GPT-6 Luna читает Slack за $0.007 за тред: что скрывает это число

Семь десятых цента. Именно это Agent Initiative Benchmark от Deepnote Research зафиксировал как среднюю стоимость того, чтобы GPT-6 Luna обработала одну рабочую ситуацию внутри смоделированной компании — прочитала сообщения, решила, нужно ли кому-либо что-то сообщать, и ответила в нужном канале. Claude Fable 5.1 на тех же пятидесяти ситуациях, с теми же инструментами и тем же 180-секундным лимитом на ответ, обходилась в среднем в $3,02 при результате на 1,1 балла выше: 7,50 из 10 против 6,38. В собственном описании бенчмарка две модели названы «различающимися в цене в 430 раз», и арифметика подтверждается: $3,02, делённые на $0,0070, равны 431.

GPT-6 Luna находится в общем доступе с 22 сентября 2026 года, а 13 ноября по ленте разошлось сравнение — история о том, как дешёвая модель догоняет дорогую. На самом деле история интереснее, и для заголовка она чуть менее лестная. В собственной строке Luna в той таблице девять прогонов получили 10 из 10, а девять — ноль, и причина, по которой проактивного агента трудно купить, не в среднем показателе — она в нулях.

Что на самом деле выполнил бенчмарк

Agent Initiative — это не очередной статичный набор вопросов. Deepnote создала вымышленную софтверную компанию PageMantle — 71 сотрудник, 100 корпоративных клиентов, шесть лет взаимосвязанных записей, около 10 ГБ данных в одиннадцати сервисах, включая Slack, Notion, Linear, HubSpot, Stripe, PostHog, BigQuery и Snowflake, — а затем запустила в неё двенадцать передовых моделей в качестве скрытых наблюдателей. Каждая модель получила одинаковые инструкции, одинаковый доступ к инструментам, одинаковый снимок компании и одинаковый лимит времени. Задача состояла в том, чтобы читать новые сообщения в Slack и решать, стоит ли разбираться, где отвечать и отвечать ли вообще.

Панель маленькая и намеренно неудобная:

• Пятьдесят ситуаций по восьми типам задач — анализ (8), проверка (7), координация, объяснение, диагностика, принятие решений и контроль (по 6 каждого) и поиск (5).

• Сорок из пятидесяти нуждались в сообщении; десять были ловушками, где верным ходом было молчание.

• Два судьи на базе LLM, не знающие, какая модель выполнила прогон, оценивают от 0 до 10 по вмешательству, доказательности, тону и размещению аудитории.

• Каждая модель при высоком уровне усилий на рассуждение, при этом время выполнения инструментов не учитывается в 180-секундном лимите.

• Двенадцать моделей из шести лабораторий, всего 600 запусков, с 95%-ными интервалами, полученными путём бутстрэп-ресэмплинга по задачам.

Этот выбор дизайна — сорок кейсов помощи против десяти кейсов молчания — вот почему таблица разделяет модели так, как чат-бенчмарк никогда не делает. Большая часть того, чем постоянно работающий агент занимается весь день, — это решение не говорить, и почти никакая публичная оценка этого не измеряет.

Ссора Луны, полностью

GPT-6 Luna заняла седьмое место из двенадцати с результатом 6,38. Она отправила сообщение в 38 из 40 ситуаций, где это требовалось, — это более высокий показатель попаданий, чем 37 у Claude Sonnet 5.5, — и сделала это за 50 секунд, использовав 13,7 вызова инструментов. Её стоимость за задачу — $0,0070 — самая низкая в этой области: почти в четыре раза ниже, чем $0,026 у DeepSeek V4.1 Flash, и в шестьдесят раз ниже, чем $0,42 у Claude Sonnet 5.5.

Столбец, который имеет значение, — тот, что Deepnote подписывает «Tens / zeros». GPT-6 Astra, лидер с результатом 8,97, записал 26 идеальных прогонов и два нуля. Claude Opus 5.5 — 14 и два. Luna — девять и девять. В бенчмарке, где ноль означает, что агент либо ни разу не заговорил, когда должен был, либо вступил в ситуацию, которую неверно понял, каждый пятый прогон Luna был списан в утиль — против одного из двадцати пяти у двух моделей выше. В среднем по пятидесяти задачам агент, который великолепен в половине случаев и отсутствует в другой половине, выглядит как B-minus. При развёртывании в Slack реальной команды он выглядит как коллега, который либо блестящ, либо молчит, и никто не может предсказать, что именно.

Заголовок «430x» с приведёнными расчётами

Это число реально, и это также наиболее выгодная из доступных формулировок — по двум причинам, которые стоит назвать прямо.

Во-первых, Claude Fable 5.1 — не текущая модель Anthropic. Текущая — Claude Fable 5.2, и она набрала 8,17 в том же бенчмарке при стоимости 1,87 доллара за задачу. По сравнению с преемницей GPT-6 Luna в 267 раз дешевле и отстаёт на 1,79 балла. Это менее цитируемая формулировка и более значимая для принятия решения, потому что никто, кто выбирает модель на этой неделе, не выбирает Fable 5.1 без причины.

