GPT-6 Luna קוראת Slack תמורת $0.007 לשרשור: מה המספר הזה מסתיר
- GoogleחדשGoogle: Gemini 4 Carbon2026-11-10$2.00 / $10.00 לכל 1M טוקנים · 226 tok/s
- AnthropicחדשAnthropic: Claude Fable 5.22026-11-09$8.00 / $40.00 לכל 1M טוקנים · 98 tok/s
- orcaחדשOrca: OrcaC2 1.02026-11-0717 tok/s
- OrcaחדשOrcaCyber: GLM 5.3 Abliterated / Uncensored2026-11-04$3.00 / $5.00 לכל 1M טוקנים · 82 tok/s
- OrcaחדשOrcaCyber: Hy4 Abliterated / Uncensored2026-11-04$0.80 / $1.60 לכל 1M טוקנים · 181 tok/s
- OrcaחדשOrcaCyber: Kimi K3.1 Pro Abliterated / Uncensored2026-11-04$4.00 / $20.00 לכל 1M טוקנים · 47 tok/s
- OrcaOrcaCyber: MiniMax M3.1 Flash Abliterated / Uncensored2026-10-29$0.80 / $1.60 לכל 1M טוקנים · 139 tok/s
- OrcaOrcaCyber: GLM 5.3 Flash Abliterated / Uncensored2026-10-27$0.80 / $1.60 לכל 1M טוקנים · 63 tok/s
- OrcaOrcaCyber: Qwen3.8 Flash Next Abliterated / Uncensored2026-10-26$0.80 / $1.60 לכל 1M טוקנים · 96 tok/s
- OrcaOrcaCyber: MiMo V2.6 Flash Abliterated / Uncensored2026-10-26$0.80 / $1.60 לכל 1M טוקנים · 42 tok/s
- MoonshotMoonshotAI: Kimi K3.1 Pro2026-10-2447אינטליגנציה
- OrcaOrcaCyber: DeepSeek V4.1 Flash Abliterated / Uncensored2026-10-23$0.80 / $1.60 לכל 1M טוקנים · 183 tok/s
- minimaxMiniMax: M3.1 Flash2026-10-1929אינטליגנציה
- OrcaOrca: OrcaCyber Ultra 1.02026-10-17$5.00 / $10.00 לכל 1M טוקנים · 139 tok/s
- deepseekDeepSeek: DeepSeek V4.1 Flash 10172026-10-1733אינטליגנציה
- DeepSeekDeepSeek: DeepSeek V4.1 Flash2026-10-1740אינטליגנציה
- OrcaOrca: OrcaCyber Zero 1.52026-10-10$3.00 / $7.50 לכל 1M טוקנים · 107 tok/s
- openaiOpenAI: GPT-6.1 Sol2026-09-2955אינטליגנציה
- anthropicAnthropic: Claude Sonnet 5.52026-09-2855אינטליגנציה
- typesafeTypeSafe: Jev 1.132026-09-24$0.04 / $0.00 לכל 1M טוקנים · 317 tok/s
שבע עשיריות הסנט. זה מה שבנצ'מרק Agent Initiative של Deepnote Research תיעד כעלות הממוצעת של GPT-6 Luna לטיפול במצב עבודה אחד בתוך חברה מדומה — לקרוא את ההודעות, להחליט אם צריך לספר למישהו משהו, ולהשיב בערוץ הנכון. Claude Fable 5.1, באותם חמישים מצבים, עם אותם כלים ואותו תקציב תגובה של 180 שניות, העמיד בממוצע 3.02 דולר עבור ציון גבוה ב-1.1 נקודות: 6.38 מתוך 10 לעומת 7.50. הכתוב של הבנצ'מרק עצמו מכנה את שני המודלים "בפער של פי 430 במחיר", והחשבון מתקיים: 3.02 דולר חלקי 0.0070 דולר שווה 431.
GPT-6 Luna זמין באופן כללי מאז 22 בספטמבר 2026, וההשוואה הסתובבה בציר הזמן ב-13 בנובמבר כסיפור על מודל זול שמדביק מודל יקר. זה סיפור מעניין יותר מכך, וקצת פחות מחמיא לכותרת. השורה של Luna עצמה בטבלה ההיא מכילה תשע הרצות שקיבלו 10 מתוך 10 ותשע שקיבלו אפס, והסיבה שקשה לקנות סוכן פרואקטיבי אינה הממוצע - אלא האפסים.
