GPT-6 Luna vs Claude Sonnet 5.5：2つのギャップ、1つではない

GPT-6 LunaとClaude Sonnet 5.5を同じ価格表に並べると、その比率は恥ずかしいほどだ。入力トークン100万あたり$0.10対$2.00、出力トークン100万あたり$0.50対$10.00。同じ評価に載せると、選ぶ評価によって差はまったく違って見える。Artificial AnalysisのIntelligence Indexでは、最大エフォートのSonnet 5.5が55点、最大エフォートのLunaが28点——トップ集団が50点台に位置するボード上での27点差だ。FrontierCode-AA 2.0では、同じ2モデルが25.7と25.2。それは差ではない。引き分けだ。

どちらの読み方も正しく、それらが共存する理由こそ、選ぶ前に理解する価値があることだ。Luna は価格が20分の1で売られている、一様に弱いモデルではない。それは特定の特性を持つモデルだ。コード差分生成では競争力がある一方、ターミナル作業、科学的推論、事実に基づく抑制では大きく劣り、最初のトークンを生成するまでがおよそ一桁遅い。Sonnet 5.5 は正反対の特性で、安定しており、開始が速く、多数を導入するにはビジネスケースが必要なほど高価だ。

2つの仕様書を、項目ごとに

• 100万トークンあたりの入力価格 - GPT-6 Luna $0.10 対 Claude Sonnet 5.5 $2.00、20倍の比率

• 出力価格（100万トークンあたり） - GPT-6 Luna $0.50 対 Claude Sonnet 5.5 $10.00、さらに20倍

• 100万トークンあたりのキャッシュ入力 – GPT-6 Luna $0.01 対 Claude Sonnet 5.5 $0.10。AnthropicはSonnetのキャッシュ読み取り単価を、ローンチ時にSonnet 5の半分に引き下げたが、Lunaのキャッシュ単価に対する比率は依然として10倍だ。

• キャッシュ書き込み - GPT-6 Luna は100万あたり $0.125、入力に対して1.25倍のプレミアム。Sonnet 5.5 は同じ1.25倍の方式で100万あたり $2.50 で課金されます

• コンテキストウィンドウ - GPT-6 Lunaは1,050,000トークン、Claude Sonnet 5.5は1,000,000トークンで、Lunaの使用可能な入力は922,000トークンに上限が設定されています

• 最大出力 - 両方とも128,000トークン

• 長文コンテキスト料金 - Lunaは272,000入力トークンを超えるとリクエスト全体を$0.20 / $0.75に再価格設定する。Sonnet 5.5のカードには同等の崖がなく、これは30万トークンのプロンプトにおける静かな優位性である

• 入力モダリティ - 両方ともテキスト、画像、ファイルに対応。どちらも音声や動画は受け付けません

• 推論制御 - GPT-6 Luna には none、low、medium（デフォルト）、high、xhigh、max が用意され、完全にオフにすることも可能です。Claude Sonnet 5.5 には low から max までの5段階があり、high がデフォルトで、推論は常に有効です

• 知識カットオフ - GPT-6 Lunaは2026年5月18日、A​nthropicはSonnet 5.5について比較可能な日付を公表していない

• リリース - 2026年9月22日にGPT-6 Luna、2026年9月28日にClaude Sonnet 5.5、わずか6日違い

• AA Intelligence Index v5.0.1 - GPT-6 Luna 28（最大エフォート時）対 Claude Sonnet 5.5 42（デフォルトの高エフォート時）および55（最大エフォート時）

• 最初の回答トークンまでの時間 - 同じボードで GPT-6 Luna 79.33 秒 対 Claude Sonnet 5.5 10.21 秒

• Intelligence Indexタスクあたりのコスト - GPT-6 Luna $0.15 対 Claude Sonnet 5.5 $1.64

価格は20倍、請求額は11倍

定価ベースの比率はきれいに20倍だ。実際のワークロードで測定した比率はそうならない。タスクあたりのコストには、各モデルが回答に至るまでに消費するトークン数も含まれるからだ。Artificial Analysisのインデックス実行では、Lunaはスイートを完了するのに136ドル分のトークンを消費し、Sonnet 5.5は1,268ドル分を消費した——約9.3倍だ。Lunaのタスクあたり0.15ドルに対しSonnetは1.64ドルで、比率は10.9になる。

