GPT-6 Luna vs GPT-6 Sol: Dwa cenniki o tym samym kształcie i dwudziestokrotnie większej liczbie

GPT-6 Luna ma cenę katalogową 0,10 USD za milion tokenów wejściowych i 0,50 USD za milion tokenów wyjściowych. GPT-6 Sol ma cenę katalogową 2,00 USD i 10,00 USD. Producent udostępnił oba 22 września 2026 r. jako dwa niższe szczeble generacji GPT-6 poniżej flagowego GPT-6 Astra, a dwudziestokrotna różnica między nimi to pierwsza rzecz, jaką ktokolwiek odczyta ze strony. Trudniejsze do zauważenia, a bardziej przydatne, jest to, jak niewiele poza tym je różni. To samo okno kontekstu wynoszące 1 050 000 tokenów. Ten sam maksymalny rozmiar danych wejściowych wynoszący 922 000 tokenów. Ten sam limit danych wyjściowych wynoszący 128 000 tokenów. Ta sama drabinka rozumowania od none przez low, medium, high, xhigh i max, z medium jako wartością domyślną. Ta sama rodzina dat odcięcia wiedzy, różniąca się o miesiąc. Ta sama klauzula, która zmienia cenę całego żądania, gdy przekroczy ono 272 000 tokenów wejściowych.

Dwa modele, które mają identyczną strukturę cennika, nie różnią się funkcjami. Różnicuje je wynik i to, ile kosztuje uzyskanie tego wyniku. Na niezależnym rankingu, który mierzy oba, GPT-6 Sol jest o jedenaście punktów wyżej niż GPT-6 Luna przy takim samym maksymalnym wysiłku, a ukończenie tej samej oceny kosztuje około piętnaście razy więcej. Jedenaście punktów i piętnaście razy to inne zdanie niż dwadzieścia razy, a różnica między tymi dwoma zdaniami jest tym, na czym tak naprawdę polega to porównanie.

Do czego służy każde z tych dwóch

GPT-6 Sol to codzienny model w rodzinie — poziom, który OpenAI pozycjonuje do złożonego kodowania, przepływów pracy agentowych i profesjonalnej pracy, którą będzie czytać człowiek. Przyjmuje tekst i obrazy, generuje tekst i jest dostępny dla każdego posiadającego klucz API. To model, po który większość zespołów sięgnie domyślnie, gdy będzie chciała możliwości klasy GPT-6 bez cennika flagowego modelu czy jego bramy dostępu.

GPT-6 Luna to poziom masowy. Opis samego OpenAI jest wąski i celowo nieefektowny: najwydajniejszy model do skoncentrowanych zadań o dużym wolumenie. Streszczanie, ekstrakcja, klasyfikacja, routing, wewnętrzna pętla agenta, który wykonuje tysiąc drobnych wywołań w drodze do jednego zadania. To samo okno, ten sam limit wyjścia, ten sam suwak wysiłku — tańszy silnik w identycznej obudowie.

Oba zostały wytrenowane metodami wywodzącymi się z GPT-6 Astra, a nie zbudowane jako oddzielna linia, dlatego karty specyfikacji zgadzają się tak dokładnie. Cena to jedyne miejsce, w którym te dwa celowo się różnią.

Cennik, wiersz po wierszu

Jedna linia na wymiar, obie strony w każdym:

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

• Wyjście na 1 mln — GPT-6 Luna 0,50 USD vs GPT-6 Sol 10,00 USD

• Dane wejściowe z pamięci podręcznej za 1 mln — GPT-6 Luna $0.01 vs GPT-6 Sol $0.20; oba stanowią jedną dziesiątą własnej stawki za dane wejściowe bez pamięci podręcznej, więc dwudziestokrotny stosunek pozostaje nienaruszony mimo rabatu

• Zapisy do pamięci podręcznej na 1 mln — GPT-6 Luna 0,125 USD vs GPT-6 Sol 2,50 USD, co stanowi 25% narzutu na stawkę wejściową w obu przypadkach