מה שהבנצ'מרק למעשה הריץ
Agent Initiative אינו עוד סט שאלות סטטי. Deepnote בנתה חברת תוכנה פיקטיבית בשם PageMantle - 71 עובדים, 100 לקוחות ארגוניים, שש שנים של רשומות מקושרות, כ-10 GB הפרושים על פני אחד-עשר שירותים כולל Slack, Notion, Linear, HubSpot, Stripe, PostHog, BigQuery ו-Snowflake - ואז הכניסה לתוכה שנים-עשר מודלי חזית כצופים שקטים. כל מודל קיבל את אותן ההוראות, את אותה גישה לכלים, את אותו תמונת מצב של החברה ואותו תקציב זמן. התפקיד היה לקרוא הודעות Slack חדשות ולהחליט האם לחקור, היכן לענות והאם לענות בכלל.
הפאנל קטן ומסורבל בכוונה:
• חמישים תרחישים בשמונה סוגי משימות — ניתוח (8), אימות (7), תיאום, הסבר, אבחון, החלטה ושמירה (6 כל אחד) ואיתור (5).
ארבעים מתוך החמישים היו זקוקים להודעה; עשרה היו מלכודות שבהן המהלך הנכון היה שתיקה.
• שני שופטי LLM, שאינם יודעים איזה מודל הפיק את הריצה, נותנים ציון של 0 עד 10 עבור התערבות, ראיות, טון ומיקום קהל.
• כל מודל ברמת מאמץ חשיבה גבוהה, כאשר זמן ביצוע הכלים אינו נכלל במסגרת 180 השניות.
• שנים עשר מודלים משש מעבדות, 600 ריצות בסך הכול, עם מרווחי 95% מדגימת בוטסטרפ של משימות.
בחירת העיצוב הזו - ארבעים מקרי עזרה מול עשרה מקרי שתיקה - היא הסיבה לכך שהטבלה מבדילה בין מודלים באופן שאף מבחן צ'אט לא עושה. רוב מה שסוכן פעיל תמיד עושה כל היום הוא להחליט לא לדבר, וכמעט שום הערכה ציבורית לא מודדת את זה.
השורה של לונה, במלואה
GPT-6 Luna סיים במקום השביעי מתוך שנים-עשר עם 6.38. הוא שלח הודעה ב-38 מתוך 40 המצבים שדרשו זאת, שיעור הצלחה טוב יותר מזה של Claude Sonnet 5.5, שעומד על 37, והוא עשה זאת ב-50 שניות תוך שימוש ב-13.7 קריאות כלים. העלות שלו למשימה, $0.0070, היא הנמוכה ביותר בתחום, בפער של כמעט פי ארבעה לעומת $0.026 של DeepSeek V4.1 Flash, ובפער של פי שישים לעומת $0.42 של Claude Sonnet 5.5.
העמודה שחשובה היא זו ש-Deepnote מכנה "Tens / zeros". GPT-6 Astra, בעל הציון הגבוה ביותר עם 8.97, רשם 26 ריצות מושלמות ושני אפסים. Claude Opus 5.5 רשם 14 ושניים. Luna רשמה תשע ותשע. במדד שבו אפס פירושו שהסוכן או שלא דיבר כשצריך, או שדיבר לתוך מצב שהוא פירש לא נכון, ריצה אחת מחמש של Luna הייתה אבודה, לעומת אחת מעשרים וחמישה אצל שני המודלים שמעליה. בממוצע על פני חמישים משימות, סוכן שמצטיין חצי מהזמן ונעדר בחצי השני נראה כמו B-minus. כשהוא מופעל מול ה-Slack של צוות אמיתי, הוא נראה כמו עמית שהוא או מבריק או שותק, ואיש לא יכול לחזות איזה מהם.
כותרת ה-430x, עם החישוב מוצג
המספר אמיתי, והוא גם המסגור הנוח ביותר הזמין, משתי סיבות שראוי לומר אותן בפשטות.
