GPT-6 Luna vs GPT-6 Astra: Cem vezes o preço por dezesseis pontos de índice

O fornecedor lançou ambos os modelos no mesmo mês. GPT-6 Astra foi lançado em 3 de setembro de 2026 a US$ 10,00 por milhão de tokens de entrada e US$ 50,00 por milhão de saída, posicionado como o sistema mais capaz da empresa para trabalho profissional de longo prazo. GPT-6 Luna veio em 22 de setembro de 2026 a US$ 0,10 e US$ 0,50 — um centésimo do preço de entrada, um centésimo do preço de saída — como o nível de eficiência da família. Dezesseis pontos de índice os separam no painel independente que mede ambos. Dezesseis pontos por um preço cem vezes maior é toda a comparação em uma linha, e não é a parte interessante.

A parte interessante é que o rótulo de cem vezes encolhe para algo mais próximo de quarenta e seis vezes quando se leva em conta como cada modelo realmente se comporta em uma tarefa, e que a lacuna restante não é inteligência geral de modo algum. É uso de computador, autonomia de longo horizonte e uma classificação de segurança que decide se a sua organização pode sequer chamar o modelo. Esse último item é o que nenhuma tabela de benchmark captura e, para muitas equipes, resolve a questão antes mesmo que o preço seja mencionado.

Dois níveis de uma mesma família, com dezenove dias de diferença

Astra é o carro-chefe da OpenAI e o modelo que a empresa descreve como o mais inteligente e alinhado do mundo. Aceita entrada de texto, imagem e arquivo, possui uma janela de contexto de 1.050.000 tokens com um limite de saída de 128.000 tokens, e tem raciocínio sempre ativo com esforço configurável de baixo a máximo. É o primeiro modelo da OpenAI a ultrapassar o limiar de capacidade de cibersegurança Critical ao abrigo do Preparedness Framework da empresa, e a implementação decorreu dessa classificação e não da capacidade: primeiro organizações limitadas, acesso empresarial desativado por predefinição e administrável a partir de 9 de setembro, com os níveis de salvaguarda a ampliarem-se posteriormente.

Luna é a outra ponta da mesma família. Entrada de texto e imagem, saída de texto, a mesma janela de contexto de 1.050.000 tokens e o mesmo teto de saída de 128.000 tokens, e uma escala de raciocínio que vai de none a low, medium, high, xhigh e max, com medium como padrão. Sem gating, sem opção empresarial, sem nível de segurança pelo qual se qualificar. Está disponível de forma geral para qualquer pessoa com uma chave de API, e a própria descrição da OpenAI é estreita e honesta: o modelo mais eficiente para tarefas focadas e de alto volume.

Os dois modelos compartilham uma janela de contexto, um limite de saída, uma família de corte de conhecimento e uma cláusula de preço para contexto longo. Quase não compartilham mais nada, e a razão é que foram construídos para metades diferentes do mesmo trabalho.

A tabela de preços diz cem vezes. O custo da tarefa diz quarenta e seis.

Uma linha por dimensão, ambos os lados em cada:

• Entrada por 1M — GPT-6 Luna $0.10 vs GPT-6 Astra $10.00

• Saída por 1M — GPT-6 Luna US$ 0,50 vs GPT-6 Astra US$ 50,00

• Entrada em cache — GPT-6 Luna $0,01 por 1M vs GPT-6 Astra $1,00 por 1M, ambos com 90% de desconto sobre sua própria tarifa sem cache

• Custo por tarefa de indexação — GPT-6 Luna cerca de $0,07 vs GPT-6 Astra cerca de $3,26

• Custo para executar o índice completo — GPT-6 Luna $122,39 vs GPT-6 Astra $5.324,10

• Índice de Inteligência AA — GPT-6 Luna 37 no esforço máximo vs GPT-6 Astra 53 no esforço máximo

• Tokens de saída na execução do índice — GPT-6 Luna 150M vs GPT-6 Astra 60M, contra uma mediana do ranking de 88M

• Velocidade de saída — GPT-6 Luna 153,9 tokens/seg vs GPT-6 Astra 51,4 tokens/seg em xhigh

• Tempo até o primeiro token — GPT-6 Luna rápido o suficiente para ficar por trás de uma interface interativa vs GPT-6 Astra 208,73s em xhigh

• Interruptor de desativação do raciocínio — GPT-6 Luna: de none a max, com none como opção, vs. GPT-6 Astra sempre ligado, sem modo sem raciocínio

• Uso de computador e autonomia — chamada de ferramentas e loops agênticos do GPT-6 Luna vs GPT-6 Astra, criado para operar um computador de ponta a ponta

• Acesso — GPT-6 Luna geralmente disponível para qualquer pessoa vs GPT-6 Astra com acesso restrito, corporativo desativado por padrão, controles de administrador exigidos

