GPT-6 Luna 対 GPT-6 Sol：同じ形をした2つの料金表と、20倍という数字

GPT-6 Lunaは100万入力トークンあたり0.10ドル、100万出力トークンあたり0.50ドルで提供されている。 GPT-6 Solは2.00ドルと10.00ドル。ベンダーは両モデルを2026年9月22日に、フラッグシップのGPT-6 Astraの下に位置するGPT-6世代の下位2ティアとして投入した。そして両者の20倍の価格差こそ、誰もがまずページから読み取るものだ。それよりも見えにくく、そしてより有用なのは、他の部分で両者を隔てるものがいかに少ないかである。同じ1,050,000トークンのコンテキストウィンドウ。同じ922,000トークンの最大入力。同じ128,000トークンの出力上限。noneからlow、medium、high、xhigh、maxへと続く同じ推論のはしごで、デフォルトはmedium。1か月違いの同じ知識カットオフ系列。入力トークンが272,000を超えた時点でリクエスト全体を再価格設定する、同じ条項。

料金表の構造的な行をすべて共有する2つのモデルは、機能によって差別化されているのではない。それらを差別化するのはスコアであり、そのスコアを手に入れるのにどれだけのコストがかかるかである。両方を測定する独立系のボードでは、GPT-6 Solは最大努力を揃えた条件下でGPT-6 Lunaを11ポイント上回り、同じ評価を完了するのに約15倍のコストがかかる。11ポイントと15倍は、20倍とは別の話であり、その2つの話の違いこそが、この比較が実際に成り立つ場所である。

この2つがそれぞれ何のためのものなのか

GPT-6 Sol はこのファミリーの日常使いの主力です。OpenAI が、複雑なコーディング、エージェント型ワークフロー、そして人が読むプロフェッショナルな業務向けに位置づけているティアです。テキストと画像を入力として受け取り、テキストを生成し、API キーを持つ人なら誰でも利用できます。フラッグシップの料金表やアクセス制限なしで GPT-6 クラスの能力を求めるチームの大半が、既定で選ぶモデルです。

GPT-6 Lunaはボリュームティアだ。OpenAI自身の説明は限定的で、あえて華やかさを排している。集中した大量処理タスクに最も効率的なモデル。要約、抽出、分類、ルーティング、そして1つのタスクに向かう途中で千回もの小さな呼び出しを行うエージェントの内部ループ。同じウィンドウ、同じ出力上限、同じエフォートダイヤル——同一のシャーシに載った、より安価なエンジン。

両者は別のラインとして構築されたのではなく、GPT-6 Astra に由来する手法で訓練された。だからこそ、仕様表はこれほど正確に一致している。価格だけが、設計上、両者が異なる唯一の点だ。

料金表を、1行ずつ

1次元につき1行、それぞれ両側をオン:

• 100万トークンあたりの入力 — GPT-6 Luna $0.10 対 GPT-6 Sol $2.00

• 出力100万あたり — GPT-6 Luna $0.50 対 GPT-6 Sol $10.00

• 1Mあたりのキャッシュ済み入力 — GPT-6 Luna $0.01 対 GPT-6 Sol $0.20；どちらもそれぞれ自身の非キャッシュ入力料金の10分の1なので、20倍の比率は割引後もそのまま維持される

• 100万あたりのキャッシュ書き込み — GPT-6 Luna $0.125 対 GPT-6 Sol $2.50、いずれの場合も入力レートに対して25%の割増

• 長コンテキスト階層 — 両方のカードで同一の条項：入力トークンが 272,000 を超えると、リクエスト全体が入力とキャッシュは 2 倍、出力は 1.5 倍で課金され、GPT-6 Luna は $0.20 と $0.75 に、GPT-6 Sol は $4.00 と $15.00 になります

• コンテキストウィンドウ — 両方とも1,050,000トークン、最大入力922,000トークン、出力上限128,000トークン

• 推論エフォート — 両方とも none、low、medium（デフォルト）、high、xhigh、max。ダイヤルは両モデルで同じ部品です

• サービス階層 — Flex は請求額を半額に、Priority は2倍にします（どちらのカードでも）。同じservice_tierパラメータ

• 知識カットオフ — GPT-6 Luna 2026年5月18日 対 GPT-6 Sol 2026年4月20日。同じファミリー内で1か月差があり、両者が世界観を共有していると仮定する前に知っておく価値がある

