GPT-6 Luna против Claude Sonnet 5.5: два разрыва, а не один

Сведите GPT-6 Luna и Claude Sonnet 5.5 в одном прайс-листе — и соотношение будет обескураживающим: $0.10 против $2.00 за миллион входных токенов, $0.50 против $10.00 за миллион выходных. Поставьте их в одну и ту же оценку — и разрыв будет выглядеть совершенно иначе в зависимости от того, какую оценку выбрать. В Intelligence Index от Artificial Analysis Sonnet 5.5 при максимальном уровне усилий набирает 55, а Luna при максимальном уровне усилий — 28: разрыв в 27 пунктов на табло, где лидеры находятся в пятидесятых. В FrontierCode-AA 2.0 те же две модели набирают 25.7 и 25.2. Это не разрыв. Это ничья.

Обе трактовки верны, и причина их сосуществования — это то, что стоит понять до выбора. Luna — не равномерно более слабая модель, которая продаётся по цене в двадцать раз ниже. У неё специфический профиль: она конкурентоспособна в генерации диффов кода, сильно отстаёт в работе с терминалом, научных рассуждениях и фактологической сдержанности, а первый токен выдаёт примерно на порядок медленнее. Sonnet 5.5 — противоположный профиль: стабильный, быстро стартует и достаточно дорогой, чтобы парк таких моделей требовал бизнес-обоснования.

Две спецификации, размер за размером

• Цена на входные данные за 1 млн — GPT-6 Luna $0,10 против Claude Sonnet 5.5 $2,00, соотношение 20x

• Цена вывода за 1M — GPT-6 Luna $0.50 против Claude Sonnet 5.5 $10.00, а также в 20 раз

• Кэшированный ввод за 1 млн — GPT-6 Luna $0.01 против Claude Sonnet 5.5 $0.10; A​nthropic снизила ставку за чтение кэша у Sonnet до половины от ставки Sonnet 5 на момент запуска, и соотношение с кэшированной ставкой Luna по-прежнему составляет 10x

• Запись в кэш — GPT-6 Luna: $0.125 за 1 млн, надбавка 1,25× к стоимости ввода; Sonnet 5.5 тарифицируется по $2.50 за 1 млн по той же схеме с коэффициентом 1,25×

• Контекстное окно — 1 050 000 токенов у GPT-6 Luna против 1 000 000 у Claude Sonnet 5.5, при этом доступный входной объём Luna ограничен 922 000 токенов.

• Максимальный объём вывода — 128 000 токенов на обоих.

• Ценообразование при длинном контексте — Luna пересчитывает весь запрос свыше 272 000 входных токенов по $0.20 / $0.75; в карточке Sonnet 5.5 нет аналогичного порога, и это тихое преимущество на промптах в 300 тыс. токенов

• Входные данные — текст, изображение и файл в обоих; ни один из них не поддерживает аудио и видео

• Управление рассуждениями — GPT-6 Luna предлагает варианты: нет, низкий, средний (по умолчанию), высокий, xhigh и максимальный, а также его можно полностью отключить; у Claude Sonnet 5.5 есть пять уровней от низкого до максимального, по умолчанию — высокий, и рассуждения всегда включены

• Отсечка знаний — 18 мая 2026 года для GPT-6 Luna; A​nthropic не публикует сопоставимую дату для Sonnet 5.5.

• Релиз — GPT-6 Luna 22 сентября 2026 года; Claude Sonnet 5.5 — 28 сентября 2026 года, с разницей в шесть дней

• Индекс интеллекта AA v5.0.1 — GPT-6 Luna 28 при максимальном уровне усилий против Claude Sonnet 5.5: 42 при его стандартном высоком уровне усилий и 55 при максимальном

• Время до первого токена ответа — GPT-6 Luna: 79,33 с против Claude Sonnet 5.5: 10,21 с на одном и том же стенде

• Стоимость одной задачи Intelligence Index — GPT-6 Luna $0.15 против Claude Sonnet 5.5 $1.64

Цена в двадцать раз выше, счёт — в одиннадцать раз больше.

Соотношение цен по прайс-листу — ровно 20x. Измеренное соотношение на реальной рабочей нагрузке таким не является, потому что стоимость выполнения задачи также учитывает, сколько токенов каждая модель расходует на получение ответа. В прогоне индекса Artificial Analysis Luna израсходовала токенов на $136 для прохождения набора, а Sonnet 5.5 — на $1,268, то есть примерно в 9,3 раза больше. Показатель Luna на одну задачу в $0.15 против $1.64 у Sonnet — это соотношение 10,9.

