GPT-6 Luna Membaca Slack Seharga $0,007 per Thread: Apa yang Tersembunyi di Balik Angka Itu

Tujuh persepuluh sen. Itulah yang dicatat Agent Initiative Benchmark dari Deepnote Research sebagai biaya rata-rata GPT-6 Luna untuk menangani satu situasi tempat kerja di dalam perusahaan simulasi—membaca pesan, memutuskan apakah ada orang yang perlu diberi tahu sesuatu, dan membalas di kanal yang tepat. Claude Fable 5.1, pada lima puluh situasi yang sama, dengan alat yang sama dan anggaran respons 180 detik yang sama, rata-rata $3,02 untuk skor 1,1 poin lebih tinggi: 6,38 dari 10 berbanding 7,50. Tulisan benchmark itu sendiri menyebut kedua model "terpaut 430x dalam hal harga," dan aritmetikanya cocok: $3,02 dibagi $0,0070 adalah 431.

GPT-6 Luna telah tersedia secara umum sejak 22 September 2026, dan perbandingan itu beredar di linimasa pada 13 November sebagai kisah tentang model murah yang mengejar model mahal. Kisahnya lebih menarik daripada itu, dan sedikit kurang menyanjung bagi judul beritanya. Baris Luna sendiri dalam tabel itu memuat sembilan percobaan dengan skor 10 dari 10 dan sembilan percobaan berskor nol, dan alasan agen proaktif sulit dibeli bukanlah rata-ratanya — melainkan angka nolnya.

Apa yang sebenarnya dijalankan oleh benchmark

Agent Initiative bukanlah kumpulan pertanyaan statis lainnya. Deepnote membangun perusahaan perangkat lunak fiktif bernama PageMantle - 71 karyawan, 100 pelanggan perusahaan, enam tahun catatan yang saling terhubung, sekitar 10 GB di sebelas layanan termasuk Slack, Notion, Linear, HubSpot, Stripe, PostHog, BigQuery, dan Snowflake - lalu memasukkan dua belas model frontier ke dalamnya sebagai pengamat pasif. Setiap model menerima instruksi yang sama, akses alat yang sama, snapshot perusahaan yang sama, dan anggaran waktu yang sama. Tugasnya adalah membaca pesan Slack baru dan memutuskan apakah akan menyelidiki, di mana menjawab, dan apakah akan menjawab sama sekali.

Panelnya kecil dan sengaja dibuat canggung:

• Lima puluh situasi di seluruh delapan jenis tugas - Menganalisis (8), Memverifikasi (7), Mengoordinasikan, Menjelaskan, Mendiagnosis, Memutuskan dan Menjaga (masing-masing 6) serta Menemukan (5).

• Empat puluh dari lima puluh membutuhkan pesan; sepuluh adalah jebakan yang langkah tepatnya adalah diam.

• Dua juri LLM, yang tidak mengetahui model mana yang menghasilkan proses tersebut, menilai 0 hingga 10 pada intervensi, bukti, nada, dan penempatan audiens.

• Setiap model pada upaya penalaran tinggi, dengan waktu eksekusi alat tidak dihitung dalam batas waktu 180 detik.

• Dua belas model dari enam laboratorium, total 600 percobaan, dengan interval 95% dari resampling bootstrap tugas.

Pilihan desain itu—empat puluh kasus bantuan versus sepuluh kasus diam—adalah alasan tabel tersebut memisahkan model dengan cara yang tidak pernah dilakukan tolok ukur percakapan. Sebagian besar yang dilakukan agen yang selalu aktif sepanjang hari adalah memutuskan untuk tidak berbicara, dan hampir tidak ada evaluasi publik yang menilai hal itu.

Pertengkaran Luna, selengkapnya

GPT-6 Luna finis ketujuh dari dua belas dengan nilai 6,38. Ia mengirim pesan dalam 38 dari 40 situasi yang memerlukannya, tingkat keberhasilan yang lebih baik daripada 37 milik Claude Sonnet 5.5, dan ia melakukannya dalam 50 detik menggunakan 13,7 panggilan alat. Biaya per tugasnya, $0,0070, adalah yang terendah di bidang ini, hampir empat kali lebih rendah daripada $0,026 milik DeepSeek V4.1 Flash dan enam puluh kali lebih rendah daripada $0,42 milik Claude Sonnet 5.5.

