GPT-6 Luna vs DeepSeek V4 Pro: één indexpunt, vijf keer de prijs, en het pleidooi voor het bezitten van je eigen gewichten

Dit is het getal dat deze confrontatie zou moeten beslissen en dat niet doet: GPT-6 Luna scoort 37 op de Artificial Analysis Intelligence Index bij maximale inspanning. DeepSeek V4 Pro scoort 36 op dezelfde indexrevisie, ook bij maximale inspanning. Eén punt verschil, op een samengestelde score waarbij één punt binnen de ruis van een nieuwe run valt — en de twee modellen verschillen qua prijs met ongeveer een factor vijf. GPT-6 Luna heeft een lijstprijs van $0,10 per miljoen inputtokens en $0,50 per miljoen output. DeepSeek V4 Pro 0813 heeft een lijstprijs van $0,66 en $1,98 buiten de piekuren, en dat verdubbelt naar $1,32 en $3,96 tijdens het piekvenster.

Als dat het hele verhaal was, zou dit artikel één alinea lang zijn en zou het eindigen met "gebruik GPT-6 Luna." Dat is niet het hele verhaal, en de reden is de enige dimensie waarin de vergelijking volledig omslaat: de gewichten van DeepSeek V4 Pro zijn open en MIT-gelicentieerd. Het model dat vijf keer zoveel per token kost, is het model dat je voor altijd mag downloaden, aanpassen, fine-tunen en op je eigen hardware draaien. Dat is geen voetnoot bij het prijsargument — voor een specifieke categorie kopers is het het hele argument, en de lancering van GPT-6 Luna op 22 september heeft het eerder aangescherpt dan beslecht.

Wat is er uitgebracht, en wanneer

GPT-6 Luna is OpenAI's kleine tier, uitgebracht op 22 september 2026, naast GPT-6 Sol voor $2,00/$10,00 en onder het vlaggenschip GPT-6 Astra voor $10,00/$50,00. OpenAI beschrijft het als het meest efficiënte model van het bedrijf voor gerichte, high-volume taken. Het heeft een contextvenster van 1.050.000 tokens met een maximale invoer van 922.000 en een uitvoerlimiet van 128.000 tokens, accepteert tekst en afbeeldingen, en biedt reasoning effort van none tot en met low, medium, high, xhigh en max — met medium als standaard.

DeepSeek V4 Pro 0813 is de GA-build van DeepSeeks vierde-generatie vlaggenschipmodel, gepubliceerd op 13 augustus 2026, en vervangt de april-preview onder dezelfde deepseek-v4-pro-identifier. Het is een text-only mixture-of-experts-model met 1,6 biljoen totale parameters en 49 miljard actieve, een contextvenster van 1 miljoen tokens en een ongewoon royale outputlimiet van 384.000 tokens — drie keer die van GPT-6 Luna. De weights werden ongeveer een halve dag nadat de API live ging op Hugging Face gezet als deepseek-ai/DeepSeek-V4-Pro-0813: 66 fp8-shards, ungated, MIT. Onze eigen cataloguspagina voor het model vermeldt nog steeds de datum van de april-preview in plaats van de GA-datum van augustus, wat goed is om te weten als je datums van productpagina's leest in plaats van uit release notes.

Beide zijn reasoning-first en long-context. Slechts één van de twee is een bestand dat je kunt vasthouden.

De tariefkaarten, eerlijk gezegd

Eén regel per dimensie, beide zijden op elk:

• Invoer per 1M — GPT-6 Luna $0,10 vs DeepSeek V4 Pro $0,66 buiten piekuren / $1,32 piek

• Uitvoer per 1 mln. — GPT-6 Luna $0,50 vs DeepSeek V4 Pro $1,98 buiten piek / $3,96 piek

• Gecachte input — GPT-6 Luna $0,01 per 1 miljoen, een korting van 90% op zijn eigen tarief tegenover DeepSeek V4 Pro met een cachekorting van 97%, het diepere percentage korting op een hogere basis

• Piekvenster — GPT-6 Luna: geen, de hele dag vlak vs. DeepSeek V4 Pro verdubbelt tussen 01:00-04:00 en 06:00-10:00 UTC

• Clausule voor lange context — GPT-6 Luna verdubbelt input en cache en verhoogt output met 1,5x boven 272K input, toegepast op het hele verzoek vs DeepSeek V4 Pro, geen toeslag voor lange context gepubliceerd op zijn kaart

• Context en uitvoer — GPT-6 Luna 1.050.000 in / 128.000 uit vs DeepSeek V4 Pro 1.048.576 in / 384.000 uit

