GPT-6 Luna läser Slack för $0,007 per tråd: vad siffran döljer

Sju tiondels cent. Det är vad Deepnote Researchs Agent Initiative Benchmark registrerade som GPT-6 Lunas genomsnittliga kostnad för att hantera en arbetsplatssituation i ett simulerat företag – läsa meddelandena, avgöra om någon behövde få veta något och svara i rätt kanal. Claude Fable 5.1 hade, för samma femtio situationer, med samma verktyg och samma svarstidsbudget på 180 sekunder, i genomsnitt 3,02 dollar för en poäng 1,1 högre: 6,38 av 10 mot 7,50. Benchmarkens egen rapport kallar de två modellerna "430x skillnad i pris", och matematiken stämmer: 3,02 dollar dividerat med 0,0070 dollar är 431.

GPT-6 Luna har varit allmänt tillgänglig sedan den 22 september 2026, och jämförelsen spreds på tidslinjen den 13 november som en historia om en billig modell som kom ikapp en dyr. Det är en mer intressant historia än så, och en något mindre smickrande sådan för rubriken. Lunas egen rad i den tabellen innehåller nio körningar som fick 10 av 10 och nio som fick noll, och anledningen till att en proaktiv agent är svår att köpa är inte genomsnittet – det är nollorna.

Vad benchmarken faktiskt körde

Agent Initiative är inte ännu en statisk frågeuppsättning. Deepnote byggde ett fiktivt mjukvaruföretag som hette PageMantle – 71 anställda, 100 företagskunder, sex års sammankopplade register, cirka 10 GB fördelat över elva tjänster inklusive Slack, Notion, Linear, HubSpot, Stripe, PostHog, BigQuery och Snowflake – och släppte sedan in tolv frontier-modeller som lurkare. Varje modell fick samma instruktioner, samma verktygsåtkomst, samma ögonblicksbild av företaget och samma tidsbudget. Uppgiften var att läsa nya Slack-meddelanden och avgöra om de skulle undersöka saken, var de skulle svara och huruvida de alls skulle svara.

Panelen är liten och medvetet besvärlig:

• Femtio situationer inom åtta uppgiftstyper – Analysera (8), Verifiera (7), Koordinera, Förklara, Diagnostisera, Besluta och Bevaka (6 vardera) samt Hitta (5).

• Fyrtio av de femtio behövde ett meddelande; tio var fällor där rätt drag var tystnad.

• Två LLM-domare, blinda för vilken modell som producerade körningen, som poängsätter 0 till 10 för intervention, evidens, ton och målgruppsplacering.

• Varje modell vid hög resonemangsansträngning, med verktygsexekveringstid undantagen från 180-sekundersklockan.

• Tolv modeller från sex labb, totalt 600 körningar, med 95-procentiga intervall från bootstrap-omsampling på uppgiftsnivå.

Det designvalet – fyrtio hjälpfall mot tio fall av tystnad – är varför tabellen skiljer modeller åt på ett sätt som ett chattbenchmark aldrig gör. Det mesta en alltid påslagen agent gör hela dagen är att besluta sig för att inte tala, och nästan ingen offentlig utvärdering mäter det.

Lunas rad, i sin helhet

GPT-6 Luna slutade på sjunde plats av tolv med 6,38. Den skickade ett meddelande i 38 av de 40 situationer som krävde ett, vilket är en bättre träffkvot än Claude Sonnet 5.5:s 37, och den gjorde det på 50 sekunder med 13,7 verktygsanrop. Dess kostnad per uppgift, $0,0070, är lägst i fältet, nästan fyra gånger lägre än DeepSeek V4.1 Flash:s $0,026 och sextio gånger lägre än Claude Sonnet 5.5:s $0,42.

Kolumnen som spelar roll är den som Deepnote kallar ”Tens / zeros”. GPT-6 Astra, toppscoraren på 8,97, hade 26 perfekta körningar och två nollor. Claude Opus 5.5 hade 14 och två. Luna hade nio och nio. I ett benchmark där en nolla betyder att agenten antingen aldrig talade när den borde ha gjort det eller talade in i en situation som den hade missuppfattat, var en av fem körningar för Luna ett bortfall, mot en av tjugofem för de två modellerna ovanför den. I genomsnitt över femtio uppgifter ser en agent som är utmärkt halva tiden och frånvarande den andra halvan ut som ett B-minus. När den sätts in mot ett verkligt teams Slack ser den ut som en kollega som antingen är briljant eller tyst, och ingen kan förutse vilket.

430x-rubriken, med uträkningen visad

Siffran är verklig, och det är också den mest fördelaktiga inramning som finns, av två skäl som är värda att sägas rakt ut.

För det första är Claude Fable 5.1 inte Anthropics nuvarande modell. Claude Fable 5.2 är det, och den fick 8,17 på samma benchmark till en kostnad av 1,87 dollar per uppgift. Jämfört med efterföljaren är GPT-6 Luna 267 gånger billigare och 1,79 poäng efter. Det är en mindre citatvänlig mening och en mer beslutsrelevant sådan, eftersom ingen som väljer en modell den här veckan väljer Fable 5.1 om de inte har en anledning.

