GPT-6 Luna vs Claude Sonnet 5.5 : deux écarts, pas un seul

Mettez GPT-6 Luna et Claude Sonnet 5.5 sur la même grille tarifaire et le rapport est embarrassant : 0,10 $ contre 2,00 $ par million de tokens d’entrée, 0,50 $ contre 10,00 $ par million de tokens de sortie. Mettez-les sur la même évaluation et l’écart paraît complètement différent selon l’évaluation que vous choisissez. Sur l’Intelligence Index d’Artificial Analysis, Sonnet 5.5 à effort maximal obtient 55 et Luna à effort maximal obtient 28 — un écart de 27 points sur un classement où le haut du peloton se situe dans les cinquante. Sur FrontierCode-AA 2.0, les deux mêmes modèles obtiennent 25,7 et 25,2. Ce n’est pas un écart. C’est une égalité.

Les deux interprétations sont correctes, et la raison de leur coexistence est ce qu’il faut comprendre avant de choisir. Luna n’est pas un modèle uniformément plus faible vendu à un vingtième du prix. C’est un modèle avec une forme spécifique : compétitif sur la génération de diffs de code, très en retard sur le travail en terminal, le raisonnement scientifique et la retenue factuelle, et environ un ordre de grandeur plus lent à produire son premier token. Sonnet 5.5 est de forme opposée — régulier, rapide au démarrage, et suffisamment cher pour qu’une flotte de ces modèles exige une justification économique.

Les deux fiches techniques, dimension par dimension

• Prix d'entrée par 1 M – GPT-6 Luna 0,10 $ vs Claude Sonnet 5.5 2,00 $, un ratio de 20x

• Prix de sortie pour 1M - GPT-6 Luna 0,50 $ vs Claude Sonnet 5.5 10,00 $, soit également 20x

• Entrée mise en cache par 1 M – GPT-6 Luna 0,01 $ vs Claude Sonnet 5.5 0,10 $ ; Anthropic a réduit le tarif de lecture du cache de Sonnet à la moitié de celui de Sonnet 5 au lancement, et le ratio par rapport au tarif en cache de Luna reste encore de 10x

• Écritures de cache — GPT-6 Luna à 0,125 $ par million, soit une majoration de 1,25x sur les entrées ; Sonnet 5.5 est facturé à 2,50 $ par million selon la même convention de 1,25x

• Fenêtre de contexte : 1 050 000 tokens pour GPT-6 Luna contre 1 000 000 pour Claude Sonnet 5.5, l’entrée utilisable de Luna étant plafonnée à 922 000

• Sortie maximale – 128 000 jetons sur les deux

• Tarification des contextes longs — Luna refacture l'intégralité de la requête au-delà de 272 000 jetons d'entrée à 0,20 $ / 0,75 $ ; la fiche de Sonnet 5.5 ne présente aucun effet de falaise équivalent, ce qui constitue un avantage discret sur les prompts de 300 K jetons

• Modalités d’entrée – texte, image et fichier sur les deux ; aucun des deux ne prend en charge l’audio ni la vidéo

• Contrôle du raisonnement — GPT-6 Luna propose les niveaux aucun, faible, moyen (par défaut), élevé, très élevé et maximal, et peut être désactivé complètement ; Claude Sonnet 5.5 dispose de cinq niveaux, de faible à maximal, avec élevé par défaut, et le raisonnement est toujours activé.

• Date limite des connaissances : 18 mai 2026 pour GPT-6 Luna ; Anthropic ne publie pas de date comparable pour Sonnet 5.5

• Sortie – GPT-6 Luna le 22 septembre 2026 ; Claude Sonnet 5.5 le 28 septembre 2026, à six jours d’intervalle

• AA Intelligence Index v5.0.1 – GPT-6 Luna 28 à effort maximal vs Claude Sonnet 5.5 42 à son effort élevé par défaut et 55 au maximum

• Délai jusqu’au premier token de réponse - GPT-6 Luna 79,33 s vs Claude Sonnet 5.5 10,21 s sur le même tableau

• Coût par tâche de l’Intelligence Index – GPT-6 Luna 0,15 $ vs Claude Sonnet 5.5 1,64 $

Vingt fois le prix, onze fois la facture

Le ratio de prix catalogue est un net facteur 20. Le ratio mesuré sur une charge de travail réelle ne l’est pas, car le coût par tâche tient aussi compte du nombre de tokens que chaque modèle dépense pour parvenir à une réponse. Lors de l’exécution de l’indice d’Artificial Analysis, Luna a consommé 136 $ de tokens pour terminer la suite et Sonnet 5.5 en a consommé 1 268 $ — soit environ 9,3x. Le chiffre par tâche de Luna, 0,15 $, contre 1,64 $ pour Sonnet, donne un ratio de 10,9.

