GPT-6 Luna vs GPT-6 Astra: sto razy wyższa cena za szesnaście punktów indeksu

Dostawca wypuścił oba te modele w tym samym miesiącu. GPT-6 Astra pojawił się 3 września 2026 r. w cenie 10,00 USD za milion tokenów wejściowych i 50,00 USD za milion tokenów wyjściowych, pozycjonowany jako najbardziej zaawansowany system firmy do pracy zawodowej o długim horyzoncie. GPT-6 Luna zadebiutował 22 września 2026 r. w cenie 0,10 USD i 0,50 USD — jedna setna ceny wejścia, jedna setna ceny wyjścia — jako poziom efektywności w rodzinie. Szesnaście punktów indeksu dzieli je na niezależnej tablicy wyników, która mierzy oba. Szesnaście punktów za stukrotną cenę to całe porównanie w jednej linii, a to nie jest interesująca część.

Ciekawe jest to, że stukrotna etykieta kurczy się do czegoś bliższego czterdziestosześciokrotności, gdy uwzględni się, jak każdy model faktycznie zachowuje się w danym zadaniu, a ta pozostała różnica wcale nie dotyczy ogólnej inteligencji. To umiejętność korzystania z komputera, długoterminowa autonomia oraz klasyfikacja bezpieczeństwa, która decyduje o tym, czy twoja organizacja w ogóle może wywołać ten model. Ten ostatni element to coś, czego nie ujmuje żadna tabela benchmarków, i dla wielu zespołów rozstrzyga tę kwestię, zanim w ogóle wspomni się o cenie.

Dwa poziomy jednej rodziny, dziewiętnaście dni od siebie

Astra to flagowy model OpenAI i model, który firma opisuje jako najbardziej inteligentny i najlepiej dostosowany na świecie. Przyjmuje dane wejściowe w postaci tekstu, obrazów i plików, ma okno kontekstowe o rozmiarze 1 050 000 tokenów z limitem generowania wynoszącym 128 000 tokenów oraz zawsze włączone rozumowanie z konfigurowalnym poziomem wysiłku od niskiego do maksymalnego. To pierwszy model OpenAI, który przekroczył krytyczny próg zdolności w zakresie cyberbezpieczeństwa w ramach Preparedness Framework firmy, a wdrożenie wynikało z tej klasyfikacji, a nie z przepustowości: najpierw ograniczona liczba organizacji, dostęp dla przedsiębiorstw domyślnie wyłączony i możliwy do administrowania od 9 września, a później rozszerzano poziomy zabezpieczeń.

Luna to drugi koniec tej samej rodziny. Wejście tekstu i obrazu, wyjście tekstu, to samo okno kontekstu o rozmiarze 1 050 000 tokenów i ten sam limit wyjścia wynoszący 128 000 tokenów, a także drabina rozumowania od none przez low, medium, high, xhigh aż do max, z medium jako ustawieniem domyślnym. Bez bramkowania, bez przełącznika enterprise, bez poziomu bezpieczeństwa, o który trzeba się starać. Jest ogólnie dostępny dla każdego, kto ma klucz API, a własny opis OpenAI jest wąski i uczciwy: najbardziej wydajny model do skupionych zadań o dużym wolumenie.

Oba modele mają wspólne okno kontekstowe, limit wyjścia, rodzinę odcięcia wiedzy i klauzulę cenową dotyczącą długiego kontekstu. Poza tym nie mają ze sobą prawie nic wspólnego, a powód jest taki, że zbudowano je do różnych połówek tego samego zadania.

Cennik mówi sto razy. Koszt zadania mówi czterdzieści sześć.

