GPT-6 Luna kontra Claude Sonnet 5.5: dwie luki, a nie jedna

Zestaw GPT-6 Luna i Claude Sonnet 5.5 w jednym cenniku, a stosunek cen jest żenujący: $0,10 wobec $2,00 za milion tokenów wejściowych, $0,50 wobec $10,00 za milion tokenów wyjściowych. Poddaj je tej samej ewaluacji, a różnica wygląda zupełnie inaczej w zależności od tego, którą ewaluację wybierzesz. W Intelligence Index firmy Artificial Analysis Sonnet 5.5 przy maksymalnym wysiłku uzyskuje 55 punktów, a Luna przy maksymalnym wysiłku 28 – różnica 27 punktów na liście rankingowej, na której czołówka plasuje się w przedziale 50–59 punktów. W FrontierCode-AA 2.0 te same dwa modele uzyskują 25,7 i 25,2. To nie jest różnica. To remis.

Oba odczyty są poprawne, a powód, dla którego współistnieją, to właśnie to, co warto zrozumieć przed dokonaniem wyboru. Luna nie jest jednolicie słabszym modelem sprzedawanym za jedną dwudziestą ceny. To model o określonym kształcie: konkurencyjny w generowaniu diffów kodu, daleko w tyle za innymi w pracy z terminalem, rozumowaniu naukowym i powściągliwości faktograficznej, a przy tym około rzędu wielkości wolniejszy w wygenerowaniu pierwszego tokenu. Sonnet 5.5 ma przeciwny kształt – spójny, szybki w starcie i wystarczająco drogi, że flota takich modeli wymaga uzasadnienia biznesowego.

Obie karty specyfikacji, wymiar po wymiarze

• Cena wejściowa za 1 mln – GPT-6 Luna $0.10 vs Claude Sonnet 5.5 $2.00, czyli stosunek 20x

• Cena za 1 mln tokenów wyjściowych – GPT-6 Luna 0,50 USD vs Claude Sonnet 5.5 10,00 USD, również 20x

• Wejście z pamięci podręcznej na 1 mln – GPT-6 Luna $0.01 vs Claude Sonnet 5.5 $0.10; A​nthropic obniżył stawkę odczytu z pamięci podręcznej dla Sonnet do połowy stawki Sonnet 5 w momencie premiery, a stosunek do stawki Luny za pamięć podręczną nadal wynosi 10x

• Zapisy do pamięci podręcznej — GPT-6 Luna 0,125 USD za 1 mln, premia 1,25x względem danych wejściowych; Sonnet 5.5 jest rozliczany stawką 2,50 USD za 1 mln zgodnie z tą samą konwencją 1,25x

• Okno kontekstu – 1 050 000 tokenów dla GPT-6 Luna w porównaniu z 1 000 000 dla Claude Sonnet 5.5, przy czym użyteczne wejście Luny jest ograniczone do 922 000

• Maksymalna liczba tokenów wyjściowych — 128 000 po obu stronach

• Cennik długiego kontekstu — Luna przecenia całe zapytanie powyżej 272 000 tokenów wejściowych do $0,20 / $0,75; karta Sonnet 5.5 nie ma analogicznego progu, co stanowi cichą przewagę przy promptach o długości 300 tys. tokenów

• Modalności wejściowe – tekst, obraz i plik w obu; żadna nie obsługuje dźwięku ani wideo

• Kontrola rozumowania – GPT-6 Luna oferuje ustawienia: brak, niski, średni (domyślny), wysoki, xhigh i maksymalny, a także można ją całkowicie wyłączyć; Claude Sonnet 5.5 ma pięć poziomów od niskiego do maksymalnego, przy czym domyślny jest wysoki, a rozumowanie jest zawsze włączone

• Data odcięcia wiedzy – 18 maja 2026 r. dla GPT-6 Luna; A​nthropic nie publikuje porównywalnej daty dla Sonnet 5.5

• Wydanie – GPT-6 Luna 22 września 2026 r.; Claude Sonnet 5.5 28 września 2026 r., sześć dni różnicy

