GPT-6 Luna vs GPT-6 Astra: Hundra gånger priset för sexton indexpoäng

Leverantören släppte båda dessa modeller inom samma månad. GPT-6 Astra släpptes den 3 september 2026 för $10.00 per miljon indatatoken och $50.00 per miljon utdatatoken, positionerad som företagets mest kapabla system för långsiktigt professionellt arbete. GPT-6 Luna följde den 22 september 2026 för $0.10 och $0.50 — en hundradel av indatapriset, en hundradel av utdatapriset — som familjens effektivitetsnivå. Sexton indexpoäng skiljer dem åt på den oberoende resultattavlan som mäter båda. Sexton poäng för ett hundrafaldigt pris är hela jämförelsen på en rad, och det är inte det intressanta.

Det intressanta är att den hundrafaldiga etiketten krymper till något som närmar sig fyrtiosexfaldigt när man tar hänsyn till hur varje modell faktiskt beter sig när den utför en uppgift, och att den återstående klyftan inte alls handlar om allmän intelligens. Det är datoranvändning, långsiktig autonomi och en säkerhetsklassificering som avgör om din organisation överhuvudtaget får anropa modellen. Den sista punkten är den som ingen benchmarktabell fångar, och för många team avgör den frågan innan priset ens nämns.

Två nivåer av en familj, nitton dagar åtskilda

Astra är OpenAI:s flaggskepp och den modell som företaget beskriver som världens mest intelligenta och alignade. Den tar emot text-, bild- och filinmatning, har ett kontextfönster på 1 050 000 tokens med ett utdatatak på 128 000 tokens och har alltid påslagen resonemangsförmåga med konfigurerbar ansträngningsnivå från låg till max. Det är den första OpenAI-modellen som passerar tröskeln för kritisk cybersäkerhetskapacitet enligt företagets Preparedness Framework, och utrullningen följde på den klassificeringen snarare än på kapacitet: först ett begränsat antal organisationer, företagsåtkomst avstängd som standard och administrerbar från och med den 9 september, med skyddsnivåer som breddades därefter.

Luna är den andra änden av samma familj. Text och bild in, text ut, samma kontextfönster på 1 050 000 token och samma tak för utdata på 128 000 token, och en resonemangsstege som går från ingen via låg, medel, hög, xhigh och max, med medel som standard. Ingen gating, ingen företagsväxel, ingen säkerhetsnivå att kvalificera sig för. Den är allmänt tillgänglig för alla med en API-nyckel, och OpenAIs egen beskrivning är snäv och ärlig: den mest effektiva modellen för fokuserade uppgifter med hög volym.

De två modellerna delar ett kontextfönster, en övre gräns för utdata, en kunskapsavskärningsfamilj och en klausul om prissättning för långa kontexter. I övrigt delar de nästan ingenting, och anledningen är att de byggdes för olika halvor av samma uppgift.

Prislistan anger hundra gånger. Uppgiftskostnaden anger fyrtiosex.

En rad per dimension, båda sidorna på varje:

• Indata per 1 miljon — GPT-6 Luna $0.10 vs GPT-6 Astra $10.00

• Utdata per 1M — GPT-6 Luna 0,50 $ vs GPT-6 Astra 50,00 $

• Cachad indata – GPT-6 Luna $0,01 per 1M mot GPT-6 Astra $1,00 per 1M, båda med 90 % rabatt på sin egen icke-cachade taxa

Kostnad per indexeringsuppgift — GPT-6 Luna cirka 0,07 USD mot GPT-6 Astra cirka 3,26 USD

• Kostnad för att köra hela indexet — GPT-6 Luna 122,39 $ vs GPT-6 Astra 5 324,10 $

• AA Intelligence Index — GPT-6 Luna 37 vid maximal ansträngning mot GPT-6 Astra 53 vid maximal ansträngning

• Utdata-tokens vid indexkörningen – GPT-6 Luna 150M vs GPT-6 Astra 60M, mot resultattavlans median på 88M

• Utdatashastighet — GPT-6 Luna 153,9 tokens/sek vs GPT-6 Astra 51,4 tokens/sek vid xhigh

• Tid till första token – GPT-6 Luna tillräckligt snabb för att ligga bakom en interaktiv yta jämfört med GPT-6 Astra 208,73 s vid xhigh

• Avstängningsbrytare för resonemang — GPT-6 Luna: från ingen till max, med ingen som ett alternativ, jämfört med GPT-6 Astra som alltid är på, inget icke-resonemangsläge

• Datoranvändning och autonomi — GPT-6 Lunas verktygsanrop och agentiska loopar vs GPT-6 Astra byggd för att hantera en dator från början till slut