ראשית, Claude Fable 5.1 אינו המודל הנוכחי של Anthropic. Claude Fable 5.2 הוא המודל הנוכחי, והוא קיבל ציון 8.17 באותו מבחן בעלות של 1.87 דולר למשימה. לעומת היורש, GPT-6 Luna זול פי 267 ומפגר ב־1.79 נקודות. זהו משפט שפחות נוח לצטט ויותר רלוונטי לקבלת החלטות, כי אף אחד שבוחר מודל השבוע לא בוחר ב-Fable 5.1 אלא אם יש לו סיבה.
שנית, הפער של 1.1 נקודות הוא אומדן נקודתי על פני חמישים משימות. Deepnote מבהיר במפורש שמספר מודלים באמצע הטבלה שלו נמצאים בתוך מרווחים חופפים - הוא מפרט את Claude Sonnet 5.5, GPT-6 Luna, DeepSeek V4.1 Flash, Mistral Large 4 ו-Claude Haiku 5.5 כאשכול שנמצא במרחק של עד 0.6 נקודות זה מזה - והוא מתכנן מערך משימות גדול יותר בגרסה עתידית. הקריאה הכנה של הצמד Luna מול Fable 5.1 היא שפער המחיר נמדד בשלוש ספרות משמעותיות ופער האיכות נמדד בקירוב לספרה אחת. כל מי שמצטט "רק 1.1 נקודות מאחור" כאילו הספרה העשרונית משמעותית מצטט את המרווח, לא את הציון.
המספר שאיש לא מצטט: ארבע מתוך עשר
כשהשתיקה הייתה התשובה הנכונה, המודל החציוני בתחום נמנע שש פעמים מתוך עשר. GPT-6 Luna נמנע ארבע פעמים. הוא התערב בשש מתוך עשר הסיטואציות שבהן הרשומות כבר הראו שהעניין טופל — וכפי ש-Deepnote מציין, אותן התערבויות לא היו ג'יבריש. הן היו מדויקות, ממוקמות היטב ומיותרות. בדיקת איכות שקוראת רק את ההודעה לעולם לא תזהה את הכשל הזה. גם לא סקר שביעות רצון של משתמשים, כי אף אחד לא מתלונן כשאמרו לו משהו נכון.
המדד בכל זאת נותן לכך מחיר. בקרב חברי הפאנל, דיבור שלא בתורו עלה בערך פי 1.8 מאשר שתיקה כשנדרשה הודעה. עבור סוכן Slack שכל הנחת היסוד שלו היא שהוא קורא כל שרשור, אופן הכשל אינו תשובה שגויה שמתוקנת. אלא שחיקה איטית של הערוץ: ברגע שצוות לומד ששליש מהודעות הבוט הן רעש, הוא מפסיק לקרוא אף אחת מהן, והערך של ההודעות הנכונות יורד לאפס יחד איתן.
ישנו כשל שני, שקט יותר, בדוח. במשימת גישה לנתונים, לונה מצאה את הרשומה המאשרת שמנהל גישה העביר את התפקיד ליורש, ובכל זאת הפנתה את העובד למנהל הקודם. לקרוא את הראיות הנכונות ולהסיק את המסקנה השגויה הוא פגם שונה מהיעדר ראיות, והוא זה ששורד תיקון באיכות האחזור.
מדוע שבע עשיריות הסנט משנות את העיצוב, ולא רק את החשבון
עלות לכל טוקן היא יחידת המידה הלא נכונה להחלטה הזו, מפני שהעלות של סוכן פרואקטיבי נמדדת לפי מספר השרשורים שהוא נוגע בהם, ולא לפי מספר השאלות שנשאלות אותו. התרשים של Deepnote עצמו ממחיש את הנקודה באופן מוחשי: 7 דולר לכל 1,000 משימות עבור GPT-6 Luna לעומת 3,020 דולר לכל 1,000 עבור Claude Fable 5.1. ב-2,500 שרשורים בחודש — אותו נתון שבו משתמש מבחן הביצועים עבור Sol ו-Fable 5.2 — החיוב של Luna עומד על כ-17.50 דולר.
