GPT-6 Luna czyta Slacka za 0,007 USD za wątek: co kryje ta liczba

Siedem dziesiątych centa. Tyle właśnie Agent Initiative Benchmark firmy Deepnote Research odnotował jako średni koszt obsługi jednej sytuacji w miejscu pracy przez GPT-6 Luna w symulowanej firmie — czytanie wiadomości, decydowanie, czy kogokolwiek trzeba o czymś poinformować, i odpowiadanie na właściwym kanale. Claude Fable 5.1 w tych samych pięćdziesięciu sytuacjach, z tymi samymi narzędziami i tym samym 180-sekundowym budżetem na odpowiedź, osiągnął średnio 3,02 USD przy wyniku o 1,1 punktu wyższym: 6,38 na 10 wobec 7,50. Własny opis benchmarku określa te dwa modele jako „różniące się ceną 430-krotnie”, a arytmetyka się zgadza: 3,02 USD podzielone przez 0,0070 USD daje 431.

GPT-6 Luna jest ogólnie dostępny od 22 września 2026 r., a porównanie obiegło oś czasu 13 listopada jako historia o tanim modelu doganiającym drogi. To ciekawsza historia niż to i nieco mniej pochlebna dla nagłówka. Wiersz samej Luny w tej tabeli zawiera dziewięć przebiegów ocenionych na 10 na 10 i dziewięć ocenionych na zero, a powodem, dla którego proaktywnego agenta trudno kupić, nie jest średnia – są nim zera.

Co faktycznie uruchomił benchmark

Agent Initiative to nie kolejny statyczny zestaw pytań. Deepnote zbudował fikcyjną firmę tworzącą oprogramowanie o nazwie PageMantle — 71 pracowników, 100 klientów korporacyjnych, sześć lat połączonych rekordów, około 10 GB danych w jedenastu usługach, w tym Slack, Notion, Linear, HubSpot, Stripe, PostHog, BigQuery i Snowflake — a następnie umieścił w niej dwanaście modeli z czołówki jako ukrytych obserwatorów. Każdy model otrzymał te same instrukcje, ten sam dostęp do narzędzi, ten sam zrzut stanu firmy i ten sam budżet czasowy. Zadanie polegało na czytaniu nowych wiadomości w Slacku i decydowaniu, czy zbadać sprawę, gdzie odpowiedzieć i czy w ogóle odpowiadać.

Panel jest niewielki i celowo nieporęczny:

• Pięćdziesiąt sytuacji w ośmiu typach zadań – Analizuj (8), Weryfikuj (7), Koordynuj, Wyjaśniaj, Diagnozuj, Decyduj i Chroń (po 6 w każdym) oraz Znajdź (5).

• Czterdzieści z pięćdziesięciu wymagało wiadomości; dziesięć było pułapkami, w których właściwym posunięciem było milczenie.

• Dwóch sędziów LLM, nie wiedząc, który model wygenerował przebieg, przyznaje oceny od 0 do 10 w zakresie interwencji, dowodów, tonu i umiejscowienia odbiorców.

• Każdy model przy wysokim wysiłku rozumowania, z czasem wykonywania narzędzi wyłączonym z 180-sekundowego odliczania.

• Dwanaście modeli z sześciu laboratoriów, łącznie 600 przebiegów, z 95-procentowymi przedziałami ufności z resamplingu bootstrapowego zadań.

Ten wybór projektowy — czterdzieści przypadków pomocy wobec dziesięciu przypadków milczenia — jest powodem, dla którego tabela odróżnia modele w sposób, jakiego benchmark czatu nigdy nie zapewnia. Większość tego, co stale aktywny agent robi przez cały dzień, polega na decydowaniu, by nie zabierać głosu, a niemal żadna publiczna ewaluacja tego nie ocenia.

Kłótnia Luny w całości

GPT-6 Luna zajął siódme miejsce wśród dwunastu z wynikiem 6,38. Wysłał wiadomość w 38 z 40 sytuacji, w których była potrzebna, co stanowi lepszy wskaźnik trafień niż 37 w przypadku Claude Sonnet 5.5, i uczynił to w ciągu 50 sekund, wykorzystując 13,7 wywołań narzędzi. Jego koszt na zadanie — 0,0070 USD — jest najniższy w stawce: niemal czterokrotnie niższy niż 0,026 USD w DeepSeek V4.1 Flash i sześćdziesięciokrotnie niższy niż 0,42 USD w Claude Sonnet 5.5.

