GPT-6 Luna vs Claude Sonnet 5.5: Två klyftor, inte en

Ställer man GPT-6 Luna och Claude Sonnet 5.5 på samma prislista är förhållandet pinsamt: 0,10 dollar mot 2,00 dollar per miljon indatatokens, 0,50 dollar mot 10,00 dollar per miljon utdatatokens. Sätter man dem i samma utvärdering ser gapet helt annorlunda ut beroende på vilken utvärdering man väljer. I Intelligence Index från Artificial Analysis får Sonnet 5.5 med maximal ansträngning 55 poäng och Luna med maximal ansträngning 28 poäng – en spridning på 27 poäng på en lista där toppen av fältet ligger på femtitalet. På FrontierCode-AA 2.0 får samma två modeller 25,7 respektive 25,2. Det är inte ett gap. Det är oavgjort.

Båda tolkningarna är korrekta, och anledningen till att de samexisterar är det som är värt att förstå innan man väljer. Luna är inte en genomgående svagare modell som säljs för en tjugondel av priset. Det är en modell med en specifik profil: konkurrenskraftig vid generering av koddiffar, långt efter när det gäller terminalarbete, vetenskapligt resonemang och faktamässig återhållsamhet, och ungefär en storleksordning långsammare på att producera sin första token. Sonnet 5.5 har den motsatta profilen – konsekvent, snabb att komma igång och tillräckligt dyr för att en flotta av dem ska kräva ett affärscase.

De två specifikationsbladen, dimension för dimension

• Indatapris per 1M – GPT-6 Luna $0,10 vs Claude Sonnet 5.5 $2,00, ett 20:1-förhållande

• Utpris per 1M – GPT-6 Luna $0,50 vs Claude Sonnet 5.5 $10,00, även 20x

• Cachad indata per 1M – GPT-6 Luna $0.01 vs Claude Sonnet 5.5 $0.10; A​nthropic sänkte Sonnets cache-läsningstaxa till hälften av Sonnet 5:s vid lansering, och förhållandet till Lunas cachade taxa är fortfarande 10x

• Cache-skrivningar – GPT-6 Luna $0,125 per 1M, en premie på 1,25x på indata; Sonnet 5.5 debiteras $2,50 per 1M enligt samma 1,25x-konvention

• Kontextfönster – 1 050 000 tokens för GPT-6 Luna jämfört med 1 000 000 för Claude Sonnet 5.5, med Lunas användbara indata begränsad till 922 000

• Maximal utdata – 128 000 tokens på båda

• Prissättning för långa kontexter – Luna prissätter om hela förfrågan över 272 000 indatatokens till $0.20 / $0.75; Sonnet 5.5:s priskort har ingen motsvarande tröskel, vilket är en tyst fördel vid prompter på 300 000 tokens

• Inmatningsmodaliteter - text, bild och fil på båda; ingen av dem tar emot ljud eller video

• Resonemangskontroll – GPT-6 Luna erbjuder ingen, låg, medel (standard), hög, xhigh och max, och kan stängas av helt; Claude Sonnet 5.5 har fem nivåer från låg till max med hög som standard, och resonemang är alltid på

• Kunskapsavgränsning – 18 maj 2026 för GPT-6 Luna; A​nthropic publicerar inte något jämförbart datum för Sonnet 5.5

• Lansering – GPT-6 Luna den 22 september 2026; Claude Sonnet 5.5 den 28 september 2026, med sex dagars mellanrum

• AA Intelligence Index v5.0.1 – GPT-6 Luna 28 med maximal insats jämfört med Claude Sonnet 5.5 42 med standardinställningen hög insats och 55 med max

• Tid till första svarstoken – GPT-6 Luna 79,33 s mot Claude Sonnet 5.5 10,21 s på samma board

Kostnad per Intelligence Index-uppgift – GPT-6 Luna $0.15 vs Claude Sonnet 5.5 $1.64

Tjugo gånger priset, elva gånger notan

Listprisförhållandet är ett rent 20x. Det uppmätta förhållandet på en verklig arbetsbelastning är det inte, eftersom kostnad per uppgift också räknar hur många tokens varje modell gör av med för att nå ett svar. I Artificial Analysiss indexkörning förbrukade Luna $136 i tokens för att slutföra sviten och Sonnet 5.5 förbrukade $1 268 – cirka 9,3x. Lunas siffra per uppgift på $0,15 mot Sonnets $1,64 är ett förhållande på 10,9.

