GPT-6 Luna vs Claude Sonnet 5.5: Dua Celah, Bukan Satu

Letakkan GPT-6 Luna dan Claude Sonnet 5.5 pada daftar harga yang sama dan rasionya memalukan: $0,10 versus $2,00 per juta token masukan, $0,50 versus $10,00 per juta token keluaran. Letakkan keduanya pada evaluasi yang sama dan selisihnya terlihat sangat berbeda tergantung evaluasi mana yang Anda pilih. Pada Intelligence Index dari Artificial Analysis, Sonnet 5.5 pada upaya maksimum mencetak 55 dan Luna pada upaya maksimum mencetak 28 - selisih 27 poin pada papan di mana posisi teratas di bidang ini berada di kisaran lima puluhan. Pada FrontierCode-AA 2.0, dua model yang sama mencetak 25,7 dan 25,2. Itu bukan selisih. Itu seri.

Kedua pembacaan itu benar, dan alasan keduanya bisa hidup berdampingan adalah hal yang perlu dipahami sebelum memilih. Luna bukan model yang secara merata lebih lemah yang dijual dengan seperdua puluh harga. Ia adalah model dengan bentuk tertentu: kompetitif dalam pembuatan diff kode, jauh tertinggal dalam pekerjaan terminal, penalaran ilmiah, dan pengekangan faktual, serta kira-kira satu orde magnitudo lebih lambat dalam menghasilkan token pertamanya. Sonnet 5.5 adalah bentuk yang berlawanan—konsisten, cepat dimulai, dan cukup mahal sehingga sekumpulan model itu memerlukan justifikasi bisnis.

Kedua lembar spesifikasi, dimensi demi dimensi

• Harga input per 1 juta - GPT-6 Luna $0.10 vs Claude Sonnet 5.5 $2.00, rasio 20x

• Harga output per 1M - GPT-6 Luna $0.50 vs Claude Sonnet 5.5 $10.00, juga 20x

• Input cache per 1 juta - GPT-6 Luna $0,01 vs Claude Sonnet 5.5 $0,10; A​nthropic memotong tarif baca cache Sonnet menjadi setengah dari Sonnet 5 saat peluncuran, dan rasionya terhadap tarif cache Luna masih 10x

• Penulisan cache - GPT-6 Luna $0.125 per 1 juta, premi 1,25x pada input; Sonnet 5.5 ditagih $2.50 per 1 juta dengan konvensi 1,25x yang sama

• Jendela konteks - 1.050.000 token untuk GPT-6 Luna vs 1.000.000 untuk Claude Sonnet 5.5, dengan input yang dapat digunakan Luna dibatasi hingga 922.000

• Keluaran maksimum - 128.000 token pada keduanya

• Harga konteks panjang — Luna menetapkan ulang harga seluruh permintaan di atas 272.000 token masukan menjadi $0.20 / $0.75; kartu Sonnet 5.5 tidak memiliki lonjakan harga yang setara, yang merupakan keunggulan yang tidak mencolok pada prompt 300K token

• Modalitas masukan - teks, gambar, dan berkas pada keduanya; keduanya tidak menerima audio atau video

• Kontrol penalaran - GPT-6 Luna tidak menawarkan opsi, rendah, sedang (default), tinggi, xhigh, dan maks, serta dapat dimatikan sepenuhnya; Claude Sonnet 5.5 memiliki lima tingkat dari rendah hingga maks dengan tinggi sebagai default, dan penalaran selalu aktif

• Batas pengetahuan - 18 Mei 2026 untuk GPT-6 Luna; Anthropic tidak menerbitkan tanggal yang sebanding untuk Sonnet 5.5

• Rilis - GPT-6 Luna pada 22 September 2026; Claude Sonnet 5.5 pada 28 September 2026, berselang enam hari

• AA Intelligence Index v5.0.1 - GPT-6 Luna 28 pada upaya maksimal vs Claude Sonnet 5.5 42 pada upaya tinggi bawaannya dan 55 pada maksimal

• Waktu hingga token jawaban pertama - GPT-6 Luna 79,33 dtk vs Claude Sonnet 5.5 10,21 dtk pada board yang sama

• Biaya per tugas Intelligence Index - GPT-6 Luna $0.15 vs Claude Sonnet 5.5 $1.64

Dua puluh kali lipat harganya, sebelas kali lipat tagihannya.