Во-вторых, разрыв в 1,1 пункта — это точечная оценка по пятидесяти задачам. Deepnote прямо указывает, что несколько моделей в середине его таблицы находятся внутри перекрывающихся интервалов: он называет Claude Sonnet 5.5, GPT-6 Luna, DeepSeek V4.1 Flash, Mistral Large 4 и Claude Haiku 5.5 кластером в пределах 0,6 пункта друг от друга — и планирует более крупный набор задач в будущей версии. Честное прочтение пары Luna против Fable 5.1 таково: ценовой разрыв измерен с точностью до трёх значащих цифр, а разрыв в качестве — примерно до одной значащей цифры. Любой, кто приводит «отставание всего на 1,1 пункта» так, будто эта десятичная дробь имеет значение, приводит интервал, а не балл.

Число, которое никто не называет: четыре из десяти

Когда правильным ответом было молчание, медианная модель в этой области воздерживалась в шести случаях из десяти. GPT-6 Luna воздерживалась в четырёх. Она вмешалась в шести из десяти ситуаций, где записи уже показывали, что вопрос был урегулирован, — и, как отмечает Deepnote, эти вмешательства не были бессмыслицей. Они были точными, уместными и ненужными. Проверка качества, которая читает только сообщение, никогда не обнаружит такой сбой. Не обнаружит его и опрос удовлетворённости пользователей, потому что никто не жалуется, когда ему сообщают правду.

Но бенчмарк всё равно назначает этому цену. По всей панели неуместная реплика обходилась примерно в 1,8 раза дороже, чем молчание, когда сообщение было нужно. Для агента в Slack, вся идея которого в том, что он читает каждый тред, сценарий отказа — не неверный ответ, который потом исправят. Это медленная эрозия канала: как только команда узнаёт, что треть сообщений бота — шум, она перестаёт читать любые из них, и ценность правильных вместе с ними падает до нуля.

В отчёте есть вторая, менее заметная ошибка. В задаче на доступ к данным Luna нашла запись, подтверждающую, что администратор по доступам передал дела преемнику, и всё равно направила сотрудника к бывшему администратору. Прочитать правильное доказательство и сделать неверный вывод — это иной дефект, чем пропущенное доказательство, и именно он сохраняется после исправления качества поиска.

Почему семь десятых цента меняют дизайн, а не только счёт

Стоимость за токен — неправильная единица для этого решения, потому что стоимость проактивного агента масштабируется с количеством потоков, с которыми он работает, а не с количеством задаваемых ему вопросов. Диаграмма самой Deepnote наглядно это показывает: $7 за 1 000 задач для GPT-6 Luna против $3 020 за 1 000 для Claude Fable 5.1. При 2 500 потоках в месяц — том же показателе, который используется в бенчмарке для Sol и Fable 5.2, — счёт Luna составляет около $17.50.

Эта цифра достаточно мала, чтобы изменить то, что вы создаёте. При 3 долларах за чтение проактивному агенту приходится быть избирательным ещё до начала работы — кто-то должен решить, за какими каналами стоит следить, а это именно то решение, которое должна была принимать модель. При цене менее цента за чтение вы можете следить за всем и позволить модели выполнять сортировку — и это единственная версия продукта, которая соответствует заявленному предложению.

Кроме того, это покупает второй проход. Прогоните GPT-6 Luna по всем 2 500 тредам примерно за $17,50, пусть она отметит пятьдесят, которые выглядят неоднозначными, и отправьте их в Claude Sonnet 5.5 по $0,42 за штуку: ещё $21, итого около $39 в месяц. Версия того же охвата целиком на Fable 5.1 стоит $7 550. Действительно ли такой гибрид лучше, чем одна Luna, — не проверено: бенчмарк прогонял модели, а не обвязки, и Deepnote говорит об этом в разделе ограничений, — но именно арифметика делает эксперимент достаточно доступным, чтобы его провести.

Сантехника прибыла на три недели раньше.

Дешёвое чтение при каждом вызове — лишь половина того, что нужно постоянно работающему агенту; вторая половина — дешёвый способ задать узкий вопрос. 22 октября 2026 года O​penAI вывела свой Decisions API из беты, и GPT-6 Luna — единственная модель, которую он поддерживает. Эндпоинт возвращает типизированные ответы, а не связный текст — вероятность того, что условие истинно, выбор из фиксированного списка или оценку по упорядоченным уровням, — и O​penAI утверждает, что это примерно в десять раз быстрее, чем задавать тот же вопрос той же модели через Responses API.

Для наблюдателя за Slack это правильная форма. «Противоречит ли эта ветка дате релиза в закреплённом сообщении?» — это предикат, а не абзац. Релиз с общей доступностью поднял лимит до 400 вопросов на запрос, добавил кэширование промптов для общего контекста, разрешил изображения внутри инструкций отдельных вопросов и позволил принимать структурированные данные напрямую через input_json-часть содержимого. Один вызов теперь может оценить активность канала за целый день относительно фиксированного набора доказательств, а не по одному сообщению за раз.