Den skillnaden talar både för och emot Luna samtidigt, beroende på din arbetsbelastning. Luna avger många resonemangstokens för att vara en billig modell: vid maximal ansträngning är den den mer pratsamma av de två per poängenhet, vilket är anledningen till att listkvoten på 20x pressas ihop till ungefär 10x på en faktura. I en arbetsbelastning där utdata dominerar – långa genereringar, iterativa kodändringar, allt som skriver stycken – blir komprimeringen sämre för Luna, eftersom dess utdatahastighet är den dyra hälften av kortet. I en arbetsbelastning där indata dominerar – hämtning, loggläsning, dokument-QA över en fast korpus – håller 20x nästan exakt, och cachning gör det ännu bättre.

Ytterligare en räkneanmärkning som ändrar svaret för ett team som redan betalar A​nthropic-priser: Sonnet 5.5 beskrivs av A​nthropic som att kosta upp till 30 % mindre per uppgift än Sonnet 5 trots en oförändrad prislista, eftersom det behöver färre tokens för att utföra samma arbete. Ett team som går från Sonnet 5 till Sonnet 5.5 får en verklig rabatt utan att ändra en prislista. Ett team som går från Sonnet 5.5 till Luna får en 10x rabatt och en mycket annorlunda modell.

Där klyftan är en avgrund, och varför selen har betydelse

Terminal-Bench 4.0 är den tydligaste skillnaden i tabellen: 43,9 % för Sonnet 5.5 mot 12,6 % för Luna, mätt av samma utvärderare under samma förhållanden. Terminal-Bench-Science är ännu sämre för Luna – 34,3 % mot 8,6 %. Om arbetet är en skalsession, ett byggsystem eller en sviktande testsvit som måste diagnostiseras över flera filer, är den tjugofaldiga rabatten ingen rabatt alls. Luna kommer inte att slutföra uppgiften tillräckligt ofta för att priset ska spela någon roll.

Var försiktig med siffrorna du anger för Sonnet här, eftersom det finns två av dem och bara den ena är jämförbar. Anthropics lanseringsinlägg rapporterar 70,6 % på Terminal-Bench 4.0 – mer än 26 punkter över vad den oberoende nämnden uppmätte. Ingen av siffrorna är ohederlig; leverantörens siffra kommer från Anthropics egen testrigg, verktygspolicy och promptstruktur, och Terminal-Bench-resultat förändras avsevärt med alla tre. Deepnote gjorde samma poäng från andra hållet i sitt Agent Initiative Benchmark: "resultaten speglar endast modellerna, inte testriggen" och en annan prompt eller verktygspolicy "kommer att förändra varje siffra här." Betrakta 70,6 % som vad Sonnet 5.5 uppnår i Anthropics uppsättning och 43,9 % som vad den uppnår i någon annans. När du ska jämföra är det den andra siffran du bör använda, eftersom du inte kommer att köra Anthropics uppsättning.

Samma försiktighet gäller för Lunas egna leverantörssiffror. OpenAI rapporterar att GPT-6 Luna med maximal ansträngning får 66,6 % på DeepSWE v1.1, ”jämförbart med Claude Opus 5 och Fable 5 vid medelhög ansträngning”, till 93 %–96 % lägre kostnad per uppgift. Det är ett leverantörsrapporterat resultat från en utvärdering som leverantören själv kört, och det säger ingenting om Terminal-Bench, där den oberoende siffran är 12,6 %. Båda meningarna beskriver samma modell.

Där klyftan krymper till ett avrundningsfel

FrontierCode-AA 2.0 ställer frågan om en kodagent producerar en ändring som är redo att mergeas in i ett riktigt repository. Luna får 25,2. Sonnet 5.5 får 25,7. En halv poäng, med en tjugo gånger så stor prisskillnad, och båda ligger långt under ledarna på ett benchmark där en stark modell klarar 46 %.

Läs det noggrant innan du drar den uppenbara slutsatsen. Ett lågt absolutvärde på ett svårt benchmark innebär att båda modellerna misslyckas oftast; när två modeller båda misslyckas oftast är en halvpoängsskillnad mestadels brus. Det användbara påståendet är inte "Luna kodar lika bra som Sonnet 5.5". Det är snävare: för den här typen av uppgift, på den här svårighetsgraden, ger den extra tjugofaldigheten inget mätbart. Om din arbetsbelastning liknar FrontierCode – fristående ändringar i en känd kodbas, granskade av en människa före sammanslagning – är Luna ett försvarbart första utkast vars resultat en granskare ändå skulle skriva om.