• AA Intelligence Index v5.0.1 – GPT-6 Luna 28 przy maksymalnym wysiłku vs Claude Sonnet 5.5 42 przy domyślnym wysokim wysiłku i 55 przy maksymalnym

• Czas do pierwszego tokenu odpowiedzi – GPT-6 Luna 79,33 s vs Claude Sonnet 5.5 10,21 s na tej samej planszy

• Koszt na zadanie w Intelligence Index – GPT-6 Luna $0.15 vs Claude Sonnet 5.5 $1.64

Dwadzieścia razy wyższa cena, jedenaście razy wyższy rachunek

Stosunek cen katalogowych wynosi dokładnie 20x. Zmierzony stosunek na rzeczywistym obciążeniu już taki nie jest, ponieważ koszt na zadanie uwzględnia również liczbę tokenów, które każdy model zużywa na dojście do odpowiedzi. W przebiegu indeksu Artificial Analysis Luna zużyła tokeny o wartości 136 USD na ukończenie zestawu, a Sonnet 5.5 — 1268 USD, czyli około 9,3x. Stawka Luny na zadanie wynosząca 0,15 USD w porównaniu z 1,64 USD dla Sonneta daje stosunek 10,9.

Ta różnica jednocześnie działa na korzyść Luny i przeciwko niej, w zależności od obciążenia. Luna emituje dużo tokenów rozumowania jak na tani model: przy maksymalnym wysiłku jest bardziej gadatliwa z tych dwóch na jednostkę wyniku, dlatego katalogowy stosunek 20x zmniejsza się do około 10x na rachunku. W obciążeniu zdominowanym przez dane wyjściowe — długie generacje, iteracyjne edycje kodu, cokolwiek, co pisze akapity — kompresja wypada gorzej dla Luny, ponieważ jej stawka za dane wyjściowe to droższa połowa cennika. W obciążeniu zdominowanym przez dane wejściowe — wyszukiwanie informacji, czytanie logów, odpowiadanie na pytania dotyczące dokumentów w stałym korpusie — 20x utrzymuje się niemal dokładnie, a buforowanie czyni to jeszcze lepszym.

Jeszcze jedna uwaga arytmetyczna, która zmienia odpowiedź dla zespołu już płacącego ceny A​nthropic: Sonnet 5.5 jest opisywany przez A​nthropic jako kosztujący do 30% mniej na zadanie niż Sonnet 5 mimo niezmienionego cennika, ponieważ potrzebuje mniej tokenów do wykonania tej samej pracy. Zespół przechodzący z Sonnet 5 na Sonnet 5.5 otrzymuje realny rabat bez zmiany cennika. Zespół przechodzący z Sonnet 5.5 na model Luna otrzymuje 10-krotny rabat i zupełnie inny model.

Gdzie luka zamienia się w przepaść i dlaczego uprząż ma znaczenie

Terminal-Bench 4.0 to najwyraźniejsza różnica na tablicy wyników: 43,9% dla Sonnet 5.5 wobec 12,6% dla Luny, mierzone przez tego samego ewaluatora w tych samych warunkach. W Terminal-Bench-Science Luna wypada jeszcze gorzej – 34,3% wobec 8,6%. Jeśli praca polega na sesji powłoki, systemie kompilacji, zawodzącym zestawie testów, który trzeba zdiagnozować w wielu plikach, dwudziestokrotna zniżka wcale nie jest zniżką. Luna nie będzie kończyć zadania wystarczająco często, by cena miała znaczenie.

Uważaj na liczby, które tutaj przytaczasz dla Sonneta, bo są dwie i tylko jedna jest porównywalna. Wpis Anthropic o premierze podaje 70,6% w Terminal-Bench 4.0 – ponad 26 punktów więcej niż zmierzyła niezależna komisja. Żadna z tych liczb nie jest nieuczciwa; {{1}}liczba dostawcy pochodzi z własnego harnessu, polityki narzędzi i szkieletu promptów Anthropic, a wyniki Terminal-Bench istotnie zmieniają się wraz z każdym z tych trzech czynników.{{/1}} Deepnote przedstawiło ten sam argument z przeciwnej strony w swoim Agent Initiative Benchmark: „{{2}}wyniki odzwierciedlają wyłącznie modele, a nie harness{{/2}}”, a inny prompt lub polityka narzędzi „zmieni każdą liczbę tutaj”. Przyjmij, że 70,6% to wynik, jaki Sonnet 5.5 osiąga w konfiguracji Anthropic, a 43,9% – w konfiguracji kogoś innego. Do porównywania ofert użyj tej drugiej, ponieważ nie będziesz uruchamiać konfiguracji Anthropic.