Cette différence joue en faveur de Luna et contre elle à la fois, selon votre charge de travail. Luna émet beaucoup de jetons de raisonnement pour un modèle bon marché : à effort maximal, c'est le plus bavard des deux par unité de score, ce qui explique que le ratio de 20x sur les tarifs catalogue se compresse à environ 10x sur une facture. Sur une charge où la sortie domine — générations longues, modifications de code itératives, tout ce qui écrit des paragraphes — la compression s'aggrave pour Luna, car son tarif de sortie constitue la moitié coûteuse de la carte. Sur une charge où l'entrée domine — récupération, lecture de journaux, questions-réponses sur documents à partir d'un corpus fixe — le 20x tient presque exactement, et la mise en cache l'améliore encore.

Une note arithmétique de plus qui change la réponse pour une équipe payant déjà les tarifs d’Anthropic : Anthropic décrit Sonnet 5.5 comme coûtant jusqu’à 30 % de moins par tâche que Sonnet 5, malgré une grille tarifaire inchangée, car il nécessite moins de tokens pour accomplir le même travail. Une équipe qui passe de Sonnet 5 à Sonnet 5.5 obtient une véritable remise sans changer de grille tarifaire. Une équipe qui passe de Sonnet 5.5 à Luna obtient une remise d’un facteur 10 et un modèle très différent.

Là où l’écart est un gouffre, et pourquoi le harnais compte

Terminal-Bench 4.0 est la séparation la plus nette du tableau : 43,9 % pour Sonnet 5.5 contre 12,6 % pour Luna, mesurés par le même évaluateur dans les mêmes conditions. Terminal-Bench-Science est encore plus défavorable à Luna : 34,3 % contre 8,6 %. Si le travail consiste en une session shell, un système de build, une suite de tests en échec qu’il faut diagnostiquer à travers plusieurs fichiers, la réduction d’un facteur vingt n’en est pas une. Luna ne terminera pas la tâche assez souvent pour que le prix compte.

Faites attention aux chiffres que vous citez pour Sonnet ici, car il y en a deux et un seul est comparable. L’article de lancement d’Anthropic rapporte 70,6 % sur Terminal-Bench 4.0 – plus de 26 points au-dessus de ce que le comité indépendant a mesuré. Aucun des deux chiffres n’est malhonnête ; le chiffre du fournisseur provient du propre harnais d’Anthropic, de sa politique d’outils et de son échafaudage de prompts, et les scores de Terminal-Bench varient sensiblement avec chacun des trois. Deepnote a fait valoir le même point dans l’autre sens dans son Agent Initiative Benchmark : « les résultats ne reflètent que les modèles, pas le harnais » et un autre prompt ou une autre politique d’outils « fera bouger tous les chiffres ici ». Considérez 70,6 % comme ce que Sonnet 5.5 obtient dans la configuration d’Anthropic et 43,9 % comme ce qu’il obtient dans celle de quelqu’un d’autre. Pour comparer les offres, c’est le second qu’il faut utiliser, car vous n’allez pas exécuter la configuration d’Anthropic.

La même prudence s’applique aux chiffres de fournisseur de Luna elle-même. OpenAI indique que GPT-6 Luna, à effort maximal, obtient 66,6 % sur DeepSWE v1.1, « comparable à Claude Opus 5 et Fable 5 à effort moyen », pour un coût par tâche inférieur de 93 % à 96 %. Il s’agit d’un résultat rapporté par le fournisseur sur une évaluation menée par le fournisseur, et il ne dit rien de Terminal-Bench, où le chiffre indépendant est de 12,6 %. Les deux phrases décrivent le même modèle.

Là où l'écart se réduit à une erreur d'arrondi

FrontierCode-AA 2.0 cherche à savoir si un agent de codage produit une modification prête à être fusionnée dans un vrai dépôt. Luna obtient 25,2. Sonnet 5.5 obtient 25,7. Un demi-point, pour un prix vingt fois supérieur, et les deux loin derrière les leaders sur un benchmark où un modèle performant dépasse les 46 %.

Lisez attentivement ce qui précède avant de tirer la conclusion évidente. Un score absolu faible sur un benchmark difficile signifie que les deux modèles échouent la plupart du temps ; lorsque deux modèles échouent tous deux la plupart du temps, un écart d’un demi-point relève surtout du bruit. L’affirmation utile n’est pas « Luna code aussi bien que Sonnet 5.5 ». Elle est plus étroite : sur ce type de tâche, à ce niveau de difficulté, le surcoût vingt fois supérieur n’apporte rien de mesurable. Si votre charge de travail ressemble à FrontierCode — des modifications autonomes apportées à une base de code connue, relues par un humain avant fusion —, Luna constitue une première passe défendable dont la sortie aurait de toute façon été réécrite par un relecteur.

