GPT-6 Luna vs. Claude Sonnet 5.5: Zwei Lücken, nicht eine

Setzt man GPT-6 Luna und Claude Sonnet 5.5 auf dieselbe Preisliste, ist das Verhältnis peinlich: $0.10 gegenüber $2.00 pro Million Eingabe-Tokens, $0.50 gegenüber $10.00 pro Million Ausgabe-Tokens. Setzt man sie derselben Evaluation aus, sieht die Lücke je nach gewählter Evaluation völlig anders aus. Im Intelligence Index von Artificial Analysis erzielt Sonnet 5.5 bei maximalem Aufwand 55 Punkte und Luna bei maximalem Aufwand 28 Punkte – eine Spanne von 27 Punkten auf einem Board, auf dem die Spitze des Feldes im Fünfzigerbereich liegt. Bei FrontierCode-AA 2.0 erzielen dieselben beiden Modelle 25.7 und 25.2. Das ist keine Lücke. Das ist ein Gleichstand.

Beide Lesarten sind korrekt, und der Grund, warum sie nebeneinander bestehen, ist das, was man verstehen sollte, bevor man sich entscheidet. Luna ist kein durchweg schwächeres Modell, das zum Zwanzigstel des Preises verkauft wird. Es ist ein Modell mit einer bestimmten Ausprägung: wettbewerbsfähig bei der Code-Diff-Generierung, weit zurück bei Terminal-Arbeit, wissenschaftlichem Denken und faktischer Zurückhaltung, und ungefähr eine Größenordnung langsamer beim Erzeugen des ersten Tokens. Sonnet 5.5 hat die entgegengesetzte Ausprägung – konsistent, schnell beim Start und teuer genug, dass eine Flotte davon einen Business Case braucht.

Die beiden Datenblätter, Dimension für Dimension

• Eingabepreis pro 1 Mio. – GPT-6 Luna 0,10 $ vs. Claude Sonnet 5.5 2,00 $, ein Verhältnis von 20x

• Ausgabepreis pro 1 Mio. – GPT-6 Luna 0,50 $ vs. Claude Sonnet 5.5 10,00 $, ebenfalls 20x

• Cache-Eingabe pro 1 Mio. – GPT-6 Luna 0,01 $ vs. Claude Sonnet 5.5 0,10 $; Anthropic senkte die Cache-Leserate von Sonnet zum Marktstart auf die Hälfte der von Sonnet 5, und das Verhältnis zu Lunas Cache-Rate liegt weiterhin bei 10x

• Cache-Schreibvorgänge – GPT-6 Luna 0,125 $ pro 1 Mio., ein Aufschlag von 1,25x auf die Eingabe; Sonnet 5.5 wird mit 2,50 $ pro 1 Mio. nach derselben 1,25x-Konvention abgerechnet

• Kontextfenster – 1.050.000 Tokens für GPT-6 Luna gegenüber 1.000.000 für Claude Sonnet 5.5, wobei Lunas nutzbare Eingabe auf 922.000 begrenzt ist

• Maximale Ausgabe – 128.000 Token auf beiden

• Long-Context-Preise – Luna berechnet für die gesamte Anfrage oberhalb von 272.000 Eingabe-Tokens neu $0.20 / $0.75; die Preiskarte von Sonnet 5.5 hat keine vergleichbare Schwelle, was bei 300K-Token-Prompts ein stiller Vorteil ist

• Eingabemodalitäten – Text, Bild und Datei bei beiden; keines unterstützt Audio oder Video

• Reasoning-Steuerung – GPT-6 Luna bietet Keine, Niedrig, Mittel (Standard), Hoch, xhigh und Max und kann vollständig deaktiviert werden; Claude Sonnet 5.5 hat fünf Stufen von Niedrig bis Max, wobei Hoch der Standard ist, und Reasoning ist immer aktiv

• Wissensstand – 18. Mai 2026 für GPT-6 Luna; A​nthropic veröffentlicht für Sonnet 5.5 kein vergleichbares Datum.

