GPT-6 Lunaは1スレッド0.007ドルでSlackを読む：その数字が隠しているもの

0.7セント。Deepnote ResearchのAgent Initiative BenchmarkがGPT-6 Lunaの平均コストとして記録したのは、模擬企業内の職場状況1件を処理する——メッセージを読み、誰かに何かを伝える必要があるかどうかを判断し、適切なチャネルで返信する——のに要する金額だった。Claude Fable 5.1は、同じ50の状況で、同じツールと同じ180秒の応答予算を用いた場合、1.1ポイント高いスコアを出すのに平均3.02ドルかかった。10点満点で6.38対7.50である。ベンチマーク自身のレポートは両モデルを「価格が430倍離れている」と評しており、計算も合う。3.02ドルを0.0070ドルで割ると431になる。

GPT-6 Lunaは2026年9月22日から一般提供されており、その比較は11月13日に「安価なモデルが高価なモデルに追いついた」という話としてタイムラインで広まった。それはそれよりも興味深い話であり、見出しにとっては少しばかり都合の悪い話でもある。その表のLuna自身の行には、10点満点中10点を獲得した9回の実行と、0点だった9回が含まれている。プロアクティブエージェントの購入が難しい理由は平均ではなく、ゼロにあるのだ。

ベンチマークが実際に実行したもの

Agent Initiativeは、もう一つの静的な問題集ではありません。DeepnoteはPageMantleという架空のソフトウェア企業を作り上げました。従業員71人、エンタープライズ顧客100社、6年分の接続された記録、Slack、Notion、Linear、HubSpot、Stripe、PostHog、BigQuery、Snowflakeを含む11のサービスにまたがる約10 GBのデータです。そしてそこへ、12のフロンティアモデルをROM専として投入しました。各モデルには同じ指示、同じツールアクセス、同じ企業スナップショット、同じ時間予算が与えられました。課題は、新しいSlackメッセージを読み、調査すべきか、どこで回答すべきか、そもそも回答すべきかどうかを判断することでした。

パネルは小さく、意図的に扱いにくくなっています：

• 8つのタスクタイプにまたがる50の状況 - 分析（8）、検証（7）、調整、説明、診断、決定、ガード（各6）、および発見（5）。

• 50のうち40はメッセージを送る必要があり、10は沈黙が正しい対応となる罠だった。

• どのモデルがその実行を生成したかを知らない2名のLLM審査員が、介入、根拠、トーン、オーディエンスの位置づけについて0～10で採点する。

• すべてのモデルを高い推論努力で実行し、ツールの実行時間は180秒の制限時間から除外します。

• 6つのラボの12モデル、合計600回の実行、タスクブートストラップ再サンプリングによる95%区間付き。

その設計上の選択——40件のヘルプケース対10件の沈黙ケース——こそが、チャットベンチマークでは決して起きない形でこの表がモデルを区別する理由です。常時稼働エージェントが一日中行うことの大半は、話さないという決定であり、それを評価する公開ベンチマークはほとんどありません。

ルナの行を完全に

GPT-6 Lunaは12体中7位で6.38だった。必要な40の状況のうち38でメッセージを送信し、これはClaude Sonnet 5.5の37より高い成功率で、50秒で13.7回のツール呼び出しを使って達成した。タスクあたりのコスト0.0070ドルは、DeepSeek V4.1 Flashの0.026ドルに対して約4分の1、Claude Sonnet 5.5の0.42ドルに対して60分の1で、参加モデル中で最低だ。

重要なのは、Deepnote が「Tens / zeros」と呼ぶ列です。最高スコアの 8.97 を記録した GPT-6 Astra は、26 回の完璧な実行と 2 回のゼロを記録しました。Claude Opus 5.5 は 14 回と 2 回。Luna は 9 回と 9 回でした。ゼロとは、エージェントが話すべきときに一度も話さなかったか、誤読した状況に向かって話したかのどちらかを意味するベンチマークでは、Luna は 5 回に 1 回の実行が無駄だったのに対し、上位 2 モデルでは 25 回に 1 回でした。50 タスクで平均すると、半分の時間は優秀で残り半分は不在のエージェントは B マイナスに見えます。実際のチームの Slack に導入すると、天才か無口かのどちらかで、どちらになるか誰にも予測できない同僚のように見えるのです。

計算式を示した430xの見出し

その数字は本物であり、しかも、率直に述べておく価値のある2つの理由から、利用できる中で最も有利な言い方でもある。

まず、Claude Fable 5.1 は Anthropic の現行モデルではありません。Claude Fable 5.2 が現行モデルであり、同じベンチマークで 1 タスクあたり 1.87 ドルのコストで 8.17 を記録しました。後継モデルと比べると、GPT-6 Luna は 267 倍安価で、1.79 ポイント下回っています。これは引用しやすい文ではありませんが、より意思決定に直結する文です。なぜなら、今週モデルを選ぶ人で、何らかの理由がない限り Fable 5.1 を選ぶ人はいないからです。