Deux autres mesures se situent dans la même zone : AutomationBench-AA place Sonnet 5.5 à 59,4 % et Luna à 53,2 %, et GDP.pdf à 25,2 % contre 22,8 %. Aucune des deux n’est une égalité, mais toutes deux se trouvent dans la plage où l’ingénierie des prompts et le choix des outils peuvent inverser l’ordre sur vos propres données.

Les deux points sur lesquels Luna est vraiment moins bonne, pas simplement différente

La connaissance et la latence, et ni l’une ni l’autre ne peut être corrigée par une baisse de prix.

AA-Omniscience v1.1 mesure si un modèle sait ce qu’il ne sait pas. Sonnet 5.5 affiche un score net de +19 ; Luna, de -8. Un score net négatif à cette évaluation signifie que les réponses fabriquées du modèle dépassent assez souvent ses réponses correctes pour faire passer le total sous zéro. C’est le chiffre le plus déterminant de cette comparaison pour quiconque construit un agent qui répond sans intervention humaine, et c’est précisément le chiffre qu’un benchmark axé sur la programmation ne mettra jamais en évidence. Associé au 38,5 de Luna à Humanity's Last Exam contre 56,0 pour Sonnet 5.5, le tableau est cohérent : Luna est un modèle compétent pour suivre des instructions, mais avec un socle factuel fragile.

La latence vient ensuite. Sonnet 5.5 atteint son premier jeton de réponse en environ 10 secondes ; Luna en met environ 79 à effort maximal sur le même banc d’essai. Baissez le curseur d’effort et cet écart se réduit — le budget de raisonnement de Luna en est le coût — mais vous comparez alors une Luna à effort réduit à un Sonnet à pleine puissance, et l’écart de score se creuse d’autant. Pour un produit interactif, c’est souvent le facteur décisif, quel que soit le prix. Pour une tâche par lots qui s’exécute toute la nuit, c’est sans importance.

Le seul benchmark où ils sont presque à égalité sur une tâche réelle

Artificial Analysis évalue les modèles sur des questions. L'Agent Initiative Benchmark de Deepnote les évalue sur une tâche : cinquante situations professionnelles simulées au sein d'une entreprise fictive, où le modèle lit Slack et décide s'il doit enquêter, où répondre, et s'il doit répondre tout court. Claude Sonnet 5.5 a obtenu 6,65 à 0,42 $ par situation et a terminé en 15 secondes. GPT-6 Luna a obtenu 6,38 à 0,0070 $ et a mis 50 secondes.

Deux choses s'ensuivent. L'écart de qualité sur ce type de tâche — un quart de point — est plus petit que l'intervalle rapporté par le benchmark, c'est pourquoi Deepnote regroupe les deux avec DeepSeek V4.1 Flash, Mistral Large 4 et Claude Haiku 5.5 dans un cluster dont il dit qu'il « se situe à moins de 0,6 point, avec des intervalles qui se chevauchent ». Et l'écart de coût est de 60 fois, et non de 20 fois, car Sonnet 5.5 dépense environ vingt mille jetons par situation en effort élevé, tandis que Luna en dépense bien moins.

La différence tient à la discipline plutôt qu’à la capacité. Sonnet 5.5 s’est retenu dans 6 des 10 situations qui exigeaient le silence ; Luna s’est retenue dans 4. Sonnet a enregistré 11 exécutions parfaites et 7 zéros sur 50 ; Luna en a enregistré 9 et 9. Si le but est d’avoir raison plus souvent et de rester silencieux en cas de doute, le modèle coûteux justifie son prix. Si le but est de tout lire afin qu’un second filtre, plus strict, décide ce qu’il faut faire remonter, le modèle bon marché est la seule version qui tienne dans le budget.

La fonctionnalité qui les distingue réellement, c’est un interrupteur d’arrêt.

GPT-6 Luna accepte reasoning_effort: "none". Claude Sonnet 5.5 ne l'accepte pas - le raisonnement est toujours activé sur ses cinq niveaux, qu'Anthropic a recalibrés par rapport à Sonnet 5, donc une intégration héritée doit réajuster son réglage plutôt que de conserver l'ancien.