その違いはワークロード次第で、同時にLunaに有利にも不利にも働きます。Lunaは安価なモデルとしては推論トークンを大量に出力します。最大エフォートでは、スコア1単位あたりで2つのうちより冗長な方であり、そのためリスト上の20倍という比率が請求額では約10倍に圧縮されます。出力が支配的なワークロード——長い生成、反復的なコード編集、段落を書くようなあらゆる作業——では、Lunaにとって圧縮はさらに悪化します。なぜなら、その出力レートは料金表の高コスト側だからです。入力が支配的なワークロード——検索、ログ読み取り、固定コーパスに対する文書QA——では、20倍はほぼ正確に保たれ、キャッシュによってさらに良くなります。

すでにAnthropicの価格を支払っているチームにとって答えを変える、もう一つの計算上の注記：Sonnet 5.5は、料金表が変わらないにもかかわらず、同じ作業をするのに必要なトークン数が少ないため、Sonnet 5よりタスクあたり最大30%安くなるとAnthropicは説明している。Sonnet 5からSonnet 5.5に移行するチームは、価格表を変えずに実質的な割引を得る。Sonnet 5.5からLunaに移行するチームは、10分の1のコストと、まったく異なるモデルを得る。

ギャップが深淵となるとき、なぜハーネスが重要なのか

Terminal-Bench 4.0はボード上で最も明確な差だ。Sonnet 5.5が43.9%、Lunaが12.6%で、同じ評価者によって同じ条件で測定された。Terminal-Bench-ScienceではLunaはさらに悪く、34.3%対8.6%だ。作業がシェルセッション、ビルドシステム、複数ファイルにまたがって診断する必要のある失敗中のテストスイートであるなら、20倍の割引はまったく割引ではない。Lunaは、価格が問題になるほど頻繁にタスクを完了しないだろう。

ここでSonnetについて引用する数値には注意が必要です。数値は2つあり、比較可能なのは1つだけだからです。Anthropicのローンチ投稿はTerminal-Bench 4.0で70.6%と報告しており、これは独立した評価ボードが測定した値より26ポイント以上高いものです。どちらの数字も不誠実ではありません。ベンダーの数値はAnthropic独自のハーネス、ツールポリシー、プロンプトの足場から得られたもので、Terminal-Benchのスコアはこの3つによって大きく変動します。Deepnoteも自社のAgent Initiative Benchmarkで逆方向から同じ点を指摘しています。「結果はモデルのみを反映しており、ハーネスは反映していない」、また異なるプロンプトやツールポリシーは「ここにあるすべての数値を動かす」と。70.6%はSonnet 5.5がAnthropicの設定で達成する値、43.9%は他社の設定で達成する値として扱ってください。比較検討には後者を使うべきです。なぜなら、あなたがAnthropicの設定で実行することはないからです。

Luna自身のベンダー数値にも同じ注意が当てはまる。OpenAIは、GPT-6 Lunaが最大エフォートでDeepSWE v1.1において66.6%を記録し、「中程度のエフォートでClaude Opus 5およびFable 5に匹敵する」と報告しており、タスクあたりのコストは93%から96%低い。これはベンダーが報告した、ベンダーが実施した評価による結果であり、独立した数値が12.6%であるTerminal-Benchについては何も語っていない。どちらの文も同じモデルについて述べている。

差が丸め誤差にまで縮まる場合

FrontierCode-AA 2.0は、コーディングエージェントが実際のリポジトリにマージできる変更を生み出すかどうかを問う。Lunaは25.2。Sonnet 5.5は25.7。20倍の価格差で0.5点差、しかも両者とも、強いモデルなら46%を超えるベンチマークでトップ集団を大きく下回っている。

明白な結論を出す前に、それを注意深く読んでください。難しいベンチマークでの低い絶対スコアは、両モデルがほとんどの場合に失敗することを意味します。両モデルがほとんどの場合に失敗するなら、0.5ポイントの差はほとんどノイズです。有用な主張は「LunaはSonnet 5.5と同じくらいコーディングできる」ではありません。もっと限定的です。この種のタスクで、この難易度では、余分な20倍のコストは測定可能なものを何も買いません。あなたのワークロードがFrontierCode——既知のコードベースへの自己完結した編集で、マージ前に人間がレビューする——に似ているなら、Lunaは妥当な最初のパスであり、その出力はレビュアーがどうせ書き直すことになるものです。