• Poziom długiego kontekstu — identyczna klauzula na obu kartach: powyżej 272 000 tokenów wejściowych całe żądanie jest rozliczane według 2× stawki za dane wejściowe i pamięć podręczną oraz 1,5× za dane wyjściowe, co daje GPT-6 Luna 0,20 USD i 0,75 USD, a GPT-6 Sol 4,00 USD i 15,00 USD

• Okno kontekstowe — 1 050 000 tokenów dla obu, z maksymalnym wejściem wynoszącym 922 000 tokenów i limitem wyjścia 128 000 tokenów

• Poziom wnioskowania — brak, niski, średni (domyślny), wysoki, xhigh, maksymalny dla obu; pokrętło to ten sam element w obu modelach

• Poziomy usług — Flex obniża rachunek o połowę, a Priority podwaja go w przypadku obu kart, wybierane za pomocą tego samego service_tierparametru

• Data odcięcia wiedzy — GPT-6 Luna 18 maja 2026 vs GPT-6 Sol 20 kwietnia 2026, czyli miesiąc różnicy w obrębie jednej rodziny, co warto wiedzieć, zanim założy się, że oba modele dzielą ten sam światopogląd

• Niezależny Indeks Inteligencji — GPT-6 Luna 37 przy maksymalnym wysiłku vs GPT-6 Sol 48 przy maksymalnym wysiłku, ta sama wersja indeksu

• Wynik przy domyślnym wysiłku — GPT-6 Luna 29 przy domyślnym średnim vs GPT-6 Sol 48 przy maksymalnym, czyli ustawieniu, przy którym zmierzyła go Artificial Analysis

• Koszt zadania Index, niezależnie — GPT-6 Luna około 0,07 USD vs GPT-6 Sol 1,06 USD

• Tokeny wyjściowe w przebiegu indeksu — GPT-6 Luna 150M vs GPT-6 Sol 77M, wobec mediany tablicy wynoszącej 88M

• Coding Agent Index, niezależny — GPT-6 Luna 41, o dwa punkty mniej niż GPT-5.6 Luna vs GPT-6 Sol 57, o dwa punkty więcej niż GPT-5.6 Sol

• Wskaźnik halucynacji w AA-Omniscience — GPT-6 Luna 77%, spadek z 93% vs GPT-6 Sol 60%, spadek z 92%; oba modele stały się bardziej skłonne do odmowy, a nie bardziej wiedzące, i Sol posunął się dalej

• W OrcaRouter — ani GPT-6 Luna, ani GPT-6 Sol nie znajdują się w naszym katalogu na dzień pisania tego tekstu; do obu można dotrzeć poprzez własne API OpenAI

Pokrętło wysiłku to ten sam element w obu modelach, co zmienia arytmetykę.

Ponieważ drabina rozumowania jest identyczna, główne wartości indeksu dla obu modeli to wartości przy maksymalnym wysiłku. 37 GPT-6 Luna to wynik, jaki osiąga, gdy może myśleć tak długo, jak chce. Domyślnie działa w trybie średnim, w którym osiąga 29. 48 GPT-6 Sol to również wynik przy maksymalnym wysiłku i jest to ustawienie, na którym uruchomiła go niezależna rada.

Ma to tutaj większe znaczenie niż w większości porównań, ponieważ oznacza, że oba modele są podawane na tym samym poziomie. Zespół, który wdraża GPT-6 Luna i nic nie zmienia, nie wystawia wyniku 37 przeciwko 48; wystawia 29 przeciwko 48. To różnica dziewiętnastu punktów, a nie jedenastu, a jej wielkość jest właściwością domyślnego ustawienia, a nie modelu.