Эта разница одновременно играет на руку Luna и против неё — в зависимости от вашей нагрузки. Luna генерирует много токенов рассуждений для дешёвой модели: при максимальном усилии она более разговорчива из двух в расчёте на единицу оценки, поэтому 20-кратное соотношение по прайс-листу сжимается примерно до 10-кратного в счёте. На нагрузке, где преобладает вывод — длинные генерации, итеративные правки кода, всё, что пишет абзацы, — сжатие для Luna становится сильнее, потому что её тариф на вывод — дорогая половина карточки. На нагрузке, где преобладает ввод — поиск, чтение логов, ответы на вопросы по документам на фиксированном корпусе, — 20-кратное соотношение сохраняется почти точно, а кэширование делает его ещё лучше.

Ещё одно арифметическое замечание, которое меняет ответ для команды, уже платящей по ценам Anthropic: Anthropic описывает Sonnet 5.5 как модель, которая стоит до 30% меньше за задачу, чем Sonnet 5, несмотря на неизменную тарифную сетку, потому что ей требуется меньше токенов для той же работы. Команда, переходящая с Sonnet 5 на Sonnet 5.5, получает реальную скидку, не меняя прайс-лист. Команда, переходящая с Sonnet 5.5 на Luna, получает скидку в 10 раз и очень другую модель.

Где разрыв превращается в пропасть, и почему важна страховочная привязь

Terminal-Bench 4.0 — самое явное расхождение в таблице: 43,9% у Sonnet 5.5 против 12,6% у Luna, измеренные одним и тем же оценщиком в одинаковых условиях. В Terminal-Bench-Science у Luna дела ещё хуже — 34,3% против 8,6%. Если работа — это сеанс командной оболочки, система сборки, падающий набор тестов, который приходится диагностировать по нескольким файлам, двадцатикратная скидка — вовсе не скидка. Luna не будет завершать задачу достаточно часто, чтобы цена имела значение.

Будьте осторожны с цифрами, которые приводите для Sonnet: здесь их две, и сопоставима только одна. В публикации Anthropic о запуске указано 70,6% на Terminal-Bench 4.0 — более чем на 26 пунктов выше того, что измерил независимый совет. Ни одна из этих цифр не является нечестной; цифра вендора получена с помощью собственного харнесса Anthropic, политики инструментов и скаффолдинга промптов, а результаты Terminal-Bench существенно меняются при изменении всех трёх. Deepnote высказала ту же мысль с другой стороны в своём Agent Initiative Benchmark: «результаты отражают только модели, а не харнесс», и другой промпт или политика инструментов «изменят каждую цифру здесь». Рассматривайте 70,6% как то, чего Sonnet 5.5 достигает в конфигурации Anthropic, а 43,9% — как то, чего он достигает у кого-то другого. Для сравнения вариантов используйте вторую цифру, потому что вы не будете запускать конфигурацию Anthropic.

Та же осторожность применима и к собственным вендорским цифрам Luna. OpenAI сообщает, что GPT-6 Luna при максимальном уровне усилий набирает 66,6% на DeepSWE v1.1 — «сопоставимо с Claude Opus 5 и Fable 5 при среднем уровне усилий» — при затратах на задачу на 93–96% ниже. Это результат, заявленный вендором в проведённой вендором оценке, и он ничего не говорит о Terminal-Bench, где независимая цифра составляет 12,6%. Оба предложения описывают одну и ту же модель.

Где разрыв сводится к ошибке округления

FrontierCode-AA 2.0 проверяет, создаёт ли агент для программирования изменение, готовое к слиянию в реальный репозиторий. Luna набирает 25,2. Sonnet 5.5 набирает 25,7. Полбалла при двадцатикратной разнице в цене, и оба значительно ниже лидеров в бенчмарке, где сильная модель превышает 46%.