Kolumna, która ma znaczenie, to ta, którą Deepnote oznacza jako „Tens / zeros”. GPT-6 Astra, najwyżej notowany model z wynikiem 8,97, zanotował 26 idealnych przebiegów i dwa zera. Claude Opus 5.5 zanotował 14 i dwa. Luna zanotowała dziewięć i dziewięć. W benchmarku, w którym zero oznacza, że agent albo nigdy się nie odezwał, kiedy powinien, albo odezwał się w sytuacji, którą źle odczytał, jeden na pięć przebiegów Luny był spisany na straty, w porównaniu z jednym na dwadzieścia pięć u dwóch modeli powyżej niej. Uśredniając po pięćdziesięciu zadaniach, agent, który jest doskonały przez połowę czasu i nieobecny przez drugą połowę, wygląda jak B-minus. Wdrożony w Slacku prawdziwego zespołu wygląda jak kolega, który jest albo błyskotliwy, albo milczy, i nikt nie potrafi przewidzieć, który.

Nagłówek 430x wraz z przedstawionym wyliczeniem

Ta liczba jest prawdziwa, a jednocześnie stanowi najkorzystniejsze dostępne ujęcie, z dwóch powodów, które warto wyraźnie wskazać.

Po pierwsze, Claude Fable 5.1 nie jest obecnym modelem Anthropic. Jest nim Claude Fable 5.2, który uzyskał 8,17 w tym samym benchmarku przy koszcie 1,87 USD za zadanie. W porównaniu z następcą GPT-6 Luna jest 267 razy tańszy i ma o 1,79 punktu gorszy wynik. To mniej cytowalne zdanie, ale bardziej istotne przy podejmowaniu decyzji, ponieważ nikt, kto wybiera model w tym tygodniu, nie wybiera Fable 5.1, chyba że ma ku temu powód.

Po drugie, różnica 1,1 punktu to oszacowanie punktowe na podstawie pięćdziesięciu zadań. Deepnote wyraźnie zaznacza, że kilka modeli w środku jego tabeli mieści się w nakładających się przedziałach — wymienia Claude Sonnet 5.5, GPT-6 Luna, DeepSeek V4.1 Flash, Mistral Large 4 i Claude Haiku 5.5 jako grupę w granicach 0,6 punktu od siebie — i planuje większy zestaw zadań w przyszłej wersji. Uczciwa interpretacja pary Luna kontra Fable 5.1 jest taka, że różnica cen jest mierzona z dokładnością do trzech cyfr znaczących, a różnica jakości — z dokładnością do mniej więcej jednej. Każdy, kto cytuje „tylko 1,1 punktu straty”, tak jakby ten ułamek dziesiętny miał znaczenie, cytuje przedział, a nie wynik.

Liczba, której nikt nie przytacza: cztery na dziesięć

Gdy poprawną odpowiedzią było milczenie, medianowy model w tej dziedzinie powstrzymał się sześć razy na dziesięć. GPT-6 Luna powstrzymała się cztery razy. Interweniowała w sześciu z dziesięciu sytuacji, w których zapisy już wskazywały, że sprawa została załatwiona — a jak zauważa Deepnote, te interwencje nie były bełkotem. Były trafne, dobrze umiejscowione i niepotrzebne. Kontrola jakości, która czyta tylko wiadomość, nigdy nie wychwyci tej porażki. Nie zrobi tego też ankieta satysfakcji użytkowników, ponieważ nikt nie skarży się, że powiedziano mu coś prawdziwego.

Benchmark i tak to wycenia. W całym panelu odzywanie się nie w porę kosztowało około 1,8 razy więcej niż milczenie, gdy potrzebna była wiadomość. W przypadku agenta Slacka, którego cała przesłanka opiera się na tym, że czyta każdy wątek, trybem awarii nie jest błędna odpowiedź, którą się poprawia. To powolna erozja kanału: gdy zespół raz się dowie, że jedna trzecia wiadomości bota to szum, przestaje czytać jakiekolwiek z nich, a wartość tych poprawnych również spada do zera.

W opisie występuje drugi, cichszy błąd. W zadaniu dotyczącym dostępu do danych Luna znalazła zapis potwierdzający, że administrator dostępu przekazał obowiązki następcy, a mimo to skierowała pracownika do byłego administratora. Odczytanie właściwego dowodu i wyciągnięcie błędnego wniosku to inny defekt niż brak dowodu, i to właśnie ten defekt przetrwa naprawę jakości wyszukiwania.

