GPT-6 Luna kontra Gemini 3.1 Pro: siedmiomiesięczna wersja zapoznawcza za dwudziestokrotność ceny danych wejściowych

Wiodący model rozumowania nosi etykietę „Preview", odkąd Gemini 3.1 Pro zadebiutował 19 lutego 2026 r. Siedem miesięcy później to nadal wersja zapoznawcza, nadal w cenie 2,00 USD za milion tokenów wejściowych i 12,00 USD za milion tokenów wyjściowych, i nadal to, co strona produktu nazywa wiodącym modelem rozumowania firmy. 22 września 2026 r. dostawca udostępnił GPT-6 Luna jako ogólnie dostępny model z niższej półki w cenie 0,10 USD i 0,50 USD. Zestaw oba cenniki obok siebie, a nowszy, tańszy model GA jest dwadzieścia razy tańszy na wejściu i dwadzieścia cztery razy tańszy na wyjściu — a do tego wypada wyżej w niezależnym rankingu, na którym zależy działom marketingu obu dostawców.

To ostatnie zdanie to fragment, nad którym warto się zatrzymać. GPT-6 Luna osiąga 37 punktów w Artificial Analysis Intelligence Index przy maksymalnym wysiłku. Gemini 3.1 Pro Preview osiąga 30 w tej samej rewizji. Model sprzedawany jako rozwiązanie do wysokiej przepustowości i wydajności wyprzedza o siedem punktów model sprzedawany jako czołowy system rozumowania, kosztując przy tym jedną dwudziestą ceny wejściowej. To nie jest przypadek, w którym tani model dogania drogi. Na tej konkretnej osi tani model jest po prostu z przodu, a drogi już od siedmiu miesięcy pozostaje w wersji zapoznawczej.

Naturalny wniosek — że Gemini 3.1 Pro jest zbyt drogi — też nie jest do końca trafny, a reszta tego tekstu dotyczy trzech miejsc, w których model Google zasługuje na swoją stawkę, ponieważ są one realne i wcale niemałe.

Pięć rzeczy, które o tym decydują

Zanim przejdę do szczegółów, krótka wersja:

• GPT-6 Luna wygrywa pod względem ceny około 20x na wejściu i 24x na wyjściu, na wejściu z pamięci podręcznej z dużą przewagą, a w indeksie ogólnego przeznaczenia o siedem punktów przy dopasowanym maksymalnym wysiłku.

• Gemini 3.1 Pro wygrywa pod względem modalności wejściowej — przyjmuje dźwięk i wideo, czego GPT-6 Luna nie robi — oraz pod względem bycia dostępnym od siedmiu miesięcy, co jak na wersję zapoznawczą oznacza długi dorobek produkcyjny.

• Limity wyjściowe nie są zbliżone w żadnym kierunku: GPT-6 Luna generuje do 128 000 tokenów, Gemini 3.1 Pro do 65 000.

• Oba mają próg długiego kontekstu, który zmienia cenę całego żądania: przy 272 000 tokenów wejściowych dla GPT-6 Luna i około 200 000 dla Gemini 3.1 Pro.

• Pułapka domyślnego wysiłku dotyczy wyłącznie Luny: jej 37 to wynik przy maksymalnym wysiłku, a jej domyślne ustawienie średnie daje 29, co jest poniżej 30 Gemini 3.1 Pro.

Dwie karty stawek i arytmetyka między nimi

Jedna linia na wymiar, obie strony w każdym:

• Wejście za 1 mln — GPT-6 Luna 0,10 USD vs Gemini 3.1 Pro 2,00 USD

• Wyjście za 1 mln — GPT-6 Luna $0,50 vs Gemini 3.1 Pro $12,00

• Wejście z pamięci podręcznej — GPT-6 Luna 0,01 USD za 1 mln, 90% zniżki w porównaniu z Gemini 3.1 Pro 0,20 USD za 1 mln, 90% zniżki

• Granica długiego kontekstu — GPT-6 Luna powyżej 272 tys. tokenów wejściowych vs Gemini 3.1 Pro powyżej około 200 tys. tokenów wejściowych

• Efekt długiego kontekstu — GPT-6 Luna: 2x dla wejścia i cache, 1,5x dla wyjścia, w przeliczeniu na całe żądanie, w porównaniu z Gemini 3.1 Pro: $4.00 za wejście / $18.00 za wyjście, również w przeliczeniu na całe żądanie

• Okno kontekstowe — GPT-6 Luna 1 050 000 tokenów vs Gemini 3.1 Pro 1 mln tokenów

• Maksymalna liczba tokenów wyjściowych — GPT-6 Luna 128 000 tokenów vs Gemini 3.1 Pro 65 000 tokenów

• Modalność wejściowa — GPT-6 Luna tekst i obraz vs Gemini 3.1 Pro tekst, obraz, audio, wideo i pliki

• AA Intelligence Index — GPT-6 Luna 37 przy maksymalnym wysiłku, 29 przy domyślnym ustawieniu w porównaniu z Gemini 3.1 Pro 30