さらに2つの指標も同じ近辺に位置している。AutomationBench-AAではSonnet 5.5が59.4%、Lunaが53.2%となり、GDP.pdfでは25.2%対22.8%となる。どちらも引き分けではないが、どちらもプロンプトエンジニアリングとツール選択によって自分のデータ上で順序が逆転し得る範囲内にある。

Lunaが単に違うだけでなく、本当に劣っている2つの点

知識とレイテンシー、そしてどちらも値下げでは解決できない。

AA-Omniscience v1.1は、モデルが自分が知らないことを知っているかを測定する。Sonnet 5.5は+19、Lunaは-8の純スコアだった。この評価で純スコアが負になるとは、モデルの捏造回答が正答を上回る頻度が十分に高く、合計をゼロ未満に押し下げているという意味だ。人間がループに入らずに回答するエージェントを構築する人にとって、これはこの比較で最も重要な単一の数値であり、コーディングに焦点を当てたベンチマークでは決して浮かび上がらない数値である。LunaのHumanity's Last Examでの38.5対Sonnet 5.5の56.0を合わせて考えると、全体像は一貫している。Lunaは有能な指示追従者だが、事実面の基盤が薄い。

2つ目はレイテンシーだ。Sonnet 5.5は最初の回答トークンに約10秒で到達する。同じベンチマークで、Lunaは最大エフォート時に約79秒かかる。エフォートのダイヤルを下げればその差は縮まる——Lunaの推論予算がコストだからだ——しかしその場合、低エフォートのLunaと全力のSonnetを比べることになり、スコアの差はそれに応じて広がる。インタラクティブな製品では、価格に関係なくこれがしばしば決め手となる。一晩中実行されるバッチジョブでは、それは無関係だ。

実際の作業で両者がほぼ互角になる唯一のベンチマーク

Artificial Analysisはモデルを質問で評価する。DeepnoteのAgent Initiative Benchmarkは、モデルをあるタスクで評価する。それは架空の企業内における50の模擬職場状況で、モデルはSlackを読み、調査すべきか、どこに返信するか、そもそも返信するかどうかを判断する。Claude Sonnet 5.5は1状況あたり$0.42で6.65点を記録し、15秒で完了した。GPT-6 Lunaは$0.0070で6.38点を記録し、50秒かかった。

このタスク種別における品質差は0.25ポイントで、ベンチマークが報告する区間より小さい。そのためDeepnoteは両者を、DeepSeek V4.1 Flash、Mistral Large 4、Claude Haiku 5.5とともに、「区間が重なりつつ0.6ポイント以内に収まる」とされるクラスタにまとめている。そしてコスト差は20倍ではなく60倍だ。なぜならSonnet 5.5は高エフォート時に1状況あたり約2万トークンを使うのに対し、Lunaははるかに少ないからだ。

違いは能力ではなく規律にある。Sonnet 5.5 は、沈黙が求められる10の状況のうち6つで沈黙した。Luna は4つだった。50回中、Sonnet は完璧な実行が11回、ゼロが7回。Luna は9回と9回だった。より頻繁に正しく、不確かなときは黙ることが仕事なら、高価なモデルはその費用に見合う働きをする。すべてを読み取り、何を表に出すかを2番目により厳しいゲートが決められるようにすることが仕事なら、予算に収まる唯一のバージョンは安価な方だ。

実際に両者を分けるのは、オフスイッチという機能だ

GPT-6 Lunaはreasoning_effort: "none"を受け付けます。Claude Sonnet 5.5は受け付けません。推論は5つのレベルすべてで常に有効であり、AnthropicはSonnet 5を基準にこれを再調整したため、引き継いだ統合では古い設定をそのまま持ち越すのではなく、設定を再チューニングする必要があります。