Dlaczego siedem dziesiątych centa zmienia projekt, a nie tylko rachunek

Koszt na token to niewłaściwa jednostka do tej decyzji, ponieważ koszt proaktywnego agenta skaluje się z liczbą wątków, których on dotyka, a nie z liczbą zadawanych mu pytań. Wykres samego Deepnote'a pokazuje to konkretnie: 7 USD za 1000 zadań dla GPT-6 Luna wobec 3020 USD za 1000 dla Claude Fable 5.1. Przy 2500 wątkach miesięcznie, czyli tej samej liczbie, której benchmark używa dla Sol i Fable 5.2, rachunek Luni wynosi około 17,50 USD.

Ta liczba jest wystarczająco mała, by zmienić to, co budujesz. Przy 3 USD za odczyt proaktywny agent musi być wybiórczy, zanim zacznie – ktoś musi zdecydować, które kanały warto obserwować, a to jest dokładnie ta ocena, której model miał dokonywać. Przy mniej niż jednym centu za odczyt możesz obserwować wszystko i pozwolić modelowi przeprowadzić triage, a to jedyna wersja produktu, która odpowiada obietnicy.

To także kupuje drugie przejście. Uruchom GPT-6 Luna na wszystkich 2 500 wątkach za około 17,50 USD, pozwól mu oznaczyć pięćdziesiąt, które wyglądają na niejednoznaczne, i wyślij je do Claude Sonnet 5.5 po 0,42 USD każdy: 21 USD więcej, co daje w sumie blisko 39 USD miesięcznie. Wersja w całości oparta na Fable 5.1 obejmująca ten sam zakres kosztuje 7 550 USD. To, czy taka hybryda rzeczywiście przewyższa samą Lunę, nie zostało przetestowane – benchmark uruchamiał modele, a nie środowiska testowe, i Deepnote przyznaje to w swoich ograniczeniach – ale to właśnie arytmetyka sprawia, że eksperyment jest wystarczająco tani, by go przeprowadzić.

Artykuły hydrauliczne dotarły trzy tygodnie wcześniej.

Tanie odczyty na wywołanie to tylko połowa tego, czego potrzebuje stale działający agent; druga połowa to tani sposób na zadanie wąskiego pytania. 22 października 2026 r. OpenAI wycofało z wersji beta swoje Decisions API, a GPT-6 Luna jest jedynym modelem, który obsługuje. Endpoint zwraca odpowiedzi typowane, a nie prozę – prawdopodobieństwo, że warunek jest spełniony, wybór z ustalonej listy lub ocenę w skali uporządkowanych poziomów – i OpenAI twierdzi, że jest to około dziesięciu razy szybsze niż zadanie temu samemu modelowi to samo pytanie przez Responses API.

W przypadku obserwatora Slacka to właściwy kształt. „Czy ten wątek przeczy dacie wydania w przypiętej wiadomości?” to predykat, a nie akapit. Wydanie ogólnodostępne podniosło limit do 400 pytań na żądanie, dodało buforowanie promptów dla współdzielonego kontekstu, zezwoliło na obrazy w instrukcjach poszczególnych pytań i przyjęło dane strukturalne bezpośrednio przez input_json część treści. Pojedyncze wywołanie może teraz ocenić cały dzień aktywności kanału względem ustalonego zestawu dowodów zamiast po jednej wiadomości naraz.

Warto wiedzieć, zanim uwzględnisz to w projekcie: nowe buforowanie dotyczy przesyłanych przez Ciebie współdzielonych dowodów, a nie cennika Luny, i nadal obowiązują własne limity modelu — okno kontekstu wynoszące 1 050 000 tokenów, maksymalne wejście 922 000, wyjście 128 000 oraz data odcięcia wiedzy 18 maja 2026 r. Wywoływanie funkcji w Chat Completions działa tylko wtedy, gdy reasoning effort ma wartość none; wszystko z wbudowanymi narzędziami musi przechodzić przez Responses API.

Tam, gdzie kończą się dowody

Ten benchmark jest niezwykle szczery w kwestii własnych ograniczeń, a mają one znaczenie dla każdego, kto ma właśnie postawić model przed prawdziwym zespołem.

• Pięćdziesiąt zadań, przy czym niektóre kategorie obejmują tylko od pięciu do ośmiu, więc rankingi w poszczególnych kategoriach są tendencjami, a nie ścisłym uszeregowaniem.

• Stała migawka firmy, w której współpracownicy nigdy nie odpowiadają, mierząca pojedynczy wkład, a nie miesiąc gromadzenia kontekstu.