• Veröffentlichung – GPT-6 Luna am 22. September 2026; Claude Sonnet 5.5 am 28. September 2026, sechs Tage Abstand

• AA Intelligence Index v5.0.1 – GPT-6 Luna 28 bei maximalem Aufwand vs. Claude Sonnet 5.5 42 bei seinem standardmäßig hohen Aufwand und 55 bei maximalem Aufwand

• Zeit bis zum ersten Antwort-Token – GPT-6 Luna 79,33 s vs. Claude Sonnet 5.5 10,21 s auf demselben Board

• Kosten pro Intelligence-Index-Aufgabe – GPT-6 Luna 0,15 $ vs. Claude Sonnet 5.5 1,64 $

Zwanzigmal der Preis, elfmal die Rechnung

Das Listenpreis-Verhältnis liegt bei glatten 20:1. Das gemessene Verhältnis bei einer realen Arbeitslast ist es nicht, denn die Kosten pro Aufgabe berücksichtigen auch, wie viele Tokens jedes Modell verbraucht, um zu einer Antwort zu gelangen. Im Index-Lauf von Artificial Analysis verbrauchte Luna Tokens im Wert von 136 $, um die Testsuite abzuschließen, und Sonnet 5.5 Tokens im Wert von 1.268 $ – etwa das 9,3-Fache. Lunas Wert von 0,15 $ pro Aufgabe gegenüber 1,64 $ bei Sonnet ergibt ein Verhältnis von 10,9.

Dieser Unterschied fällt je nach Workload gleichzeitig zugunsten und zulasten von Luna aus. Luna erzeugt für ein günstiges Modell viele Reasoning-Tokens: Bei maximalem Aufwand ist es pro Punkteinheit das redseligere der beiden, weshalb das 20-fache Listenverhältnis auf einer Rechnung auf etwa das 10-Fache zusammengedrückt wird. Bei einem Workload, bei dem die Ausgabe dominiert – lange Generierungen, iterative Codeänderungen, alles, was Absätze schreibt –, wird die Kompression für Luna schlechter, weil seine Ausgaberate die teure Hälfte der Karte ist. Bei einem Workload, bei dem die Eingabe dominiert – Retrieval, Log-Lesen, Dokument-QA über ein festes Korpus –, hält das 20-Fache nahezu exakt, und Caching macht es noch besser.

Noch eine arithmetische Anmerkung, die die Antwort für ein Team ändert, das bereits A​nthropic-Preise zahlt: Sonnet 5.5 wird von A​nthropic als bis zu 30 % günstiger pro Aufgabe als Sonnet 5 beschrieben, trotz unveränderter Preisliste, weil es weniger Token benötigt, um dieselbe Arbeit zu erledigen. Ein Team, das von Sonnet 5 auf Sonnet 5.5 umsteigt, erhält einen echten Rabatt, ohne eine Preisliste zu ändern. Ein Team, das von Sonnet 5.5 auf Luna umsteigt, erhält einen 10-fachen Rabatt und ein ganz anderes Modell.

Wo die Lücke zum Abgrund wird und warum das Harness zählt

Terminal-Bench 4.0 ist die deutlichste Trennung auf dem Board: 43,9 % für Sonnet 5.5 gegenüber 12,6 % für Luna, gemessen vom selben Evaluator unter denselben Bedingungen. Bei Terminal-Bench-Science steht Luna noch schlechter da – 34,3 % gegenüber 8,6 %. Wenn die Aufgabe eine Shell-Sitzung ist, ein Build-System, eine fehlschlagende Testsuite, die dateiübergreifend diagnostiziert werden muss, dann ist der zwanzigfache Rabatt überhaupt kein Rabatt. Luna wird die Aufgabe nicht oft genug abschließen, als dass der Preis eine Rolle spielen würde.

Seien Sie vorsichtig mit den Zahlen, die Sie hier für Sonnet zitieren, denn es gibt zwei davon und nur eine ist vergleichbar. Anthropics Launch-Post meldet 70,6 % bei Terminal-Bench 4.0 – mehr als 26 Punkte über dem, was das unabhängige Board gemessen hat. Keine der beiden Zahlen ist unehrlich; die Anbieterzahl stammt aus Anthropics eigenem Harness, ihrer Tool-Policy und ihrem Prompt-Scaffolding, und Terminal-Bench-Ergebnisse verschieben sich durch alle drei erheblich. Deepnote machte denselben Punkt aus der anderen Richtung in seinem Agent Initiative Benchmark: „Die Ergebnisse spiegeln nur die Modelle wider, nicht das Harness“, und eine andere Prompt- oder Tool-Policy „wird jede Zahl hier verändern.“ Betrachten Sie 70,6 % als das, was Sonnet 5.5 in Anthropics Setup erreicht, und 43,9 % als das, was es in dem Setup von jemand anderem erreicht. Für den Vergleich sollten Sie die zweite verwenden, denn Sie werden Anthropics Setup nicht ausführen.