Två andra mätvärden ligger i samma härad: AutomationBench-AA placerar Sonnet 5.5 på 59,4 % och Luna på 53,2 %, och GDP.pdf på 25,2 % mot 22,8 %. Ingen av dem är oavgjord, men båda ligger inom intervallet där promptteknik och verktygsval kan vända ordningen på dina egna data.

De två punkter där Luna verkligen är sämre, inte bara annorlunda

Kunskap och latens, och ingendera går att åtgärda med en prissänkning.

AA-Omniscience v1.1 mäter huruvida en modell vet vad den inte vet. Sonnet 5.5 får netto +19; Luna får netto -8. Ett negativt nettoresultat i den utvärderingen innebär att modellens påhittade svar tillräckligt ofta är fler än dess korrekta svar för att dra ner totalen under noll. Det är det enskilt mest avgörande talet i den här jämförelsen för den som bygger en agent som svarar utan en människa i loopen, och det är talet som ett benchmark inriktat på kodning aldrig kommer att synliggöra. Tillsammans med Lunas 38,5 på Humanity's Last Exam mot Sonnet 5.5:s 56,0 är bilden konsistent: Luna är en kompetent instruktionsföljare med en tunn faktagrund.

Latens är den andra faktorn. Sonnet 5.5 når sin första svarstoken på cirka 10 sekunder; Luna tar cirka 79 vid maximal ansträngning på samma resultattavla. Skruva ner ansträngningsnivån och gapet minskar – Lunas resonemangsbudget är kostnaden – men då jämför du en Luna med lägre ansträngning mot en Sonnet på full styrka, och poänggapet ökar i motsvarande grad. För en interaktiv produkt är detta ofta den avgörande faktorn oavsett pris. För ett batchjobb som körs över natten är det irrelevant.

Det enda benchmark där de nästan ligger lika på ett riktigt jobb

Artificial Analysis mäter modeller på frågor. Deepnote's Agent Initiative Benchmark mäter dem på en uppgift: femtio simulerade arbetsplatssituationer i ett fiktivt företag, där modellen läser Slack och avgör om den ska undersöka saken, var den ska svara och om den överhuvudtaget ska svara. Claude Sonnet 5.5 fick 6,65 till en kostnad av $0,42 per situation och blev klar på 15 sekunder. GPT-6 Luna fick 6,38 till en kostnad av $0,0070 och tog 50 sekunder.

Två saker följer. Kvalitetsskillnaden för den här uppgiftstypen – en kvarts poäng – är mindre än det intervall som benchmarken rapporterar, vilket är anledningen till att Deepnote grupperar de två med DeepSeek V4.1 Flash, Mistral Large 4 och Claude Haiku 5.5 i ett kluster som enligt dem "hamnar inom 0,6 poäng med överlappande intervall". Och kostnadsskillnaden är 60 gånger, inte 20 gånger, eftersom Sonnet 5.5 gör av med ungefär tjugotusen tokens per situation vid hög ansträngning medan Luna gör av med betydligt mindre.

Skillnaden ligger i disciplin snarare än förmåga. Sonnet 5.5 höll tillbaka i 6 av de 10 situationer som krävde tystnad; Luna höll tillbaka i 4. Sonnet noterade 11 perfekta körningar och 7 nollor av 50; Luna noterade 9 och 9. Om uppgiften är att ha rätt oftare och vara tyst när man är osäker, förtjänar den dyra modellen sitt pris. Om uppgiften är att läsa allt så att en andra, striktare grind kan avgöra vad som ska visas, är den billiga den enda versionen som ryms inom budgeten.

Funktionen som faktiskt skiljer dem åt är en avstängningsknapp.

GPT-6 Luna accepterar reasoning_effort: "none". Claude Sonnet 5.5 gör det inte – resonemang är alltid på över dess fem nivåer, vilka Anthropic kalibrerade om i förhållande till Sonnet 5, så en ärvd integration bör ställa om sin inställning i stället för att föra över den gamla.

