GPT-6 Luna vs Claude Sonnet 5.5: due divari, non uno

Metti GPT-6 Luna e Claude Sonnet 5.5 sullo stesso listino prezzi e il rapporto è imbarazzante: 0,10 $ contro 2,00 $ per milione di token in input, 0,50 $ contro 10,00 $ per milione in output. Mettili sulla stessa valutazione e il divario appare completamente diverso a seconda della valutazione che scegli. Nell'Intelligence Index di Artificial Analysis, Sonnet 5.5 alla massima intensità ottiene 55 e Luna alla massima intensità ottiene 28 - una differenza di 27 punti su una classifica in cui la vetta del settore si colloca nei cinquanta. Su FrontierCode-AA 2.0, gli stessi due modelli ottengono 25,7 e 25,2. Non è un divario. È un pareggio.

Entrambe le letture sono corrette, e il motivo per cui coesistono è ciò che vale la pena capire prima di scegliere. Luna non è un modello uniformemente più debole venduto a un ventesimo del prezzo. È un modello con una forma specifica: competitivo nella generazione di diff di codice, molto indietro sul lavoro da terminale, sul ragionamento scientifico e sulla prudenza fattuale, e circa un ordine di grandezza più lento a produrre il suo primo token. Sonnet 5.5 è la forma opposta: coerente, rapido ad avviarsi e abbastanza costoso che una flotta di questi modelli richiede un business case.

Le due schede tecniche, dimensione per dimensione

• Prezzo di input per 1M: GPT-6 Luna $0,10 vs Claude Sonnet 5.5 $2,00, un rapporto di 20x

• Prezzo dell'output per 1M - GPT-6 Luna $0.50 vs Claude Sonnet 5.5 $10.00, anche 20x

• Input in cache per 1M - GPT-6 Luna $0,01 vs Claude Sonnet 5.5 $0,10; A​nthropic ha dimezzato la tariffa di lettura dalla cache di Sonnet rispetto a quella di Sonnet 5 al lancio, e il rapporto con la tariffa in cache di Luna è ancora 10x

• Scritture in cache: GPT-6 Luna 0,125 $ per 1M, un premio di 1,25x sull'input; Sonnet 5.5 viene fatturato a 2,50 $ per 1M con la stessa convenzione di 1,25x

• Finestra di contesto: 1.050.000 token per GPT-6 Luna rispetto a 1.000.000 per Claude Sonnet 5.5, con l'input utilizzabile di Luna limitato a 922.000

• Output massimo - 128.000 token su entrambi

• Prezzi per contesto lungo: Luna ridetermina il prezzo dell'intera richiesta oltre 272.000 token di input a $0,20 / $0,75; la scheda di Sonnet 5.5 non presenta un salto equivalente, il che è un vantaggio silenzioso sui prompt da 300K token

Modalità di input: testo, immagine e file su entrambi; nessuno dei due accetta audio o video

• Controllo del ragionamento: GPT-6 Luna non prevede nessuno, basso, medio (predefinito), alto, xhigh e max, e può essere disattivato del tutto; Claude Sonnet 5.5 dispone di cinque livelli da basso a max, con alto come predefinito, e il ragionamento è sempre attivo

• Data limite delle conoscenze: 18 maggio 2026 per GPT-6 Luna; A​nthropic non pubblica una data comparabile per Sonnet 5.5

• Rilascio - GPT-6 Luna il 22 settembre 2026; Claude Sonnet 5.5 il 28 settembre 2026, a sei giorni di distanza

• Indice di intelligenza AA v5.0.1 - GPT-6 Luna 28 con impegno massimo vs Claude Sonnet 5.5 42 con il suo impegno alto predefinito e 55 al massimo

• Tempo al primo token di risposta: GPT-6 Luna 79,33 s vs Claude Sonnet 5.5 10,21 s sulla stessa scheda

• Costo per attività dell'Intelligence Index - GPT-6 Luna $0,15 vs Claude Sonnet 5.5 $1,64

Venti volte il prezzo, undici volte la bolletta

Il rapporto tra i prezzi di listino è un netto 20x. Il rapporto misurato su un carico di lavoro reale non lo è, perché il costo per attività conta anche quanti token ciascun modello spende per arrivare a una risposta. Nell'esecuzione dell'indice di Artificial Analysis, Luna ha consumato $136 di token per completare la suite e Sonnet 5.5 ha consumato $1.268, circa 9,3x. La cifra per attività di Luna di $0,15 rispetto a quella di Sonnet di $1,64 è un rapporto di 10,9.

