oberster Ebene cache_control.
2. Verwendungsfelder: GPT berichtet Cache-Lesevorgänge in prompt_tokens_details.cached_tokens; Claude berichtet Schreib- und Lesevorgänge separat als cache_creation_input_tokens und cache_read_input_tokens, was es einfach macht, Schreib- und Treffer unabhängig zu überprüfen.
3. Lebensdauersteuerung: GPT-5.6's ttl unterstützt derzeit nur "30m"; Claude hat standardmäßig 5 Minuten (kostenlos bei jedem Zugriff erneuert), mit einer optionalen "ttl": "1h" (Schreibvorgänge werden mit 2x abgerechnet).

Was zu ändern ist, wenn Modelle zwischen Protokollen gewechselt werden

Das AIHubMix-Gateway unterstützt Cross-Protokollaufrufe: Der OpenAI-kompatible Endpunkt kann Claude-Modelle aufrufen (cache_control geht direkt in die OpenAI-Format-Nachricht-Inhaltsblöcke; siehe Praktiken zum Prompt-Caching), und der Claude-kompatible /v1/messages-Endpunkt kann GPT-5.6 aufrufen (überprüft, dass es funktioniert). Beim Wechseln der Modelle sollten drei Dinge überprüft werden:

• Ändern Sie model auf die Zielmodell-ID;
• Wechseln Sie die Syntax des Caching-Parameters: prompt_cache_key / explizite Breakpoints entsprechen Claudes cache_control;
• Wechseln Sie die Feldnamen für die Verwendung: cached_tokens entspricht Claudes cache_read_input_tokens.

Empfohlene Wege für das Prompt-Caching: GPT-Modelle über Chat Completions (der Cache-Trefferweg, der in diesem Beitrag überprüft wurde); Claude-Modelle funktionieren über beide Protokolle.

Vergleich: GPT-5.6 vs. früheres GPT-Caching

Die Änderungen zeigen in eine Richtung: Das Caching der früheren Generation war gebührenfrei, aber unkontrollierbar, mit ungewisser Aufbewahrung; GPT-5.6 erhebt Gebühren für Schreibvorgänge, während es eine garantierte Aufbewahrungsuntergrenze und präzise Cache-Steuerungen bietet. Nach den Raten spart ein mehr als einmal wiederverwendetes Präfix im Durchschnitt mehr als die zusätzlichen Schreibkosten; die 30-minütige Aufbewahrungsuntergrenze und die kontrollierbaren Breakpoints machen es vorhersehbarer, diese Wiederverwendungsrate zu erreichen.

Erste Schritte mit AIHubMix

Alle drei Stufen sind live, mit den Modell-IDs gpt-5.6-sol, gpt-5.6-terra und gpt-5.6-luna. Caching erfordert keine zusätzliche Konfiguration; aufeinanderfolgende Anfragen mit demselben langen Präfix treffen den Cache:

import os
from openai import OpenAI

client = OpenAI(
    api_key=os.environ["AIHUBMIX_API_KEY"],
    base_url="https://aihubmix.com/v1",
)

long_context = "Sie sind ein akribischer Assistent zur Analyse von vierteljährlichen Finanzberichten... [Statische lange Anweisungen, >=1024 Tokens]"

for i in range(2):
    completion = client.chat.completions.create(
        model="gpt-5.6-sol",
        prompt_cache_key="my-app-report-assistant-v1",
        messages=[
            {"role": "system", "content": long_context},
            {"role": "user", "content": "Fassen Sie die wichtigsten Zahlen in einem Satz zusammen."},
        ],
    )
    print(completion.usage.prompt_tokens_details)

Ein Wert von usage.prompt_tokens_details.cached_tokens, der größer als 0 bei der zweiten Anfrage ist, zeigt einen Treffer an (gemessenes Beispiel: cached_tokens: 2816). Für Parameterdetails, Abrechnungsdetails und Fehlersuche bei Treffern siehe die Dokumentation zum GPT-Prompt-Caching.

Häufig gestellte Fragen

Welche APIs können GPT-5.6 auf AIHubMix aufrufen?

Chat Completions (/v1/chat/completions), Responses (/v1/responses) und die Claude-kompatible Messages-API (/v1/messages) können alle die Modelle aufrufen, und alle drei Stufen sind live. Für das Prompt-Caching ist Chat Completions derzeit der empfohlene Weg.

Wenn mein Client nichts ändert, was ändert sich in der Abrechnung nach dem Upgrade auf GPT-5.6?

Prompt-Caching wird standardmäßig automatisch angewendet: Anfragen, deren Präfix 1.024 Tokens erreicht, verursachen einen Cache-Schreibvorgang, der mit 1,25x der Eingangsrate abgerechnet wird, und wiederverwendete Präfixe werden mit der 0,1x-Lesepreis abgerechnet. Anwendungen mit hoher Präfix-Wiederverwendung sehen normalerweise niedrigere Gesamtkosten; einmalige lange Anfragen, die nie ein Präfix wiederverwenden, können das Caching mit dem expliziten Modus deaktivieren.

Ich habe Claude-Prompt-Caching verwendet. Was muss ich ändern, um zu GPT-5.6 zu migrieren?

Die Strategie zur Strukturierung von Prompts bleibt gleich: Statische Inhalte zuerst, sich ändernde Inhalte zuletzt. Die Parameter ändern sich von cache_control zu prompt_cache_breakpoint, plus prompt_cache_key; die Aufbewahrung ändert sich von den 5-Minuten/1-Stunden-Stufen zu einer garantierten Untergrenze von 30 Minuten.

Wie wähle ich zwischen den drei GPT-5.6-Stufen?

Laut der offiziellen Positionierung: Wählen Sie Sol für komplexe professionelle Arbeiten und Programmieraufgaben; wählen Sie Terra für alltägliche Arbeitslasten (Leistung auf GPT-5.5-Niveau zum halben Preis); wählen Sie Luna für kostensensitive, hochvolumige Szenarien. Alle drei Stufen teilen sich dasselbe Kontextfenster und die maximale Ausgabe, sodass Sie nach Aufgabenkomplexität routen können.

Offizielle Referenzen

Modellspezifikationen, Caching-Mechanismen und Abrechnungssätze in diesem Beitrag stammen aus diesen offiziellen Quellen:

• GPT-5.6-Ankündigung (OpenAI, 2026-07-09)
• OpenAI-Prompt-Caching-Leitfaden
• OpenAI-Preise
• Dokumentation zum Prompt-Caching von Anthropic

Verwandte Dokumentation auf dieser Seite: GPT-Prompt-Caching · Claude-Prompt-Caching · Praktiken zum Prompt-Caching

Besuchen Sie die Modellgalerie für die Preise von GPT-5.6 oder erkunden Sie weitere Integrationsmöglichkeiten im Dokumentationszentrum.

Letzte Aktualisierung: 2026-07-10