Rasio harga daftar tepat 20x. Rasio yang diukur pada beban kerja nyata tidak demikian, karena biaya per tugas juga menghitung berapa banyak token yang dihabiskan setiap model untuk mencapai jawaban. Pada pengujian indeks Artificial Analysis, Luna mengonsumsi $136 token untuk menyelesaikan rangkaian uji dan Sonnet 5.5 mengonsumsi $1,268 - sekitar 9.3x. Angka per tugas Luna sebesar $0.15 dibandingkan Sonnet $1.64 adalah rasio 10.9.

Perbedaan itu menguntungkan Luna sekaligus merugikannya pada saat yang sama, tergantung pada beban kerja Anda. Luna menghasilkan banyak token penalaran untuk model murah: pada upaya maksimum, ia lebih banyak menghasilkan teks di antara keduanya per satuan skor, itulah sebabnya rasio daftar 20x terkompresi menjadi sekitar 10x pada tagihan. Pada beban kerja yang didominasi output - generasi panjang, penyuntingan kode berulang, apa pun yang menulis paragraf - kompresinya menjadi lebih buruk bagi Luna, karena tarif outputnya merupakan separuh yang mahal dari kartu harga. Pada beban kerja yang didominasi input - retrieval, pembacaan log, QA dokumen atas korpus tetap - angka 20x hampir persis bertahan, dan caching membuatnya makin baik.

Catatan aritmetika tambahan yang mengubah jawaban bagi tim yang sudah membayar harga Anthropic: Sonnet 5.5 digambarkan oleh Anthropic sebagai berbiaya hingga 30% lebih rendah per tugas daripada Sonnet 5 meskipun kartu tarifnya tidak berubah, karena membutuhkan lebih sedikit token untuk melakukan pekerjaan yang sama. Tim yang beralih dari Sonnet 5 ke Sonnet 5.5 mendapat diskon nyata tanpa mengubah daftar harga. Tim yang beralih dari Sonnet 5.5 ke Luna mendapat diskon 10x dan model yang sangat berbeda.

Ketika celah itu menjadi jurang, dan mengapa harness itu penting

Terminal-Bench 4.0 adalah pemisahan paling jelas di papan: 43,9% untuk Sonnet 5.5 versus 12,6% untuk Luna, diukur oleh evaluator yang sama dalam kondisi yang sama. Terminal-Bench-Science bahkan lebih buruk bagi Luna - 34,3% versus 8,6%. Jika pekerjaannya adalah sesi shell, sistem build, rangkaian tes yang gagal yang harus didiagnosis lintas file, diskon dua puluh kali lipat itu bukan diskon sama sekali. Luna tidak akan cukup sering menyelesaikan tugas agar harganya menjadi relevan.

Hati-hati dengan angka yang Anda kutip untuk Sonnet di sini, karena ada dua angka dan hanya satu yang sebanding. Posting peluncuran A​nthropic melaporkan 70,6% pada Terminal-Bench 4.0 - lebih dari 26 poin di atas angka yang diukur oleh dewan independen. Tidak ada angka yang tidak jujur; angka dari vendor berasal dari harness, kebijakan alat, dan scaffolding prompt milik A​nthropic sendiri, dan skor Terminal-Bench berubah cukup besar karena ketiga hal itu. Deepnote menyampaikan poin yang sama dari arah sebaliknya dalam Agent Initiative Benchmark miliknya: "hasilnya hanya mencerminkan model, bukan harness" dan prompt atau kebijakan alat yang berbeda "akan menggeser setiap angka di sini." Anggap 70,6% sebagai capaian Sonnet 5.5 dalam setup A​nthropic dan 43,9% sebagai capaiannya dalam setup pihak lain. Untuk membandingkan pilihan, gunakan angka kedua, karena Anda tidak akan menjalankan setup A​nthropic.

