GPT-6 Luna vs DeepSeek V4 Pro : un point d'indice, cinq fois le prix, et l'argument en faveur de la possession de vos propres poids

Voici le nombre qui devrait décider de ce duel et qui ne le fait pas : GPT-6 Luna obtient 37 sur l'Artificial Analysis Intelligence Index à effort maximal. DeepSeek V4 Pro obtient 36 sur la même révision de l'indice, également à effort maximal. Un point d'écart, sur un composite où un seul point se situe dans le bruit d'une nouvelle exécution — et les deux modèles présentent un écart de prix d'environ cinq fois. GPT-6 Luna est affiché à 0,10 $ par million de jetons d'entrée et 0,50 $ par million de jetons de sortie. DeepSeek V4 Pro 0813 est affiché à 0,66 $ et 1,98 $ hors pointe, doublant à 1,32 $ et 3,96 $ pendant sa fenêtre de pointe.

Si c’était toute l’histoire, cet article ne ferait qu’un paragraphe et se terminerait par « utilisez GPT-6 Luna ». Ce n’est pas toute l’histoire, et la raison tient à la seule dimension où la comparaison s’inverse complètement : les poids de DeepSeek V4 Pro sont ouverts et sous licence MIT. Le modèle qui coûte cinq fois plus cher par token est celui que vous êtes autorisé à télécharger, modifier, affiner et exécuter sur votre propre matériel pour toujours. Ce n’est pas une note de bas de page dans l’argument sur le prix — pour une catégorie précise d’acheteur, c’est tout l’argument, et le lancement de GPT-6 Luna le 22 septembre l’a accentué plutôt que de le trancher.

Qu'est-ce qui a été livré, et quand ?

GPT-6 Luna est le modèle de petite gamme d’OpenAI, sorti le 22 septembre 2026, aux côtés de GPT-6 Sol à 2,00 $/10,00 $ et sous le modèle phare GPT-6 Astra à 10,00 $/50,00 $. OpenAI le décrit comme le modèle le plus efficace de l’entreprise pour les tâches ciblées à fort volume. Il dispose d’une fenêtre de contexte de 1 050 000 jetons, avec une entrée maximale de 922 000 et un plafond de sortie de 128 000 jetons, accepte le texte et les images, et expose un niveau d’effort de raisonnement allant de none à max, en passant par low, medium, high et xhigh — medium étant la valeur par défaut.

DeepSeek V4 Pro 0813 est la version GA du modèle phare de quatrième génération de DeepSeek, publiée le 13 août 2026, remplaçant l'aperçu d'avril sous le même identifiant deepseek-v4-pro. Il s'agit d'un modèle à mélange d'experts texte uniquement, avec 1,6 billion de paramètres au total et 49 milliards actifs, une fenêtre de contexte de 1 M de tokens et un plafond de sortie de 384 000 tokens inhabituellement généreux — trois fois celui de GPT-6 Luna. Les poids ont été mis en ligne sur Hugging Face sous deepseek-ai/DeepSeek-V4-Pro-0813 environ une demi-journée après la mise en service de l'API : 66 shards fp8, sans restriction d'accès, MIT. Notre propre page catalogue consacrée au modèle porte encore la date de l'aperçu d'avril plutôt que la date de GA d'août, ce qu'il vaut la peine de savoir si vous lisez les dates sur des pages produit plutôt que dans les notes de version.

Les deux privilégient le raisonnement et le contexte long. Un seul d'entre eux est un fichier qu'on peut tenir en main.

Les grilles tarifaires, franchement

Une ligne par dimension, les deux côtés sur chacune :

• Entrée par million — GPT-6 Luna 0,10 $ vs DeepSeek V4 Pro 0,66 $ hors pointe / 1,32 $ en pointe

• Sortie par 1M — GPT-6 Luna 0,50 $ vs DeepSeek V4 Pro 1,98 $ en heures creuses / 3,96 $ en heures pleines

• Entrée en cache — GPT-6 Luna 0,01 $ par million, une remise de 90 % sur son propre tarif, contre la remise de cache de 97 % de DeepSeek V4 Pro, le pourcentage de remise plus important sur une base plus élevée

• Fenêtre de pointe — GPT-6 Luna : aucune, stable toute la journée, contre DeepSeek V4 Pro qui double entre 01:00-04:00 et 06:00-10:00 UTC

• Clause de contexte long — GPT-6 Luna double l’entrée et le cache et augmente la sortie de 1,5× au-delà de 272K d’entrée, appliquée à l’ensemble de la requête, alors que DeepSeek V4 Pro n’a aucune surtaxe de contexte long publiée sur sa fiche

• Contexte et sortie — GPT-6 Luna 1 050 000 en entrée / 128 000 en sortie vs DeepSeek V4 Pro 1 048 576 en entrée / 384 000 en sortie