Ten sam suwak jest także najtańszą dostępną optymalizacją na obu kartach i działa w obie strony. Obniżenie GPT-6 Sol z max do medium w pracy, którą przegląda człowiek, daje większe oszczędności niż przełączenie ułamka ruchu z Sol na Luna, a kosztuje zmianę jednego parametru, a nie migrację. Podniesienie GPT-6 Luna do xhigh przy tym jednym wywołaniu na zadanie, które faktycznie decyduje o wyniku, to błąd zaokrąglenia wobec całości. Suwak istnieje w obu modelach właśnie po to, by wybór poziomu i wybór nakładu pracy można było podejmować osobno, a większość zespołów podejmuje tylko jeden z nich.

Klif jest identyczny i o to właśnie chodzi

Oba modele mają tę samą klauzulę długiego kontekstu, a ponieważ jest ona proporcjonalna, nie zawęża dzielącej ich różnicy — podwaja obie jej strony. Żądanie o rozmiarze 300 000 tokenów w GPT-6 Luna jest rozliczane po 0,20 USD za milion tokenów wejściowych za wszystkie 300 000 tokenów, a nie za 28 000 przekraczających limit. To samo żądanie w GPT-6 Sol jest rozliczane po 4,00 USD. Podziel którykolwiek dokument na dwa wywołania poniżej progu, a koszt spadnie o połowę, bez zmiany promptu.

To, co zmienia identyczna klauzula, to skala błędu. W warstwie wolumenowej żądanie o błędnym rozmiarze kosztuje jedną piątą centa za tysiąc tokenów. W warstwie dziennej kosztuje cztery dolary za milion. Zespoły najbardziej narażone na posiadanie 300 000-tokenowego kontekstu roboczego to te, które uruchamiają potoki agentowe, do których sprzedawane są oba modele, co oznacza, że warstwa, która najmniej może sobie pozwolić na ten błąd, nie jest warstwą, która popełnia go najczęściej.

Gdzie jest jedenaście punktów Sola, a gdzie ich nie ma

Ta luka jest realna i nie rozkłada się równomiernie na zadania, które możesz uruchamiać.

Zalety GPT-6 Sol skupiają się na kodowaniu i wykonywaniu zadań agentowych. Jego Coding Agent Index wynosi 57 i jest o szesnaście punktów wyższy niż 41 GPT-6 Luna, na tablicy, gdzie odpowiedniki poprzedniej generacji miały 55 i 43 — więc oba modele przesunęły się w przeciwnych kierunkach w tym pomiarze, co warto wiedzieć, zanim założy się, że nowa generacja jest ulepszeniem starej pod każdym względem. Według własnych opublikowanych danych dostawcy Sol osiąga 68,8% w DeepSWE v1.1 przy maksymalnym wysiłku wobec 66,6% Luny oraz około 43% w Terminal-Bench 4.0 wobec 37%. Są to dane raportowane przez OpenAI i niepowtórzone, a opisana przez nie luka jest węższa, niż sugeruje luka w indeksie.

Sol odrywa się od rywala w ocenach, które nagradzają długi łańcuch poprawnych decyzji: GPT-6 Sol notuje około 62% w AutomationBench-AA wobec 53% GPT-6 Luna oraz 60% wskaźnika halucynacji wobec 77% na tej samej tablicy wszechwiedzy. Siedemnastopunktowa różnica w tym, jak często model wymyśla odpowiedź, to nie margines możliwości; dla wszystkiego, co ma odbiorcę końcowego, to cała decyzja.

Tam, gdzie nie ma tych jedenastu punktów, to ogólna praca z tekstem. Przy ekstrakcji, klasyfikacji, routingu i streszczaniu — zadaniach, na które wyceniono GPT-6 Luna — oba modele w przeważającej większości przypadków dadzą tę samą użyteczną odpowiedź, a różnica nie przetrwa kontaktu z twoim własnym zestawem ewaluacyjnym. Artificial Analysis wskazuje na jedną regresję w obu modelach przy maksymalnym wysiłku: GPT-6 Sol traci około 100 punktów Elo w GDPval-AA v2.1 względem swojego poprzednika, a GPT-6 Luna około 75. Jeśli twoja praca przypomina GDPval, żaden z tych poziomów nie jest ulepszeniem, które ci obiecano, a jedenaście punktów to porównanie między dwoma modelami, które oba poszły wstecz.