• AA Intelligence Index — GPT-6 Luna 37 bij maximale inspanning vs DeepSeek V4 Pro 36 bij maximale inspanning, dezelfde indexrevisie

• Score bij standaardinspanning — GPT-6 Luna 29 op medium versus DeepSeek V4 Pro 36 op de maximale instelling, de inspanning die Artificial Analysis heeft gemeten

• Schakelaar om redeneren uit te zetten — GPT-6 Luna none tot en met max vs DeepSeek V4 Pro alleen low, high en max

• Kosten om de index te draaien — GPT-6 Luna $122,39 vs DeepSeek V4 Pro $1.122,27

• Gewichten — GPT-6 Luna gesloten, alleen API vs DeepSeek V4 Pro open, MIT-gelicenseerd, self-hostbaar

• Op OrcaRouter — GPT-6 Luna niet in onze catalogus versus DeepSeek V4 Pro routeerbaar tegen DeepSeek's lijstprijs

Lees die regels samen en de vorm is ongebruikelijk: het gesloten model is goedkoper op elke regel per token behalve gecachte invoer, en het open model wint op uitvoerlengte, op gedrag bij lange context, en op het enige dat helemaal niet per token geprijsd kan worden.

Waarom het gat van één punt niet het verhaal is

Een verschil van één punt op een samengestelde index is geen bekwaamheidsverschil waarop je kunt handelen, en het is de moeite waard om ronduit te zeggen dat dit het minst interessante getal in het artikel is. Twee dingen eraan doen er echter wel toe.

Het eerste is dat de indexherziening blijft schuiven. Eerdere momentopnamen van dezelfde evaluatie plaatsten de max-effortscore van DeepSeek V4 Pro aanzienlijk hoger dan de 36 die onze vastlegging van vandaag laat zien, en de cijfers van GPT-6 Astra schommelden tussen 52,8, 53 en 54,7 in materiaal dat binnen één enkele maand werd gepubliceerd. Elke vergelijking die leunt op het precieze verschil tussen twee modellen op een rollende index, leunt op iets dat niet stil blijft staan. De eerlijke lezing is dat deze twee modellen op hun plafond in dezelfde capaciteitsband zitten, en dat de index je niet kan vertellen welke beter is voor jouw taak.

De tweede is de standaardinspanning, en hier is het verschil reëel. De 37 van GPT-6 Luna is een score bij maximale inspanning. De standaard is medium, waar het 29 scoort. De 36 van DeepSeek V4 Pro is ook een score bij maximale inspanning, en het is ook de instelling waarin Artificial Analysis het heeft gedraaid. Een team dat GPT-6 Luna inzet en niets verandert, draait een 29 tegen een 36 — een tekort van zeven punten in de verkeerde richting, en het soort ding dat in een productie-post-mortem opduikt als "het goedkope model is slechter", terwijl het werkelijke probleem een standaardinstelling is.

Wat de open gewichten werkelijk waard zijn

Dit is waar de prijsvergelijking ophoudt rekenwerk te zijn en een vraag over je bedrijf wordt. MIT-gelicenseerde gewichten leveren je vier dingen op, en elk heeft een prijskaartje dat nooit op een tariefkaart staat.

Het eerste is een ondergrens qua kosten. Prijsstelling per token is een huurconstructie; gewichten zijn een bezit. Als je volume groot genoeg is dat een vaste GPU-footprint voordeliger is dan een factuur op verbruik, is DeepSeek V4 Pro het enige van deze twee modellen waarbij die optie überhaupt bestaat. Bij de tarieven van GPT-6 Luna ligt het omslagpunt ver weg — een tarief van één cent voor gecachte input is met gehuurde hardware echt moeilijk te verslaan — maar "ver weg" is een andere bewering dan "onmogelijk", en het is een eenrichtingsdeur: je kunt op elk moment van zelfhosting naar een API overstappen, en je kunt niet de andere kant op.

Het tweede is onafhankelijkheid van de roadmap van een leverancier. De promotietarieven van GPT-5.6 Luna hadden een aangegeven einddatum. Die van GPT-6 Luna zijn permanent, volgens OpenAI — maar permanentie is een belofte over een model dat een leverancier kan uitfaseren zodra hij een opvolger uitbrengt. Een model dat je zelf host, kan niet onder je vandaan worden uitgefaseerd. Voor iedereen die een gedwongen migratie bij een gesloten model heeft meegemaakt, is dat meer waard dan een factor vijf op tokens.

De derde is data. Als de prompt materiaal bevat dat je infrastructuur niet mag verlaten, dan eindigt de vergelijking hier en doet het er niet toe wat GPT-6 Luna kost.

