GPT-6 Luna vs Gemini 3.1 Pro: En sju månader gammal förhandsvisning till tjugo gånger indatapriset

Frontier-resonemangsmodellen har varit märkt "Preview" sedan Gemini 3.1 Pro lanserades den 19 februari 2026. Sju månader senare är den fortfarande en förhandsversion, fortfarande på 2,00 USD per miljon indatatoken och 12,00 USD per miljon utdatatoken, och fortfarande vad produktsidan kallar företagets frontier-resonemangsmodell. Den 22 september 2026 släppte leverantören GPT-6 Luna som en allmänt tillgänglig liten nivå för 0,10 och 0,50 USD. Läs de två prislistorna sida vid sida och den nyare, billigare GA-modellen är tjugo gånger billigare på indata och tjugofyra gånger billigare på utdata — och den får högre poäng på det oberoende index som båda leverantörernas marknadsföringsavdelningar bryr sig om.

Den där sista satsen är den del som är värd att stanna upp vid. GPT-6 Luna mäter 37 på Artificial Analysis Intelligence Index vid maximal ansträngning. Gemini 3.1 Pro Preview mäter 30 på samma revision. En modell som säljs som en högvolymssatsning på effektivitet ligger sju poäng före en modell som säljs som ett resonemangssystem i framkant, till en tjugondel av indatapriset. Det här är inte ett fall där en billig modell kommer ikapp en dyr. På just den här axeln ligger den billiga modellen helt enkelt före, och den dyra har varit i förhandsversion i sju månader.

Den naturliga slutsatsen – att Gemini 3.1 Pro är överprissatt – är inte heller helt riktig, och resten av den här texten handlar om de tre punkter där Googles modell motiverar sin prisnivå, för de är verkliga och de är inte små.

De fem saker som avgör det

Innan detaljerna, den korta versionen:

• GPT-6 Luna vinner på pris med ungefär 20x på indata och 24x på utdata, på cachad indata med god marginal, och på det allmänna indexet med sju poäng vid matchad maximal ansträngning.

• Gemini 3.1 Pro vinner på indatamodalitet – den tar emot ljud och video, vilket GPT-6 Luna inte gör – och på att ha varit tillgänglig i sju månader, vilket för en förhandsversion är en lång produktionshistorik.

• Utdatataken ligger inte nära varandra åt något håll: GPT-6 Luna genererar upp till 128 000 tokens, Gemini 3.1 Pro upp till 65 000.

• Båda har en gräns för lång kontext-nivå som ändrar prissättningen för hela begäran, vid 272 000 indatatoken för GPT-6 Luna och omkring 200 000 för Gemini 3.1 Pro.

• Fällan med standardansträngning gäller endast Luna: dess 37 är en poäng för maximal ansträngning och dess förvalda medium-inställning får 29, vilket är lägre än Gemini 3.1 Pro:s 30.

Två prislistor och aritmetiken mellan dem

En rad per dimension, båda sidorna på varje:

• Input per 1M — GPT‑6 Luna $0.10 mot Gemini 3.1 Pro $2.00

• Utdata per 1M — GPT-6 Luna $0,50 vs Gemini 3.1 Pro $12,00

• Cachad indata — GPT-6 Luna $0.01 per 1M, en rabatt på 90 % jämfört med Gemini 3.1 Pro $0.20 per 1M, en rabatt på 90 %

• Gräns för lång kontext — GPT-6 Luna över 272K indatatokens mot Gemini 3.1 Pro över ungefär 200K indatatokens

Långkontextseffekt — GPT-6 Luna 2x inmatning och cache, 1,5x utmatning, på hela begäran jämfört med Gemini 3.1 Pro $4,00 in / $18,00 ut, även på hela begäran

• Kontextfönster — GPT-6 Luna 1 050 000 tokens vs Gemini 3.1 Pro 1M tokens

• Maximalt utdata — GPT-6 Luna 128 000 tokens mot Gemini 3.1 Pro 65 000 tokens

• Indatamodalitet — GPT-6 Luna text och bild vs Gemini 3.1 Pro text, bild, ljud, video och filer

• AA Intelligence Index — GPT-6 Luna 37 vid maximal ansträngning, 29 vid sin standardinställning vs Gemini 3.1 Pro 30