Dieselbe Vorsicht gilt für Lunas eigene Herstellerangaben. OpenAI berichtet, dass GPT-6 Luna bei maximalem Aufwand 66,6 % auf DeepSWE v1.1 erzielt, „vergleichbar mit Claude Opus 5 und Fable 5 bei mittlerem Aufwand“, bei 93 % bis 96 % geringeren Kosten pro Aufgabe. Das ist ein herstellerberichtetes Ergebnis aus einer vom Hersteller durchgeführten Bewertung und sagt nichts über Terminal-Bench aus, wo die unabhängige Zahl 12,6 % beträgt. Beide Sätze beschreiben dasselbe Modell.

Wo die Lücke auf einen Rundungsfehler zusammenschrumpft

FrontierCode-AA 2.0 untersucht, ob ein Coding-Agent eine Änderung erzeugt, die bereit ist, in ein echtes Repository gemergt zu werden. Luna erreicht 25,2. Sonnet 5.5 erreicht 25,7. Ein halber Punkt bei einem zwanzigfachen Preisunterschied, und beide liegen weit unter den Spitzenreitern in einem Benchmark, bei dem ein starkes Modell über 46 % liegt.

Lies das sorgfältig, bevor du die naheliegende Schlussfolgerung ziehst. Ein niedriger absoluter Wert bei einem schwierigen Benchmark bedeutet, dass beide Modelle die meiste Zeit scheitern; wenn zwei Modelle die meiste Zeit scheitern, ist ein Unterschied von einem halben Punkt größtenteils Rauschen. Die nützliche Aussage lautet nicht „Luna programmiert so gut wie Sonnet 5.5“. Sie ist enger gefasst: Bei dieser Art von Aufgabe, in dieser Schwierigkeitsstufe, bringt der Zwanzigfache an Mehraufwand nichts Messbares. Wenn deine Arbeitslast wie FrontierCode aussieht – in sich geschlossene Änderungen an einer bekannten Codebasis, von einem Menschen vor dem Merge geprüft –, dann ist Luna ein vertretbarer erster Entwurf, dessen Ergebnis ein Reviewer ohnehin hätte neu schreiben müssen.

Zwei weitere Messgrößen liegen im selben Bereich: AutomationBench-AA setzt Sonnet 5.5 bei 59,4 % und Luna bei 53,2 % an, und GDP.pdf bei 25,2 % gegenüber 22,8 %. Keines ist ein Gleichstand, aber beide liegen in dem Bereich, in dem Prompt-Engineering und Werkzeugauswahl die Reihenfolge auf Ihren eigenen Daten umkehren können.

Die zwei Punkte, an denen Luna wirklich schlechter ist – nicht nur anders

Wissen und Latenz – und keines von beidem lässt sich mit einer Preissenkung beheben.

AA-Omniscience v1.1 misst, ob ein Modell weiß, was es nicht weiß. Sonnet 5.5 erzielt netto +19; Luna netto -8. Ein negativer Nettowert in dieser Evaluation bedeutet, dass die erfundenen Antworten des Modells seine korrekten oft genug überwiegen, um die Gesamtsumme unter null zu drücken. Das ist die folgenreichste einzelne Zahl in diesem Vergleich für alle, die einen Agenten bauen, der ohne menschliche Kontrolle antwortet, und es ist die Zahl, die ein auf Programmierung ausgerichteter Benchmark nie zutage fördern wird. Zusammen mit Lunas 38,5 bei Humanity's Last Exam gegenüber Sonnets 56,0 ergibt sich ein stimmiges Bild: Luna ist ein kompetenter Befolger von Anweisungen mit einer dünnen faktischen Grundlage.