Jedna linia na wymiar, obie strony w każdym:

• Wejście za 1 mln — GPT-6 Luna 0,10 USD vs GPT-6 Astra 10,00 USD

• Wyjście za 1 mln — GPT-6 Luna 0,50 $ vs GPT-6 Astra 50,00 $

• Wejście z pamięci podręcznej — GPT-6 Luna 0,01 USD za 1 mln vs GPT-6 Astra 1,00 USD za 1 mln, w obu przypadkach 90% zniżki względem własnej stawki bez pamięci podręcznej

• Koszt na zadanie indeksowania — GPT-6 Luna około 0,07 USD vs GPT-6 Astra około 3,26 USD

• Koszt uruchomienia pełnego indeksu — GPT-6 Luna $122.39 vs GPT-6 Astra $5,324.10

• AA Intelligence Index — GPT-6 Luna 37 przy maksymalnym wysiłku vs GPT-6 Astra 53 przy maksymalnym wysiłku

• Tokeny wyjściowe w przebiegu indeksu — GPT-6 Luna 150M vs GPT-6 Astra 60M, w porównaniu z medianą tablicy wynoszącą 88M

• Szybkość wyjściowa — GPT-6 Luna 153,9 tokenów/s vs GPT-6 Astra 51,4 tokenów/s przy xhigh

• Czas do pierwszego tokenu — GPT-6 Luna wystarczająco szybki, by stać za interaktywnym interfejsem, w porównaniu z GPT-6 Astra 208,73 s przy xhigh

• Przełącznik wyłączania rozumowania — GPT-6 Luna od none do max, z none jako opcją vs GPT-6 Astra zawsze włączone, brak trybu bez rozumowania

• Korzystanie z komputera i autonomia — wywoływanie narzędzi i pętle agentowe GPT-6 Luna kontra GPT-6 Astra stworzona do kompleksowej obsługi komputera

• Dostęp — GPT-6 Luna ogólnodostępny dla każdego vs GPT-6 Astra z ograniczonym dostępem, dostęp enterprise domyślnie wyłączony, wymagane kontrolki administratora

• W OrcaRouter — GPT-6 Luna poza naszym katalogiem vs GPT-6 Astra z możliwością routingu w cenie katalogowej OpenAI

Porównaj wiersz kosztu na zadanie ze stosunkiem cennika, a różnica zmniejszy się o ponad połowę. Luna zużywa 150 milionów tokenów wyjściowych, aby ukończyć indeks; Astra zużywa 60 milionów. Astra jest dwuipółkrotnie bardziej zwięzła, a w modelu rozliczanym za tokeny wyjściowe ma to ogromne znaczenie — to dlatego stukrotna różnica w cenniku staje się czterdziestosześciokrotną różnicą w koszcie zadania i dlatego każde porównanie oparte wyłącznie na cenach katalogowych dwukrotnie zawyży argumenty na korzyść tańszego poziomu.

Wiersze szybkości układają się w przeciwnym kierunku i wcale nie są blisko siebie. Luna generuje trzy razy więcej tokenów na sekundę niż Astra i zwraca pierwszy token w czasie, który pozwala użytkownikowi czekać. Czas 208,73 sekundy do pierwszego tokenu w przypadku Astry przy xhigh nie jest miarą opóźnienia; to stwierdzenie o tym, do czego model służy. Nic, co człowiek obserwuje, nie może działać na Astrze przy tym ustawieniu.

Co tak naprawdę daje szesnaście punktów

Luka w indeksie jest realna, a użytecznym pytaniem jest to, co się w niej kryje, ponieważ odpowiedź nie brzmi: „szesnaście procent więcej inteligencji”.

Opublikowane możliwości Astry skupiają się w konkretnym miejscu. OpenAI podaje 72,6% w OSWorld 2.0 i 69% w AutomationBench-AA — oba to miary modelu obsługującego oprogramowanie tak, jak robi to człowiek, przez wiele kroków, w długim okresie. Po stronie wiedzy liczby wynoszą 96,1 w GPQA Diamond, 97,6% w FrontierMath Tier 4 i 57,2% w Humanity's Last Exam z narzędziami, a wyszukiwanie w długim kontekście to podkreślana mocna strona: 100% we własnym benchmarku ośmioigłowym OpenAI między 256K a 512K tokenów, 96,3% między 512K a 1M. Są to wyniki raportowane przez dostawcę i niepowtórzone, a środowisko testowe ma znaczenie — ten sam model uzyskuje 99,9% w ARC-AGI-3 w ramach niestandardowego adaptera dostawcy OpenAI wobec 62,7% w standardowym środowisku testowym, co jest różnicą, która mówi tyle samo o środowisku testowym, co o modelu.