Ta sama ostrożność dotyczy również liczb dostawcy podanych dla samej Luny. OpenAI podaje, że GPT-6 Luna przy maksymalnym wysiłku uzyskuje 66,6% w DeepSWE v1.1, „porównywalnie z Claude Opus 5 i Fable 5 przy średnim wysiłku”, przy koszcie na zadanie niższym o 93% do 96%. To wynik zgłoszony przez dostawcę z ewaluacji przeprowadzonej przez dostawcę i nic nie mówi o Terminal-Bench, gdzie niezależna liczba wynosi 12,6%. Oba zdania opisują ten sam model.

Gdzie różnica sprowadza się do błędu zaokrąglenia

FrontierCode-AA 2.0 pyta, czy agent kodujący tworzy zmianę gotową do scalenia z prawdziwym repozytorium. Luna uzyskuje 25,2. Sonnet 5.5 uzyskuje 25,7. Pół punktu przy dwudziestokrotnej różnicy cen, a oba daleko poniżej liderów w benchmarku, w którym silny model przekracza 46%.

Przeczytaj to uważnie, zanim wyciągniesz oczywisty wniosek. Niski wynik bezwzględny na trudnym benchmarku oznacza, że oba modele przez większość czasu zawodzą; gdy oba modele zawodzą przez większość czasu, różnica pół punktu to w większości szum. Użyteczne twierdzenie to nie „Luna programuje tak dobrze jak Sonnet 5.5”. Jest węższe: w zadaniach tego typu, przy tej trudności, dodatkowy dwudziestokrotny koszt nie przekłada się na nic mierzalnego. Jeśli Twój zestaw zadań wygląda jak FrontierCode — samodzielne edycje w znanej bazie kodu, sprawdzane przez człowieka przed scaleniem — Luna jest możliwym do obrony pierwszym podejściem, którego wynik i tak recenzent miał przepisać.

Dwa inne wskaźniki plasują się w tym samym przedziale: AutomationBench-AA przypisuje Sonnet 5.5 wynik 59,4%, a Lunie 53,2%, natomiast GDP.pdf – 25,2% wobec 22,8%. Żaden z nich nie jest remisem, ale oba mieszczą się w zakresie, w którym inżynieria promptów i wybór narzędzi mogą odwrócić kolejność na własnych danych.

Dwa obszary, w których Luna jest naprawdę gorsza, a nie po prostu inna

Wiedza i opóźnienie, a żadnego z nich nie da się naprawić obniżką ceny.

AA-Omniscience v1.1 mierzy, czy model wie, czego nie wie. Sonnet 5.5 uzyskuje wynik netto +19; Luna uzyskuje -8. Ujemny wynik netto w tej ewaluacji oznacza, że sfabrykowane odpowiedzi modelu wystarczająco często przewyższają liczebnie jego poprawne odpowiedzi, by ściągnąć sumę poniżej zera. To najistotniejsza pojedyncza liczba w tym porównaniu dla każdego, kto buduje agenta odpowiadającego bez człowieka w pętli, i liczba, której benchmark skoncentrowany na kodowaniu nigdy nie ujawni. W połączeniu z wynikiem Luny 38,5 w Humanity's Last Exam wobec 56,0 Sonneta 5.5 obraz jest spójny: Luna to kompetentny model wykonujący instrukcje, ale z cienką podbudową faktograficzną.