Kehati-hatian yang sama berlaku untuk angka vendor Luna sendiri. OpenAI melaporkan GPT-6 Luna pada upaya maksimum mencetak 66,6% pada DeepSWE v1.1, "sebanding dengan Claude Opus 5 dan Fable 5 pada upaya sedang," dengan biaya per tugas 93% hingga 96% lebih rendah. Itu adalah hasil yang dilaporkan vendor pada evaluasi yang dijalankan vendor, dan itu tidak mengatakan apa pun tentang Terminal-Bench, yang angka independennya 12,6%. Kedua kalimat menggambarkan model yang sama.

Di mana kesenjangannya menyusut menjadi kesalahan pembulatan

FrontierCode-AA 2.0 menanyakan apakah agen pengodean menghasilkan perubahan yang siap digabungkan ke repositori nyata. Luna mendapat skor 25,2. Sonnet 5.5 mendapat skor 25,7. Selisih setengah poin, dengan perbedaan harga dua puluh kali lipat, dan keduanya jauh di bawah para pemimpin pada tolok ukur di mana model yang kuat melewati 46%.

Baca itu dengan cermat sebelum menarik kesimpulan yang tampak jelas. Skor absolut yang rendah pada benchmark yang sulit berarti kedua model gagal sebagian besar waktu; ketika dua model sama-sama gagal sebagian besar waktu, selisih setengah poin sebagian besar hanyalah noise. Klaim yang berguna bukanlah "Luna menulis kode sebaik Sonnet 5.5." Klaim itu lebih sempit: pada gaya tugas ini, pada tingkat kesulitan ini, faktor dua puluh kali lipat tambahan tidak memberikan apa pun yang terukur. Jika beban kerja Anda mirip FrontierCode - suntingan mandiri pada basis kode yang diketahui, ditinjau manusia sebelum merge - Luna adalah langkah pertama yang dapat dipertahankan yang outputnya toh akan ditulis ulang oleh peninjau.

Dua ukuran lain berada di kawasan yang sama: AutomationBench-AA menempatkan Sonnet 5.5 pada 59,4% dan Luna pada 53,2%, serta GDP.pdf pada 25,2% versus 22,8%. Keduanya bukan seri, tetapi keduanya berada dalam rentang di mana prompt engineering dan pilihan alat dapat membalik urutan pada data Anda sendiri.

Dua hal di mana Luna benar-benar lebih buruk, bukan sekadar berbeda

Pengetahuan dan latensi, dan tidak satu pun dapat diperbaiki dengan pemotongan harga.

AA-Omniscience v1.1 mengukur apakah suatu model mengetahui apa yang tidak diketahuinya. Sonnet 5.5 memperoleh nilai bersih +19; Luna memperoleh nilai bersih -8. Skor bersih negatif pada evaluasi itu berarti jawaban yang dikarang model lebih sering melebihi jawaban benarnya hingga cukup untuk menyeret total di bawah nol. Itulah satu angka paling berpengaruh dalam perbandingan ini bagi siapa pun yang membangun agen yang menjawab tanpa manusia dalam alurnya, dan itulah angka yang tidak akan pernah dimunculkan oleh tolok ukur yang berfokus pada coding. Jika digabungkan dengan 38.5 Luna pada Humanity's Last Exam versus 56.0 milik Sonnet 5.5, gambarannya konsisten: Luna adalah pengikut instruksi yang kompeten dengan dasar faktual yang tipis.

Latensi adalah faktor kedua. Sonnet 5.5 mencapai token jawaban pertamanya dalam sekitar 10 detik; Luna membutuhkan sekitar 79 detik pada upaya maksimum di papan peringkat yang sama. Turunkan pengaturan upaya dan selisih itu menyempit - anggaran penalaran Luna adalah biayanya - tetapi kemudian Anda membandingkan Luna dengan upaya lebih rendah melawan Sonnet bertenaga penuh, dan selisih skornya melebar sesuai itu. Untuk produk interaktif, ini sering menjadi faktor penentu terlepas dari harga. Untuk pekerjaan batch yang berjalan semalaman, ini tidak relevan.