Стоит знать до того, как вы начнёте проектировать с учётом этого: новое кэширование применяется к отправляемым вами общим данным, а не к тарифной сетке Luna, и собственные ограничения модели по-прежнему действуют — окно контекста в 1 050 000 токенов, максимальный ввод 922 000, вывод 128 000 и дата отсечения знаний 18 мая 2026 г. Вызов функций в Chat Completions работает только при значении reasoning effort, равном none; всё, что использует встроенные инструменты, должно проходить через Responses API.

Где заканчиваются доказательства

Бенчмарк на удивление откровенно говорит о собственных ограничениях, и это важно для всех, кто собирается представить модель реальной команде.

• Пятьдесят задач, причём в некоторых категориях всего от пяти до восьми, поэтому рейтинги по категориям — это скорее тенденции, чем строгие упорядочения.

• Фиксированный снимок компании, чьи товарищи по команде никогда не отвечают и который измеряет один вклад, а не месяц накопления контекста.

• Один уровень усилий. Все модели работали на высоком уровне; более низкие и более высокие настройки не тестировались, а значение по умолчанию у Luna — среднее, а не высокое.

• Только Slack. Электронная почта, документы и любые действия, кроме отправки сообщения, не рассматриваются.

• Исторические затраты, а не актуальные котировки. Показатели по каждой задаче — это наблюдения, полученные в ходе прогона, поэтому изменение цены у поставщика сдвигает их.

• Ни один маршрутизатор не тестировался. Deepnote прямо указывает, что его рекомендации по маршрутизации представляют собой рекомендацию по проектированию, экстраполированную из результатов модели.

Существует также противоречие между этой таблицей и независимыми замерами скорости. Deepnote замерила Luna на уровне 50 секунд на ситуацию при высоком усилии. Artificial Analysis, запуская её на максимальном усилии, измерила время до первого токена ответа в 79,33 секунды — на порядок хуже медианы для её ценового сегмента. Оба числа могут быть верны, поскольку они измеряют разные вещи при разных настройках, но эта пара — предупреждение: воспринимаемая задержка постоянно работающего агента определяется регулятором усилий, и повышение его в погоне за нулями сначала стоит секунд, а уже потом долларов.

Выпуск ридера по такой цене

Практическая версия этого бенчмарка — это двухуровневый конвейер, и именно поэтому разница в цене важнее разницы в оценке. GPT-6 Luna при низких или средних усилиях выполняет чтение — каждую ветку, каждый канал, типизированные решения через Decisions API. Порог по этим решениям эскалирует неоднозначные случаи к более сильной модели. Затем дорогая модель обрабатывает десятки веток в месяц вместо тысяч, и её стоимость перестаёт быть отдельной статьёй бюджета.

Этим конвейером проще управлять, когда оба уровня работают через один ключ. OrcaRouter предоставляет GPT-6 Luna, Claude Sonnet 5.5, Claude Fable 5.2 и более 200 других моделей через единый эндпоинт, совместимый с OpenAI, с наценкой 0% — отпускная цена провайдера передаётся как есть, поэтому снижение цены поставщиком отражается у нас в тот же день, а не после того, как реселлер пересчитает цены. DSL маршрутизации объединяет уровни в один вызов (дешёвый первый проход, эскалация по условию), автоматическое переключение при сбое поддерживает работу наблюдателя, если провайдер деградирует, а объединение моделей позволяет панели отвечать совместно, когда один классификационный результат слишком важен, чтобы доверять его одной модели. Ничто из этого не меняет приведённые выше цифры; это лишь устраняет интеграционную работу между ними.

Что могло бы изменить это число?

Две вещи сделали бы эту статью устаревшей: преемник GPT-6 Luna или второй независимый прогон того же бенчмарка с более крупным набором задач. Первое — вопрос календаря OpenAI. Второе уже обещано — Deepnote говорит, что панель из 50 задач будет заменена более крупной выборкой в следующей версии, и его авторы ясно дают понять, что текущую таблицу следует читать как первое измерение, а не как рейтинг.

До тех пор обоснованный вывод уже́, чем версия с таймлайном, и при этом полезнее. GPT-6 Luna — первая модель, достаточно дешёвая, чтобы проактивный агент мог позволить себе ошибаться насчёт того, стоит ли смотреть, и это настоящий порог — разница между продуктом, который делает выборочные срезы данных компании, и тем, который читает их. Она пока недостаточно надёжна, чтобы ошибаться насчёт того, стоит ли говорить. Оценка молчания «четыре из десяти» — та часть таблицы, под которую нужно проектировать: держите чтение дешёвым, запись — под ограничением, а дорогую модель ставьте туда, где на самом деле принимается решение о вмешательстве.