• Utdatashastighet — GPT-6 Luna 153,9 tokens/sek jämfört med Gemini 3.1 Pro ungefär 115–143 tokens/sek beroende på ögonblicksbilden

• Reglage för att stänga av resonemang — GPT-6 Luna none till max vs Gemini 3.1 Pro resonemangsförst, inget icke-resonemangsläge exponerat

• Status — GPT-6 Luna allmänt tillgänglig sedan 2026-09-22 vs Gemini 3.1 Pro i förhandsversion sedan 2026-02-19

Den intressanta raden är inte priset. Det är paret rader längst ned. Etiketten "preview" för Gemini 3.1 Pro är ingen teknikalitet – den förändrar vad Google är skyldigt dig. En förhandsversionsmodell kan ändras, prissättas om eller dras tillbaka utan det utfasningsmeddelande som en GA-modell får, och ett pris som är oförändrat efter sju månader är ett löfte som ingen har gett skriftligt. Allt nedan om att Googles modell är det säkrare valet för produktion måste läsas mot det förbehållet, eftersom "sju månaders stabilitet" och "sju månader utan stabilitetsgaranti" är samma sju månader.

Där Googles modell förtjänar de extra tjugo gångerna

Tre platser, och den första är den som för vissa lag avgör jämförelsen direkt.

Modalitet. Gemini 3.1 Pro tar ljud- och videoindata. GPT-6 Luna tar text och bild. Om din pipeline tar in samtalsinspelningar, skärmdumpar eller video finns det ingen version av den här jämförelsen där prisskillnaden spelar någon roll, eftersom en av de två modellerna inte kan utföra jobbet. Det är inte ett benchmark-gap som minskar med en punktrelease; det är en förmåga som antingen finns eller saknas, och det är det enskilt starkaste skälet till att Googles prislista överlever kontakten med en verklig upphandling.

Taket för utdata, i den andra riktningen. Utdatataken går i motsatt riktning mot indatamodaliteten, och den här gynnar OpenAI. GPT-6 Luna genererar upp till 128 000 tokens i ett svar; Gemini 3.1 Pro upp till 65 000. Om du genererar långa strukturerade artefakter – ett fullständigt dokument, en stor refaktorering, en patch över flera filer – är Googles tak ungefär hälften av OpenAIs, och en pipeline som trunkerar vid 65 000 tokens är trasig oavsett vad den betalar per token.

Multimodalt frontlinjearbete. Gemini 3.1 Pro:s positionering är som en resonemangsmodell som råkar vara multimodal, och den praktiska konsekvensen är att uppgifter som kräver resonemang över en figur, ett diagram eller en skärminspelning hamnar på den i stället för på en mindre nivå med texten i första hand. GPT-6 Luna tar emot bilder, så gränsen är inte enbart ljud och video – det är att Googles modell är byggd för visuellt och auditivt resonemang som ett primärt användningsfall, medan OpenAI:s är byggd för genomströmning.

Där den billiga nivån faktiskt förlorar, och det är inte där du förväntar dig

Standardinställningen för ansträngning är fällan i detta par, och den skär hårdare här än den skulle göra mot en svagare motståndare. GPT-6 Lunas huvudindexpoäng på 37 mäts vid maximal resonemangsansträngning. Dess standard är medium, och vid medium får den 29 – en poäng under Gemini 3.1 Pro:s 30. Så det sju poängs försprång som den här artikeln inledde med är en jämförelse mellan en modells tak och en annan modells tak, och ett team som installerar GPT-6 Luna och lämnar konfigurationen orörd kör en modell som ligger marginellt efter Googles, sju månader äldre, fortfarande i förhandsversion, till en tjugondel av priset.

Det är fortfarande, för de flesta arbetsbelastningar, rätt avvägning — en indexpunkt är inte en skillnad i förmåga, men en 20x prisskillnad är det. Men det är en annan avvägning än den som prislistorna gör reklam för, och den är osynlig om man inte ger sig ut för att leta efter effort-parametern.

