GPT-6 Luna vs Gemini 3.1 Pro : un aperçu vieux de sept mois à vingt fois le prix d'entrée

Le modèle de raisonnement de pointe est étiqueté « Preview » depuis le lancement de Gemini 3.1 Pro, le 19 février 2026. Sept mois plus tard, il est toujours en aperçu, toujours à 2,00 $ par million de jetons d'entrée et 12,00 $ par million de jetons de sortie, et toujours ce que la page produit présente comme le modèle de raisonnement de pointe de l'entreprise. Le 22 septembre 2026, le fournisseur a lancé GPT-6 Luna en tant que petite offre en disponibilité générale, à 0,10 $ et 0,50 $. Mettez les deux grilles tarifaires côte à côte : le modèle le plus récent, le moins cher et en disponibilité générale est vingt fois moins cher en entrée et vingt-quatre fois moins cher en sortie — et il obtient un score plus élevé sur l'indice indépendant auquel tiennent les services marketing des deux fournisseurs.

Cette dernière clause est la partie qui mérite qu’on s’y attarde. GPT-6 Luna obtient un score de 37 sur l’Artificial Analysis Intelligence Index à effort maximal. Gemini 3.1 Pro Preview obtient 30 sur la même révision. Un modèle vendu comme une solution d’efficacité à grand volume devance de sept points un modèle vendu comme un système de raisonnement de pointe, à un vingtième du prix des entrées. Il ne s’agit pas d’un cas où un modèle bon marché rattrape un modèle coûteux. Sur cet axe particulier, le modèle bon marché est simplement en avance, et le modèle coûteux est en preview depuis sept mois.

La conclusion naturelle — que Gemini 3.1 Pro est trop cher — n’est pas tout à fait juste non plus, et le reste de cet article porte sur les trois points où le modèle de Google justifie son tarif, car ils sont bien réels et loin d’être négligeables.

Les cinq éléments qui décident tout

Avant les détails, la version courte :

• GPT-6 Luna gagne sur le prix d'un facteur d'environ 20 en entrée et 24 en sortie, sur l'entrée mise en cache avec une large marge, et sur l'indice généraliste de sept points à effort maximal égal.

• Gemini 3.1 Pro l'emporte sur la modalité d'entrée — il accepte l'audio et la vidéo, contrairement à GPT-6 Luna — et sur sa disponibilité depuis sept mois, ce qui, pour un aperçu, constitue un long bilan de production.

• Les plafonds de sortie ne sont proches ni dans un sens ni dans l'autre : GPT-6 Luna émet jusqu'à 128 000 tokens, Gemini 3.1 Pro jusqu'à 65 000.

• Tous deux comportent une limite de palier de contexte long qui modifie le tarif de l'ensemble de la requête, à 272 000 jetons d'entrée pour GPT-6 Luna et environ 200 000 pour Gemini 3.1 Pro.

• Le piège de l’effort par défaut ne concerne que Luna : son 37 est un score à effort maximal et son réglage moyen par défaut obtient 29, ce qui est inférieur aux 30 de Gemini 3.1 Pro.

Deux grilles tarifaires et l'arithmétique entre elles

Une ligne par dimension, les deux côtés sur chacune :

• Entrée par million — GPT-6 Luna 0,10 $ vs Gemini 3.1 Pro 2,00 $

• Sortie pour 1 M — GPT-6 Luna 0,50 $ vs Gemini 3.1 Pro 12,00 $

• Entrée mise en cache — GPT-6 Luna 0,01 $ par 1 M, soit une remise de 90 % par rapport à Gemini 3.1 Pro 0,20 $ par 1 M, une remise de 90 %

• Frontière du contexte long — GPT-6 Luna au-delà de 272 K jetons d’entrée vs Gemini 3.1 Pro au-delà d’environ 200 K jetons d’entrée

• Effet de contexte long — GPT-6 Luna : 2x sur l’entrée et le cache, 1,5x sur la sortie, sur l’ensemble de la requête, contre Gemini 3.1 Pro à 4,00 $ en entrée / 18,00 $ en sortie, également sur l’ensemble de la requête

• Fenêtre de contexte — GPT-6 Luna 1 050 000 jetons vs Gemini 3.1 Pro 1 million de jetons

• Sortie maximale — GPT-6 Luna 128 000 tokens vs Gemini 3.1 Pro 65 000 tokens

• Modalité d’entrée — GPT-6 Luna : texte et image vs Gemini 3.1 Pro : texte, image, audio, vidéo et fichiers

• AA Intelligence Index — GPT-6 Luna 37 avec effort maximal, 29 par défaut vs Gemini 3.1 Pro 30