Quel divario gioca a favore di Luna e al tempo stesso contro di essa, a seconda del carico di lavoro. Luna emette molti token di ragionamento per un modello economico: allo sforzo massimo è il più loquace dei due per unità di punteggio, ed è per questo che il rapporto di listino di 20x si comprime a circa 10x in fattura. Su un carico in cui domina l'output - generazioni lunghe, modifiche iterative al codice, qualsiasi cosa che scriva paragrafi - la compressione peggiora per Luna, perché la sua tariffa di output è la metà costosa della scheda. Su un carico in cui domina l'input - retrieval, lettura di log, QA documentale su un corpus fisso - il 20x regge quasi esattamente, e la cache lo migliora ulteriormente.

Un'altra nota aritmetica che cambia la risposta per un team che paga già i prezzi di A​nthropic: Sonnet 5.5 è descritto da A​nthropic come un modello che costa fino al 30% in meno per attività rispetto a Sonnet 5, nonostante un tariffario invariato, perché richiede meno token per svolgere lo stesso lavoro. Un team che passa da Sonnet 5 a Sonnet 5.5 ottiene uno sconto reale senza cambiare un listino prezzi. Un team che passa da Sonnet 5.5 a Luna ottiene uno sconto di 10 volte e un modello molto diverso.

Dove il divario è un abisso, e perché l’imbracatura conta

Terminal-Bench 4.0 è la separazione più netta nella classifica: 43,9% per Sonnet 5.5 contro 12,6% per Luna, misurato dallo stesso valutatore nelle stesse condizioni. Terminal-Bench-Science va ancora peggio per Luna: 34,3% contro 8,6%. Se il lavoro è una sessione shell, un sistema di build, una suite di test fallita che deve essere diagnosticata attraverso più file, lo sconto di venti volte non è affatto uno sconto. Luna non completerà il compito abbastanza spesso perché il prezzo conti.

Attenzione ai numeri che citi per Sonnet qui, perché ce ne sono due e solo uno è confrontabile. Il post di lancio di Anthropic riporta 70,6% su Terminal-Bench 4.0 - più di 26 punti sopra quanto misurato dal board indipendente. Nessuna delle due cifre è disonesta; il numero del fornitore proviene dall'harness, dalla politica degli strumenti e dallo scaffolding dei prompt di Anthropic stesso, e i punteggi di Terminal-Bench variano sostanzialmente con tutti e tre. Deepnote ha sostenuto lo stesso punto dalla direzione opposta nel suo Agent Initiative Benchmark: "i risultati riflettono solo i modelli, non l'harness" e un prompt o una politica degli strumenti diversi "farà cambiare ogni numero qui". Considera 70,6% come ciò che Sonnet 5.5 raggiunge nella configurazione di Anthropic e 43,9% come ciò che raggiunge in quella di qualcun altro. Per confrontare le alternative, è il secondo che devi usare, perché non eseguirai la configurazione di Anthropic.

La stessa cautela vale per i numeri del fornitore di Luna stessa. OpenAI riporta che GPT-6 Luna, con il livello di effort massimo, ottiene il 66,6% su DeepSWE v1.1, «paragonabile a Claude Opus 5 e Fable 5 con effort medio», a un costo per attività inferiore del 93%-96%. Si tratta di un risultato dichiarato dal fornitore su una valutazione eseguita dal fornitore, e non dice nulla su Terminal-Bench, dove il numero indipendente è 12,6%. Entrambe le frasi descrivono lo stesso modello.

Dove il divario si riduce a un errore di arrotondamento

FrontierCode-AA 2.0 chiede se un agente di coding produce una modifica pronta per il merge in un repository reale. Luna ottiene 25,2. Sonnet 5.5 ottiene 25,7. Mezzo punto, su una differenza di prezzo di venti volte, ed entrambi ben al di sotto dei leader in un benchmark in cui un modello forte supera il 46%.

Leggilo attentamente prima di trarre la conclusione ovvia. Un punteggio assoluto basso su un benchmark difficile significa che entrambi i modelli falliscono la maggior parte delle volte; quando due modelli falliscono entrambi la maggior parte delle volte, una differenza di mezzo punto è soprattutto rumore. L'affermazione utile non è "Luna programma bene quanto Sonnet 5.5". È più ristretta: su questo stile di attività, a questa difficoltà, il costo venti volte superiore non compra nulla di misurabile. Se il tuo carico di lavoro assomiglia a FrontierCode - modifiche autonome a una codebase nota, riviste da una persona prima del merge - Luna è una prima passata difendibile il cui output un revisore avrebbe comunque riscritto.