Satu-satunya tolok ukur di mana mereka hampir seri dalam pekerjaan nyata

Artificial Analysis mengukur model berdasarkan pertanyaan. Deepnote's Agent Initiative Benchmark mengukur model berdasarkan sebuah tugas: lima puluh situasi kerja simulasi di dalam perusahaan fiktif, di mana model membaca Slack dan memutuskan apakah perlu menyelidiki, di mana harus membalas, dan apakah perlu membalas sama sekali. Claude Sonnet 5.5 memperoleh skor 6,65 dengan biaya $0,42 per situasi dan selesai dalam 15 detik. GPT-6 Luna memperoleh skor 6,38 dengan biaya $0,0070 dan membutuhkan waktu 50 detik.

Dua hal menyusul. Perbedaan kualitas pada jenis tugas ini—seperempat poin—lebih kecil daripada interval yang dilaporkan benchmark, itulah sebabnya {{1}}Deepnote{{/1}} mengelompokkan keduanya bersama {{2}}DeepSeek V4.1 Flash{{/2}}, {{3}}Mistral Large 4{{/3}}, dan {{4}}Claude Haiku 5.5{{/4}} dalam sebuah klaster yang menurutnya "{{5}}berada dalam rentang 0,6 poin dengan interval yang saling tumpang tindih{{/5}}." Dan perbedaan biayanya adalah {{6}}60x{{/6}}, bukan {{7}}20x{{/7}}, karena {{8}}Sonnet 5.5{{/8}} menghabiskan sekitar dua puluh ribu token per situasi pada upaya tinggi, sedangkan {{9}}Luna{{/9}} menghabiskan jauh lebih sedikit.

Perbedaannya terletak pada disiplin, bukan kemampuan. Sonnet 5.5 menahan diri pada 6 dari 10 situasi yang menuntut sikap diam; Luna menahan diri pada 4. Sonnet mencatat 11 percobaan sempurna dan 7 nol dari 50; Luna mencatat 9 dan 9. Jika tugasnya adalah lebih sering benar dan diam saat tidak yakin, model mahal itu sepadan dengan biayanya. Jika tugasnya adalah membaca semuanya agar gerbang kedua yang lebih ketat dapat memutuskan apa yang akan ditampilkan, versi murah adalah satu-satunya yang sesuai anggaran.

Fitur yang benar-benar membedakan keduanya adalah tombol mati

GPT-6 Luna menerima reasoning_effort: "none". Claude Sonnet 5.5 tidak — penalaran selalu aktif di kelima levelnya, yang telah dikalibrasi ulang oleh A​nthropic relatif terhadap Sonnet 5, jadi integrasi yang diwarisi sebaiknya menyetel ulang pengaturannya alih-alih membawa pengaturan lama.

Perbedaan tunggal itu menjelaskan sebagian besar kurva biaya. Panggilan klasifikasi, keputusan perutean, ekstraksi dari skema yang sudah diketahui: tidak satu pun dari ini memerlukan jejak penalaran, dan Luna dapat diinstruksikan untuk melewatinya. Pekerjaan yang sama pada Sonnet 5.5 membayar penalaran, baik itu membantu maupun tidak. Ini juga menjelaskan batasan yang perlu diketahui sebelum Anda membangun di atasnya: pada Chat Completions, Luna hanya mendukung pemanggilan fungsi saat reasoning effort diatur ke none, sehingga apa pun yang memerlukan alat harus melalui Responses API. Sonnet 5.5 menerima alat di kedua antarmuka, melalui Messages API native atau format yang kompatibel dengan OpenAI.