• Åtkomst — GPT-6 Luna allmänt tillgänglig för alla vs GPT-6 Astra begränsad, företagsläge avstängt som standard, administratörskontroller krävs

• På OrcaRouter – GPT-6 Luna finns inte i vår katalog, medan GPT-6 Astra kan routas till OpenAI:s listpris

Ställ raden för kostnad per uppgift mot prislisteförhållandet, och gapet krymper med mer än hälften. Luna förbrukar 150 miljoner utdatatokens för att slutföra indexet; Astra förbrukar 60 miljoner. Astra är två och en halv gånger mer koncis, och i en modell med prissättning per utdata är det värt väldigt mycket – det är anledningen till att en hundrafaldig prislisteskillnad blir en fyrtiosexfaldig skillnad i uppgiftskostnad, och anledningen till att varje jämförelse som enbart bygger på listpriser kommer att överdriva argumentet för den billiga nivån med en faktor två.

Hastighetsraderna går åt andra hållet och ligger inte nära varandra. Luna genererar tre gånger så många tokens per sekund som Astra och returnerar sin första token inom en tid som gör att en användare kan vänta. Astras tid till första token på 208,73 sekunder vid xhigh är inte en latenssiffra; det är ett uttalande om vad modellen är till för. Inget som en person tittar på kan köras på Astra med den inställningen.

Vad sexton poäng faktiskt köper

Indexgapet är verkligt, och den användbara frågan är vad som finns inuti det, eftersom svaret inte är "sexton procent mer intelligens."

Astras publicerade förmågor samlas på ett specifikt ställe. OpenAI rapporterar 72,6 % på OSWorld 2.0 och 69 % på AutomationBench-AA – båda mått på en modell som använder programvara på samma sätt som en person, över många steg, under en lång tidsperiod. På kunskapssidan är siffrorna 96,1 på GPQA Diamond, 97,6 % på FrontierMath Tier 4 och 57,2 % på Humanity's Last Exam med verktyg, och långkontexthämtning är en framhävd styrka: 100 % på OpenAI:s egen benchmark med åtta nålar mellan 256K och 512K tokens, 96,3 % mellan 512K och 1M. Dessa är leverantörsrapporterade och inte reproducerade, och testramverket har betydelse – samma modell får 99,9 % på ARC-AGI-3 med OpenAI:s anpassade leverantörsadapter mot 62,7 % med standardtestramverket, vilket är en skillnad som säger lika mycket om testramverket som om modellen.

Sammantaget är det inte en generell fördel. Det är en fördel som är koncentrerad till uppgifter som tar lång tid, använder en dator och har en verifierbar slutpunkt. Astras konkurrenspositionering är inte mot en annan chattbot; den är mot en arbetssession, och modellerna som den mäts bredvid på den oberoende tavlan är de andra flaggskeppen på samma nivå – den ligger lika med Claude Fable 5.1 på 53 i Intelligence Index till ungefär 40 % av kostnaden per uppgift.

Lunas underskott på sexton punkter är därför inte jämnt fördelat. Vid en kort, väl specificerad uppgift som konsumeras av ett program kommer de två modellerna ofta att producera samma användbara svar och skillnaden kommer att vara osynlig. Vid en uppgift som kräver fyrtio sekventiella åtgärder i en webbläsare med en kontrollpunkt i slutet är underskottet skillnaden mellan att slutföra och att inte slutföra — och det är den uppgift som Astra byggdes för men inte Luna.

Porten som ingen prisar in

Astra är den första OpenAI-modellen som passerar den kritiska cybersäkerhetströskeln enligt företagets Preparedness Framework, och den praktiska konsekvensen är att den levereras avstängd för företagskonton. En administratör måste aktivera den, enligt en tillämplig prislista och ett tillämpligt avtal, innan användarna ens ser den. Åtkomst öppnades för en begränsad uppsättning organisationer den 3 september och utökades därifrån; admin-maskineriet kom den 9 september.

Luna har inget av det. Det är tillgängligt för alla med en API-nyckel från dag ett, utan kvalificeringssteg, utan adminväxel och utan skyddsnivå som står mellan en utvecklare och ett första anrop.

För ett team i en reglerad bransch, en försvarsentreprenör eller var som helst där en säkerhetsgranskning ingår i upphandlingsprocessen är detta hela beslutet. Den hundrafaldiga prisskillnaden är en utgiftspost; en åtkomstgrind är ett projekt. Och för ett team utanför dessa begränsningar är grinden irrelevant och Astra är helt enkelt en dyr modell med en ovanligt lång tid till första token.