• インテリジェンス指数、独立 — 最大エフォート時の GPT-6 Luna 37 対 最大エフォート時の GPT-6 Sol 48、同一の指数リビジョン

• デフォルトエフォートスコア — GPT-6 Luna 29（デフォルトのmedium時）対 GPT-6 Sol 48（max時、Artificial Analysisが測定した設定）

• Indexタスクあたりのコスト、独立 — GPT-6 Luna 約0.07ドル 対 GPT-6 Sol 1.06ドル

• インデックス実行における出力トークン — GPT-6 Luna 150M 対 GPT-6 Sol 77M、ボード中央値88Mに対して

• Coding Agent Index、独立系 — GPT-6 Luna 41、GPT-5.6 Lunaより2ポイント低下、GPT-6 Sol 57に対して、GPT-5.6 Solより2ポイント上昇

• AA-Omniscienceにおけるハルシネーション率 — GPT-6 Lunaは77%（93%から低下）、一方GPT-6 Solは60%（92%から低下）。両モデルとも、より知識が増したというよりも、回答を拒否するようになった。そしてSolはさらにその傾向を強めた。

• OrcaRouterについて — 本稿執筆時点で、GPT-6 LunaもGPT-6 Solも当社のカタログには含まれていません。どちらもOpenAI自身のAPIを通じて利用するものです

工数のダイヤルは両モデルで同じ部品であり、それが計算を変える

推論ラダーが同一なので、両モデルの主要指標の数値は最大努力時の数値です。GPT-6 Luna の37は、好きなだけ考えられるようにしたときに記録するスコアです。そのデフォルトはミディアムで、そこでは29を記録します。GPT-6 Sol の48も最大努力時の数値であり、独立委員会が実施した際の設定でもあります。

これは、ほとんどの比較におけるよりもここで重要です。なぜなら、それは2つのモデルが同じ段階で比較されていることを意味するからです。GPT-6 Luna を導入して何も変更しないチームは、48に対して37を出しているのではなく、48に対して29を出しているのです。それは11ポイント差ではなく19ポイント差であり、その大きさはモデルの性質ではなく、デフォルトの性質なのです。

同じダイヤルは、どちらのカードでも利用できる最も安価な最適化であり、双方向に機能する。人間がレビューする作業で GPT-6 Sol を max から medium に下げることは、トラフィックの一部を Sol から Luna に切り替えるよりも大きな節約になり、移行ではなく1つのパラメータ変更で済む。タスクごとに結果を実際に決定する1回の呼び出しで GPT-6 Luna を xhigh に上げることは、全体から見れば丸め誤差のようなものだ。このダイヤルが両モデルに存在するのは、ティアの選択とエフォートの選択を別々に行えるようにするためであり、ほとんどのチームはその片方しか行っていない。

崖は同じだ。それこそが要点なのだ

どちらのモデルも同じロングコンテキスト条項を備えており、この条項は比例制であるため、両者の差を縮めることはない——むしろその差の両側を倍にする。GPT-6 Luna での 300,000 トークンのリクエストは、閾値を超えた 28,000 トークン分だけでなく、300,000 トークン全体に対して、入力 100 万トークンあたり $0.20 で課金される。同じリクエストを GPT-6 Sol で行うと $4.00 で課金される。どちらの文書でも、閾値未満の 2 回の呼び出しに分割すれば、プロンプトを変えることなくコストが半分になる。

同一の条項が変えるのは、誤りの大きさだ。ボリュームティアでは、サイズを誤ったリクエストのコストは1,000トークンあたり0.2セント。デイリーティアでは100万トークンあたり4ドルかかる。30万トークンの作業コンテキストを持つ可能性が最も高いのは、両モデルが販売されているエージェント型パイプラインを運用しているチームだ。つまり、その誤りを最も許容しにくいティアは、それを最も頻繁に犯すティアではないということになる。

ソルの11のポイントがあるところ、そしてないところ

その格差は現実に存在しており、実行する可能性のあるタスク全体に均等に分配されているわけではない。

GPT-6 Solの優位性は、コーディングとエージェント的実行に集中している。そのCoding Agent Indexは57で、GPT-6 Lunaの41を16ポイント上回る。前世代の相当値が55と43だったボード上で——つまりその指標では両モデルが逆方向に動いたことになる。新世代が旧世代を全面的に上回るアップグレードだと想定する前に、知っておく価値がある。ベンダーが自ら公表した数値では、Solは最大エフォートでDeepSWE v1.1の68.8%を報告し、Lunaの66.6%に対する結果となり、Terminal-Bench 4.0では約43%対37%となっている。これらはOpenAIによる報告であり未再現で、そこで示される差はインデックスの差が示唆するよりも小さい。