Die Latenz ist der zweite Punkt. Sonnet 5.5 erreicht sein erstes Antwort-Token in etwa 10 Sekunden; Luna braucht bei maximalem Aufwand auf demselben Board etwa 79. Dreht man den Aufwandsregler herunter, verringert sich diese Lücke – Lunas Reasoning-Budget ist der Preis dafür –, aber dann vergleicht man eine Luna mit geringerem Aufwand mit einem Sonnet in voller Stärke, und die Punktedifferenz vergrößert sich entsprechend. Für ein interaktives Produkt ist dies oft der entscheidende Faktor, unabhängig vom Preis. Für einen Batch-Job, der über Nacht läuft, ist es irrelevant.

Der einzige Benchmark, bei dem sie bei einer echten Aufgabe nahezu gleichauf liegen

Artificial Analysis misst Modelle anhand von Fragen. Deepnotes Agent Initiative Benchmark misst sie an einer Aufgabe: fünfzig simulierte Arbeitssituationen in einem fiktiven Unternehmen, in denen das Modell Slack liest und entscheidet, ob es nachforscht, wo es antwortet und ob es überhaupt antwortet. Claude Sonnet 5.5 erreichte 6,65 bei 0,42 US-Dollar pro Situation und war nach 15 Sekunden fertig. GPT-6 Luna erreichte 6,38 bei 0,0070 US-Dollar und benötigte 50 Sekunden.

Daraus folgen zwei Dinge. Der Qualitätsunterschied bei diesem Aufgabentyp – ein Viertelpunkt – ist kleiner als das Intervall, das der Benchmark meldet, weshalb Deepnote die beiden zusammen mit DeepSeek V4.1 Flash, Mistral Large 4 und Claude Haiku 5.5 in einem Cluster gruppiert, von dem es heißt, es „liege mit überlappenden Intervallen innerhalb von 0,6 Punkten“. Und der Kostenunterschied beträgt das 60-Fache, nicht das 20-Fache, weil Sonnet 5.5 bei hohem Aufwand ungefähr zwanzigtausend Token pro Situation verbraucht, während Luna weit weniger verbraucht.

Der Unterschied liegt in der Disziplin, nicht in der Fähigkeit. Sonnet 5.5 hielt sich in 6 der 10 Situationen zurück, die Schweigen erforderten; Luna hielt sich in 4 zurück. Sonnet verzeichnete 11 perfekte Läufe und 7 Nullen von 50; Luna verzeichnete 9 und 9. Wenn die Aufgabe darin besteht, häufiger richtig zu liegen und bei Unsicherheit still zu sein, verdient das teure Modell sein Geld. Wenn die Aufgabe darin besteht, alles zu lesen, damit eine zweite, strengere Kontrollinstanz entscheiden kann, was an die Oberfläche gelangt, ist das günstige die einzige Version, die ins Budget passt.

Das Merkmal, das sie tatsächlich unterscheidet, ist ein Ausschalter.

GPT-6 Luna akzeptiert reasoning_effort: "none". Claude Sonnet 5.5 nicht – dort ist Reasoning über alle fünf Stufen hinweg immer aktiv, und Anthropic hat diese im Verhältnis zu Sonnet 5 neu kalibriert, sodass eine übernommene Integration ihre Einstellung neu abstimmen sollte, statt die alte einfach weiterzuführen.

Dieser eine Unterschied erklärt den größten Teil der Kostenkurve. Ein Klassifizierungsaufruf, eine Routing-Entscheidung, eine Extraktion aus einem bekannten Schema: Nichts davon braucht einen Reasoning-Trace, und Luna kann angewiesen werden, ihn zu überspringen. Dieselbe Arbeit auf Sonnet 5.5 bezahlt das Reasoning, ob es hilft oder nicht. Es erklärt auch eine Grenze, die man kennen sollte, bevor man darauf aufbaut: Bei Chat Completions unterstützt Luna Funktionsaufrufe nur, wenn der Reasoning-Aufwand auf none gesetzt ist, also muss alles, was Tools benötigt, über die Responses API laufen. Sonnet 5.5 akzeptiert Tools auf beiden Oberflächen, über die native Messages API oder das O​penAI-kompatible Format.

O​penAIs Decisions API, allgemein verfügbar seit dem 22. Oktober 2026, ist der engste Ausdruck derselben Idee: typisierte Antworten – eine Wahrscheinlichkeit, eine Auswahl, eine Rubrikbewertung – von GPT-6 Luna und keinem anderen Modell, bei ungefähr einem Zehntel der Latenz, die O​penAI für dasselbe Modell über Responses meldet. Wenn die Frage lautet „widerspricht dieses Ticket diesem Bestellrecord?“, kann Luna nun in ihrer nativen Form antworten, ohne überhaupt Prosa zu erzeugen.