Det är värt att tillägga att spärrningen är ett genomtänkt ställningstagande snarare än en olägenhet. En modell som autonomt kan hantera en dator och är bra på att hitta sårbarheter är en modell som ett labb bör vara försiktigt med att lämna ut, och utformningen av driftsättningen följer förmågebedömningen. Det gör det inte lättare att anskaffa den, men det innebär att begränsningen sannolikt inte kommer att luckras upp genom ett supportärende.

Samma klippa, samma familj, två gånger

Båda modellerna har samma klausul för lång kontext, vilket är det mest kostsamma att missa på endera prislistan. Förfrågningar som överstiger 272 000 indatatoken debiteras till dubbla indata- och cache-priserna samt 1,5 gånger utdatapriset – för hela förfrågan, inte bara den del som ligger över gränsen. På Astra förvandlas ett anrop på 10,00 $/50,00 $ till 20,00 $/75,00 $. På Luna förvandlas 0,10 $/0,50 $ till 0,20 $/0,75 $.

Eftersom klausulen är proportionell ändrar den inte förhållandet mellan de två modellerna – den fördubblar båda. Det den ändrar är den absoluta storleken på misstaget, och misstaget är mer sannolikt på Astra, eftersom de arbetsbelastningar som Astra finns till för är de som bär en arbetskontext på en miljon tokens. Ett enda Astra-anrop med lång kontext kostar $75 per miljon utdatatokens; att dela upp samma arbete i två anrop under 272K halverar kostnaden utan att prompten ändras. För en modell vars hela värdeerbjudande är arbete över lång horisont är den aritmetiken värd att räkna på före det första produktionsanropet, inte efter.

Beslutet är ett routingbeslut.

Det som gör att den här kombinationen är ovanlig bland jämförelserna på den här bloggen är att båda modellerna tillhör samma leverantör, körs på samma konto och nås via samma endpoint. Det finns inget andra avtal att skriva under och inget andra SDK att lära sig. Valet mellan dem är inte alls ett köpbeslut — det är ett routingbeslut, och ett som de flesta team bör fatta per begäran snarare än en gång för alla.

Formen på uppdelningen är tydlig nog. Luna för de tusen små anrop som en agent gör på vägen mot en uppgift: klassificering, extrahering, verktygsval, sammanfattning av ett mellanresultat. Astra för själva uppgiften, en gång, i slutet, där svaret är produkten. Det är en pipeline i två nivåer i en enda applikation, och kostnadsskillnaden mellan att köra hela saken på Astra och att köra den inre loopen på Luna är skillnaden mellan en bärkraftig enhetskalkyl och en icke bärkraftig.

GPT-6 Astra finns på OrcaRouter till OpenAIs listpris, med pass-through-prissättning innebär det att en prisändring hos OpenAI slår igenom hos oss samma dag. GPT-6 Luna finns inte i vår katalog när detta skrivs och nås via OpenAIs eget API, så ett team som vill ha båda kör en nyckel för GPT-6 Astra vid sidan av vad det redan använder för OpenAI. Det här är också den kombination där modellfusion förtjänar sin plats: en panel bestående av en billig modell med hög genomströmning och en dyr, noggrann modell som svarar tillsammans, där den billiga medlemmen gör merparten av arbetet och den dyra avgör, är en konfiguration som routningslagret kan uttrycka utan att applikationen vet att någon av modellerna existerar.

Vilken, och när?

Välj GPT-6 Luna om du inte har en specifik anledning att låta bli. Den kostar en hundradel av priset enligt prislistan och en fyrtiosjättedel av priset per slutförd uppgift, den är tre gånger snabbare, dess första token kommer inom en tid som en användare kan vänta på, och den kan instrueras att helt sluta resonera — vilket är det som gör den användbar som klassificerare. Ställ uttryckligen in parametern effort, eftersom standardvärdet är medium och rubriksiffran 37 är ett max-effort-tal. Håll långa anrop under 272 000 indatatokens. Kontrollera Coding Agent Index-regressionen på två punkter mot din egen utvärdering i stället för ett leverantörsdiagram.

Ta GPT-6 Astra när uppgiften är den långa och svaret är produkten. Datoranvändning över många steg, professionell analys med en verifierbar slutpunkt, allt där sexton indexpoäng är skillnaden mellan att slutföra och att tyst sluta. Acceptera tiden till första token — 208 sekunder vid xhigh är inte en siffra du kan sätta bakom en människa — och acceptera upphandlingsgrinden om din organisation har en. Kör sedan allt som leder fram till den uppgiften på den billiga nivån, för det är i den inre loopen pengarna går.

Misstaget som den här jämförelsen inbjuder till är att behandla den som ett val mellan två modeller. Det är ett val om var i en pipeline var och en sitter, och svaret är nästan alltid båda.