API Decisions OpenAI, yang tersedia secara umum sejak 22 Oktober 2026, adalah perwujudan paling sempit dari ide yang sama: jawaban bertipe—probabilitas, pilihan, skor rubrik—dari GPT-6 Luna dan bukan dari model lain, dengan latensi sekitar sepersepuluh dari yang dilaporkan OpenAI untuk model yang sama melalui Responses. Jika pertanyaannya adalah "apakah tiket ini bertentangan dengan catatan pesanan ini," Luna kini dapat menjawab dalam bentuk aslinya tanpa menghasilkan prosa sama sekali.

Memilih di antara keduanya

• Pekerjaan terminal jangka panjang, perbaikan build, debugging multi-file - Claude Sonnet 5.5. 12,6% Luna pada Terminal-Bench 4.0 bukanlah soal anggaran.

• Apa pun yang jawaban salahnya mahal dan tidak ada yang memeriksanya - Claude Sonnet 5.5, berkat selisih Omniscience +19 versus −8.

• Antarmuka interaktif di mana 79 detik ke token pertama merupakan cacat produk - Claude Sonnet 5.5.

• Klasifikasi, ekstraksi, perutean bervolume tinggi, atau pembaca tahap pertama di depan gerbang yang lebih ketat - GPT-6 Luna, pada effort none atau low, saat tidak ada keunggulan Sonnet yang berperan.

Perubahan kode mandiri yang tetap akan dibaca oleh reviewer - GPT-6 Luna sebagai tahap pertama, Sonnet 5.5 sebagai jalur eskalasi. Selisih setengah poin FrontierCode-lah yang membuat pembagian ini dapat diperdebatkan, bukan sembrono.

Menjalankan keduanya adalah opsi yang tidak diiklankan oleh kartu tarif tetapi didukung oleh angka. Penyiapan bertingkat - Luna untuk 90% panggilan yang murah dan sempit, Sonnet 5.5 untuk 10% yang menentukan sesuatu - biayanya lebih dekat ke tagihan Luna daripada ke tagihan Sonnet sambil mempertahankan pertimbangan Sonnet di tempat yang membutuhkan pertimbangan. OrcaRouter menempatkan kedua model di balik satu kunci yang kompatibel dengan O​penAI bersama lebih dari 200 lainnya, dengan markup 0% dan harga daftar penyedia diteruskan apa adanya, sehingga rasio 20x di lembar adalah rasio 20x di faktur dan perubahan harga vendor mencapai Anda pada hari yang sama. Karena keduanya menerima format chat-completions O​penAI, pembagian bertingkat adalah aturan perutean, bukan integrasi kedua: DSL perutean mengirim permintaan ke Luna terlebih dahulu dan melakukan eskalasi berdasarkan suatu kondisi, failover otomatis menangani perlambatan penyedia, dan tidak ada perubahan kode saat model baru masuk ke katalog.

Apa yang bisa mengubah jawabannya

Posisi Luna saat ini luar biasa bergantung pada satu angka yang bergerak: batas bawah faktualnya. Rilis poin yang mengangkat AA-Omniscience dari negatif menjadi positif akan menghapus argumen terkuat untuk membayar dua puluh kali lebih banyak, karena kesenjangan pekerjaan terminal dan latensi bersifat spesifik per beban kerja sementara model yang mengarang fakta menjadi liabilitas di mana-mana. Sebaliknya, pemotongan harga Sonnet 5.5 - jenis yang pernah dilakukan A​nthropic sebelumnya, dan yang akan diteruskan segera oleh router bermarkup 0% - akan mempersempit rasio cukup untuk membuat pertanyaan tiering menjadi tidak relevan bagi banyak tim.

Tanpa keduanya, ringkasan jujurnya adalah bahwa ini bukan pengganti. GPT-6 Luna adalah pembaca yang murah, cepat merespons prompt, minim fakta, dengan sakelar yang mematikan proses berpikir. Claude Sonnet 5.5 adalah penulis yang lambat memulai, mahal, andal, yang selalu berpikir. Kesalahannya adalah menganggap 20x sebagai putusan. Itu adalah anggaran untuk bagian-bagian pekerjaan yang perbedaannya tidak muncul - dan margin setengah poin FrontierCode adalah pengingat bahwa sebagian bagian itu lebih besar daripada yang disiratkan pemasaran.