Zwischen ihnen wählen

• Lang andauernde Terminal-Arbeit, Build-Reparatur, Debugging über mehrere Dateien – Claude Sonnet 5.5. Lunas 12,6 % bei Terminal-Bench 4.0 sind keine Budgetfrage.

• Alles, bei dem eine falsche Antwort teuer ist und niemand sie überprüft – Claude Sonnet 5.5, aufgrund des Omniscience-Splits von +19 gegenüber −8.

• Interaktive Oberflächen, bei denen 79 Sekunden bis zum ersten Token ein Produktfehler sind - Claude Sonnet 5.5.

• Hochvolumige Klassifizierung, Extraktion, Routing oder ein Erstleser vor einem strengeren Gate – GPT-6 Luna, bei Effort „none“ oder „low“, wo keiner von Sonnets Vorteilen zum Tragen kommt.

• In sich geschlossene Code-Änderungen, die ein Reviewer ohnehin lesen wird – GPT-6 Luna als erster Durchlauf, Sonnet 5.5 als Eskalationspfad. Der Halbpunkt-Unterschied bei FrontierCode ist es, der die Aufteilung vertretbar statt leichtsinnig macht.

Beide laufen zu lassen ist die Option, die die Preislisten nicht bewerben, die Zahlen aber stützen. Ein gestuftes Setup – Luna für die 90 % der Aufrufe, die günstig und eng umrissen sind, Sonnet 5.5 für die 10 %, die etwas entscheiden – kostet näher an Lunas Rechnung als an Sonnets, behält aber Sonnets Urteilsvermögen dort, wo Urteilsvermögen zählt. OrcaRouter stellt beide Modelle hinter einen OpenAI-kompatiblen Schlüssel neben mehr als 200 anderen, bei 0 % Aufschlag mit durchgereichtem Listenpreis des Anbieters, sodass das 20x-Verhältnis auf dem Datenblatt dem 20x-Verhältnis auf der Rechnung entspricht und eine Preisänderung eines Anbieters Sie noch am selben Tag erreicht. Da beide das OpenAI-Chat-Completions-Format akzeptieren, ist die Aufteilung nach Stufen eine Routing-Regel statt einer zweiten Integration: Die Routing-DSL schickt eine Anfrage zuerst an Luna und eskaliert bei einer Bedingung, automatisches Failover fängt eine Verlangsamung eines Anbieters ab, und es sind keine Codeänderungen nötig, wenn ein neues Modell in den Katalog kommt.

Was würde die Antwort ändern

Lunas aktuelle Position hängt ungewöhnlich stark davon ab, dass sich eine einzige Zahl bewegt: ihre faktische Untergrenze. Ein Point-Release, der AA-Omniscience von negativ auf positiv hebt, würde das stärkste Argument dafür beseitigen, zwanzigmal mehr zu zahlen, weil die Unterschiede bei Terminal-Arbeit und Latenz workloadspezifisch sind, während ein Modell, das Fakten erfindet, überall ein Risiko darstellt. Umgekehrt würde eine Preissenkung für Sonnet 5.5 – wie sie A​nthropic schon früher vorgenommen hat und die ein Router mit 0 % Aufschlag sofort weitergeben würde – das Verhältnis ausreichend verkleinern, um die Tiering-Frage für viele Teams hinfällig zu machen.

Fehlt eines von beiden, lautet die ehrliche Zusammenfassung, dass sie kein Ersatz füreinander sind. GPT-6 Luna ist ein günstiger, schnell auf Prompts reagierender, faktenarmer Leser mit einem Schalter, der das Denken abschaltet. Claude Sonnet 5.5 ist ein langsamer anlaufender, teurer, zuverlässiger Schreiber, der immer denkt. Der Fehler besteht darin, die 20x als Urteil zu behandeln. Sie sind ein Budget für die Teile der Arbeit, in denen sich der Unterschied nicht zeigt – und FrontierCodes Vorsprung von einem halben Punkt erinnert daran, dass einige dieser Teile größer sind, als das Marketing vermuten lässt.