So rufen Sie gpt-6-luna über die hiapi API auf: curl, Python und lauffähige Anfragen

TL;DR

• Was ist es: Das neueste kostengünstige Textmodell von OpenAI, speziell für Batch-Verarbeitung und hohen Durchsatz entwickelt. Bereits auf HiAPI verfügbar; Modellseite öffnen und direkt chatten. Neue Nutzer erhalten bei der Registrierung 200 Guthabenpunkte.
• Was kostet es: Abrechnung pro Token; Standardstufe: Eingabe $0,025/M, Ausgabe $0,125/M, Cache-Treffer $0,0025/M – das günstigste GPT-Textmodell auf HiAPI.
• Wie ruft man die API auf: Standardprotokoll ist die Responses API (POST /v1/responses), aber auch Chat Completions (POST /v1/chat/completions) wird unterstützt. 1,05 Mio. Kontext, max. 128K Ausgabe.
• Wichtige Parameter: Sechs Reasoning-Stufen reasoning.effort (none/low/medium/high/xhigh/max), temperature, top_p, text.format (json_schema).

Zum neu veröffentlichten GPT-6 Luna werden am häufigsten zwei Fragen gestellt: Wie ruft man es auf, und worin unterscheidet es sich von Chat Completions? Die Antworten finden Sie in diesem Artikel.

Was kann GPT-6 Luna?

• Batch-Textklassifikation. Produktbewertungsanalyse, Ticket-Kategorisierung, Content-Tagging – bei $0,025/M Eingabepreis sind auch 100.000 Einträge kein Problem.
• Strukturierte Datenextraktion. JSON aus unstrukturiertem Text extrahieren; legen Sie einfach text.format mit json_schema fest, um die Ausgabe zu beschränken.
• Inhaltsumschreibung und -formatierung. Artikel umformulieren, mehrsprachige Überarbeitung, Formatvereinheitlichung – ein Prompt für alles im Batch.
• Automatische FAQ-Antworten. Kundenservice-Fragen mit geringer Komplexität; setzen Sie reasoning.effort=none, um das Reasoning abzuschalten – schnell und kostensparend.
• Einfache Agent-Schleifen. Tool-Aufrufe + mehrstufige Dialoge, geeignet für Automatisierungsabläufe ohne tiefgehendes Reasoning.

Zwei Einstiegswege: Online testen oder API?

Zum Ausprobieren wählen Sie den Online-Test, für die Produktintegration die API. Beide Wege nutzen dasselbe Modell und dieselbe Preisstruktur.

Online testen (ca. 1 Minute)

1. Öffnen Sie die GPT-6 Luna Modellseite.
2. Registrieren oder anmelden – neue Konten erhalten 200 Guthabenpunkte.
3. Geben Sie Ihren Prompt ein und passen Sie die Parameter im Playground an, um die Ergebnisse zu sehen.

API-Integration (ca. 5 Minuten)

1. Erstellen Sie einen API Key (sk-...) in der HiAPI-Konsole.
2. POST /v1/responses für die Responses API (Standard) oder POST /v1/chat/completions für Chat Completions.
3. Die Antwort finden Sie in output.

Erster Aufruf: curl-Version (Responses API, empfohlen)

curl -s https://api.hiapi.ai/v1/responses \
  -H "Authorization: Bearer sk-YOUR_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "model": "gpt-6-luna",
    "input": [
      {"role": "user", "content": "Erkläre in einem Satz, was HiAPI ist, und antworte auf Deutsch."}
    ]
  }'

Beispielantwort: Die Antwort steht in output[0].content[0].text:

{
  "id": "resp_...",
  "model": "gpt-6-luna",
  "output": [
    {
      "type": "message",
      "role": "assistant",
      "content": [
        {
          "type": "output_text",
          "text": "HiAPI ist eine API-Zwischenschichtplattform, die verschiedene KI-Modelle bündelt..."
        }
      ]
    }
  ],
  "usage": {
    "input_tokens": 25,
    "output_tokens": 32,
    "total_tokens": 57
  }
}

Dieser Aufruf verbraucht 57 Token, was in der Standardstufe etwa $0,0056 entspricht – praktisch kostenlos.