Drugim czynnikiem jest opóźnienie. Sonnet 5.5 osiąga pierwszy token odpowiedzi w około 10 sekund; Luna przy maksymalnym wysiłku na tej samej planszy potrzebuje około 79. Gdy zmniejszysz pokrętło wysiłku, ta różnica się zmniejsza – kosztem jest budżet rozumowania Luny – ale wtedy porównujesz Lunę o niższym wysiłku z Sonnetem w pełnej sile, więc luka w wynikach odpowiednio się powiększa. W produkcie interaktywnym to często czynnik decydujący, niezależnie od ceny. W przypadku zadania wsadowego uruchamianego przez noc jest to nieistotne.

Jedyny benchmark, w którym przy realnym zadaniu prawie remisują

Artificial Analysis ocenia modele na podstawie pytań. Agent Initiative Benchmark od Deepnote ocenia je na podstawie zadania: pięćdziesięciu symulowanych sytuacji zawodowych w fikcyjnej firmie, w których model czyta Slacka i decyduje, czy zbadać sprawę, gdzie odpowiedzieć i czy w ogóle odpowiedzieć. Claude Sonnet 5.5 uzyskał wynik 6,65 przy koszcie 0,42 USD za sytuację i ukończył zadanie w 15 sekund. GPT-6 Luna uzyskał 6,38 przy koszcie 0,0070 USD, a zajęło mu to 50 sekund.

Z tego wynikają dwie rzeczy. Różnica jakości w tym typie zadania — ćwierć punktu — jest mniejsza niż przedział raportowany przez benchmark, dlatego Deepnote grupuje je oba z DeepSeek V4.1 Flash, Mistral Large 4 i Claude Haiku 5.5 w klaster, o którym mówi, że „mieści się w granicach 0,6 punktu przy nakładających się przedziałach”. A różnica kosztów wynosi 60x, a nie 20x, ponieważ Sonnet 5.5 zużywa około dwudziestu tysięcy tokenów na sytuację przy wysokim wysiłku, podczas gdy Luna zużywa znacznie mniej.

Różnica tkwi w dyscyplinie, a nie w możliwościach. Sonnet 5.5 wstrzymał się w 6 z 10 sytuacji, które wymagały milczenia; Luna wstrzymała się w 4. Sonnet zanotował 11 idealnych przebiegów i 7 zer na 50; Luna zanotowała 9 i 9. Jeśli zadaniem jest częściej mieć rację i milczeć w razie niepewności, drogi model zarabia na siebie. Jeśli zadaniem jest przeczytać wszystko, aby druga, surowsza brama mogła zdecydować, co ujawnić, tani model jest jedyną wersją, która mieści się w budżecie.

Cechą, która tak naprawdę je odróżnia, jest wyłącznik.

GPT-6 Luna akceptuje reasoning_effort: "none". Claude Sonnet 5.5 tego nie robi — rozumowanie jest zawsze włączone na wszystkich jego pięciu poziomach, które A​nthropic skalibrowało ponownie względem Sonnet 5, więc odziedziczona integracja powinna dostosować swoje ustawienie, zamiast przenosić stare.

Ta pojedyncza różnica wyjaśnia większość krzywej kosztów. Wywołanie klasyfikacji, decyzja o routingu, ekstrakcja według znanego schematu: żadne z nich nie wymaga śladu rozumowania, a Lunie można nakazać jego pominięcie. Ta sama praca w Sonnet 5.5 płaci za rozumowanie niezależnie od tego, czy przynosi ono korzyść. Wyjaśnia to również ograniczenie, które warto znać, zanim zbudujesz na tym rozwiązanie: w Chat Completions Luna obsługuje wywoływanie funkcji tylko wtedy, gdy reasoning effort ma wartość none, więc wszystko, co wymaga narzędzi, musi przechodzić przez Responses API. Sonnet 5.5 obsługuje narzędzia w obu interfejsach – poprzez natywne Messages API lub format zgodny z OpenAI.