• Vitesse de sortie — GPT-6 Luna 153,9 tokens/s contre environ 115 à 143 tokens/s pour Gemini 3.1 Pro selon l’instantané

• Interrupteur de désactivation du raisonnement — GPT-6 Luna : de none à max vs Gemini 3.1 Pro à raisonnement prioritaire, aucun mode sans raisonnement exposé

• Statut — GPT-6 Luna en disponibilité générale depuis le 2026-09-22 vs Gemini 3.1 Pro en aperçu depuis le 2026-02-19

La ligne intéressante n’est pas le prix. C’est la paire de lignes du bas. Le libellé « preview » de Gemini 3.1 Pro n’est pas un détail technique — il change ce que Google vous doit. Un modèle en preview peut être modifié, changer de tarif ou être retiré sans l’avis de dépréciation qu’un modèle GA reçoit, et un tarif inchangé au bout de sept mois est une promesse que personne n’a faite par écrit. Tout ce qui suit, sur le fait que le modèle de Google est un pari de production plus sûr, doit être lu à l’aune de cette mise en garde, car « sept mois de stabilité » et « sept mois sans garantie de stabilité » sont les mêmes sept mois.

Là où le modèle de Google gagne les vingt fois supplémentaires

Trois places, et la première est celle qui met fin d'emblée à la comparaison pour certaines équipes.

Modalité.Gemini 3.1 Pro prend en charge l’audio et la vidéo en entrée. GPT-6 Luna prend en charge le texte et l’image. Si votre pipeline ingère des enregistrements d’appels, des captures d’écran ou de la vidéo, il n’existe aucune version de cette confrontation où l’écart de prix compte, car l’un des deux modèles ne peut pas faire le travail. Ce n’est pas un écart de benchmark qui se réduit avec une version corrective ; c’est une capacité qui est soit présente, soit absente, et c’est la raison la plus forte pour laquelle la grille tarifaire de Google survit au contact d’un véritable processus d’achat.

Plafond de sortie, dans l'autre sens. Les plafonds de sortie jouent en sens inverse du volet d'entrée, et celui-ci avantage OpenAI. GPT-6 Luna émet jusqu'à 128 000 tokens en une seule réponse ; Gemini 3.1 Pro jusqu'à 65 000. Si vous générez de longs artefacts structurés — un document complet, une refonte majeure, un correctif multi-fichiers —, le plafond de Google représente environ la moitié de celui d'OpenAI, et un pipeline qui tronque à 65 000 tokens est défaillant, quel que soit le prix payé par token.

Travail de pointe multimodal. Le positionnement de Gemini 3.1 Pro est celui d’un modèle de raisonnement qui se trouve être multimodal, et la conséquence pratique est que les tâches qui exigent un raisonnement sur un diagramme, un graphique ou un enregistrement d’écran lui reviennent plutôt qu’à un petit palier axé d’abord sur le texte. GPT-6 Luna accepte les images, donc la frontière ne se limite pas à l’audio et à la vidéo — c’est que le modèle de Google est conçu pour le raisonnement visuel et audio comme cas d’usage principal, tandis que celui d’OpenAI est conçu pour le débit.

Là où la formule économique perd vraiment, et ce n'est pas là où vous l'attendez

Le réglage d'effort par défaut est le piège dans cette confrontation, et il fait plus mal ici qu'il ne le ferait contre un adversaire plus faible. Le score de l'indice phare de GPT-6 Luna, 37, est mesuré avec un effort de raisonnement maximal. Sa valeur par défaut est moyenne, et au réglage moyen, il obtient 29 — un point sous les 30 de Gemini 3.1 Pro. Ainsi, l'avance de sept points avec laquelle cet article s'ouvre est une comparaison entre le plafond d'un modèle et celui d'un autre, et une équipe qui installe GPT-6 Luna et laisse la configuration telle quelle fait tourner un modèle qui est légèrement derrière celui de Google, sept mois plus ancien, toujours en préversion, à un vingtième du prix.

Cela reste, pour la plupart des charges de travail, le bon compromis — un point d'indice n'est pas une différence de capacités, alors qu'un écart de prix de 20x en est une. Mais c'est un compromis différent de celui que vantent les grilles tarifaires, et il est invisible à moins d'aller chercher le paramètre effort.