Czytane razem, to nie jest zaleta ogólnego przeznaczenia. To zaleta skoncentrowana na zadaniach, które zajmują dużo czasu, wykorzystują komputer i mają weryfikowalny punkt końcowy. Konkurencyjne pozycjonowanie Astry nie jest wymierzone w innego chatbota; jest wymierzone w sesję roboczą, a modele, obok których jest mierzona na niezależnej tablicy, to inne flagowce na tym samym poziomie — remisuje z Claude Fable 5.1 przy wyniku 53 w Intelligence Index przy około 40% kosztu na zadanie.

Szesnastopunktowa strata Luny nie rozkłada się zatem równomiernie. W przypadku krótkiego, dobrze określonego zadania konsumowanego przez program oba modele często udzielą tej samej użytecznej odpowiedzi i różnica będzie niewidoczna. W przypadku zadania wymagającego czterdziestu sekwencyjnych działań w przeglądarce z punktem kontrolnym na końcu strata jest różnicą między ukończeniem a nieukończeniem — i właśnie do takiego zadania zbudowano Astrę, a Luny nie.

Brama, której nikt nie wycenia

Astra to pierwszy model OpenAI, który przekroczył krytyczny próg cyberbezpieczeństwa w ramach firmowego Preparedness Framework, a praktyczną konsekwencją jest to, że dla kont firmowych jest dostarczany wyłączony. Administrator musi go włączyć, zgodnie z obowiązującym cennikiem i umową, zanim użytkownicy w ogóle go zobaczą. Dostęp otwarto dla ograniczonego zestawu organizacji 3 września, a następnie go poszerzano; mechanizmy administracyjne pojawiły się 9 września.

Luna nie ma nic z tego. Jest dostępna dla każdego z kluczem API od pierwszego dnia, bez etapu kwalifikacji, bez przełącznika administratora i bez poziomu zabezpieczeń stojącego między deweloperem a pierwszym wywołaniem.

Dla zespołu w branży regulowanej, kontrahenta z sektora obronnego albo wszędzie tam, gdzie ścieżka zakupowa obejmuje weryfikację bezpieczeństwa, to jest cała decyzja. Stukrotna różnica w cenie to pozycja budżetowa; brama dostępu to projekt. A dla zespołu poza tymi ograniczeniami brama dostępu jest nieistotna, a Astra to po prostu drogi model z nietypowo długim czasem do pierwszego tokena.

Warto dodać, że ograniczanie dostępu jest przemyślanym stanowiskiem, a nie niedogodnością. Model, który autonomicznie obsługuje komputer i dobrze wykrywa luki w zabezpieczeniach, jest modelem, z którego udostępnianiem laboratorium powinno postępować ostrożnie, a sposób wdrożenia wynika z ustalenia dotyczącego jego możliwości. Nie czyni to pozyskania łatwiejszym, ale oznacza, że ograniczenie raczej nie zostanie złagodzone przez zgłoszenie do wsparcia.

Ten sam klif, ta sama rodzina, dwa razy

Oba modele mają identyczną klauzulę długiego kontekstu, której przeoczenie jest najkosztowniejszym błędem w przypadku każdego z cenników. Żądania przekraczające 272 000 tokenów wejściowych są rozliczane według podwójnych stawek za wejście i pamięć podręczną oraz 1,5-krotności stawki za wyjście — za całe żądanie, a nie tylko za część powyżej progu. W przypadku Astry zamienia to wywołanie kosztujące $10,00/$50,00 na $20,00/$75,00. W przypadku Luny zamienia $0,10/$0,50 na $0,20/$0,75.

Ponieważ klauzula jest proporcjonalna, nie zmienia stosunku między dwoma modelami — podwaja oba. Zmienia natomiast absolutną wielkość błędu, a błąd jest bardziej prawdopodobny w przypadku Astry, ponieważ obciążenia, dla których istnieje Astra, to te, które niosą kontekst roboczy o rozmiarze miliona tokenów. Pojedyncze wywołanie Astry z długim kontekstem kosztuje 75 USD za milion tokenów wyjściowych; podzielenie tej samej pracy na dwa wywołania poniżej 272 tys. tokenów zmniejsza ten koszt o połowę, bez zmiany promptu. W przypadku modelu, którego cała propozycja wartości opiera się na pracy o długim horyzoncie, warto przeprowadzić ten rachunek przed pierwszym wywołaniem produkcyjnym, a nie po nim.