• Szybkość generowania — GPT-6 Luna 153,9 tokenów/s vs Gemini 3.1 Pro około 115–143 tokenów/s w zależności od snapshotu

• Przełącznik wyłączania rozumowania — GPT-6 Luna: od braku do maks. vs Gemini 3.1 Pro: rozumowanie przede wszystkim, brak udostępnionego trybu bez rozumowania

• Status — GPT-6 Luna powszechnie dostępny od 2026-09-22 vs Gemini 3.1 Pro w wersji zapoznawczej od 2026-02-19

Ciekawy wiersz to nie cena. To para wierszy na dole. Etykieta podglądu Gemini 3.1 Pro nie jest szczegółem technicznym — zmienia to, co Google jest ci winne. Model w wersji podglądowej można zmienić, zmienić mu cenę lub go wycofać bez zawiadomienia o wycofaniu, jakie otrzymuje model GA, a cennik, który nie zmienił się przez siedem miesięcy, to obietnica, której nikt nie złożył na piśmie. Wszystko poniżej o tym, że model Google jest bezpieczniejszym wyborem do produkcji, trzeba czytać w kontekście tego zastrzeżenia, ponieważ „siedem miesięcy stabilności” i „siedem miesięcy bez gwarancji stabilności” to te same siedem miesięcy.

Gdzie model Google zarabia te dodatkowe dwadzieścia razy

Trzy miejsca, a to pierwsze jest tym, które dla niektórych drużyn całkowicie kończy porównanie.

Modalność. Gemini 3.1 Pro przyjmuje dane wejściowe audio i wideo. GPT-6 Luna przyjmuje tekst i obraz. Jeśli twój potok przetwarza nagrania rozmów, zrzuty ekranu lub wideo, nie ma takiej wersji tego starcia, w której różnica w cenie miałaby znaczenie, ponieważ jeden z tych dwóch modeli nie jest w stanie wykonać zadania. To nie jest luka w wynikach benchmarków, która zwęża się wraz z wydaniem punktowym; to zdolność, która albo jest, albo jej nie ma, i to najsilniejszy powód, dla którego cennik Google wytrzymuje zderzenie z prawdziwym procesem zakupowym.

Limit wyjściowy — w drugą stronę. Limity wyjściowe wypadają odwrotnie niż w przypadku modalności wejściowej i ten aspekt faworyzuje OpenAI. GPT-6 Luna generuje do 128 000 tokenów w jednej odpowiedzi; Gemini 3.1 Pro — do 65 000. Jeśli generujesz długie, ustrukturyzowane artefakty — cały dokument, duży refaktoring, łatkę obejmującą wiele plików — limit Google’a wynosi około połowy limitu OpenAI, a pipeline, który obcina dane na 65 000 tokenów, jest zepsuty niezależnie od tego, ile płaci za token.

Praca na froncie multimodalnym.Pozycjonowanie Gemini 3.1 Pro polega na tym, że to model rozumowania, który przypadkiem jest multimodalny, a praktyczną konsekwencją jest to, że zadania wymagające rozumowania na diagramie, wykresie lub nagraniu ekranu trafiają do niego, a nie do mniejszej klasy tekstowej. GPT-6 Luna akceptuje obrazy, więc granica nie dotyczy wyłącznie dźwięku i wideo — chodzi o to, że model Google'a jest zbudowany do rozumowania wizualnego i dźwiękowego jako głównego przypadku użycia, a model OpenAI do przepustowości.

Gdzie tani plan faktycznie przegrywa, i to nie tam, gdzie się spodziewasz.

Domyślne ustawienie poziomu wysiłku to pułapka w tym zestawieniu i tnie tu mocniej, niż ciąłoby przeciw słabszemu przeciwnikowi. Flagowy wynik indeksu GPT-6 Luna wynoszący 37 jest mierzony przy maksymalnym wysiłku rozumowania. Domyślnie jest to poziom średni, a przy średnim model osiąga 29 — o jeden punkt poniżej wyniku 30 Gemini 3.1 Pro. Siedmiopunktowa przewaga, od której zaczął się ten artykuł, to więc porównanie sufitu jednego modelu z sufitem drugiego, a zespół, który wdraża GPT-6 Luna i zostawia konfigurację bez zmian, używa modelu, który jest minimalnie za modelem Google'a, siedem miesięcy starszego, wciąż w wersji zapoznawczej, za jedną dwudziestą ceny.

To nadal, dla większości obciążeń, właściwy kompromis — punkt w indeksie to nie różnica w możliwościach, a 20-krotna różnica w cenie już tak. Ale to inny kompromis niż ten, który reklamują cenniki, i pozostaje niewidoczny, chyba że zacznie się szukać parametru effort.