Kolom yang penting adalah kolom yang diberi label "Tens / zeros" oleh Deepnote. GPT-6 Astra, peraih skor tertinggi 8,97, mencatat 26 percobaan sempurna dan dua nol. Claude Opus 5.5 mencatat 14 dan dua. Luna mencatat sembilan dan sembilan. Dalam tolok ukur di mana nol berarti agen tidak pernah berbicara saat seharusnya atau berbicara dalam situasi yang salah dibacanya, satu dari lima percobaan Luna gagal total, dibandingkan satu dari dua puluh lima untuk dua model di atasnya. Jika dirata-ratakan atas lima puluh tugas, agen yang sangat baik separuh waktu dan absen separuh waktu tampak seperti nilai B-minus. Saat diterapkan pada Slack tim nyata, ia tampak seperti rekan kerja yang entah brilian atau diam, dan tidak ada yang bisa memprediksi yang mana.

Judul utama 430x, dengan perhitungan yang ditampilkan

Angka itu nyata dan juga merupakan cara membingkai paling menguntungkan yang tersedia, karena dua alasan yang perlu dinyatakan secara gamblang.

Pertama, Claude Fable 5.1 bukan model A​nthropic saat ini. Claude Fable 5.2 adalah model saat ini, dan model itu mencetak 8.17 pada benchmark yang sama dengan biaya $1.87 per tugas. Dibandingkan dengan penerusnya, GPT-6 Luna 267 kali lebih murah dan tertinggal 1.79 poin. Itu kalimat yang kurang layak dikutip dan lebih relevan untuk pengambilan keputusan, karena tidak ada yang memilih model minggu ini yang memilih Fable 5.1 kecuali mereka punya alasan.

Kedua, selisih 1,1 poin adalah estimasi titik atas lima puluh tugas. Deepnote menyatakan secara eksplisit bahwa beberapa model di tengah tabelnya berada dalam interval yang saling tumpang tindih — Deepnote menyebut Claude Sonnet 5.5, GPT-6 Luna, DeepSeek V4.1 Flash, Mistral Large 4, dan Claude Haiku 5.5 sebagai klaster yang satu sama lain berjarak dalam 0,6 poin — dan Deepnote merencanakan kumpulan tugas yang lebih besar pada versi mendatang. Pembacaan jujur atas pasangan Luna versus Fable 5.1 adalah bahwa selisih harga diukur hingga tiga angka signifikan dan selisih kualitas diukur hingga sekitar satu angka. Siapa pun yang mengutip "hanya 1,1 poin di belakang" seolah-olah angka desimal itu bermakna sedang mengutip interval, bukan skornya.

Angka yang tidak pernah dikutip siapa pun: empat dari sepuluh

Ketika diam adalah jawaban yang benar, model median di bidang itu menahan diri enam dari sepuluh kali. GPT-6 Luna menahan diri empat kali. Ia melakukan intervensi pada enam dari sepuluh situasi yang catatannya sudah menunjukkan bahwa masalah tersebut telah ditangani - dan, seperti yang ditunjukkan Deepnote, intervensi itu bukanlah omong kosong. Intervensi tersebut akurat, tepat tempatnya, dan tidak perlu. Pemeriksaan kualitas yang hanya membaca pesan tidak akan pernah menangkap kegagalan itu. Begitu pula survei kepuasan pengguna, karena tidak ada yang mengeluh karena diberi tahu sesuatu yang benar.

Tolok ukur tetap membebankan harga untuk itu. Di seluruh panel, berbicara tanpa diminta biayanya sekitar 1,8 kali lebih besar daripada diam ketika sebuah pesan dibutuhkan. Bagi agen Slack yang seluruh premisnya adalah bahwa ia membaca setiap utas, mode kegagalannya bukanlah jawaban salah yang kemudian dikoreksi. Mode kegagalannya adalah erosi saluran secara perlahan: begitu sebuah tim mengetahui bahwa sepertiga pesan bot hanyalah gangguan, mereka berhenti membaca pesan apa pun, dan nilai pesan-pesan yang benar ikut menjadi nol bersama itu.

Ada kegagalan kedua yang lebih senyap dalam laporan tersebut. Dalam sebuah tugas akses data, Luna menemukan catatan yang mengonfirmasi bahwa seorang administrator akses telah menyerahkan tugas kepada penerusnya, tetapi kemudian tetap merujuk karyawan tersebut ke administrator lama. Membaca bukti yang benar lalu menarik kesimpulan yang salah adalah cacat yang berbeda dari bukti yang hilang, dan itulah cacat yang tetap bertahan setelah perbaikan kualitas pengambilan.

