GPT-6 vs GPT-6 Luna: En spottstyver för en miljon tokens, och nivån som svarar på gratisplanen

Det finns en version av den här jämförelsen där svaret är en rad: du kan inte anropa GPT-6, och du kan anropa GPT-6 Luna för tio cent per miljon indatatoken. Men den mer användbara versionen är den som förklarar varför Luna nu är den modell som de flesta faktiskt har använt – OpenAI lade den bakom Free- och Go-nivåerna i ChatGPT den 8 oktober 2026, vilket gör den till den billigaste nivån i generationen och, sett till antal användare, den mest trafikerade. Det som följer är nivåtrappan förklarad en gång, och sedan vad en dime per miljon verkligen köper.

Familjen, och var Luna har sin plats i den

OpenAI släpper GPT-6-generationen som tre modell-id:n den 22 september 2026, utan någon openai/gpt-6-endpoint bakom familjenamnet:

• GPT-6 Astra — flaggskeppet, $10.00 in / $50.00 ut per miljon tokens, listat på OpenAIs prislista som generationens topp
• GPT-6 Sol — mellannivån, $2.00 / $10.00, och modellen som OpenAI utser för chatt på de betalda ChatGPT-nivåerna
• GPT-6 Luna — den billiga nivån, $0.10 / $0.50, och modellen som OpenAI utser för nivåerna Free och Go

Den där sista raden är den del som är värd att slå fast, eftersom den är anledningen till att Lunas trafik överskuggar allt annat i familjen. OpenAIs eget meddelande om lanseringen 7–8 oktober säger att "GPT-6 i ChatGPT drivs av GPT-6 Sol för nivåerna Plus, Pro, Business och Enterprise, och GPT-6 Luna för nivåerna Free och Go." En modell på $0.10 / $0.50 som betjänar gratisplanen är en modell som hanterar fler frågor per dag än någon premiumnivå, och det är samma checkpoint som du kan anropa via API:et. Konsumentytan är en distributionskanal, inte en separat SKU.

En varning som måste upprepas här eftersom den här bloggen har publicerat om det: samma tillkännagivande säger att Free och Go får GPT-6 Luna, medan OpenAI:s hjälpcentersida för GPT-6 i ChatGPT beskrev Free och Go som att de kör GPT-5.6 Luna den dag den lästes. Det är inte kompatibla påståenden om samma nivå, OpenAI har inte sagt vilket som är aktuellt, och om ditt arbete beror på vilken billig modell som ligger bakom gratisplanen, behandla hjälpcenterposten som den mer specifika sidan och kontrollera igen innan du bygger mot någon av dem.

Vad tio cent per miljon faktiskt köper

Rubriken är det minst intressanta numret på Lunas kort. Här är hela kortet, och nivåsteget under det:

• Kort kontext, upp till 272 000 indatatoken – 0,10 USD per miljon in, 0,50 USD per miljon ut
• Över 272 000 indatatoken – 0,20 USD per miljon in, 0,75 USD per miljon ut, tillämpas på hela begäran
• Cachad indata – 0,01 USD per miljon på den korta nivån, en rabatt på 90 %; 0,02 USD över gränsen
• Cacheskrivningar – 0,125 USD per miljon på den korta nivån, 0,25 USD över den
• Kontext och utdata – 1 050 000 token in, 128 000 token ut
• Indatamodaliteter – text, bild och fil, samma multimodala indata som Sol och Astra
• Resonemang – en konfigurerbar ansträngningsparameter, tillsammans med verktyg, JSON-utdata och seedad sampling

Två saker följer. Det första är att Luna inte är en avskalad modell. Den tar emot bilder och filer, den tillhandahåller samma gränssnitt för verktygsanrop och strukturerad utdata som sina två dyrare syskon, och det enda som skiljer den från Sol på specifikationsbladet är djup snarare än kapacitet. Det andra är steget. En prompt över 272 000 indatatokens fördubblar Lunas indatapris och höjer dess utdatapris med hälften, för hela begäran snarare än bara för överskottet. Det är ett mjukt steg vid dessa priser – en begäran på 300 000 tokens kostar omkring sex cent i indata i stället för tre – så klausulen om lång kontext som dominerar budgetplaneringen för Astra och är viktig för Sol är nästan irrelevant här.