Drugim miejscem, w którym tania warstwa traci, jest arytmetyka długiego kontekstu. Oba modele przeliczają całe żądanie od nowa, gdy przekroczy ono próg, zamiast doliczać dopłatę za nadwyżkę, a oba progi są wystarczająco niskie, by miało to znaczenie: 272 000 tokenów wejściowych w GPT-6 Luna, około 200 000 w Gemini 3.1 Pro. Klauzula GPT-6 Luna podwaja koszt wejścia i pamięci podręcznej, a koszt wyjścia podnosi o połowę. W Gemini 3.1 Pro całe wywołanie przechodzi na 4,00 USD za wejście i 18,00 USD za wyjście. Żadna z tych klauzul nie jest marginalną dopłatą, a w modelu sprzedawanym na podstawie ceny ta klauzula jest ceną.

Trzecim czynnikiem jest rozwlekłość — pozycja kosztowa, która nigdy nie pojawia się w cenniku. Artificial Analysis zmierzyło, że model GPT-6 Luna wygenerował 150 milionów tokenów wyjściowych podczas przebiegu indeksu, przy medianie 85 milionów — model jest gadatliwy, a przy $0.50 za milion tokenów wyjściowych daje to $75 w tokenach, podczas gdy zwięzły model wydałby $42.50. Nadal jest o rząd wielkości tańszy niż alternatywa. To także powód, dla którego liczby kosztu na zadanie i kosztu na token mówią co innego, oraz powód, by zmierzyć własny wolumen wyjścia, zanim zamodelujesz oszczędność.

Jak wygląda migracja między nimi

Model Google'a jest dostępny przez własne API dostawcy oraz kilka platform innych firm; GPT-6 Luna jest dostępny przez własne API OpenAI, a w chwili pisania tego tekstu żaden z nich nie jest tą prostszą połową pary, na której można by oprzeć standaryzację. Oba udostępniają interfejs chat completions zgodny z OpenAI, co oznacza, że kształt wywołania nie jest problemem — problemem są parametry. Drabinka wysiłku GPT-6 Luna, jego klauzula 272 000 tokenów oraz wymóg, aby wywoływanie funkcji w Chat Completions działało z reasoning effort ustawionym na none, to wszystko zachowania, których Gemini 3.1 Pro nie podziela, a port zmieniający wyłącznie ciąg modelu wytworzy działające wywołanie z niewłaściwym profilem kosztów.

Gemini 3.1 Pro Preview jest dostępny w OrcaRouter w cenie katalogowej Google, w ramach cen przekazywanych bez narzutu, co oznacza, że zmiana stawek Google obowiązuje po naszej stronie tego samego dnia. GPT-6 Luna nie znajduje się w naszym katalogu na moment pisania tego tekstu. Dla zespołu korzystającego z obu — modelu Google do wszystkiego, co wymaga dźwięku lub wideo, i modelu OpenAI do tekstu o dużym wolumenie — to jeden klucz dla Gemini 3.1 Pro obok tego, czego już używasz dla OpenAI, a decyzja o routingu jest wyrażona jako konfiguracja, a nie jako dwie ścieżki kodu. To właśnie ta para, w przypadku której ma to największe znaczenie, ponieważ te dwa modele wcale nie są wymienne: trasa, która musi wybierać między multimodalnym preview a tekstowym, ogólnie dostępnym (GA) małym poziomem, to trasa, którą trzeba będzie na nowo rozstrzygać za każdym razem, gdy którykolwiek z dostawców coś wypuści.

Co by to zmieniło

To porównanie w obecnym kształcie jest migawką niezwykłego momentu: model GA z września pokonuje model w wersji zapoznawczej z lutego w indeksie ogólnym przy jednej dwudziestej ceny wejścia, przegrywając jednocześnie pod względem modalności i dojrzałości, której wersja zapoznawcza nigdy tak naprawdę nie osiąga. Trzy rzeczy mogłyby to zmienić i każdą warto obserwować, a nie zgadywać.

Po pierwsze, Gemini 3.1 Pro wychodzi z fazy preview. Wydanie GA przyniosłoby politykę wycofywania, stabilny cennik i bardzo prawdopodobnie zmianę ceny — Google utrzymywało $2.00/$12.00 przez siedem miesięcy fazy preview, podczas gdy reszta rynku wokół niego obniżyła stawki o połowę, a ta powściągliwość bardziej pasuje do ceny premierowej czekającej na datę GA niż do przemyślanego stanowiska.

Druga kwestia dotyczy tego, czy OpenAI rozszerza drabinę poziomów wysiłku Luna, czy zmienia ustawienie domyślne. Rozpiętość dwudziestu dwóch punktów między wynikiem GPT-6 Luna przy maksymalnym poziomie wysiłku a jego wynikiem przy domyślnym poziomie wysiłku to największa wrażliwość na konfigurację w tym artykule, a zmiana ustawienia domyślnego zmieniłaby efektywne możliwości modelu dla każdego wywołującego, który nigdy nie dotknął tego parametru.

Trzeci to luka modalności. To jedyny wymiar tutaj, który nie jest kwestią stopnia, i to on sprawia, że nie jest to proste porównanie cen. Dopóki jeden z tych modeli nie potrafi zrobić tego, czego nie potrafi drugi, dwudziestokrotna różnica jest realną liczbą wskazującą na dwa różne zadania.