• AA Intelligence Index — GPT-6 Luna 37 à effort maximal contre DeepSeek V4 Pro 36 à effort maximal, même révision de l’indice

• Score d’effort par défaut — GPT-6 Luna 29 au niveau moyen contre DeepSeek V4 Pro 36 à son réglage maximal, l’effort mesuré par Artificial Analysis

• Interrupteur de désactivation du raisonnement — GPT-6 Luna : de aucun à max vs DeepSeek V4 Pro : faible, élevé et max uniquement

• Coût d'exécution de l'index — GPT-6 Luna 122,39 $ vs DeepSeek V4 Pro 1 122,27 $

• Poids — GPT-6 Luna fermé, API uniquement vs DeepSeek V4 Pro ouvert, sous licence MIT, auto-hébergeable

• Sur OrcaRouter — GPT-6 Luna absent de notre catalogue vs DeepSeek V4 Pro routable au prix catalogue de DeepSeek

Lisez ces lignes ensemble et la configuration est inhabituelle : le modèle fermé est moins cher sur chaque ligne de coût par token, sauf pour l’entrée mise en cache, et le modèle ouvert l’emporte sur la longueur de sortie, sur le comportement en contexte long et sur la seule chose qui ne peut pas du tout être facturée au token.

Pourquoi l'écart d'un point n'est pas l'essentiel

Une différence d’un point sur un indice composite n’est pas une différence de capacité sur laquelle vous pouvez agir, et il vaut la peine de dire clairement qu’il s’agit du chiffre le moins intéressant de l’article. Deux choses à son sujet comptent toutefois.

Le premier point, c'est que la révision de l'indice bouge. Des instantanés antérieurs de la même évaluation situaient le score en effort maximal de DeepSeek V4 Pro nettement au-dessus du 36 que montre notre relevé d'aujourd'hui, et les chiffres de GPT-6 Astra ont oscillé entre 52,8, 53 et 54,7 dans des publications parues en l'espace d'un seul mois. Toute comparaison qui s'appuie sur l'écart précis entre deux modèles sur un indice glissant s'appuie sur quelque chose qui ne tient pas en place. L'interprétation honnête est que ces deux modèles se situent dans la même bande de capacités à leur plafond, et que l'indice ne peut pas vous dire lequel est le meilleur pour votre tâche.

Le second est la valeur par défaut du niveau d'effort, et ici l'écart est réel. Le 37 de GPT-6 Luna est un chiffre obtenu au niveau d'effort maximal. Sa valeur par défaut est medium, où il obtient 29. Le 36 de DeepSeek V4 Pro est lui aussi son chiffre au niveau d'effort maximal, et c'est également le réglage avec lequel Artificial Analysis l'a exécuté. Une équipe qui déploie GPT-6 Luna sans rien changer tourne à 29 contre 36 — un déficit de sept points dans la mauvaise direction, et le genre de chose qui ressort comme « le modèle bon marché est moins bon » dans un post-mortem de production alors que le vrai problème est une valeur par défaut.

Ce que valent réellement les poids ouverts

C’est ici que la comparaison des prix cesse d’être arithmétique et devient une question qui concerne votre entreprise. Les poids sous licence MIT vous apportent quatre choses, et chacune a un prix qui n’apparaît jamais sur une grille tarifaire.

Le premier est un plancher de coût. La tarification par token est une location ; les poids sont un actif. Si votre volume est suffisamment important pour qu'une empreinte GPU fixe soit plus avantageuse qu'une facture à l'usage, DeepSeek V4 Pro est le seul de ces deux modèles où cette option existe tout court. Aux tarifs de GPT-6 Luna, le point de bascule est loin — un tarif d'entrée en cache d'un centime est vraiment difficile à battre avec du silicium loué — mais « loin » est une affirmation différente de « impossible », et c'est une porte à sens unique : vous pouvez passer de l'auto-hébergement à une API n'importe quand, et vous ne pouvez pas aller dans l'autre sens.

Le deuxième avantage est l’indépendance vis-à-vis de la feuille de route d’un fournisseur. Les tarifs promotionnels de GPT-5.6 Luna avaient une date d’expiration annoncée. Ceux de GPT-6 Luna sont permanents, selon OpenAI — mais la permanence est une promesse portant sur un modèle qu’un fournisseur peut retirer dès qu’il commercialise un successeur. Un modèle que vous hébergez ne peut pas être déprécié dans votre dos. Pour quiconque a vécu une migration forcée sur un modèle fermé, cela vaut plus qu’un facteur cinq sur les tokens.

Le troisième, ce sont les données. Si le prompt contient des éléments qui ne peuvent pas quitter votre infrastructure, la comparaison s’arrête ici et peu importe combien coûte GPT-6 Luna.

