OpenAI GPT-5.6 Sol, Terra og Luna er ifølge AWS nu generelt tilgængelige på Amazon Bedrock, og alle tre modeller kan kaldes via OpenAI Responses API på bedrock‑mantle‑endpointet. AWS angiver, at indlægget er co‑skrevet med Chris Dickens fra OpenAI. Ifølge AWS kører modellerne med AWS’ sikkerhed, regional behandling og cost‑kontroller. AWS skriver desuden, at prissætningen matcher OpenAI first‑party, og at forbrug tæller mod eksisterende AWS‑commitments.
Hvad AWS dokumenterer om modellerne
AWS beskriver Sol som flagskibet til dyb reasoning og opgaver som autonom kodning, sikkerhedsanalyser, videnskabeligt arbejde og flertrinsopgaver. Terra er positioneret til generelle produktionsworkloads med en balance mellem reasoning, performance og pris. Luna er optimeret til høj volumen og lav latenstid, herunder klassifikation, summering og routing. AWS angiver, at alle tre modeller på Bedrock understøtter tekst og billede som input.
I AWS‑bloggens oversigtstabel fremgår model‑id’er og regioner for udrulningen: openai.gpt-5.6-sol i US East (N. Virginia) og US East (Ohio), openai.gpt-5.6-terra i US East (N. Virginia), US East (Ohio) og US West (Oregon) samt openai.gpt-5.6-luna i US East (N. Virginia), US East (Ohio) og US West (Oregon). Disse oplysninger står direkte i tabellen i AWS‑indlægget.
Adgang via Open
AI Responses API på bedrock‑mantle
AWS skriver, at alle tre modeller tilgås gennem OpenAI Responses API på bedrock‑mantle‑endpointet. Formålet beskrives som at give udviklere adgang til frontier‑modeller via velkendte API’er uden at skulle drive separat modelinfrastruktur. Blogindlægget viser, hvordan man vælger en model og kører en første inference via Responses API, og hvordan man reducerer omkostninger med prompt caching samt måler cached‑token usage.
AWS peger også på planlægning for kvoter og skalering. Det er eksplicit nævnt i blogindlæggets gennemgang. Ifølge AWS kører kald under AWS’ sikkerhed, regional databehandling og cost‑kontroller.
Sikkerhed og datahåndtering ifølge AWS
AWS skriver, at prompts og completions ikke bruges til at træne nogen modeller og ikke deles med modeludbyderen. Denne formulering står eksplicit i blogindlægget. AWS henviser i samme kontekst til, at modellerne kører med AWS’ sikkerheds‑ og cost‑kontroller samt regional behandling.
Blogindlægget dokumenterer derudover, at omkostninger kan reduceres gennem prompt caching, og at cached‑token usage kan måles som en del af den viste fremgangsmåde til at komme i gang.
Pris og forbrug ifølge AWS
AWS skriver, at prissætningen på Bedrock matcher OpenAI first‑party‑takster. AWS oplyser samtidig, at forbrug på disse modeller tæller mod eksisterende AWS‑commitments. Blogindlægget angiver ikke konkrete priseksempler eller volumenspecifikke rabatniveauer, men lægger sig fast på paritet med OpenAI first‑party. Ifølge blogindlægget kan udviklere dermed tilgå modellerne gennem Bedrock med AWS’ styringsmekanismer og cost‑kontroller.
Blogindlægget indeholder ikke benchmarks mod andre endpoints eller detaljerede SLA‑tal for latenstid. AWS henviser i stedet til planlægning for kvoter og skalering samt brug af prompt caching for at styre omkostninger. Disse punkter fremgår direkte af blogpostens vejledning.
Modelnavne og kapabilitetsniveauer
AWS refererer til, at GPT‑5.6 introducerer en navngivning fra OpenAI, hvor tallet identificerer generationen, og navnene Sol, Terra og Luna angiver kapabilitetstrin, der kan udvikle sig i eget tempo. Den beskrivelse står i afsnittet om GPT‑5.6‑familien på Bedrock.
Ud over modelroller og regionsdækning viser blogindlægget, hvordan man kalder modellerne via OpenAI Responses API på bedrock‑mantle, reducerer omkostninger med prompt caching og måler cached‑token usage. De dele er eksplicit vist i blogpostens gennemgang af, hvordan man kommer i gang.
Afgrænsninger i blogindlægget
AWS angiver ikke fulde detaljer om SLA’er, kvoteværdier, benchmarks eller konkrete p95‑latenstal per region i blogposten. Der vises heller ikke en liste over funktionelle forskelle mellem bedrock‑mantle‑stien og native OpenAI‑endpoints, ud over at kompatibilitet med Responses API fremhæves. Kunder, der har behov for dokumenterede tal, må derfor orientere sig i deres aftalegrundlag og tekniske tests.
Disse afgrænsninger påvirker især planlægning af kapacitet og omkostningsforventninger. AWS giver i blogindlægget retningslinjer for kvoter og cost‑styring på et overordnet niveau, men uden de nævnte konkrete tal.
Relateret nyhed om lokale agenter
MarkTechPost skriver, at Andrew Ng har udgivet OpenWorker, en open‑source, lokal‑first desktop‑agent, der sigter mod at levere færdige leverancer frem for chat. Ifølge artiklen kører arkitekturen lokalt på brugerens maskine og arbejder mod et resultat frem for en samtale. Denne nyhed er ikke en del af AWS’ blogpost, men beskrives hos MarkTechPost.
Hurtig reference fra AWS‑indlægget
- Adgang: OpenAI Responses API via bedrock‑mantle‑endpointet (AWS‑bloggen)
- Model‑id’er: openai.gpt-5.6-sol, openai.gpt-5.6-terra, openai.gpt-5.6-luna (AWS‑bloggens tabel)
- Understøttede input: tekst og billede (AWS‑bloggen)
- Regioner: Sol i US East (N. Virginia) og US East (Ohio); Terra i US East (N. Virginia), US East (Ohio), US West (Oregon); Luna i US East (N. Virginia), US East (Ohio), US West (Oregon) (AWS‑bloggens tabel)
- Datahåndtering: prompts og completions bruges ikke til træning og deles ikke med modeludbyderen (AWS‑bloggen)
- Pris: AWS oplyser prisparitet med OpenAI first‑party, og forbrug tæller mod eksisterende AWS‑commitments (AWS‑bloggen)
Kildeoversigt
Oplysninger om GA‑status, adgang via bedrock‑mantle, modelroller, model‑id’er, regionsdækning, understøttede input, datahåndtering, prompt caching, kvoter og prisparitet stammer direkte fra AWS’ blogindlæg “Get started with OpenAI GPT‑5.6 Sol, Terra, and Luna on Amazon Bedrock”. Oplysningen om OpenWorker stammer fra MarkTechPosts artikel om Andrew Ngs open‑source, lokal‑first desktop‑agent.