Altre due misure si collocano nella stessa fascia: AutomationBench-AA pone Sonnet 5.5 al 59,4% e Luna al 53,2%, e GDP.pdf al 25,2% contro 22,8%. Nessuna delle due è un pareggio, ma entrambe rientrano nell'intervallo in cui il prompt engineering e la scelta degli strumenti possono invertire l'ordine sui tuoi dati.

I due punti in cui Luna è davvero peggiore, non solo diversa

Conoscenza e latenza, e nessuna delle due si può risolvere con un taglio di prezzo.

AA-Omniscience v1.1 misura se un modello sa ciò che non sa. Sonnet 5.5 registra un saldo netto di +19; Luna di -8. Un punteggio netto negativo su quella valutazione significa che le risposte inventate dal modello superano quelle corrette abbastanza spesso da trascinare il totale sotto zero. È il numero più rilevante in questo confronto per chiunque costruisca un agente che risponde senza intervento umano, ed è il numero che un benchmark incentrato sulla programmazione non farà mai emergere. Combinato con il 38,5 di Luna su Humanity's Last Exam contro il 56,0 di Sonnet 5.5, il quadro è coerente: Luna è un competente esecutore di istruzioni con una fragile base fattuale.

La latenza è il secondo fattore. Sonnet 5.5 raggiunge il primo token di risposta in circa 10 secondi; Luna impiega circa 79 con lo sforzo massimo sulla stessa scheda. Riduci la manopola dello sforzo e quel divario si restringe - il budget di ragionamento di Luna è il costo - ma allora stai confrontando una Luna a sforzo inferiore con un Sonnet a piena potenza, e il divario nel punteggio si allarga di conseguenza. Per un prodotto interattivo, questo è spesso il fattore decisivo indipendentemente dal prezzo. Per un processo batch che gira durante la notte, è irrilevante.

L'unico benchmark in cui sono quasi alla pari su un lavoro reale

Artificial Analysis misura i modelli sulle domande. Il Deepnote's Agent Initiative Benchmark li misura su un compito: cinquanta situazioni lavorative simulate all'interno di un'azienda fittizia, in cui il modello legge Slack e decide se indagare, dove rispondere e se rispondere del tutto. Claude Sonnet 5.5 ha ottenuto un punteggio di 6,65 a 0,42 $ per situazione e ha terminato in 15 secondi. GPT-6 Luna ha ottenuto 6,38 a 0,0070 $ e ha impiegato 50 secondi.

Seguono due cose. La differenza di qualità su questo tipo di attività — un quarto di punto — è inferiore all’intervallo riportato dal benchmark, ed è per questo che Deepnote raggruppa i due con DeepSeek V4.1 Flash, Mistral Large 4 e Claude Haiku 5.5 in un cluster che, secondo quanto afferma, "si colloca entro 0,6 punti con intervalli sovrapposti". E la differenza di costo è di 60x, non 20x, perché Sonnet 5.5 spende circa ventimila token per situazione a sforzo elevato mentre Luna ne spende molti meno.

La differenza sta nella disciplina più che nella capacità. Sonnet 5.5 si è trattenuto in 6 delle 10 situazioni che richiedevano silenzio; Luna si è trattenuta in 4. Sonnet ha registrato 11 esecuzioni perfette e 7 zeri su 50; Luna ne ha registrate 9 e 9. Se il compito è avere ragione più spesso e tacere quando non si è sicuri, il modello costoso vale i suoi soldi. Se il compito è leggere tutto affinché un secondo filtro più severo possa decidere cosa far emergere, quello economico è l'unica versione che rientra nel budget.

La caratteristica che li distingue davvero è un interruttore di spegnimento

GPT-6 Luna accetta reasoning_effort: "none". Claude Sonnet 5.5 non lo accetta: il reasoning è sempre attivo su tutti e cinque i suoi livelli, che Anthropic ha ricalibrato rispetto a Sonnet 5, quindi un'integrazione ereditata dovrebbe ritarare la propria impostazione anziché trascinarsi dietro quella vecchia.