Читайте это внимательно, прежде чем делать очевидный вывод. Низкий абсолютный балл на сложном бенчмарке означает, что обе модели терпят неудачу в большинстве случаев; когда две модели обе терпят неудачу в большинстве случаев, разница в полбалла — в основном шум. Полезное утверждение — не «Luna пишет код так же хорошо, как Sonnet 5.5». Оно более узкое: на задачах такого стиля и такой сложности дополнительные двадцатикратные затраты не дают ничего измеримого. Если ваш рабочий процесс похож на FrontierCode — самодостаточные правки в известной кодовой базе, проверяемые человеком перед слиянием, — Luna является оправданным первым проходом, чей результат рецензент всё равно собирался переписывать.

Два других показателя оказываются в похожем диапазоне: AutomationBench-AA даёт Sonnet 5.5 59,4%, а Luna — 53,2%, а GDP.pdf — 25,2% против 22,8%. Ни один из них не является ничьей, но оба находятся в диапазоне, где промпт-инжиниринг и выбор инструментов могут изменить порядок на ваших собственных данных.

Две области, где Luna действительно хуже, а не просто отличается

Знания и задержка, и ни то ни другое не исправить снижением цены.

AA-Omniscience v1.1 измеряет, знает ли модель, чего она не знает. Sonnet 5.5 показывает чистый балл +19; Luna — −8. Отрицательный чистый балл в этом тесте означает, что сфабрикованные ответы модели достаточно часто превосходят по числу правильные, чтобы утянуть итог ниже нуля. Это самое значимое число в данном сравнении для тех, кто создаёт агента, отвечающего без участия человека, и именно это число бенчмарк, ориентированный на программирование, никогда не выявит. В сочетании с результатом Luna 38,5 на Humanity's Last Exam против 56,0 у Sonnet 5.5 картина остаётся согласованной: Luna — компетентный исполнитель инструкций со слабой фактологической базой.

Задержка — это второй фактор. Sonnet 5.5 выдаёт первый токен ответа примерно за 10 секунд; Luna при максимальном уровне усилий на том же стенде — примерно за 79. Если уменьшить уровень усилий, этот разрыв сокращается — цена за это — бюджет рассуждений Luna, — но тогда вы сравниваете Luna с пониженными усилиями с Sonnet на полной мощности, и разрыв в оценке соответственно увеличивается. Для интерактивного продукта это часто становится решающим фактором независимо от цены. Для пакетной задачи, которая выполняется за ночь, это неважно.

Единственный бенчмарк, где они почти сравнялись на реальной работе

Artificial Analysis оценивает модели по вопросам. Agent Initiative Benchmark от Deepnote оценивает их на задаче: пятьдесят смоделированных рабочих ситуаций внутри вымышленной компании, где модель читает Slack и решает, стоит ли разбираться, где отвечать и отвечать ли вообще. Claude Sonnet 5.5 набрал 6,65 при стоимости $0,42 за ситуацию и завершил за 15 секунд. GPT-6 Luna набрал 6,38 при стоимости $0,0070 и занял 50 секунд.

Далее следуют два момента. Разница в качестве на этом типе задач — четверть балла — меньше интервала, который сообщает бенчмарк, поэтому Deepnote объединяет их с DeepSeek V4.1 Flash, Mistral Large 4 и Claude Haiku 5.5 в кластер, который, по его словам, «укладывается в 0,6 балла с перекрывающимися интервалами». А разница в стоимости составляет 60 раз, а не 20, потому что Sonnet 5.5 при высоком уровне усилий расходует примерно двадцать тысяч токенов на ситуацию, тогда как Luna расходует гораздо меньше.

Разница — в дисциплине, а не в возможностях. Модель Sonnet 5.5 воздержалась от ответа в 6 из 10 ситуаций, требовавших молчания; Luna — в 4. У Sonnet 5.5 — 11 идеальных прогонов и 7 нулей из 50; у Luna — 9 и 9. Если задача — чаще быть правой и молчать, когда не уверена, дорогая модель оправдывает свою цену. Если задача — читать всё, чтобы второй, более строгий фильтр мог решать, что показывать, дешёвая — единственный вариант, укладывающийся в бюджет.

Функция, которая на самом деле их отличает, — это выключатель.

GPT-6 Luna принимает reasoning_effort: "none". Claude Sonnet 5.5 — нет: рассуждение всегда включено на всех его пяти уровнях, которые A​nthropic перекалибровала относительно Sonnet 5, поэтому унаследованной интеграции следует перенастроить этот параметр, а не переносить старую настройку.