• No OrcaRouter — GPT-6 Luna não está no nosso catálogo vs. GPT-6 Astra roteável pelo preço de tabela da OpenAI

Analise a linha de custo por tarefa em relação à proporção da tabela de preços, e a diferença cai para menos da metade. A Luna gasta 150 milhões de tokens de saída para concluir o índice; a Astra gasta 60 milhões. A Astra é duas vezes e meia mais concisa e, em um modelo precificado por saída, isso vale muito — é a razão pela qual uma diferença de cem vezes na tabela de preços se torna uma diferença de quarenta e seis vezes no custo por tarefa, e a razão pela qual qualquer comparação baseada apenas nos preços de etiqueta superestimará em um fator de dois o argumento a favor da camada barata.

As linhas de velocidade seguem o sentido contrário e não chegam perto. A Luna gera três vezes mais tokens por segundo que a Astra e retorna seu primeiro token em um tempo que permite que um usuário espere. O tempo de 208,73 segundos da Astra até o primeiro token em xhigh não é um número de latência; é uma declaração sobre para que serve o modelo. Nada que uma pessoa esteja assistindo pode rodar na Astra nessa configuração.

O que dezesseis pontos realmente compram

A lacuna do índice é real, e a pergunta útil é o que há dentro dela, porque a resposta não é "dezesseis por cento mais inteligência".

As capacidades publicadas da Astra concentram-se em um ponto específico. A OpenAI relata 72,6% no OSWorld 2.0 e 69% no AutomationBench-AA — ambas medidas de um modelo operando software como uma pessoa faria, ao longo de muitos passos, durante um longo período de tempo. Do lado do conhecimento, os números são 96,1 no GPQA Diamond, 97,6% no FrontierMath Tier 4 e 57,2% no Humanity's Last Exam com ferramentas, e a recuperação de contexto longo é um ponto forte destacado: 100% no benchmark eight-needle da própria OpenAI entre 256K e 512K tokens, 96,3% entre 512K e 1M. Esses números são informados pelo fornecedor e não reproduzidos, e o ambiente de avaliação importa — o mesmo modelo pontua 99,9% no ARC-AGI-3 com o adaptador de provedor personalizado da OpenAI contra 62,7% no ambiente de avaliação padrão, uma variação que diz tanto sobre o ambiente de avaliação quanto sobre o modelo.

Lendo tudo em conjunto, isso não é uma vantagem de propósito geral. É uma vantagem concentrada em tarefas que levam muito tempo, usam um computador e têm um desfecho verificável. O posicionamento competitivo da Astra não é contra outro chatbot; é contra uma sessão de trabalho, e os modelos ao lado dos quais ela é medida no ranking independente são os outros carros-chefe do mesmo nível — ela empata com Claude Fable 5.1 em 53 no Intelligence Index a aproximadamente 40% do custo por tarefa.

O déficit de dezesseis pontos de Luna, portanto, não está distribuído de maneira uniforme. Em uma tarefa curta, bem especificada e consumida por programa, os dois modelos frequentemente produzirão a mesma resposta utilizável, e a diferença será invisível. Em uma tarefa que exige quarenta ações sequenciais em um navegador com um ponto de verificação no final, o déficit é a diferença entre concluir e não concluir — e é para essa tarefa que a Astra foi criada e a Luna não.

O gate que ninguém precifica

Astra é o primeiro modelo da OpenAI a ultrapassar o limiar Crítico de cibersegurança no âmbito do Preparedness Framework da empresa, e a consequência prática é que ele vem desativado para contas empresariais. Um administrador precisa ativá-lo, sob uma tabela de preços e um contrato aplicáveis, antes que os usuários sequer o vejam. O acesso foi aberto a um conjunto limitado de organizações em 3 de setembro e ampliado a partir daí; a mecânica de administração chegou em 9 de setembro.

Luna não tem nada disso. Está disponível para qualquer pessoa com uma chave de API já no primeiro dia, sem etapa de qualificação, sem botão de ativação do administrador e sem camada de salvaguarda entre o desenvolvedor e a primeira chamada.

Para uma equipa num setor regulamentado, numa empresa contratada da área de defesa, ou em qualquer contexto com uma revisão de segurança no processo de aquisição, esta é a decisão inteira. A diferença de preço de cem vezes é uma rubrica orçamental; uma barreira de acesso é um projeto. E, para uma equipa fora dessas restrições, a barreira é irrelevante e a Astra é simplesmente um modelo caro com um tempo até ao primeiro token invulgarmente longo.

Vale acrescentar que a restrição de acesso é uma posição ponderada, e não um inconveniente. Um modelo que opera um computador de forma autônoma e encontra vulnerabilidades com eficácia é um modelo que um laboratório deve ter cuidado ao distribuir, e o formato de implantação decorre da constatação dessa capacidade. Isso não torna mais fácil adquiri-lo, mas significa que é improvável que a restrição seja afrouxada por meio de um ticket de suporte.