Den enda skillnaden förklarar större delen av kostnadskurvan. Ett klassificeringsanrop, ett routingbeslut, en extrahering från ett känt schema: ingen av dem behöver ett resonemangsspår, och Luna kan instrueras att hoppa över det. Samma arbete på Sonnet 5.5 betalar för resonemang oavsett om det hjälper eller inte. Det förklarar också en begränsning som är värd att känna till innan du bygger runt den: i Chat Completions stöder Luna endast funktionsanrop när resonemangsinsatsen är inställd på none, så allt som behöver verktyg måste gå via Responses API. Sonnet 5.5 tar emot verktyg i båda gränssnitten, via det inbyggda Messages API:t eller det OpenAI-kompatibla formatet.

O​penAI:s Decisions API, allmänt tillgängligt sedan den 22 oktober 2026, är det snävaste uttrycket för samma idé: typade svar – en sannolikhet, ett val, en poäng enligt en bedömningsmall – från GPT-6 Luna och ingen annan modell, med ungefär en tiondel av den latens som O​penAI rapporterar för samma modell via Responses. Om frågan är "motsäger det här ärendet den här orderregistreringen" kan Luna nu svara i sin inbyggda form utan att generera någon prosa alls.

Att välja mellan dem

• Långvarigt terminalarbete, byggreparation, felsökning i flera filer – Claude Sonnet 5.5. Lunas 12,6 % på Terminal-Bench 4.0 är inte en budgetfråga.

• Allt där ett felaktigt svar är kostsamt och ingen kontrollerar det – Claude Sonnet 5.5, med stöd av Omniscience-delningen +19 mot −8.

• Interaktiva gränssnitt där 79 sekunder till första token är en produktdefekt – Claude Sonnet 5.5.

• Högvolymsklassificering, -extrahering, -routning eller en första-pass-läsare framför en striktare grind – GPT-6 Luna, med effort none eller low, där inga av Sonnets fördelar är i spel.

• Fristående kodändringar som en granskare ändå kommer att läsa – GPT-6 Luna som första pass, Sonnet 5.5 som eskaleringsväg. FrontierCodes halvpoängsskillnad är det som gör uppdelningen diskutabel snarare än vårdslös.

Att köra båda är det alternativ som prislistorna inte annonserar men som siffrorna stöder. En nivåindelad uppsättning – Luna för de 90 % av anropen som är billiga och snäva, Sonnet 5.5 för de 10 % som avgör något – kostar närmare Lunas räkning än Sonnets samtidigt som Sonnets omdöme behålls där omdömet spelar roll. OrcaRouter placerar båda modellerna bakom en OpenAI-kompatibel nyckel tillsammans med mer än 200 andra, med 0 % påslag där leverantörens listpris förs vidare, så 20x-förhållandet på bladet är 20x-förhållandet på fakturan och en leverantörsprisändring når dig samma dag. Eftersom båda accepterar OpenAI chat-completions-formatet är nivåuppdelningen en routingregel i stället för en andra integration: routing-DSL:en skickar en begäran till Luna först och eskalerar vid ett villkor, automatisk failover täcker en leverantörsfördröjning, och inga kodändringar krävs när en ny modell landar i katalogen.

Vad skulle ändra på svaret

Lunas nuvarande position är ovanligt beroende av att en enda siffra förändras: dess faktagolv. En punktrelease som lyfter AA-Omniscience från negativt till positivt skulle undanröja det starkaste argumentet för att betala tjugo gånger mer, eftersom gapen i terminalarbete och latens är arbetsbelastningsspecifika, medan en modell som hittar på fakta är en belastning överallt. Omvänt skulle en prissänkning på Sonnet 5.5 – den typ som Anthropic har gjort förut, och som en router med 0 % påslag omedelbart skulle föra vidare – minska förhållandet tillräckligt för att göra frågan om nivåindelning irrelevant för många team.

Utan någon av dem är den ärliga sammanfattningen att de inte är utbytbara. GPT-6 Luna är en billig, snabbpromptad och faktatunn läsare med en omkopplare som stänger av tänkandet. Claude Sonnet 5.5 är en långsammare att komma igång, dyr och pålitlig skribent som alltid tänker. Misstaget är att behandla 20x som en dom. Det är en budget för de delar av jobbet där skillnaden inte syns – och FrontierCodes halvpoängsmarginal är påminnelsen om att vissa av dessa delar är större än marknadsföringen antyder.