Het vierde is dat je het kunt fine-tunen. GPT-6 Luna is helemaal niet beschikbaar voor fine-tuning — het zijn Chat Completions, Responses en Batch, en daarmee is de lijst compleet. De gewichten van DeepSeek V4 Pro kunnen worden getraind op je eigen distributie, wat voor een nauw afgebakende taak met een hoog volume vaak een grotere winst oplevert dan welke algemene indexscore dan ook.

Daar staat tegenover dat de argumenten voor GPT-6 Luna luiden dat het buiten de piekuren ongeveer vijf keer goedkoper is bij een gemengde 3:1 input-outputverhouding en tijdens de piekuren van DeepSeek dichter bij tien keer goedkoper, dat het tarief voor gecachte input een tiende is van zijn al lage inputtarief, dat het kan worden opgedragen om helemaal te stoppen met redeneren, en dat zijn lijstprijs niet twee keer per dag verdubbelt. Voor een workload zonder beperking op het gebied van dataresidentie, zonder fine-tuningvereiste en zonder behoefte om inferentie-infrastructuur te beheren, is dat een duidelijk antwoord.

De migratie is kleiner dan het prijsverschil doet vermoeden

Schakelen tussen deze twee is eerder een configuratiewijziging dan een port. Beide gebruiken de OpenAI-compatibele chat-completionsvorm, beide hebben een contextvenster van de 1M-klasse, en de faalmodi zijn de verwachte in plaats van structurele.

Twee ervan zijn het signaleren waard voordat je verkeer overzet. De clausule voor lange context van GPT-6 Luna is de dure: kom je boven de 272.000 invoertokens, dan wordt de hele aanvraag opnieuw geprijsd naar het dubbele voor invoer en cache en 1,5x voor uitvoer, dus een aanroep van 300.000 tokens kost twee keer zoveel als dezelfde aanroep in tweeën gesplitst. DeepSeek V4 Pro heeft zo'n clausule niet, wat betekent dat voor werkelijk enorme afzonderlijke aanvragen het prijsverschil van vijf keer kleiner is dan het lijkt en kan omkeren bij een aanroep in de piekuren. En het outputplafond is een harde beperking in plaats van een voorkeur: 128.000 tokens tegenover 384.000. Een pipeline die lange gestructureerde artefacten genereert, past misschien helemaal niet in GPT-6 Luna, en geen enkel prijsvoordeel kan dat compenseren.

DeepSeek V4 Pro staat op OrcaRouter tegen DeepSeek's lijstprijs, met de pass-through-prijzen waarbij een tariefwijziging van de leverancier dezelfde dag aan onze kant wordt doorgegeven — relevant voor een model waarvan de tarieven al schommelen tussen piek- en daluren. GPT-6 Luna staat op het moment van schrijven niet in onze catalogus en wordt bereikt via OpenAI's eigen API, dus een team dat beide wil, gebruikt één sleutel voor DeepSeek V4 Pro naast wat het al voor OpenAI gebruikt. Automatische failover is het onderdeel dat in deze specifieke combinatie zijn plaats verdient: een zelfgehoste of door derden beheerde DeepSeek-endpoint dat degradeert, is precies het scenario waarin je wilt dat de route verschuift zonder een deployment.

Wie moet welke kiezen

Kies DeepSeek V4 Pro als een van de volgende situaties van toepassing is. De prompt mag je infrastructuur niet verlaten. Je moet fine-tunen. Je genereert outputs van meer dan 128.000 tokens. Je verzoeken overschrijden regelmatig 272.000 inputtokens. Of je volume is groot genoeg dat je liever GPU's koopt dan tokens huurt, en je wilt de optie hebben om die overstap later te maken zonder de applicatie te herschrijven.

Kies GPT-6 Luna als geen van die gevallen van toepassing is en je workload een hoog volume heeft, door programma's wordt geconsumeerd en kort is. Classificatie, extractie, routing, bulk-samenvatting, de inner loop van een agent. Bij $0,10/$0,50 met een cache-invoertarief van één cent en Batch voor de halve prijs liggen de cijfers niet eens dicht bij elkaar, en het verschil van één punt in de index bij maximale inspanning zal niet zichtbaar zijn in je eval. Draai het op medium, controleer de regressie van twee punten op de Coding Agent Index aan de hand van je eigen tests in plaats van een leveranciersgrafiek, en houd je lange calls aan de goede kant van de grens van 272.000 tokens.

De fout die je moet vermijden, is het vijfvoudige prijsverschil als het antwoord te beschouwen. Het is het antwoord op één vraag — wat kost een token — en het zegt niets over de vier vragen die bepalen of je deze workload over twee jaar nog kunt draaien.