Mengapa tujuh persepuluh sen mengubah desain, bukan sekadar tagihan

Biaya per token adalah unit yang salah untuk keputusan ini, karena biaya agen proaktif berskala dengan jumlah thread yang disentuhnya, bukan dengan jumlah pertanyaan yang diajukan kepadanya. Grafik Deepnote sendiri membuat hal ini konkret: $7 per 1.000 tugas untuk GPT-6 Luna versus $3.020 per 1.000 untuk Claude Fable 5.1. Pada 2.500 thread per bulan, angka yang sama yang digunakan benchmark untuk Sol dan Fable 5.2, tagihan Luna sekitar $17,50.

Angka itu cukup kecil untuk mengubah apa yang Anda bangun. Dengan $3 per pembacaan, agen proaktif harus selektif sebelum memulai - seseorang harus memutuskan saluran mana yang layak dipantau, yang justru merupakan penilaian yang seharusnya dilakukan model. Dengan kurang dari satu sen per pembacaan, Anda dapat memantau semuanya dan membiarkan model melakukan triase, yang merupakan satu-satunya versi produk yang sesuai dengan pitch.

Ini juga membeli satu putaran kedua. Jalankan GPT-6 Luna pada semua 2.500 thread dengan biaya sekitar $17,50, minta model itu menandai lima puluh thread yang tampak ambigu, lalu kirim thread tersebut ke Claude Sonnet 5.5 dengan biaya $0,42 per thread: tambahan $21, sehingga totalnya mendekati $39 per bulan. Versi semua-Fable 5.1 untuk cakupan yang sama adalah $7.550. Apakah hibrida itu benar-benar mengalahkan Luna saja belum diuji - benchmark menguji model, bukan harness, dan Deepnote menyatakan hal itu dalam keterbatasannya - tetapi aritmetikanya yang membuat eksperimen ini cukup terjangkau untuk dijalankan.

Perlengkapan pipa tiba tiga minggu lebih awal.

Pembacaan murah per panggilan hanyalah separuh dari kebutuhan agen yang selalu aktif; separuh lainnya adalah cara murah untuk mengajukan pertanyaan sempit. Pada 22 Oktober 2026, OpenAI mengeluarkan Decisions API dari beta, dan GPT-6 Luna adalah satu-satunya model yang didukungnya. Endpoint ini mengembalikan jawaban bertipe, bukan prosa - probabilitas bahwa suatu kondisi benar, pilihan dari daftar tetap, atau skor terhadap tingkat berurutan - dan OpenAI mengklaim endpoint ini sekitar sepuluh kali lebih cepat daripada mengajukan pertanyaan yang sama ke model tersebut melalui Responses API.

Bagi pemantau Slack, itu adalah bentuk yang tepat. "Apakah thread ini bertentangan dengan tanggal rilis di pesan yang disematkan?" adalah predikat, bukan paragraf. Rilis general availability menaikkan batas menjadi 400 pertanyaan per permintaan, menambahkan prompt caching untuk konteks bersama, mengizinkan gambar di dalam instruksi pertanyaan individual, dan menerima data terstruktur secara langsung melalui bagian konten input_json. Satu panggilan kini dapat mengevaluasi seluruh aktivitas kanal dalam sehari terhadap kumpulan bukti tetap, bukan satu pesan pada satu waktu.

Perlu diketahui sebelum Anda merancang dengan mempertimbangkannya: caching baru berlaku untuk bukti bersama yang Anda kirim, bukan untuk kartu tarif Luna, dan batasan model itu sendiri tetap berlaku—jendela konteks 1.050.000 token, input maksimum 922.000, output 128.000, dan batas pengetahuan 18 Mei 2026. Pemanggilan fungsi pada Chat Completions hanya berfungsi jika reasoning effort diatur ke none; apa pun dengan alat bawaan harus melalui Responses API.

Di mana bukti berhenti

Benchmark ini luar biasa terus terang tentang keterbatasannya sendiri, dan hal itu penting bagi siapa pun yang akan menempatkan model di hadapan tim nyata.

• Lima puluh tugas, dengan beberapa kategori hanya berisi lima hingga delapan, sehingga peringkat per kategori lebih merupakan kecenderungan daripada urutan.

• Cuplikan perusahaan tetap yang rekan timnya tidak pernah membalas, yang mengukur satu kontribusi alih-alih konteks yang terakumulasi selama sebulan.