Solが抜きん出るのは、正しい判断の長い連鎖を評価するベンチマークにおいてだ。GPT-6 SolはAutomationBench-AAで約62%を記録し、GPT-6 Lunaの53%に対して、同じ全知ボードでは幻覚率が60%対77%となっている。モデルが答えを捏造する頻度における17ポイントの差は、能力の優劣ではない。下流の利用者がいるものにとっては、それが判断のすべてだ。

その11ポイントがものを言わないのは、一般的なテキスト作業だ。抽出、分類、ルーティング、要約 — GPT-6 Lunaの価格設定が想定するタスク — では、大半の場合、どちらのモデルも同じ実用的な答えを出し、その差はあなた自身の評価セットで試した途端に消える。Artificial Analysisは、最大エフォート時に両モデルに1つの回帰があると指摘している。GPT-6 SolはGDPval-AA v2.1で前世代比およそ100 Eloを失い、GPT-6 Lunaはおよそ75を失う。あなたの作業がGDPvalに似ているなら、どちらのティアも約束されたアップグレードではなく、その11ポイントは、どちらも後退した2つのモデルを比較したものにすぎない。

すでにお持ちの2つのプランから選ぶ

この組み合わせが異例なのは、それが購入判断ではないという点です。両モデルは同じアカウント、同じエンドポイント、同じSDKで動作します。2つ目の契約も、2つ目の料金交渉も、トラフィックを一方から他方へ移すための統合作業もありません。つまりこれはルーティング判断であり、ルーティング判断こそ、一度だけではなくリクエストごとに行う価値があるものです。

本稿執筆時点では、GPT-6 Luna も GPT-6 Sol も当社のカタログには含まれていません — どちらも OpenAI 自身の API を通じて利用するため、この分割はルーター設定ではなくアプリケーション側で表現する必要があります。それが慎重に取り組むべき理由です。なぜなら、間違えた場合のコストは設定変更ではなくコード変更になるからです。分割の形は複雑ではありません。エージェントがタスクに至るまでに行う千回の小さな呼び出しには GPT-6 Luna を、人が読む成果物を生成する呼び出しには GPT-6 Sol を使います。両側で effort パラメータを明示的に設定してください。デフォルトは medium であり、両モデルについて公表されている数値はすべて最大 effort の数値だからです。

ベンダーをまたいでルーティングしているチーム——そして私たちが目にするチームの大半はそうしている——なら、GPT-6 Astra、Grok 4.6、Kimi K3、Qwen3.8-Max を1つのキーでOrcaRouter 経由、プロバイダーの定価で利用でき、マークアップ0%、上流間のフェイルオーバー付き。同じ構図に GPT-6 Luna と GPT-6 Sol を加えるというのは、2つ目のアーキテクチャではなく2つ目のキーを意味する。これは、この組み合わせが生み出す2つの問題のうち小さい方である。

どちらを、そしていつ

能力を20倍の価格で買っていると言えるのでなければ、GPT-6 Luna を選べ。キャッシュ入力を含め料金表のどの項目でも安く、ウィンドウも出力上限も同じで、推論を完全に止めるよう指示でき、独立系ボードでの完了タスクあたりのコストは GPT-6 Sol のおよそ15分の1だ。エフォートは明示的に設定し、長い呼び出しは入力272,000トークン未満に抑え、16ポイントの Coding Agent Index ギャップが自分に当てはまると想定する前に、自分のリポジトリと突き合わせて確認せよ。

タスクそのものが成果物であり、失敗の仕方が遅い回答ではなく静かに間違った回答である場合には、GPT-6 Sol を選べ。実際のリポジトリを操作するコーディングエージェント、長期にわたる専門分析、ハルシネーションされた事実が節約できるトークンより高くつくあらゆる場面。完了したタスク1件あたり15倍を支払って11インデックスポイントを得ていること、そしてその11ポイントのかなりの割合が能力の列ではなくハルシネーションの列にあることを受け入れよ——この特定の組み合わせでは、支払うべきはその良い方の半分なのだ。

避けるべき間違いは、20倍という値札を答えとして扱うことだ。それはトークンにかかるコストへの答えではあるが、完成したタスクにかかるコストや、安価なモデルの答えがあなたが気づかない形でどれほど頻繁に間違っているかについては何も語っていない。