Le quatrième point est que vous pouvez le fine-tuner. GPT-6 Luna n'est pas du tout disponible pour le fine-tuning — ce sont Chat Completions, Responses et Batch, et c'est tout. Les poids de DeepSeek V4 Pro peuvent être entraînés sur votre propre distribution, ce qui, pour une tâche étroite à fort volume, représente souvent un gain plus important que n'importe quel point de référence généraliste.

Face à tout cela, l'argument de GPT-6 Luna est qu'il est environ cinq fois moins cher sur un mélange pondéré 3:1 entrée-sortie hors pointe, et près de dix fois moins cher pendant les heures de pointe de DeepSeek ; que son tarif d'entrée mise en cache représente un dixième de son tarif d'entrée déjà bas ; qu'on peut lui demander d'arrêter complètement le raisonnement ; et que son prix catalogue ne double pas deux fois par jour. Pour une charge de travail sans contrainte de résidence des données, sans exigence de fine-tuning et sans appétit pour l'exploitation d'une infrastructure d'inférence, c'est une réponse simple.

La migration est plus faible que ne le suggère l'écart de prix.

Passer de l’un à l’autre relève davantage d’un changement de configuration que d’un portage. Les deux parlent le format des complétions de chat compatible avec OpenAI, les deux disposent d’une fenêtre de contexte de la classe 1M, et leurs modes de défaillance sont ceux auxquels on s’attend plutôt que d’ordre structurel.

Deux d'entre eux méritent d'être signalés avant que vous ne déplaciez du trafic. La clause de contexte long de GPT-6 Luna est la plus coûteuse : au-delà de 272 000 jetons d'entrée, l'intégralité de la requête est refacturée au double pour l'entrée et le cache, et à 1,5 fois pour la sortie, de sorte qu'un appel de 300 000 jetons coûte deux fois ce que coûte le même appel réparti en deux. DeepSeek V4 Pro n'a pas une telle clause, ce qui signifie que pour des requêtes uniques véritablement énormes, l'écart de prix de cinq fois est plus faible qu'il n'y paraît et peut s'inverser lors d'un appel aux heures de pointe. Et le plafond de sortie est une contrainte stricte plutôt qu'une préférence : 128 000 jetons contre 384 000. Un pipeline qui génère de longs artefacts structurés peut ne pas tenir du tout dans GPT-6 Luna, et aucun avantage de prix, quel qu'il soit, ne corrige cela.

DeepSeek V4 Pro est disponible sur OrcaRouter au prix catalogue de DeepSeek, avec une tarification en répercussion qui place un changement de tarif du fournisseur de notre côté le jour même — pertinent pour un modèle dont les tarifs varient déjà entre heures pleines et heures creuses. GPT-6 Luna ne figure pas dans notre catalogue à l'heure où nous écrivons et est accessible via l'API propre à OpenAI, donc une équipe qui veut les deux utilise une clé pour DeepSeek V4 Pro en plus de ce qu'elle utilise déjà pour OpenAI. Le basculement automatique est l'élément qui justifie sa place dans ce duo particulier : la dégradation d'un point de terminaison DeepSeek auto-hébergé ou tiers est exactement le scénario où l'on veut que la route bascule sans déploiement.

Qui devrait choisir lequel ?

Choisissez DeepSeek V4 Pro si l’une des conditions suivantes est vraie. Le prompt ne peut pas quitter votre infrastructure. Vous devez effectuer un fine-tuning. Vous générez des sorties de plus de 128 000 tokens. Vos requêtes dépassent régulièrement 272 000 tokens en entrée. Ou votre volume est suffisamment important pour que vous préfériez acheter des GPU plutôt que louer des tokens, et vous voulez avoir la possibilité de faire ce changement plus tard sans réécrire l’application.

Prenez GPT-6 Luna si aucune de ces conditions ne s'applique et que votre charge de travail est à haut volume, consommée par programme et courte. Classification, extraction, routage, résumé en masse, la boucle interne d'un agent. À 0,10 $/0,50 $ avec un tarif d'entrée en cache d'un centime et Batch à moitié prix, le calcul n'est pas serré, et la différence d'un point d'indice à effort maximal ne sera pas visible dans votre évaluation. Exécutez-le en medium, vérifiez la régression de deux points du Coding Agent Index par rapport à vos propres tests plutôt qu'à un graphique de fournisseur, et gardez vos appels longs du bon côté de la limite des 272 000 tokens.

L’erreur à éviter est de considérer l’écart de prix d’un facteur cinq comme la réponse. Il répond à une question — combien coûte un token — et reste muet sur les quatre questions qui déterminent si vous pourrez encore exécuter cette charge de travail dans deux ans.