第二に、1.1ポイントの差は50タスクにわたる点推定値である。Deepnoteは、自社の表の中段にある複数のモデルが重複する区間内に位置すると明言しており、Claude Sonnet 5.5、GPT-6 Luna、DeepSeek V4.1 Flash、Mistral Large 4、Claude Haiku 5.5を互いに0.6ポイント以内のクラスターとして挙げ、将来のバージョンではより大規模なタスクセットを計画している。Luna対Fable 5.1の組について正直に読み取れるのは、価格差は有効数字3桁まで測られている一方、品質差はおおよそ1桁までしか測られていないということだ。「わずか1.1ポイント遅れているだけ」と、あたかもその小数が意味を持つかのように引用する人は、スコアではなく区間を引用しているのである。

誰も引用しない数字：10人中4人

沈黙が正解だったとき、この分野の中央値モデルは10回中6回控えた。GPT-6 Lunaは4回控えた。記録がすでにその件は処理済みだと示していた10の状況のうち6つで、それは介入した。そしてDeepnoteが指摘するように、それらの介入はでたらめではなかった。正確で、適切な位置にあり、そして不要だった。メッセージだけを読む品質チェックでは、その失敗を決して捉えられない。ユーザー満足度調査でも同様だ。なぜなら、真実を告げられて不満を言う人はいないからだ。

それでも、ベンチマークはそれにコストを課している。パネル全体では、メッセージが必要な場面で黙っている場合に比べ、場違いに発言することのコストは約1.8倍だった。すべてのスレッドを読むことを前提とするSlackエージェントにとって、失敗の形は、訂正される誤った回答ではない。それはチャネルのゆっくりとした侵食だ。チームが、ボットのメッセージの3分の1はノイズだと一度学んでしまえば、どれも読まなくなり、正しいメッセージの価値もそれとともにゼロになる。

報告書には、より目立たない第二の失敗がある。データアクセス業務で、Luna はアクセス管理者が後任者に引き継いだことを裏付ける記録を見つけながら、それでもその従業員を前任の管理者に案内してしまった。正しい証拠を読んで誤った結論を導くことは、証拠を見落とすこととは別種の欠陥であり、検索品質の修正をしても残るのはこちらである。

なぜ1セントの10分の7が、請求額だけでなく設計まで変えるのか

トークンあたりのコストはこの判断には不適切な単位だ。なぜなら、プロアクティブなエージェントのコストは、尋ねられる質問の数ではなく、触れるスレッドの数に比例するからだ。Deepnote自身のチャートはその点を具体的に示している。GPT-6 Lunaでは1,000タスクあたり7ドルなのに対し、Claude Fable 5.1では1,000あたり3,020ドルだ。月2,500スレッドという、ベンチマークがSolとFable 5.2に用いているのと同じ数値では、Lunaの請求額は約17.50ドルになる。

その数字は、あなたが作るものを変えてしまうほど小さい。1回の読み取りに3ドルかかるなら、プロアクティブなエージェントは動き出す前に選別せざるを得ない——どのチャネルを監視する価値があるかを誰かが決める必要があり、それはまさにモデルが下すはずだった判断だ。1回の読み取りが1セント未満なら、すべてを監視して、トリアージをモデルに任せられる。それがピッチと一致する唯一の製品版だ。

さらに二回目の処理も可能になる。GPT-6 Luna を全2,500スレッドに対して約17.50ドルで実行し、曖昧に見える50件にフラグを付け、それらを1件0.42ドルの Claude Sonnet 5.5 に送る。追加で21ドル、合計は月額約39ドルだ。同じ範囲をすべて Fable 5.1 で行う版は7,550ドルかかる。そのハイブリッドが実際に Luna 単体を上回るかは未検証だ——ベンチマークが実行したのはモデルであり、ハーネスではない。Deepnote も制約事項でそう述べている——だが、この計算があるからこそ、この実験は実行できるほど手頃になる。

配管資材が3週間早く到着した

呼び出しごとの安価な読み取りは、常時稼働するエージェントに必要なものの半分にすぎず、残りの半分は狭い質問をするための安価な手段です。2026年10月22日、OpenAIはDecisions APIをベータ版から正式提供し、それをサポートするモデルはGPT-6 Lunaのみです。このエンドポイントは文章ではなく型付きの回答、すなわち条件が真である確率、固定リストからの選択、または順序付けられたレベルに対するスコアを返し、OpenAIは同じモデルにResponses API経由で問い合わせる場合と比べて約10倍高速だと主張しています。

Slackウォッチャーにとって、それは正しい形だ。「このスレッドは固定メッセージのリリース日と矛盾するか？」は述語であり、段落ではない。一般提供のリリースにより、1リクエストあたりの質問数の上限が400に引き上げられ、共有コンテキスト用のプロンプトキャッシュが追加され、個々の質問の指示内で画像が許可され、input_jsonコンテンツパートを通じて構造化データを直接受け入れられるようになった。1回の呼び出しで、一度に1メッセージずつではなく、固定された証拠セットに対してチャネルアクティビティ全体の1日分を評価できるようになった。