その一つの違いが、コスト曲線の大部分を説明します。分類呼び出し、ルーティングの判断、既知のスキーマからの抽出——これらはいずれも推論トレースを必要とせず、Luna にはそれをスキップするよう指示できます。同じ作業を Sonnet 5.5 で行うと、役立つかどうかに関係なく推論のコストを払うことになります。これは、これを前提に構築する前に知っておく価値のある制限も説明します。Chat Completions では、Luna が関数呼び出しをサポートするのは reasoning effort が none に設定されている場合だけなので、ツールを必要とするものはすべて Responses API を経由する必要があります。Sonnet 5.5 は、ネイティブの Messages API でも OpenAI 互換形式でも、どちらのサーフェスでもツールを扱えます。

OpenAIのDecisions APIは、2026年10月22日から一般提供されており、同じアイデアを最も限定的な形で表したものです。GPT-6 Lunaだけから、他のモデルは使わずに、型付きの回答——確率、選択、ルーブリックスコア——を取得でき、レイテンシは、同じモデルをResponses経由で使った場合にOpenAIが報告する値のおよそ10分の1です。「このチケットはこの注文レコードと矛盾するか」という問いであれば、Lunaは文章を一切生成することなく、ネイティブな形式で答えられるようになりました。

それらの中から選ぶこと

• 長時間にわたるターミナル作業、ビルドの修復、複数ファイルのデバッグ - Claude Sonnet 5.5。Terminal-Bench 4.0 における Luna の 12.6% は、予算の問題ではありません。

• 誤った回答の代償が大きく、誰も確認しないあらゆる場面 - Claude Sonnet 5.5、+19 対 −8 の Omniscience スプリットを根拠に。

• 最初のトークンまで79秒かかることは製品の欠陥となるインタラクティブなUI - Claude Sonnet 5.5

• 大量の分類、抽出、ルーティング、またはより厳格なゲートの手前での一次読み取り - GPT-6 Luna、effort none または low で、Sonnet の利点がまったく活かせない場面。

• レビュアーがどうせ読む自己完結したコード編集 - 一次処理にはGPT-6 Luna、エスカレーション経路にはSonnet 5.5。FrontierCodeの0.5ポイント差が、この分担を無謀ではなく議論の余地があるものにしている。

両方を併用することが、料金表には謳われていないものの数字が裏づける選択肢だ。段階的な構成——安価で範囲の狭い90%の呼び出しにはLuna、何かを決める10%にはSonnet 5.5——は、判断が要る場面ではSonnetの判断力を保ちながら、コストはSonnetの請求額よりもLunaの請求額に近い。OrcaRouterは両モデルを1つのO​penAI互換キーの背後に、200以上、マークアップ0%でプロバイダーの定価をそのまま通す。そのため、料金表上の20倍という比率は請求書上の20倍の比率であり、ベンダーの価格変更はその日のうちに届く。どちらもO​penAIのchat-completions形式を受け付けるため、階層の分割は2つ目の統合ではなくルーティングルールになる。ルーティングDSLがリクエストをまずLunaへ送り、条件に応じてエスカレーションし、自動フェイルオーバーがプロバイダーの遅延をカバーし、新しいモデルがカタログに加わってもコードの変更は不要だ。

何が答えを変えるだろうか

Lunaの現在の立場は、一つの数値が動くことに異例なほど左右されている。すなわち、その事実性の下限だ。AA-Omniscienceをマイナスからプラスへ引き上げるポイントリリースは、20倍の料金を払うことの最強の根拠を消し去るだろう。なぜなら、ターミナル作業とレイテンシの差はワークロード固有である一方、事実を捏造するモデルはどこでも負債となるからだ。逆に、Sonnet 5.5の値下げ——A​nthropicが以前にも行った種類のもので、0%マークアップのルーターなら即座に反映するだろう——は、その比率を十分に狭め、多くのチームにとって階層化の問いを無意味にするだろう。

どちらか一方が欠けていれば、正直にまとめると、これらは代替品ではない。GPT-6 Lunaは安価で、プロンプトへの応答が速く、事実に乏しい読み手であり、思考をオフにするスイッチを備えている。Claude Sonnet 5.5は立ち上がりが遅く、高価だが、信頼できる書き手で、常に考える。誤りは、20倍を評決として扱うことだ。それは、違いが現れない仕事の部分に充てる予算であり、FrontierCodeの0.5ポイント差は、そうした部分のいくつかがマーケティングが示唆するよりも大きいことを思い出させる。