Det andra området där den billiga nivån förlorar är aritmetiken för långa kontexter. Båda modellerna prissätter om hela begäran när den passerar en gräns i stället för att ta en tilläggsavgift för det överskjutande, och båda gränserna är tillräckligt låga för att spela roll: 272 000 indatatoken på GPT-6 Luna, ungefär 200 000 på Gemini 3.1 Pro. GPT-6 Lunas klausul fördubblar input och cache och höjer output med hälften. Gemini 3.1 Pros klausul flyttar hela anropet till 4,00 $ in och 18,00 $ ut. Ingen av dem är en marginell tilläggsavgift, och för en modell som säljs med priset som argument är klausulen priset.

Den tredje är mångordighet, vilket är den kostnadspost som aldrig dyker upp på ett prisblad. Artificial Analysis mätte att GPT-6 Luna genererade 150 miljoner utdatatoken under indexkörningen mot ett medianvärde på 85 miljoner — modellen är pratsam, och vid $0.50 per miljon utdata blir det $75 i tokens där en koncis modell skulle ha spenderat $42.50. Det är fortfarande en storleksordning billigare än alternativet. Det är också anledningen till att siffror för kostnad per uppgift och siffror för kostnad per token berättar olika historier, och anledningen att mäta din egen utdatavolym innan du modellerar besparingen.

Hur en migrering mellan dem ser ut

Googles modell kan nås via leverantörens eget API och flera tredjepartsplattformar; GPT-6 Luna kan nås via OpenAI:s eget API, och i skrivande stund är ingen av dem den enklare halvan av paret att välja som standard. Båda exponerar en OpenAI-kompatibel yta för chat completions, vilket innebär att anropets form inte är problemet – parametrarna är det. GPT-6 Lunas effort-stege, dess klausul om 272 000 token och dess krav att funktionsanrop på Chat Completions körs med reasoning effort inställt på none är allt beteende som Gemini 3.1 Pro inte delar, och en portning som bara ändrar modellsträngen kommer att ge ett fungerande anrop med fel kostnadsprofil.

Gemini 3.1 Pro Preview finns på OrcaRouter till Googles listpris, under prissättningen utan påslag som innebär att en ändring av Googles pris slår igenom hos oss samma dag. GPT-6 Luna finns inte i vår katalog i skrivande stund. För ett team som kör båda – Googles modell för allt som kräver ljud eller video, OpenAIs för högvolymstext – är det en nyckel för Gemini 3.1 Pro vid sidan av vad du redan använder för OpenAI, med routningsbeslutet uttryckt som konfiguration i stället för som två kodvägar. Det är den här kombinationen där det spelar störst roll, eftersom de två modellerna inte alls är utbytbara: en rutt som måste välja mellan en multimodell förhandsversion och en textbaserad GA-modell i liten klass är en rutt som kommer att beslutas på nytt varje gång någon av leverantörerna lanserar något.

Vad skulle förändra detta

Jämförelsen som den ser ut är en ögonblicksbild av ett ovanligt ögonblick: en GA-modell från september som slår en förhandsversionsmodell från februari på det allmänna indexet till en tjugondel av indatapriset, men förlorar på modalitet och på den mognad som en förhandsversion aldrig riktigt uppnår. Tre saker skulle förändra den, och var och en är värd att bevaka snarare än att gissa på.

Det första är att Gemini 3.1 Pro lämnar förhandsversionen. En GA-lansering skulle medföra en utfasningspolicy, en stabil prislista och med stor sannolikhet en prisförändring – Google har hållit kvar vid $2.00/$12.00 under sju månaders förhandsversion medan resten av marknaden halverades runt omkring, och den återhållsamheten stämmer bättre överens med ett lanseringspris som väntar på ett GA-datum än med en genomtänkt hållning.

Den andra är huruvida OpenAI utökar Lunas ansträngningsstege eller ändrar sin standardinställning. Spridningen på tjugotvå punkter mellan GPT-6 Lunas poäng vid maximal ansträngning och dess poäng vid standardansträngning är den största konfigurationskänsligheten i den här artikeln, och en ändring av standardinställningen skulle ändra modellens effektiva kapacitet för varje anropare som aldrig har rört parametern.

Den tredje är modalitetsgapet. Det är den enda dimensionen här som inte är en fråga om grad, och det är den som hindrar detta från att vara en ren prisjämförelse. Tills en av dessa modeller kan göra vad den andra inte kan, är det tjugofaldiga gapet ett verkligt tal som pekar på två olika jobb.