Mesmo penhasco, mesma família, duas vezes

Ambos os modelos têm a mesma cláusula de contexto longo, que é a coisa mais cara de passar despercebida em qualquer uma das tabelas de preços. Requisições que ultrapassam 272.000 tokens de entrada são cobradas pelo dobro das tarifas de entrada e de cache e 1,5x a tarifa de saída — pela requisição inteira, não apenas pela parte que ultrapassa o limite. No Astra, isso transforma uma chamada de US$ 10,00/US$ 50,00 em US$ 20,00/US$ 75,00. No Luna, transforma US$ 0,10/US$ 0,50 em US$ 0,20/US$ 0,75.

Como a cláusula é proporcional, ela não altera a proporção entre os dois modelos — ela dobra os dois. O que ela muda é o tamanho absoluto do erro, e o erro é mais provável no Astra, porque as cargas de trabalho para as quais o Astra existe são as que carregam um contexto de trabalho de um milhão de tokens. Uma única chamada do Astra de contexto longo custa US$ 75 por milhão de tokens de saída; dividir o mesmo trabalho em duas chamadas abaixo de 272K reduz isso pela metade sem qualquer alteração no prompt. Em um modelo cuja proposta de valor inteira é trabalho de longo horizonte, vale fazer essa conta antes da primeira chamada de produção, não depois.

A decisão é uma decisão de roteamento.

O que torna este emparelhamento incomum entre as comparações neste blog é que ambos os modelos pertencem ao mesmo fornecedor, rodam na mesma conta e são acessados pelo mesmo endpoint. Não há um segundo contrato para assinar nem um segundo SDK para aprender. A escolha entre eles não é de modo algum uma decisão de compra — é uma decisão de roteamento, e é uma que a maioria das equipes deveria tomar por requisição, em vez de uma única vez.

A forma da divisão está clara o suficiente. Luna para as milhares de pequenas chamadas que um agente faz no caminho até uma tarefa: classificação, extração, seleção de ferramentas, sumarização de um resultado intermediário. Astra para a tarefa em si, uma vez, no final, onde a resposta é o produto. Isso é um pipeline de dois níveis dentro de uma única aplicação, e a diferença de custo entre executar tudo no Astra e executar o loop interno no Luna é a diferença entre uma economia unitária viável e uma inviável.

O GPT-6 Astra está no OrcaRouter pelo preço de tabela da OpenAI, sob preços de repasse, o que significa que uma mudança de tarifas da OpenAI entra em vigor do nosso lado no mesmo dia. O GPT-6 Luna não está no nosso catálogo até o momento desta redação e é acessado pela própria API da OpenAI, portanto, uma equipe que queira os dois usa uma única chave para o GPT-6 Astra junto com o que já utiliza para a OpenAI. Este também é o emparelhamento em que a fusão de modelos se justifica: um painel formado por um modelo barato de alto rendimento e um modelo caro e cuidadoso respondendo em conjunto, com o membro barato fazendo a maior parte do trabalho e o caro arbitrando, é uma configuração que a camada de roteamento consegue expressar sem que a aplicação saiba que qualquer um dos modelos existe.

Qual deles, e quando

Escolha o GPT-6 Luna a menos que você tenha um motivo específico para não fazê-lo. Ele custa um centésimo do preço da tabela de preços e um quarenta e seis avos do preço por tarefa concluída, é três vezes mais rápido, seu primeiro token chega em um tempo que um usuário consegue esperar, e pode-se instruí-lo a parar de raciocinar completamente — e é isso que o torna utilizável como classificador. Defina o parâmetro de esforço explicitamente, porque o padrão é médio e o 37 em destaque é um número de esforço máximo. Mantenha chamadas longas abaixo de 272.000 tokens de entrada. Verifique a regressão de dois pontos do Coding Agent Index na sua própria avaliação, em vez de num gráfico do fornecedor.

Escolha o GPT-6 Astra quando a tarefa for longa e a resposta for o produto. Uso de computador em muitos passos, análise profissional com um endpoint verificável, qualquer coisa em que dezesseis pontos de índice sejam a diferença entre terminar e parar em silêncio. Aceite o tempo até o primeiro token — 208 segundos em xhigh não é um número que você possa colocar atrás de um humano — e aceite a barreira de procurement se sua organização tiver uma. Depois, execute tudo o que leva até essa tarefa no nível barato, porque é no loop interno que o dinheiro vai.

O erro que essa comparação convida a cometer é tratá-la como uma escolha entre dois modelos. É uma escolha sobre onde cada um se situa em um pipeline, e a resposta é quase sempre ambos.