API Decisions OpenAI, powszechnie dostępne od 22 października 2026 r., jest najwęższym wyrazem tej samej idei: odpowiedzi o określonym typie — prawdopodobieństwo, wybór, ocena według rubryki — pochodzące z GPT-6 Luna i żadnego innego modelu, przy około jednej dziesiątej opóźnienia, jakie OpenAI podaje dla tego samego modelu przez Responses. Jeśli pytanie brzmi „czy to zgłoszenie przeczy temu zapisowi zamówienia”, Luna może teraz odpowiedzieć w swojej natywnej formie, w ogóle nie generując prozy.

Wybór między nimi

• Długotrwała praca w terminalu, naprawa kompilacji, debugowanie wielu plików — Claude Sonnet 5.5. Wynik Luny 12,6% w Terminal-Bench 4.0 to nie kwestia budżetu.

• Wszystko, gdzie błędna odpowiedź jest kosztowna i nikt jej nie sprawdza — Claude Sonnet 5.5, dzięki przewadze +19 wobec −8 w podziale Omniscience.

• Interaktywne powierzchnie, w których 79 sekund do pierwszego tokena to wada produktu — Claude Sonnet 5.5.

• Wielkoskalowa klasyfikacja, ekstrakcja, routing lub wstępny czytnik przed bardziej rygorystyczną bramką — GPT-6 Luna, przy effort none lub low, gdy żadna z zalet Sonneta nie wchodzi w grę.

• Samodzielne edycje kodu, które i tak przeczyta recenzent — GPT-6 Luna jako pierwsze podejście, Sonnet 5.5 jako ścieżka eskalacji. Półpunktowa różnica FrontierCode sprawia, że podział jest do obrony, a nie lekkomyślny.

Uruchamianie obu modeli to opcja, której cenniki nie reklamują, ale którą potwierdzają liczby. Konfiguracja warstwowa — Luna dla 90% wywołań, które są tanie i wąskie, Sonnet 5.5 dla 10%, które o czymś decydują — kosztuje bliżej rachunku Luny niż Sonneta, zachowując osąd Sonneta tam, gdzie osąd ma znaczenie. OrcaRouter umieszcza oba modele za jednym kluczem zgodnym z O​penAI obok ponad 200 innych, przy 0% marży i przekazywanej cenie katalogowej dostawcy, więc stosunek 20x na arkuszu to stosunek 20x na fakturze, a zmiana ceny u dostawcy dociera do Ciebie tego samego dnia. Ponieważ oba akceptują format chat-completions O​penAI, podział na warstwy jest regułą routingu, a nie drugą integracją: DSL routingu najpierw wysyła żądanie do Luny i eskaluje po spełnieniu warunku, automatyczne przełączanie awaryjne obsługuje spowolnienie u dostawcy, a gdy w katalogu pojawi się nowy model, nie trzeba zmieniać kodu.

Co zmieniłoby odpowiedź

Obecna pozycja Luny jest niezwykle zależna od ruchu jednej liczby: jej faktycznego minimum. Wydanie punktowe, które podniosłoby AA-Omniscience z wartości ujemnej do dodatniej, usunęłoby najsilniejszy argument za płaceniem dwudziestokrotnie więcej, ponieważ różnice w pracy w terminalu i w opóźnieniach zależą od konkretnego obciążenia, podczas gdy model, który wymyśla fakty, jest obciążeniem wszędzie. I odwrotnie: obniżka ceny Sonnet 5.5 — taka, jaką Anthropic przeprowadzał już wcześniej i którą router z zerową marżą przekazałby natychmiast — zawęziłaby ten stosunek na tyle, że dla wielu zespołów kwestia podziału na poziomy stałaby się bezprzedmiotowa.

Bez jednego i drugiego uczciwe podsumowanie brzmi: to nie są substytuty. GPT-6 Luna to tani, szybko reagujący na prompt, ubogi w fakty czytelnik z przełącznikiem wyłączającym myślenie. Claude Sonnet 5.5 to wolniej startujący, drogi, niezawodny pisarz, który zawsze myśli. Błędem jest traktowanie 20x jako wyroku. To budżet na te części zadania, w których różnica się nie ujawnia — a półpunktowa przewaga FrontierCode przypomina, że niektóre z tych części są większe, niż sugeruje marketing.