Ta decyzja jest decyzją routingową

Co sprawia, że ta para jest nietypowa wśród porównań na tym blogu, to fakt, że oba modele należą do tego samego dostawcy, działają na tym samym koncie i są dostępne przez ten sam endpoint. Nie trzeba podpisywać drugiej umowy ani uczyć się drugiego SDK. Wybór między nimi wcale nie jest decyzją zakupową — to decyzja o routingu, którą większość zespołów powinna podejmować przy każdym żądaniu, a nie raz.

Kształt tego podziału jest wystarczająco jasny. Luna do tysiąca drobnych wywołań, które agent wykonuje po drodze do zadania: klasyfikacji, ekstrakcji, wyboru narzędzi, podsumowania wyniku pośredniego. Astra do samego zadania, raz, na końcu, tam gdzie odpowiedź jest produktem. To dwupoziomowy potok w ramach jednej aplikacji, a różnica kosztów między uruchomieniem całości na Astrze a uruchomieniem wewnętrznej pętli na Lunie to różnica między opłacalną a nieopłacalną ekonomiką jednostkową.

GPT-6 Astra jest dostępny w OrcaRouter w cenie katalogowej OpenAI, co przy rozliczeniu typu pass-through oznacza, że zmiana stawek OpenAI jest u nas widoczna tego samego dnia. GPT-6 Luna nie znajduje się w naszym katalogu na dzień pisania tego tekstu i jest dostępny przez własne API OpenAI, więc zespół, który chce korzystać z obu, używa jednego klucza dla GPT-6 Astra obok tego, czego już używa do OpenAI. To także połączenie, w którym fuzja modeli na siebie zarabia: panel złożony z taniego modelu o wysokiej przepustowości i drogiego, starannego modelu odpowiadających razem, przy czym tani członek wykonuje większość pracy, a drogi rozstrzyga, to konfiguracja, którą warstwa routingu może wyrazić, a aplikacja nie musi wiedzieć, że którykolwiek z tych modeli istnieje.

Który i kiedy

Wybierz GPT-6 Luna, chyba że masz konkretny powód, by tego nie robić. Jest setną częścią ceny z cennika i czterdziestą szóstą częścią ceny za ukończone zadanie, jest trzy razy szybszy, jego pierwszy token pojawia się w czasie, na który użytkownik może poczekać, i można mu nakazać całkowite zaprzestanie rozumowania — co sprawia, że nadaje się do użycia jako klasyfikator. Ustaw parametr effort jawnie, ponieważ domyślna wartość to medium, a nagłówkowe 37 to liczba dla maksymalnego wysiłku. Utrzymuj długie wywołania poniżej 272 000 tokenów wejściowych. Sprawdź regresję o dwóch punktach w Coding Agent Index na podstawie własnej ewaluacji, a nie wykresu dostawcy.

Weź GPT-6 Astra, gdy zadanie jest tym długim, a odpowiedź jest produktem. Korzystanie z komputera przez wiele kroków, profesjonalna analiza z weryfikowalnym punktem końcowym, cokolwiek, gdzie szesnaście punktów indeksu stanowi różnicę między ukończeniem a cichym zatrzymaniem się. Zaakceptuj czas do pierwszego tokenu — 208 sekund przy xhigh to liczba, za którą nie można postawić człowieka — i zaakceptuj bramę zakupową, jeśli Twoja organizacja ją ma. Następnie uruchom wszystko, co prowadzi do tego zadania, na taniej warstwie, ponieważ to wewnętrzna pętla pochłania pieniądze.

Błąd, do którego zachęca to porównanie, polega na traktowaniu go jako wyboru między dwoma modelami. To wybór dotyczący tego, gdzie w potoku przetwarzania znajduje się każdy z nich, a odpowiedź brzmi niemal zawsze: oba.