För det andra är gapet på 1,1 poäng en punktuppskattning över femtio uppgifter. Deepnote är tydliga med att flera modeller i mitten av deras tabell ligger inom överlappande intervall – de namnger Claude Sonnet 5.5, GPT-6 Luna, DeepSeek V4.1 Flash, Mistral Large 4 och Claude Haiku 5.5 som ett kluster inom 0,6 poäng från varandra – och de planerar en större uppgiftsuppsättning i en framtida version. Den ärliga tolkningen av paret Luna kontra Fable 5.1 är att prisskillnaden mäts med tre signifikanta siffror och kvalitetsskillnaden mäts med ungefär en. Den som citerar "bara 1,1 poäng efter" som om decimalen vore meningsfull citerar intervallet, inte poängen.

Siffran ingen citerar: fyra av tio

När tystnad var det korrekta svaret avstod medianmodellen inom området sex gånger av tio. GPT-6 Luna avstod fyra gånger. Den ingrep i sex av de tio situationer där registren redan visade att saken hade hanterats – och, som Deepnote påpekar, dessa ingripanden var inte rappakalja. De var korrekta, välplacerade och onödiga. En kvalitetskontroll som bara läser meddelandet kommer aldrig att fånga det felet. Inte heller en användarnöjdhetsundersökning, eftersom ingen klagar över att få höra något sant.

Benchmarken sätter ändå ett pris på det. I panelen som helhet kostade det ungefär 1,8 gånger så mycket att yttra sig olämpligt som att hålla tyst när ett meddelande behövdes. För en Slack-agent vars hela premiss är att den läser varje tråd är felbeteendet inte ett felaktigt svar som rättas. Det är den långsamma erosionen av kanalen: när ett team väl har lärt sig att en tredjedel av botens meddelanden är brus slutar de läsa något av dem, och värdet av de korrekta faller till noll tillsammans med dem.

Det finns ett andra, tystare fel i rapporten. I en dataåtkomstuppgift hittade Luna posten som bekräftade att en åtkomstadministratör hade överlämnat uppdraget till en efterträdare, och hänvisade ändå den anställde till den tidigare administratören. Att läsa rätt bevisning och dra fel slutsats är en annan defekt än att sakna bevisning, och det är den som överlever en åtgärd för att förbättra sökningens kvalitet.

Varför sju tiondels cent förändrar designen, inte bara räkningen

Kostnad per token är fel enhet för detta beslut, eftersom en proaktiv agents kostnad skalar med antalet trådar den berör, inte med antalet frågor den ställs inför. Deepnotes eget diagram gör poängen konkret: 7 USD per 1 000 uppgifter för GPT-6 Luna mot 3 020 USD per 1 000 för Claude Fable 5.1. Vid 2 500 trådar i månaden, samma siffra som benchmarken använder för Sol och Fable 5.2, är Lunas räkning cirka 17,50 USD.

Den siffran är tillräckligt liten för att förändra vad du bygger. Med $3 per läsning måste en proaktiv agent vara selektiv innan den börjar – någon måste avgöra vilka kanaler som är värda att bevaka, vilket är precis det omdöme som modellen var tänkt att göra. Med mindre än en cent per läsning kan du bevaka allt och låta modellen göra triageringen, vilket är den enda versionen av produkten som matchar pitchen.

Det ger också en andra omgång. Kör GPT-6 Luna över alla 2 500 trådar för ungefär 17,50 dollar, låt den flagga de femtio som verkar tvetydiga och skicka dem till Claude Sonnet 5.5 för 0,42 dollar styck: 21 dollar mer, för en totalsumma nära 39 dollar i månaden. Versionen med enbart Fable 5.1 för samma täckning kostar 7 550 dollar. Huruvida den hybriden faktiskt slår Luna ensam är otestat – benchmarken körde modeller, inte utvärderingsramverk, och det säger Deepnote i sina begränsningar – men aritmetiken är det som gör experimentet billigt nog att köra.

VVS-materialet anlände tre veckor tidigare

Billig läsning per anrop är bara hälften av vad en alltid påslagen agent behöver; den andra hälften är ett billigt sätt att ställa en snäv fråga. Den 22 oktober 2026 tog OpenAI sin Decisions API ur beta, och GPT-6 Luna är den enda modellen som stöds. Slutpunkten returnerar typade svar i stället för prosa – en sannolikhet att ett villkor är sant, ett val från en fast lista eller en poäng mot ordnade nivåer – och OpenAI hävdar att den är ungefär tio gånger snabbare än att ställa samma fråga till samma modell via Responses API.

För en Slack-bevakare är det rätt form. "Motsäger den här tråden releasedatumet i det fästa meddelandet?" är ett predikat, inte ett stycke. GA-versionen höjde taket till 400 frågor per begäran, lade till promptcachelagring för delad kontext, tillät bilder i enskilda frågeinstruktioner och tog emot strukturerad data direkt via en input_json innehållsdel. Ett enda anrop kan nu utvärdera en hel dags kanalaktivitet mot en fast bevisuppsättning i stället för ett meddelande i taget.