Le deuxième domaine dans lequel l’offre économique perd, c’est l’arithmétique des contextes longs. Les deux modèles refacturent la totalité de la requête dès qu’elle franchit un seuil, plutôt que de facturer un supplément sur le dépassement, et les deux seuils sont suffisamment bas pour compter : 272 000 jetons d’entrée sur GPT-6 Luna, environ 200 000 sur Gemini 3.1 Pro. La clause de GPT-6 Luna double l’entrée et le cache et augmente la sortie de moitié. Celle de Gemini 3.1 Pro fait passer tout l’appel à 4,00 $ en entrée et 18,00 $ en sortie. Aucune des deux n’est un supplément marginal, et pour un modèle vendu sur son prix, la clause est le prix.

Le troisième est la verbosité, la ligne de coût qui n’apparaît jamais sur une grille tarifaire. Artificial Analysis a mesuré GPT-6 Luna générant 150 millions de tokens de sortie sur l’ensemble de l’exécution de l’indice, contre une médiane de 85 millions — le modèle est bavard, et à 0,50 $ par million de tokens de sortie, cela représente 75 $ de tokens là où un modèle concis aurait dépensé 42,50 $. Cela reste tout de même d’un ordre de grandeur moins cher que l’alternative. C’est aussi la raison pour laquelle les chiffres de coût par tâche et de coût par token racontent des histoires différentes, et la raison pour laquelle il faut mesurer votre propre volume de sortie avant de modéliser l’économie.

À quoi ressemble une migration entre eux

Le modèle de Google est accessible via l'API propre du fournisseur et plusieurs plateformes tierces ; GPT-6 Luna est accessible via l'API propre d'OpenAI, et au moment d'écrire ces lignes, aucun des deux n'est la moitié la plus simple de la paire sur laquelle standardiser. Tous deux exposent une interface de chat completions compatible OpenAI, ce qui signifie que la forme de l'appel n'est pas le problème — les paramètres le sont. L'échelle d'effort de GPT-6 Luna, sa clause des 272 000 tokens et son exigence que l'appel de fonctions sur Chat Completions s'exécute avec l'effort de raisonnement réglé sur none sont tous des comportements que Gemini 3.1 Pro ne partage pas, et un portage qui ne change que la chaîne du modèle produira un appel fonctionnel avec un profil de coût erroné.

Gemini 3.1 Pro Preview est disponible sur OrcaRouter au prix catalogue de Google, dans le cadre d'une tarification en pass-through, ce qui signifie qu'un changement de tarif de Google est actif de notre côté le jour même. GPT-6 Luna ne figure pas dans notre catalogue à l'heure où nous écrivons. Pour une équipe qui utilise les deux — le modèle de Google pour tout ce qui nécessite de l'audio ou de la vidéo, celui d'OpenAI pour le texte à gros volume — cela représente une seule clé pour Gemini 3.1 Pro aux côtés de ce que vous utilisez déjà pour OpenAI, la décision de routage étant exprimée sous forme de configuration plutôt que de deux chemins de code. C'est l'association où cela compte le plus, car les deux modèles ne sont pas du tout interchangeables : une route qui doit choisir entre un aperçu multimodal et un petit palier GA réservé au texte est une route qui sera re-décidée chaque fois que l'un ou l'autre fournisseur publie une nouveauté.

Qu’est-ce qui changerait cela ?

La comparaison telle qu’elle se présente est un instantané d’un moment inhabituel : un modèle GA de septembre battant un modèle en préversion de février sur l’indice général pour un vingtième du prix des entrées, tout en perdant sur la modalité et sur la maturité qu’une préversion ne gagne jamais tout à fait. Trois choses feraient bouger les lignes, et chacune mérite d’être observée plutôt que devinée.

Le premier est la sortie de preview de Gemini 3.1 Pro. Une version GA apporterait une politique de dépréciation, une grille tarifaire stable et, très probablement, un changement de prix — Google a maintenu 2,00 $/12,00 $ pendant sept mois de preview tandis que le reste du marché a été divisé par deux autour d'elle, et cette retenue est plus cohérente avec un prix de lancement en attente d'une date de GA qu'avec une position réfléchie.

Le deuxième point est de savoir si OpenAI étend l’échelle d’effort Luna ou modifie sa valeur par défaut. L’écart de vingt-deux points entre le score d’effort maximal de GPT-6 Luna et son score d’effort par défaut est la plus grande sensibilité de configuration de cet article, et un changement de la valeur par défaut modifierait la capacité effective du modèle pour chaque appelant qui n’a jamais touché au paramètre.

Le troisième est l’écart de modalité. C’est la seule dimension ici qui ne soit pas une question de degré, et c’est celle qui empêche qu’il s’agisse d’une simple comparaison de prix. Tant que l’un de ces modèles n’est pas en mesure de faire ce que l’autre ne peut pas faire, l’écart d’un facteur vingt est un chiffre bien réel qui renvoie à deux tâches différentes.