Wybór między dwoma planami, które już posiadasz

Niezwykłe w tym zestawieniu jest to, że nie jest to decyzja zakupowa. Oba modele działają na tym samym koncie, tym samym endpoincie i tym samym SDK. Nie ma drugiego kontraktu, drugiej negocjacji stawek ani pracy integracyjnej, aby przenieść ruch z jednego na drugi. To czyni z tego decyzję routingu, a decyzje routingu warto podejmować przy każdym żądaniu, a nie tylko raz.

Ani GPT-6 Luna, ani GPT-6 Sol nie znajdują się w naszym katalogu na dzień pisania tego tekstu — do obu można dotrzeć przez własne API OpenAI, więc podział musi być wyrażony w Twojej aplikacji, a nie w konfiguracji routera. To powód, by podejść do tego rozważnie, ponieważ koszt pomyłki to zmiana kodu, a nie zmiana ustawień. Kształt podziału nie jest skomplikowany: GPT-6 Luna do tysiąca małych wywołań, które agent wykonuje po drodze do zadania, i GPT-6 Sol do wywołania, które tworzy artefakt, który przeczyta człowiek. Ustaw parametr effort jawnie po obu stronach, ponieważ domyślna wartość to medium, a każda publikowana liczba dla obu modeli to wartość dla maksymalnego effort.

Zespoły, które faktycznie kierują ruch między dostawcami — a większość tych, które widzimy, robi to — mogą trzymać GPT-6 Astra, Grok 4.6, Kimi K3 i Qwen3.8-Max na jednym kluczu przez OrcaRouter w cenie katalogowej dostawcy, z 0% marży i przełączaniem awaryjnym między upstreamami. Dodanie GPT-6 Luna i GPT-6 Sol do tego samego obrazu oznacza drugi klucz, a nie drugą architekturę, co jest mniejszym z dwóch problemów, jakie stwarza ta para.

Który i kiedy

Wybierz GPT-6 Luna, chyba że potrafisz nazwać możliwość, którą kupujesz za dwudziestokrotną cenę. Jest tańszy w każdym wierszu karty, w tym w przypadku buforowanych danych wejściowych, ma to samo okno i ten sam pułap wyjściowy, można mu nakazać całkowicie zaprzestać rozumowania, a jego koszt na ukończone zadanie w niezależnym rankingu wynosi około jednej piętnastej kosztu GPT-6 Sol. Ustaw jawnie poziom wysiłku, utrzymuj długie wywołania poniżej 272 000 tokenów wejściowych i sprawdź szesnastopunktową różnicę w Coding Agent Index w odniesieniu do własnego repozytorium, zanim uznasz, że dotyczy ona ciebie.

Wybierz GPT-6 Sol, gdy zadanie jest produktem, a trybem awarii jest cicho błędna odpowiedź, a nie powolna. Agenci kodujący operujący na prawdziwym repozytorium, długoterminowa analiza profesjonalna, cokolwiek, gdzie zahalucynowany fakt kosztuje więcej niż zaoszczędzone tokeny. Zaakceptuj, że płacisz piętnaście razy więcej za ukończone zadanie w zamian za jedenaście punktów indeksu i że znacząca część tych jedenastu punktów leży w kolumnie halucynacji, a nie w kolumnie możliwości — co, dla tej konkretnej pary, jest lepszą połową, za którą warto płacić.

Błędem, którego należy unikać, jest traktowanie dwudziestokrotnej metki jako odpowiedzi. To odpowiedź na to, ile kosztuje token, i nie mówi nic o tym, ile kosztuje ukończone zadanie ani jak często odpowiedź taniego modelu jest błędna w sposób, którego nie zauważysz.