Det tal som verkligen flyttar pengar i stor skala är den cachelagrade läsningen. Vid en cent per miljon betalar en arbetsbelastning som skickar om samma stora kontext varje tur nästan ingenting för den upprepade delen. I en högvolymspipeline för extrahering eller klassificering med en stabil systemprompt och ett stabilt dokument är det skillnaden mellan en billig modell och en nästan gratis, och det är den specifika anledningen till att Lunas verkliga kostnad per färdigt svar ligger långt under vad prislistan antyder.

Vad det kostar i kapacitet

Luna är den billigaste nivån eftersom den är den minst kapabla, och den oberoende nämnden är entydig om hur mycket mindre. Läs av Artificial Analysis via Ro... varje modell den 8 oktober 2026:

• AA Intelligence Index — GPT-6 Sol 47,6, rang 14; GPT-6 Luna 38,1, rang 37
• Humanity's Last Exam — GPT-6 Sol 47,9 mot GPT-6 Luna 38,5
• SciCode — GPT-6 Sol 57,6 mot GPT-6 Luna 54,6
• Återkallning i lång kontext — GPT-6 Sol 83,7 mot GPT-6 Luna 83,3
• Terminal-Bench 4.0 — GPT-6 Sol 43,9 mot GPT-6 Luna 12,6
• Trafik under sju dagar — GPT-6 Luna cirka 574 miljoner tokens; GPT-6 Sol cirka 2,1 miljoner
• Mediantid till första token — GPT-6 Luna 1 494 ms mot GPT-6 Sol 6 785 ms
• Medianhastighet för utdata — GPT-6 Luna 132,9 tokens/s mot GPT-6 Sol 179,6 tokens/s

Formen på det är mer informativ än rubrikglappet. Luna ligger 9,5 indexpunkter efter Sol, och tappet är inte jämnt fördelat: återkallning i lång kontext är ett dött lopp på 0,4 punkter, och SciCode – kodförståelse snarare än kodproduktion – skiljer sig bara 3 punkter åt. Det som kollapsar är agentiskt utförande i flera steg: Terminal-Bench 4.0 på 12,6 mot Sols 43,9. En modell som kan hämta information från ett dokument med en miljon token ungefär lika bra som sitt större syskon, och skriva ett kompetent svar i ett enda försök, är ett annat instrument än en som kan driva en verktygsslinga till slutförande.

Två förbehåll. Indexsiffrorna kommer från Artificial Analysis, inte från OpenAI, och den utvärderaren garanterar inte att två modellsidor renderas mot samma indexrevision samma dag – betrakta skillnader under en punkt som en riktning, inte som precision. Och serveringssiffrorna är våra egna routingmätningar över ett rullande sjudagarsfönster; de förskjuts mellan läsningarna och är användbara för skillnadens form snarare än som ett servicenivålöfte.

Det finns ett serveringstal som är värt att stanna upp vid. Lunas mediantid till första token är1 678 ms mot Sols 6 785 ms — ungefär 4,5 gånger snabbare till första token — och dess genomströmning är väsentligt lägre när väl strömningen börjar. För en chattyta där användaren väntar på det inledande svaret är den inversionen hela poängen med nivån, och det är därför gratisplanen kan kännas snabb medan den kör den billigaste modellen i den

Den nya konkurrensen inom familjen

Lunas prisfördel inom generationen har minskat sedan den släpptes. GPT-6.1 Sol anlände den 29 september till Sols $2,00 / $10,00 med ett index på 51,8, och sänkte priset för cachad indata till $0,10 per miljon. Det påverkar inte Lunas kortkontextpris — tio cent in och femtio cent ut är fortfarande tjugo gånger billigare på indata än någon Sol — men det innebär att nivån över Luna blev billigare att köra på cachad trafik, vilket är precis den arbetsbelastning där Lunas fördel var som störst. Gapet är fortfarande stort. Det är inte längre lika stort som prislistorna ensamma antyder.