Erster Aufruf: Python-Version (Responses API)

import requests

API = "https://api.hiapi.ai/v1/responses"
HEADERS = {
    "Authorization": "Bearer sk-YOUR_KEY",
    "Content-Type": "application/json"
}

payload = {
    "model": "gpt-6-luna",
    "input": [
        {"role": "user", "content": "Erkläre in einem Satz, was HiAPI ist, und antworte auf Deutsch."}
    ]
}

resp = requests.post(API, headers=HEADERS, json=payload, timeout=60)
data = resp.json()
text = data["output"][0]["content"][0]["text"]
usage = data["usage"]
print(f"Antwort: {text}")
print(f"Verbrauch: {usage['total_tokens']} Tokens (Eingabe {usage['input_tokens']} + Ausgabe {usage['output_tokens']})")

Erzwungene strukturierte Ausgabe mit json_schema

Dies ist die Kernanwendung von Luna in Batch-Extraktionsszenarien. Setzen Sie text.format auf json_schema, definieren Sie name und schema, und die Modellausgabe entspricht strikt der von Ihnen vorgegebenen JSON-Struktur:

curl -s https://api.hiapi.ai/v1/responses \
  -H "Authorization: Bearer sk-YOUR_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "model": "gpt-6-luna",
    "input": [
      {
        "role": "user",
        "content": "Produktbewertung: Die Farbe ist schön, aber nach zwei Wochen ist die Sohle abgefallen. Nicht zu empfehlen."
      }
    ],
    "text": {
      "format": {
        "type": "json_schema",
        "name": "review_analysis",
        "schema": {
          "type": "object",
          "properties": {
            "sentiment": {"type": "string", "enum": ["positive", "neutral", "negative"]},
            "pros": {"type": "array", "items": {"type": "string"}},
            "cons": {"type": "array", "items": {"type": "string"}},
            "recommend": {"type": "boolean"}
          },
          "required": ["sentiment", "pros", "cons", "recommend"]
        }
      }
    }
  }'

Das Modell gibt JSON zurück, das dem Schema entspricht, ohne manuelle Verarbeitung.

Alternative Schnittstelle: Chat Completions

Wenn Ihr bestehender Code bereits das Chat-Completions-Protokoll verwendet, wechseln Sie einfach das Modell:

curl -s https://api.hiapi.ai/v1/chat/completions \
  -H "Authorization: Bearer sk-YOUR_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "model": "gpt-6-luna",
    "messages": [
      {"role": "user", "content": "Erkläre in einem Satz, was HiAPI ist, und antworte auf Deutsch."}
    ]
  }'

Die Responses API ist die Standardempfehlung: Das Eingabeformat ist ein input-Array, und sie unterstützt reasoning-Konfiguration sowie strukturierte Ausgabe über text.format. Chat Completions unterstützt max_completion_tokens und max_tokens nicht (Luna verwendet unter beiden Protokollen ausschließlich das input-Format).

Wichtige Parameter

Parameter	Erforderlich	Beschreibung
model	Ja	gpt-6-luna
input	Ja	Nachrichten-Array, jede mit role und content
reasoning.effort	Nein	Reasoning-Stärke, sechs Stufen: none/low/medium(Standard)/high/xhigh/max
temperature	Nein	Steuert die Zufälligkeit; einstellbar bei reasoning.effort=none
top_p	Nein	Nucleus-Sampling; einstellbar bei reasoning.effort=none
text.format	Nein	Steuerung des Ausgabeformats; unterstützt json_schema und strict
max_output_tokens	Nein	Maximale Anzahl an Ausgabe-Token
tools	Nein	Tool-Definitionen für Agent-Szenarien
tool_choice	Nein	Strategie zur Tool-Auswahl