Quella singola differenza spiega gran parte della curva dei costi. Una chiamata di classificazione, una decisione di routing, un'estrazione da uno schema noto: nessuna di queste richiede una traccia di ragionamento, e a Luna si può dire di saltarla. Lo stesso lavoro su Sonnet 5.5 paga il ragionamento che aiuti o meno. Spiega anche un limite che vale la pena conoscere prima di costruirci sopra: su Chat Completions, Luna supporta il function calling solo quando il reasoning effort è impostato su none, quindi qualsiasi cosa richieda strumenti deve passare attraverso la Responses API. Sonnet 5.5 accetta strumenti su entrambe le superfici, tramite l'API Messages nativa o il formato compatibile con O​penAI.

L'API Decisions di O​penAI, disponibile generalmente dal 22 ottobre 2026, è l'espressione più ristretta della stessa idea: risposte tipizzate - una probabilità, una scelta, un punteggio di rubrica - da GPT-6 Luna e da nessun altro modello, a circa un decimo della latenza che O​penAI riporta per lo stesso modello tramite Responses. Se la domanda è "questo ticket contraddice questo record d'ordine", Luna può ora rispondere nella sua forma nativa senza generare affatto prosa.

Scegliere tra loro

• Lavoro prolungato al terminale, riparazione delle build, debug multi-file - Claude Sonnet 5.5. Il 12,6% di Luna su Terminal-Bench 4.0 non è una questione di budget.

• Qualsiasi cosa in cui una risposta sbagliata costa cara e nessuno la controlla - Claude Sonnet 5.5, in virtù del divario +19 contro −8 di Omniscience.

• Superfici interattive in cui 79 secondi al primo token rappresentano un difetto di prodotto - Claude Sonnet 5.5.

• Classificazione, estrazione o instradamento ad alto volume, oppure un lettore di prima passata davanti a un filtro più rigoroso - GPT-6 Luna, con effort none o low, dove nessuno dei vantaggi di Sonnet entra in gioco.

• {{1}}Modifiche al codice autoconclusive che un revisore leggerà comunque{{/1}} - GPT-6 Luna come prima passata, Sonnet 5.5 come percorso di escalation. La differenza di mezzo punto di FrontierCode è ciò che rende la suddivisione discutibile anziché imprudente.

Eseguirli entrambi è l'opzione che i listini non pubblicizzano ma che i numeri supportano. Una configurazione a livelli - Luna per il 90% delle chiamate che sono economiche e mirate, Sonnet 5.5 per il 10% che decide qualcosa - costa più vicino alla fattura di Luna che a quella di Sonnet, mantenendo il giudizio di Sonnet dove il giudizio conta. OrcaRouter mette entrambi i modelli dietro un'unica chiave compatibile con O​penAI insieme a più di 200 altri, con markup allo 0% e prezzo di listino del provider trasferito, quindi il rapporto 20x sul prospetto è il rapporto 20x in fattura e una variazione di prezzo del fornitore ti raggiunge lo stesso giorno. Poiché entrambi accettano il formato chat-completions di O​penAI, la suddivisione a livelli è una regola di routing anziché una seconda integrazione: il DSL di routing invia prima una richiesta a Luna e la inoltra a un livello superiore al verificarsi di una condizione, il failover automatico copre un rallentamento del provider e non servono modifiche al codice quando un nuovo modello arriva nel catalogo.

Cosa cambierebbe la risposta

La posizione attuale di Luna dipende insolitamente dal movimento di un solo numero: la sua soglia fattuale. Una point release che porti AA-Omniscience da negativo a positivo rimuoverebbe l'argomento più forte a favore del pagare venti volte tanto, perché i divari nel lavoro da terminale e nella latenza sono specifici del carico di lavoro, mentre un modello che inventa fatti è un rischio ovunque. Al contrario, un taglio di prezzo di Sonnet 5.5 — del tipo che Anthropic ha già fatto in passato, e che un router con markup dello 0% trasferirebbe immediatamente — ridurrebbe il rapporto abbastanza da rendere irrilevante la questione dei livelli per molti team.

In assenza di entrambi, il riassunto onesto è che non sono sostituti. GPT-6 Luna è un lettore economico, rapido da istruire e povero di fatti, con un interruttore che disattiva il pensiero. Claude Sonnet 5.5 è uno scrittore lento a partire, costoso e affidabile, che pensa sempre. L'errore è trattare il 20x come un verdetto. È un budget per le parti del lavoro in cui la differenza non emerge — e il margine di mezzo punto di FrontierCode è il promemoria che alcune di quelle parti sono più grandi di quanto il marketing suggerisca.