Cette seule différence explique l’essentiel de la courbe des coûts. Un appel de classification, une décision de routage, une extraction à partir d’un schéma connu : aucun de ces cas n’a besoin d’une trace de raisonnement, et Luna peut être configuré pour l’omettre. Le même travail sur Sonnet 5.5 paie le raisonnement, que celui-ci soit utile ou non. Cela explique aussi une limite qu’il vaut la peine de connaître avant de bâtir autour : sur Chat Completions, Luna ne prend en charge l’appel de fonctions que lorsque l’effort de raisonnement est défini sur none, donc tout ce qui nécessite des outils doit passer par l’API Responses. Sonnet 5.5 accepte les outils sur l’une ou l’autre surface, via l’API Messages native ou le format compatible OpenAI.

L'API Decisions d'OpenAI, généralement disponible depuis le 22 octobre 2026, est l'expression la plus étroite de la même idée : des réponses typées — une probabilité, un choix, un score de grille d'évaluation — de GPT-6 Luna et d'aucun autre modèle, avec environ un dixième de la latence qu'OpenAI indique pour le même modèle via Responses. Si la question est « ce ticket contredit-il cet enregistrement de commande », Luna peut désormais répondre sous sa forme native sans générer de prose du tout.

Choisir entre les deux

• Travaux de terminal de longue durée, réparation de build, débogage multi-fichiers - Claude Sonnet 5.5. Les 12,6 % de Luna sur Terminal-Bench 4.0 ne sont pas une question de budget.

• Tout cas où une mauvaise réponse coûte cher et où personne ne la vérifie — Claude Sonnet 5.5, fort de l’écart Omniscience de +19 contre −8.

• Les interfaces interactives où 79 secondes avant le premier token constituent un défaut de produit - Claude Sonnet 5.5.

• Classification, extraction ou routage à grand volume, ou lecteur de première passe en amont d'un contrôle plus strict — GPT-6 Luna, avec l'effort none ou low, là où aucun des avantages de Sonnet n'entre en jeu.

• Des modifications de code autonomes qu'un relecteur lira de toute façon – GPT-6 Luna pour la première passe, Sonnet 5.5 comme voie d'escalade. L'écart d'un demi-point de FrontierCode est ce qui rend cette répartition défendable plutôt qu'imprudente.

Faire tourner les deux est l’option que les grilles tarifaires ne mettent pas en avant, mais que les chiffres soutiennent. Une configuration étagée — Luna pour les 90 % d’appels peu coûteux et ciblés, Sonnet 5.5 pour les 10 % qui tranchent quelque chose — coûte plus près de la facture de Luna que de celle de Sonnet, tout en gardant le jugement de Sonnet là où le jugement compte. OrcaRouter met les deux modèles derrière une seule clé compatible O​penAI, aux côtés de plus de 200 autres, à 0 % de marge, avec le prix catalogue du fournisseur répercuté, si bien que le ratio de 20x sur la fiche est le ratio de 20x sur la facture et qu’un changement de prix d’un fournisseur vous parvient le jour même. Comme les deux acceptent le format O​penAI chat-completions, la séparation par niveaux est une règle de routage plutôt qu’une seconde intégration : le DSL de routage envoie d’abord une requête à Luna et escalade selon une condition, le basculement automatique couvre le ralentissement d’un fournisseur, et aucune modification de code n’est nécessaire quand un nouveau modèle arrive dans le catalogue.

Qu’est-ce qui changerait la réponse ?

La position actuelle de Luna dépend inhabituellement d’un seul chiffre qui bouge : son plancher factuel. Une version mineure qui ferait passer AA-Omniscience du négatif au positif supprimerait l’argument le plus fort en faveur d’un prix vingt fois plus élevé, car les écarts de travail terminal et de latence sont spécifiques à la charge de travail, tandis qu’un modèle qui invente des faits est un handicap partout. À l’inverse, une baisse du prix de Sonnet 5.5 — du type que A​nthropic a déjà pratiqué, et qu’un routeur à marge 0 % répercuterait immédiatement — réduirait suffisamment le ratio pour rendre la question de la segmentation sans objet pour de nombreuses équipes.

Faute de l’un ou de l’autre, le résumé honnête est que ce ne sont pas des substituts. GPT-6 Luna est un lecteur bon marché, rapide à solliciter, pauvre en faits, doté d’un interrupteur qui désactive la réflexion. Claude Sonnet 5.5 est un rédacteur plus lent à démarrer, coûteux, fiable, qui réfléchit toujours. L’erreur est de prendre le 20x pour un verdict. C’est un budget pour les parties du travail où la différence ne se voit pas — et la marge d’un demi-point de FrontierCode rappelle que certaines de ces parties sont plus importantes que le marketing ne le laisse entendre.