המספר הזה קטן מספיק כדי לשנות את מה שאתה בונה. במחיר של $3 לקריאה, סוכן פרואקטיבי חייב להיות סלקטיבי לפני שהוא מתחיל – מישהו צריך להחליט אילו ערוצים שווים מעקב, וזה בדיוק שיקול הדעת שהמודל היה אמור להפעיל. בפחות מסנט לקריאה, אפשר לעקוב אחרי הכול ולתת למודל לעשות את המיון, וזו הגרסה היחידה של המוצר שמתאימה לפיץ'.
זה גם קונה מעבר שני. הרצת GPT-6 Luna על כל 2,500 השרשורים תעלה בערך $17.50, תסמן את החמישים שנראים דו-משמעיים, ותשלח אותם ל-Claude Sonnet 5.5 במחיר $0.42 לכל אחד: עוד $21, לסך של קרוב ל-$39 בחודש. גרסת all-Fable 5.1 של אותו כיסוי עולה $7,550. האם ההיברידי הזה באמת מנצח את Luna לבדה לא נבדק - הבנצ'מרק הרץ מודלים, לא הרנסים, ו-Deepnote אומרת זאת במגבלות שלה - אבל האריתמטיקה היא מה שהופך את הניסוי לזול מספיק כדי להריץ.
הצנרת הגיעה שלושה שבועות מוקדם יותר
קריאה זולה לכל פנייה היא רק חצי ממה שסוכן פעיל תמיד זקוק לו; החצי השני הוא דרך זולה לשאול שאלה צרה. ב-22 באוקטובר 2026, OpenAI הוציאה את ה-Decisions API שלה מבטא, ו-GPT-6 Luna הוא המודל היחיד שהיא תומכת בו. נקודת הקצה מחזירה תשובות בעלות טיפוס ולא פרוזה - הסתברות שתנאי מתקיים, בחירה מרשימה קבועה, או ציון מול רמות מסודרות - ו-OpenAI טוענת שהיא מהירה פי עשרה בערך מלשאול את אותו מודל דרך ה-Responses API.
עבור צופה ב-Slack, זו הצורה הנכונה. "האם השרשור הזה סותר את תאריך השחרור בהודעה הנעוצה?" הוא פרדיקט, לא פסקה. שחרור הזמינות הכללית העלה את התקרה ל-400 שאלות בבקשה, הוסיף מטמון פרומפטים להקשר משותף, איפשר תמונות בתוך הוראות של שאלות בודדות, וקיבל נתונים מובנים ישירות דרך input_json כרכיב תוכן. קריאה אחת יכולה כעת להעריך יום שלם של פעילות בערוץ מול מערך ראיות קבוע, במקום הודעה אחת בכל פעם.
כדאי לדעת לפני שמתכננים סביב זה: ה-caching החדש חל על הראיות המשותפות שאתם שולחים, לא על כרטיס התעריפים של Luna, ומגבלות המודל עצמו עדיין חלות - חלון הקשר של 1,050,000 טוקנים, קלט מקסימלי של 922,000, פלט של 128,000, ותאריך ידע עד 18 במאי 2026. קריאה לפונקציות ב-Chat Completions עובדת רק כאשר reasoning effort מוגדר ל-none; כל דבר עם כלים מובנים חייב לעבור דרך Responses API.
היכן שהראיות נגמרות
הבנצ'מרק כנה באופן יוצא דופן לגבי הגבולות של עצמו, והם חשובים לכל מי שעומד להעמיד מודל לפני צוות אמיתי.
• חמישים משימות, כשבחלק מהקטגוריות יש רק חמש עד שמונה, ולכן דירוגים לפי קטגוריה הם נטיות ולא סדרים.
• תמונת מצב קבועה של החברה שחברי הצוות שלה לעולם אינם משיבים, ושמודדת תרומה בודדת במקום חודש של הקשר הולך ומצטבר.
• רמת מאמץ אחת. כל המודלים הורצו ברמה high; הגדרות נמוכות וגבוהות יותר לא נבדקו, וברירת המחדל של Luna היא medium, לא high.
• Slack בלבד. דואר אלקטרוני, מסמכים וכל פעולה מעבר לשליחת הודעה נמצאים מחוץ לתחום.
• עלויות היסטוריות, לא הצעות מחיר בזמן אמת. הנתונים לכל משימה הם תצפיות מההרצה, ולכן שינוי במחיר של ספק משנה אותם.