設計の前提にする前に知っておくべき点として、新しいキャッシュは送信する共有エビデンスに適用され、Luna の料金表には適用されません。また、モデル自体の制限も引き続き適用されます。コンテキストウィンドウは 1,050,000 トークン、最大入力は 922,000、出力は 128,000、知識カットオフは 2026 年 5 月 18 日です。Chat Completions での関数呼び出しは reasoning effort を none に設定した場合にのみ機能し、組み込みツールを使うものはすべて Responses API を経由する必要があります。

証拠が止まるところ

このベンチマークは、自らの限界について異例なほど率直であり、モデルを実際のチームに導入しようとしている人にとって、その点は重要だ。

• タスクは50件で、カテゴリによっては5～8件しか含まれないため、カテゴリ別のランキングは順序付けというよりも傾向を示すものです。

• チームメイトが決して返信しない固定された企業スナップショットで、1か月かけて文脈を積み上げるのではなく、単一の貢献を測定するもの。

• エフォートレベルは1つだけです。すべてのモデルは high で実行され、より低い設定とより高い設定はテストされていません。また、Luna のデフォルトは high ではなく medium です。

• Slack のみ。メール、ドキュメント、およびメッセージ送信以外の操作は対象外です。

• 過去のコストであり、リアルタイムの見積もりではありません。タスクごとの数値は実行時の観測値であるため、ベンダーの価格変更によって変動します。

• ルーターはテストされていません。Deepnote は、そのルーティングに関する助言がモデルの結果から外挿された設計上の推奨事項であることを明言しています。

その表と独立した速度測定の間にも緊張関係があります。Deepnoteは高エフォート設定でLunaを1状況あたり50秒と計測しました。Artificial Analysisは最大エフォートで実行し、最初の回答トークンまでの時間を79.33秒と測定しました。これは同価格帯の中央値より1桁悪い値です。両方の数値は異なる設定で異なるものを測っているため、どちらも真であり得ますが、この組み合わせは警告になります。常時稼働エージェントの知覚レイテンシはエフォートのダイヤルで決まり、ゼロを追ってそれを上げると、ドルを犠牲にする前に秒を犠牲にします。

この価格でリーダーを導入する

このベンチマークの実用版は二段構えのパイプラインであり、価格差がスコア差よりも重要な理由がそこにある。GPT-6 Luna が低～中程度のエフォートで読み込みを担当する——すべてのスレッド、すべてのチャネル、Decisions API 経由で入力された判断を。それらの判断に対するしきい値によって、曖昧なケースがより強力なモデルへエスカレーションされる。すると高価なモデルは月に数千件ではなく数十件のスレッドを処理するようになり、そのコストは予算項目ではなくなる。

両方のティアが1つのキーの背後にあれば、そのパイプラインの実行はより簡単になります。OrcaRouterはGPT-6 Luna、Claude Sonnet 5.5、Claude Fable 5.2、および200を超える他のモデルを単一のOpenAI互換エンドポイント経由で、0%のマークアップで提供します（プロバイダーの定価をそのまま適用）。そのため、ベンダーの値下げは、リセラーが価格を改定するのを待つのではなく、当日中にこちら側へ反映されます。ルーティングDSLはティアを1回の呼び出しにまとめ（安価な最初のパス、条件に応じてエスカレーション）、自動フェイルオーバーはプロバイダーが劣化した場合でもウォッチャーを稼働させ続け、モデルフュージョンは、単一の分類を1つのモデルに任せるには重大すぎる場合に、パネルが共同で回答できるようにします。これらのいずれも上記の数値を変えるものではなく、それらの間の統合作業を取り除くだけです。

この数字を動かすには何が必要でしょうか

この記事を陳腐化させるものは2つある。GPT-6 Lunaの後継モデルか、同じベンチマークをより大きなタスクセットで独立に再実行した2回目の結果だ。1つ目はO​penAIの予定次第だ。2つ目はすでに約束されている——Deepnoteは、50タスクのパネルが次バージョンでより大きなサンプルに置き換えられると述べており、その著者たちは現在の表はランキングではなく最初の測定結果として読むべきだと明言している。

それまでは、擁護可能な結論はタイムライン版より狭く、より有用だ。GPT-6 Luna は、先回りするエージェントが「見るべきかどうか」を間違えても許容できるほど安価な最初のモデルであり、これは実際の閾値だ——自社をサンプリングする製品と、自社を読み取る製品の違いである。ただし、話すべきかどうかを間違えてもよいほど信頼できるわけではない。10回中4回の沈黙スコアは、表の中で設計の軸にすべき部分だ。読み取りは安く保ち、書き込みはゲート付きに保ち、割り込むかどうかの判断が実際に行われる場所に高価なモデルを置く。