Это единственное различие объясняет большую часть кривой затрат. Вызов классификации, решение о маршрутизации, извлечение данных по известной схеме: ничему из этого не нужна трассировка рассуждений, и Luna можно указать её пропускать. Та же работа на Sonnet 5.5 оплачивает рассуждения независимо от того, помогают они или нет. Это также объясняет ограничение, о котором стоит знать до того, как вы начнёте строить на этом: в Chat Completions Luna поддерживает вызов функций только когда reasoning effort установлен в none, поэтому всё, что требует инструментов, должно идти через Responses API. Sonnet 5.5 поддерживает инструменты на любой из поверхностей — через нативный Messages API или формат, совместимый с O​penAI.

API Decisions от OpenAI, общедоступный с 22 октября 2026 года, — это самое узкое выражение той же идеи: типизированные ответы — вероятность, выбор, оценка по рубрике — от GPT-6 Luna и никакой другой модели, примерно при одной десятой задержки, которую OpenAI указывает для той же модели через Responses. Если вопрос звучит так: «противоречит ли этот тикет этой записи заказа», Luna теперь может ответить в своей нативной форме, вообще не генерируя прозу.

Выбирая между ними

• Длительная работа в терминале, исправление сборок, отладка нескольких файлов — Claude Sonnet 5.5. Показатель Luna 12,6% в Terminal-Bench 4.0 — это не вопрос бюджета.

• Всё, где неверный ответ дорого обходится и никто это не проверяет, — Claude Sonnet 5.5, за счёт преимущества +19 против −8 в разбивке Omniscience.

• Интерактивные интерфейсы, где 79 секунд до первого токена — это дефект продукта — Claude Sonnet 5.5.

• Высокообъёмная классификация, извлечение данных, маршрутизация или первичный читатель перед более строгим фильтром — GPT-6 Luna, при уровне усилия none или low, где ни одно из преимуществ Sonnet не задействовано.

• Самодостаточные правки кода, которые рецензент и так будет читать, — GPT-6 Luna в качестве первого прохода, Sonnet 5.5 в качестве пути эскалации. Именно разница в полбалла у FrontierCode делает такое разделение спорным, а не безрассудным.

Запускать обе — это вариант, который тарифные карты не рекламируют, но цифры поддерживают. Каскадная схема — Luna для 90% вызовов, которые дешёвы и узки, Sonnet 5.5 для 10%, которые что-то решают, — обходится ближе к счёту Luna, чем к счёту Sonnet, сохраняя при этом суждение Sonnet там, где суждение важно. OrcaRouter ставит обе модели за один O​penAI-совместимый ключ наряду с более чем 200 другими, с наценкой 0% и сквозной передачей прайсовой цены провайдера, так что соотношение 20x в таблице — это соотношение 20x в счёте, и изменение цены поставщика доходит до вас в тот же день. Поскольку обе принимают формат chat-completions O​penAI, разделение по уровням — это правило маршрутизации, а не вторая интеграция: DSL маршрутизации сначала отправляет запрос в Luna и эскалирует по условию, автоматическое переключение при сбое покрывает замедление провайдера, и никаких правок в коде, когда в каталоге появляется новая модель.

Что изменило бы ответ?

Текущее положение Luna необычайно зависит от изменения одного числа: её фактического минимума. Точечный релиз, который поднимет AA-Omniscience с отрицательного значения до положительного, устранил бы сильнейший аргумент в пользу платы в двадцать раз больше, поскольку разрывы в работе с терминалом и задержке зависят от конкретной нагрузки, тогда как модель, которая выдумывает факты, является проблемой везде. И наоборот, снижение цены Sonnet 5.5 — такое, какое A​nthropic уже делала раньше и которое роутер с 0% наценки передал бы сразу, — сузило бы соотношение достаточно, чтобы для многих команд вопрос разделения на уровни стал неактуальным.

Если не учитывать ни то, ни другое, честный вывод таков: это не заменители. GPT-6 Luna — дешёвый, быстро реагирующий на запросы, скудный на факты «читатель» с переключателем, отключающим мышление. Claude Sonnet 5.5 — более медленно запускающийся, дорогой, надёжный «писатель», который всегда думает. Ошибка — воспринимать 20x как окончательный вердикт. Это бюджет для тех частей работы, где разница не проявляется, — а преимущество FrontierCode в полбалла напоминает о том, что некоторые из этих частей крупнее, чем намекает маркетинг.