Var nivågränsen går i praktiken

Dela upp arbetet efter vad uppgiften kräver, inte efter vilken modell som får högre poäng.

Luna är rätt val för chatt, klassificering, extrahering, moderering och sammanfattning i hög volym över ett långt dokument – raden där den matchar sitt större syskon när det gäller retrieval är precis den rad som avgör om en stor kontext är användbar. Dess latens för första token gör den till det bättre valet för allt interaktivt som inte är resonemangstungt. Och med en cent per miljon cachade tokens är en pipeline med stabil kontext nästan gratis för den upprepade delen.

Sol, eller numera GPT-6.1 Sol, är rätt val så snart uppgiften kräver en verktygsloop, en långsiktig plan eller en kedja av steg som måste slutföras. Spridningen i Terminal-Bench – 43,9 mot 12,6 – är den enskilt tydligaste signalen i den här jämförelsen, och den motsvarar det verkliga felmönstret: en billig modell som svarar bra på första steget och sedan tappar tråden. Parametern effort innebär att du kan be Luna om mer resonemang, men effort höjer antalet tokens snarare än taket; det förvandlar inte ett 12,6 till ett 43,9.

Och Astra förblir svaret för det arbete som bara flaggskeppet kan utföra — vilket, med $10.00 in och $50.00 ut mot Lunas tio cent, är ett beslut du bör kunna motivera per samtal snarare än per team.

En-API-versionen av det här valet

Det besvärliga med en familj i tre nivåer är att nivågränsen flyttas per funktion, och den flyttas per begäran – samma applikation vill vanligtvis ha Luna för en slutpunkt och Sol för nästa. Det är ett routingproblem snarare än ett inköpsproblem. Alla tre GPT-6-nivåer finns i samma OrcaRouter-katalog, som anropas via ett enda OpenAI-kompatibelt API framför 200+ modeller, med leverantörens listpris vidarebefordrat med 0 % påslag, så en leverantörsprisändring på någon nivå slår igenom här samma dag i stället för vid din nästa avstämning. Routnings-DSL:en sätter samman uppdelningen explicit – efter begärans storlek, efter slutpunkt eller efter andel – så att klassificeringsvägen kan köra Luna medan den agentiska vägen kör Sol, och automatisk failover mellan leverantörer täcker en rutt som försämras i stället för att låta dig upptäcka det genom en misslyckad körning.

En sak som detta inte gör är att ge dig en Luna som beter sig som Sol. Nivåer finns eftersom modellerna skiljer sig åt, och siffrorna ovan är storleken på skillnaden. Det en enda nyckel och en routingregel ger dig är möjligheten att placera varje begäran på den nivå som faktiskt passar den, i stället för att lägga allt på den dyraste för säkerhets skull eller allt på den billigaste för att hålla budgeten.

Svaret, enligt den enda frågan som spelar roll

Om uppgiften är hämta-sedan-svara över ett stort dokument, chatt eller bulktextbearbetning, är GPT-6 Luna nivån och tiocenterskortet är inte en kompromiss – raden för långkontextåterkallelse säger att den hämtar lika bra som modellen som kostar tjugo gånger mer. Om uppgiften kräver en flerstegsagent för att slutföras, är Luna fel nivå och det ärliga draget är GPT-6 Sol eller GPT-6.1 Sol, där priset fortfarande är lågt i absoluta tal och agentutvärderingarna slutar kollapsa.

Vad "GPT-6" är i sig självt är, återigen, inget man kan anropa. Det är ett familjenamn som täcker tre id:n vid tre prispunkter och tre olika kapacitetstak, och Luna är den nedersta — den billigaste, den snabbaste till första token, den som svarar på gratisplanen, och den vars tak visar sig i samma stund som en uppgift kräver mer än ett enda självsäkert svar.