• לא נבדק אף נתב. Deepnote מבהירה במפורש שההמלצה שלה לניתוב היא המלצת תכן שהוסקה מתוצאות המודל.
קיים גם מתח בין הטבלה ההיא לבין מדידות מהירות בלתי־תלויות. Deepnote מדדה את Luna ב־50 שניות לכל מצב במאמץ גבוה. Artificial Analysis, בהרצה במאמץ מקסימלי, מדדה זמן של 79.33 שניות עד לטוקן הראשון של התשובה — גרוע בסדר גודל מהחציון בשכבת המחיר שלה. שני המספרים יכולים להיות נכונים, מכיוון שהם מודדים דברים שונים בהגדרות שונות, אך הצמד הזה הוא אזהרה: השהיה הנתפסת של סוכן שפועל כל הזמן נקבעת על ידי חוגת המאמץ, והעלאתה כדי לרדוף אחר האפסים עולה בשניות לפני שהיא עולה בדולרים.
לפרוס קורא במחיר הזה
הגרסה המעשית של הבנצ'מרק הזה היא צינור דו-שלבי, וזו הסיבה שפער המחיר חשוב יותר מפער הציון. GPT-6 Luna במאמץ נמוך או בינוני מבצע את הקריאה - כל שרשור, כל ערוץ, החלטות מוקלדות דרך Decisions API. סף על אותן החלטות מעביר את המקרים הדו-משמעיים למודל חזק יותר. המודל היקר מטפל אז בעשרות שרשורים בחודש במקום באלפים, והעלות שלו מפסיקה להיות סעיף תקציבי.
קל יותר להריץ את הצינור הזה כאשר שתי השכבות יושבות מאחורי מפתח אחד. OrcaRouter חושף את GPT-6 Luna, Claude Sonnet 5.5, Claude Fable 5.2 ויותר מ-200 מודלים אחרים דרך נקודת קצה אחת תואמת OpenAI, עם 0% תוספת מחיר - מחיר המחירון של הספק מועבר ישירות, כך שהורדת מחיר מצד ספק מגיעה לצד שלנו באותו יום במקום להמתין שמשווק יתמחר מחדש. ה-DSL לניתוב מרכיב את השכבות לקריאה אחת (מעבר ראשון זול, הסלמה לפי תנאי), מעבר אוטומטי לגיבוי שומר על תהליך הניטור פעיל אם ספק נחלש, ומיזוג מודלים מאפשר לפאנל להשיב יחד כאשר סיווג בודד הוא בעל השלכות כבדות מדי מכדי לסמוך אותו על מודל אחד. שום דבר מזה לא משנה את המספרים שלמעלה; זה רק מסיר את עבודת האינטגרציה ביניהם.
מה יזיז את המספר הזה
שני דברים יהפכו את המאמר הזה למיושן: יורש של GPT-6 Luna, או הרצה עצמאית שנייה של אותו מבחן עם מערך משימות גדול יותר. הראשון תלוי בלוח הזמנים של OpenAI. השני כבר הובטח - Deepnote אומרת שפאנל בן 50 משימות יוחלף במדגם גדול יותר בגרסה הבאה, ומחבריה מבהירים כי יש לקרוא את הטבלה הנוכחית כמדידה ראשונה ולא כדירוג.
עד אז, המסקנה הניתנת להגנה צרה יותר מגרסת לוח הזמנים ושימושית יותר. GPT-6 Luna הוא המודל הראשון שזול מספיק כדי שסוכן פרואקטיבי יוכל להרשות לעצמו לטעות בשאלה האם להסתכל, וזהו סף ממשי – ההבדל בין מוצר שדוגם את החברה שלו לבין מוצר שקורא אותה. הוא עדיין אינו אמין מספיק כדי לטעות בשאלה האם לדבר. ציון השתיקה של ארבע מתוך עשר הוא החלק בטבלה שצריך לתכנן סביבו: לשמור על הקריאה זולה, לשמור על הכתיבה מגודרת, ולמקם את המודל היקר במקום שבו מתקבלת בפועל ההחלטה להפריע.
השוואות במאמר הזה3
זוהה מתוך המאמר הזה · בנצ'מרקים: Artificial Analysis · מתעדכן יומית