Zur Verwendung von reasoning.effort:

• none: Reasoning deaktiviert; geeignet für Klassifikation, Extraktion, einfache Q&A. temperature und top_p können frei angepasst werden.
• low/medium (Standard): leichtes bis mittleres Reasoning; geeignet für allgemeine Q&A und Inhaltsgenerierung.
• high/xhigh/max: tiefgehendes Reasoning für komplexe Analysen. Beachten Sie: Je höher die Stufe, desto mehr Reasoning-Token werden verbraucht.

Für Batch-Aufgaben none setzen; für alltägliche Dialoge reicht standardmäßig medium; für komplexe Analysen bei Bedarf erhöhen.

Häufige Fehler

• 400 model not found → model-Feld falsch geschrieben → Prüfen Sie, ob gpt-6-luna angegeben ist.
• 400 additional properties not allowed → Nicht unterstütztes Feld übergeben (z. B. max_tokens bei Chat Completions) → Entfernen Sie überflüssige Felder.
• 401 permission_denied → Key fehlt oder ist falsch → Prüfen Sie Authorization: Bearer sk-....
• 400 json_schema validation failed → Schema-Definition entspricht nicht der Spezifikation → Prüfen Sie das required-Array und den type jedes Feldes in properties.

Häufige Fragen

Responses API oder Chat Completions verwenden? Für neue Integrationen die Responses API verwenden. Sie unterstützt input-Array-Eingabe, reasoning.effort, text.format json_schema und weitere neue Funktionen. Wenn Sie bereits Chat-Completions-Code haben und ihn nicht ändern möchten, funktioniert auch einfach der Modellwechsel.

Was ist der Unterschied zwischen reasoning.effort=none und dem Abschalten des Reasonings? Bei none erzeugt das Modell keine Reasoning-Token; die Ausgabe enthält nur den endgültigen Antworttext. temperature und top_p können manuell angepasst werden. Für Klassifikation, Extraktion und Formatierung reicht none aus – spart Token und ist schneller.

Wie funktioniert der Cache? Automatisch. Wiederholte Teile in System-Prompts und Dialogverlauf werden aus dem Cache bedient und nur mit $0,0025/M berechnet. Keine zusätzliche Konfiguration erforderlich.

Wie nutzt man Batch für Massenaufgaben? Fügen Sie der Anfrage "processing_mode": "batch" hinzu. Die Aufgabe wird in eine asynchrone Warteschlange eingereiht; der Preis beträgt 50 % Rabatt. Geeignet für Aufgaben, die keine Echtzeitantwort erfordern.

Was hat sich im Vergleich zu gpt-5.6-luna geändert? Der Preis halbiert (Eingabe $0,025 vs. $0,05), die Ausgabe ist 2,4-mal günstiger, die Responses API ist nun das Standardprotokoll, sechs Reasoning-Stufen (identisch mit 6-luna, alle sechs Stufen verfügbar) und der Kontext wurde auf 1,05 Mio. erweitert. Details im Vergleich GPT-6 Luna vs. GPT-5.6 Luna.

Artikel zur GPT-6 Luna-Serie

• GPT-6 Luna Modellseite: Online-Chat, 200 Guthabenpunkte bei Registrierung
• GPT-6 Luna API-Preise: $0,025/M Eingabe, das günstigste GPT auf HiAPI
• GPT-6 Luna vs. GPT-5.6 Luna: Preis halbiert – wechseln oder nicht?
• GPT-6 Luna Prompt-Beispiele: 5 Batch-Szenarien zum direkten Kopieren

Jetzt ausprobieren: Kopieren Sie den curl-Befehl oben, setzen Sie Ihren API-Key ein und führen Sie den ersten Aufruf aus. Oder öffnen Sie die Modellseite und chatten Sie direkt online.