• Satu tingkat upaya. Setiap model dijalankan pada setelan tinggi; setelan yang lebih rendah dan lebih tinggi tidak diuji, dan default Luna adalah sedang, bukan tinggi.

• Hanya Slack. Email, dokumen, dan tindakan apa pun di luar pengiriman pesan berada di luar cakupan.

• Biaya historis, bukan kuotasi langsung. Angka per tugas merupakan hasil observasi dari proses eksekusi, sehingga perubahan harga vendor akan menggeser angka tersebut.

• Tidak ada router yang diuji. Deepnote secara eksplisit menyatakan bahwa saran peruteannya adalah rekomendasi desain yang diekstrapolasi dari hasil model.

Ada juga ketegangan antara tabel itu dan pengukuran kecepatan independen. Deepnote mencatat Luna pada 50 detik per situasi dengan upaya tinggi. Artificial Analysis, yang menjalankannya pada upaya maksimum, mengukur waktu hingga token jawaban pertama sebesar 79,33 detik - satu orde magnitudo lebih buruk daripada median untuk tingkat harganya. Kedua angka itu bisa sama-sama benar, karena keduanya mengukur hal yang berbeda pada pengaturan yang berbeda, tetapi pasangan angka tersebut merupakan peringatan: latensi yang dirasakan dari agen yang selalu aktif ditentukan oleh dial upaya, dan menaikkannya untuk mengejar angka nol akan memakan waktu dalam hitungan detik sebelum memakan biaya dalam dolar.

Menyebarkan pembaca dengan harga ini

Versi praktis dari benchmark ini adalah pipeline dua tingkat, dan itulah alasan kesenjangan harga lebih penting daripada kesenjangan skor. GPT-6 Luna pada upaya rendah atau sedang melakukan pembacaan - setiap thread, setiap kanal, keputusan yang diketik melalui Decisions API. Ambang batas pada keputusan tersebut mengeskalasi kasus-kasus ambigu ke model yang lebih kuat. Model mahal kemudian menangani puluhan thread per bulan alih-alih ribuan, dan biayanya tidak lagi menjadi pos anggaran.

Alur itu lebih mudah dijalankan ketika kedua tingkat berada di balik satu kunci. OrcaRouter menyediakan GPT-6 Luna, Claude Sonnet 5.5, Claude Fable 5.2 dan lebih dari 200 model lain melalui satu endpoint yang kompatibel dengan OpenAI, dengan markup 0% - harga daftar penyedia diteruskan apa adanya, sehingga penurunan harga vendor langsung terasa di sisi kami pada hari yang sama alih-alih menunggu reseller menetapkan ulang harga. DSL perutean menyusun tingkat-tingkat itu menjadi satu panggilan (proses pertama yang murah, eskalasi berdasarkan kondisi), failover otomatis menjaga pemantau tetap hidup jika penyedia mengalami degradasi, dan fusi model memungkinkan panel menjawab bersama ketika satu klasifikasi terlalu penting untuk dipercayakan kepada satu model. Semua itu tidak mengubah angka di atas; itu hanya menghilangkan pekerjaan integrasi di antara keduanya.

Apa yang akan mengubah angka ini

Dua hal akan membuat artikel ini usang: penerus GPT-6 Luna, atau pelaksanaan independen kedua dari benchmark yang sama dengan kumpulan tugas yang lebih besar. Yang pertama adalah soal kalender OpenAI. Yang kedua sudah dijanjikan - Deepnote mengatakan bahwa panel 50 tugas akan digantikan oleh sampel yang lebih besar pada versi berikutnya, dan para penulisnya menegaskan bahwa tabel saat ini harus dibaca sebagai pengukuran pertama, bukan sebagai peringkat.

Sampai saat itu, kesimpulan yang dapat dipertahankan lebih sempit daripada versi lini masa dan lebih berguna. GPT-6 Luna adalah model pertama yang cukup murah sehingga agen proaktif mampu mengambil risiko salah dalam menentukan apakah perlu melihat, dan itu adalah ambang nyata - perbedaan antara produk yang mengambil sampel perusahaannya dan produk yang membacanya. Model ini belum cukup andal untuk bisa salah dalam menentukan apakah harus berbicara. Skor keheningan empat dari sepuluh adalah bagian tabel yang perlu dijadikan acuan dalam merancang: jaga agar pembacaan tetap murah, jaga agar penulisan tetap di balik gerbang, dan tempatkan model mahal di tempat keputusan untuk menyela benar-benar diambil.