Värt att veta innan du utformar något kring det: den nya cachelagringen gäller det delade underlag du skickar, inte Lunas prislista, och modellens egna gränser gäller fortfarande – ett kontextfönster på 1 050 000 token, maximalt 922 000 indata, 128 000 utdata och en kunskapsgräns den 18 maj 2026. Funktionsanrop i Chat Completions fungerar bara när resonemangsansträngningen är inställd på none; allt med inbyggda verktyg måste gå via Responses API.

Där bevisningen slutar

Benchmarken är ovanligt öppenhjärtig om sina egna gränser, och de spelar roll för alla som är på väg att sätta en modell framför ett verkligt team.

• Femtio uppgifter, där vissa kategorier bara har fem till åtta, så rankningarna per kategori är tendenser snarare än ordningsföljder.

• En fast ögonblicksbild av företaget där teammedlemmarna aldrig svarar, och som mäter ett enskilt bidrag i stället för en månads ackumulerad kontext.

• En ansträngningsnivå. Varje modell kördes på hög; lägre och högre inställningar testades inte, och Lunas standard är medium, inte hög.

• Endast Slack. E-post, dokument och alla åtgärder utöver att skicka ett meddelande ligger utanför omfattningen.

• Historiska kostnader, inte aktuella priser. Siffrorna per uppgift är observationer från körningen, så en ändring av leverantörens pris påverkar dem.

• Ingen router testades. Deepnote är tydliga med att deras routingråd är en designrekommendation som extrapolerats från modellresultat.

Det finns också en spänning mellan den tabellen och de oberoende hastighetsmätningarna. Deepnote mätte Luna till 50 sekunder per situation vid hög ansträngning. Artificial Analysis, som körde den på maximal ansträngning, mätte en tid till första svarsoken på 79,33 sekunder – en storleksordning sämre än medianen för dess prisklass. Båda siffrorna kan vara sanna, eftersom de mäter olika saker vid olika inställningar, men paret är en varning: en alltid påslagen agents upplevda latens bestäms av ansträngningsvredet, och att skruva upp det för att jaga nollorna kostar sekunder innan det kostar dollar.

Att distribuera en läsare till detta pris

Den praktiska versionen av denna benchmark är en pipeline i två nivåer, och det är anledningen till att prisskillnaden spelar större roll än poängskillnaden. GPT-6 Luna med låg eller medelhög ansträngning står för läsningen – varje tråd, varje kanal, skrivna beslut via Decisions API. Ett tröskelvärde för dessa beslut eskalerar de tvetydiga fallen till en starkare modell. Den dyra modellen hanterar då tiotals trådar i månaden i stället för tusentals, och dess kostnad upphör att vara en budgetpost.

Den pipelinen är enklare att köra när båda nivåerna ligger bakom en enda nyckel. OrcaRouter tillgängliggör GPT-6 Luna, Claude Sonnet 5.5, Claude Fable 5.2 och fler än 200 andra modeller via en enda OpenAI-kompatibel endpoint, till 0 % påslag – leverantörens listpris förs vidare oförändrat, så en leverantörs prissänkning slår igenom hos oss samma dag i stället för att vänta på att en återförsäljare ska sätta nytt pris. Routnings-DSL:en sammanfogar nivåerna till ett enda anrop (billig första omgång, eskalera vid ett villkor), automatisk failover håller bevakaren vid liv om en leverantör försämras, och modellfusion låter en panel svara tillsammans när en enskild klassificering är för avgörande för att lita på en enda modell. Inget av detta ändrar siffrorna ovan; det tar bara bort integrationsarbetet mellan dem.

Vad skulle kunna förändra den här siffran?

Två saker skulle göra den här artikeln föråldrad: en GPT-6 Luna-efterträdare, eller en andra oberoende körning av samma benchmark med en större uppsättning uppgifter. Det första är en fråga om OpenAI:s kalender. Det andra är redan utlovat – Deepnote säger att en panel på 50 uppgifter kommer att ersättas av ett större urval i nästa version, och dess författare är tydliga med att den nuvarande tabellen bör läsas som en första mätning snarare än en rangordning.

Fram till dess är den försvarbara slutsatsen snävare än tidslinjeversionen och mer användbar. GPT-6 Luna är den första modellen som är billig nog för att en proaktiv agent ska ha råd att ha fel om huruvida den ska titta, och det är en verklig tröskel – skillnaden mellan en produkt som samplar sin omgivning och en som läser den. Den är ännu inte tillförlitlig nog för att kunna ha fel om huruvida den ska tala. Tystnadspoängen på fyra av tio är den del av tabellen som designen bör utgå från: håll läsningen billig, håll skrivningen bakom en spärr och placera den dyra modellen där beslutet att avbryta faktiskt fattas.