• Jeden poziom wysiłku. Każdy model działał na poziomie wysokim; niższe i wyższe ustawienia nie były testowane, a domyślny poziom Luny to średni, nie wysoki.

• Tylko Slack. E-mail, dokumenty i wszelkie działania wykraczające poza wysłanie wiadomości są poza zakresem.

Koszty historyczne, a nie bieżące wyceny. Wartości przypadające na poszczególne zadania to obserwacje z danego przebiegu, więc zmiana ceny u dostawcy wpływa na ich wysokość.

• Nie przetestowano żadnego routera. Deepnote wyraźnie zaznacza, że jego zalecenia dotyczące routingu są rekomendacją projektową ekstrapolowaną z wyników modeli.

Istnieje również napięcie między tą tabelą a niezależnymi pomiarami szybkości. Deepnote zmierzył Lunę na 50 sekund na sytuację przy wysokim wysiłku. Artificial Analysis, uruchamiając ją przy maksymalnym wysiłku, zmierzył czas do pierwszego tokenu odpowiedzi wynoszący 79,33 sekundy – o rząd wielkości gorszy niż mediana dla jej przedziału cenowego. Obie te liczby mogą być prawdziwe, ponieważ mierzą różne rzeczy przy różnych ustawieniach, ale ta para jest ostrzeżeniem: postrzegane opóźnienie zawsze włączonego agenta jest ustalane przez pokrętło wysiłku, a podkręcanie go w pogoni za zerami kosztuje sekundy, zanim zacznie kosztować dolary.

Wdrażanie czytnika w tej cenie

Praktyczna wersja tego benchmarku to dwupoziomowy potok przetwarzania i to dlatego różnica w cenie ma większe znaczenie niż różnica w wynikach. GPT-6 Luna przy niskim lub średnim nakładzie wykonuje czytanie — każdy wątek, każdy kanał, decyzje wprowadzane przez Decisions API. Próg dla tych decyzji eskaluje niejednoznaczne przypadki do silniejszego modelu. Drogi model obsługuje wtedy dziesiątki wątków miesięcznie zamiast tysięcy, a jego koszt przestaje być osobną pozycją budżetową.

Taki potok jest łatwiejszy w utrzymaniu, gdy oba poziomy stoją za jednym kluczem. OrcaRouter udostępnia GPT-6 Luna, Claude Sonnet 5.5, Claude Fable 5.2 oraz ponad 200 innych modeli przez jeden endpoint zgodny z OpenAI, bez marży — cena katalogowa dostawcy przekazywana jest dalej, więc obniżka ceny u dostawcy trafia na naszą stronę tego samego dnia, zamiast czekać, aż odsprzedawca zaktualizuje cennik. DSL routingu łączy poziomy w jedno wywołanie (tani pierwszy przebieg, eskalacja po spełnieniu warunku), automatyczne przełączanie awaryjne utrzymuje działanie watchera, gdy dostawca zawiedzie, a fuzja modeli pozwala panelowi odpowiedzieć wspólnie, gdy pojedyncza klasyfikacja jest zbyt istotna, by powierzyć ją jednemu modelowi. Nic z tego nie zmienia powyższych liczb; usuwa to jedynie pracę integracyjną między nimi.

Co mogłoby zmienić tę liczbę?

Dwie rzeczy sprawiłyby, że ten artykuł stałby się nieaktualny: następca GPT-6 Luna albo drugi niezależny przebieg tego samego benchmarku z większym zestawem zadań. Pierwsza to kwestia kalendarza OpenAI. Druga została już obiecana – Deepnote twierdzi, że panel 50 zadań zostanie zastąpiony większą próbą w następnej wersji, a jego autorzy wyraźnie zaznaczają, że obecną tabelę należy odczytywać jako pierwszy pomiar, a nie ranking.

Do tego czasu możliwy do obrony wniosek jest węższy niż wersja oparta na osi czasu i bardziej użyteczny. GPT-6 Luna to pierwszy model wystarczająco tani, by proaktywny agent mógł sobie pozwolić na pomyłkę w kwestii tego, czy sprawdzać, i to jest prawdziwy próg — różnica między produktem, który pobiera wyrywkowe próbki swojej firmy, a takim, który ją czyta. Nie jest jeszcze wystarczająco niezawodny, by mylić się w kwestii tego, czy się odezwać. Wynik ciszy wynoszący cztery na dziesięć to ta część tabeli, wokół której trzeba projektować: utrzymuj tani odczyt, kontroluj dostęp do zapisu i umieść drogi model tam, gdzie faktycznie podejmowana jest decyzja o przerwaniu.