GPT-6 Luna กำลังกลายเป็นค่าเริ่มต้น: สิบเซนต์ต่อล้านซื้ออะไรได้จริง

สิ่งที่ส่งผลสะเทือนมากที่สุดที่เกิดขึ้นกับGPT-6 Lunaในสัปดาห์แรกของมันไม่ใช่การลดราคา แต่เป็นการรวมโค้ด (merge commit) ภายในหนึ่งวันหลังผู้ขายเปิดตัว GPT-6 Luna เมื่อวันที่ 22 กันยายน 2026 แพลตฟอร์มเอเจนต์โอเพนซอร์สแห่งหนึ่งได้ส่งการเปลี่ยนแปลงที่ทำให้มันกลายเป็นโมเดลสำรองสำหรับทุกองค์กรที่ยังไม่ได้เลือกค่าเริ่มต้นของตัวเอง — เข้าแทนที่ GPT-5.6 Terra ซึ่งเป็นระดับที่ใหญ่กว่าและแพงกว่าอย่างมาก เหตุผลที่ระบุไว้คือการคำนวณทางคณิตศาสตร์: ที่ราคา $0.10 และ $0.50 ต่อล้านโทเคน GPT-6 Luna มีต้นทุนเป็นหนึ่งในยี่สิบของอัตราอินพุตของ GPT-5.6 Terra และเป็นหนึ่งในยี่สิบสี่ของอัตราเอาต์พุต นั่นคือสัญญาณจริง และ它也เป็นเพียงครึ่งเดียวของเรื่องราว GPT-6 Luna ราคา $0.10 ต่อล้านโทเคนอินพุต และ $0.50 ต่อล้านโทเคนเอาต์พุต เทียบกับ $2.00 และ $10.00 สำหรับ GPT-6 Solซึ่งเป็นระดับที่สูงขึ้นไป และ $10.00 และ $50.00 สำหรับเรือธงอย่าง GPT-6 Astra โมเดลที่มันเข้าแทนที่ในช่องค่าเริ่มต้นนั้น GPT-5.6 Lunaยังคงมีราคา $0.20 และ $1.20 — อินพุตเป็นสองเท่า และเอาต์พุตมากกว่าสองเท่า สิบเซนต์ต่อล้านโทเคนนั้นถูกพอที่จะทำให้การตัดสินใจไม่ใช่เรื่องของราคาอีกต่อไป แต่กลายเป็นเรื่องของสิ่งที่โมเดลทำสำเร็จจริง ๆ

ดังนั้นนี่จึงไม่ใช่บทอธิบายการเปิดตัว และไม่ใช่โพสต์ประกาศลดราคา — เรเขียนทั้งสองแบบไปแล้ว และตัวตารางราคาเองก็ได้ข้อยุติแล้ว มันเป็นความพยายามที่จะตอบคำถามที่การตลาดของรุ่นราคาถูกมองข้ามไป: ถ้าโมเดลหนึ่งกลายเป็นค่าเริ่มต้นของคุณ มันจะส่งผลอย่างไรต่องานที่แต่ก่อนต้องส่งไปให้สิ่งที่ใหญ่กว่า หลักฐานสำหรับเรื่องนี้มาจากสามแหล่ง และแต่ละแหล่งก็ไม่สอดคล้องกัน เบนช์มาร์กของ OpenAI เองเป็นชุดที่ดูดีที่สุดและทำซ้ำได้น้อยที่สุด Artificial Analysis ได้เผยแพร่ดัชนีอิสระในสัปดาห์เดียวกัน และมีประโยชน์มากกว่าเพราะคิดราคาจากงานที่ทำเสร็จ ไม่ใช่จากโทเคน และมีคนจำนวนหนึ่งได้นำโมเดลนี้ไปรันกับโครงสร้างพื้นฐานจริง ซึ่งเป็นที่ที่ความล้มเหลวที่น่าสนใจอยู่จริง ในกรณีที่ตัวเลขใดมาจากการรายงานของผู้ขาย ประโยคที่บรรจุตัวเลขนั้นจะบอกไว้เช่นนั้น

สิ่งที่ส่งมอบจริง

GPT-6 Luna เป็นระดับเล็กของตระกูลรุ่นที่หก โดยอยู่ต่ำกว่า GPT-6 Sol และต่ำกว่ารุ่นเรือธงอย่าง GPT-6 Astra มาก เอกสารโมเดลของ OpenAI เอง ซึ่งอ่านเมื่อสัปดาห์นี้ ให้กรอบข้อมูลไว้ว่า:

• ID โมเดล — gpt-6-luna เป็นสแนปช็อตเดียวที่ไม่มีเวอร์ชันที่ระบุวันที่ ไม่มีรายการ gpt-6-luna-pro ในรายการโมเดล; สตริง pro ที่แพร่กระจายในแค็ตตาล็อกของบุคคลที่สามเป็นค่าโหมดการให้เหตุผล ไม่ใช่โมเดล

• บริบทและขีดจำกัด — หน้าต่างขนาด 1,050,000 โทเค็น อินพุตสูงสุด 922,000 โทเค็น เพดานเอาต์พุต 128,000 โทเค็น และขีดจำกัดความรู้วันที่ 18 พฤษภาคม 2026 อินพุตข้อความและรูปภาพ เอาต์พุตข้อความ

• ราคา — $0.10 ต่อโทเค็นอินพุตหนึ่งล้านโทเค็น, $0.01 ต่ออินพุตที่แคชไว้หนึ่งล้านโทเค็น, $0.125 ต่อการเขียนแคชหนึ่งล้านครั้ง, $0.50 ต่อเอาต์พุตหนึ่งล้านโทเค็น OpenAI ได้ระบุว่าอัตราเหล่านี้เป็นแบบถาวร ไม่ใช่ราคาแนะนำช่วงเปิดตัว

• ขั้นบันไดบริบทขนาดยาว — คำขอที่มีโทเค็นอินพุตเกิน 272,000 จะถูกคิดราคาใหม่เป็นสองเท่าของอัตราอินพุตและแคช และ 1.5 เท่าของอัตราเอาต์พุต โดยคิดกับคำขอทั้งรายการ ไม่ใช่เฉพาะส่วนที่เกิน นั่นคือความผิดพลาดที่แพงที่สุดเท่าที่เป็นไปได้บนโมเดลนี้ เพราะมันถูกกระตุ้นโดยขนาดคำขอทั้งหมด ไม่ใช่ว่าคุณใช้มันไปมากแค่ไหน

• ระดับบริการ — Batch และ Flex คิดราคาครึ่งหนึ่งของอัตรามาตรฐาน; โหมด Fast คิดเป็นสองเท่า งานจำนวนมากแบบ Async จึงมีราคาถูกลงอีกครึ่งหนึ่ง และตารางอัตราค่าบริการมีราคาที่แท้จริงต่างกันถึงสี่แบบ ขึ้นอยู่กับว่าคุณส่งคำขออย่างไร

• Effort — หกค่า ได้แก่ none, low, medium, high, xhigh และ max โดย medium เป็นค่าเริ่มต้นที่ระบุไว้ในเอกสารประกอบ Effort เป็นค่าที่กำหนดต่อคำขอ ไม่ใช่คุณสมบัติของการดีพลอย

• เอนด์พอยต์ — Responses, Chat Completions และ Batch โดย Chat Completions จะรองรับ function calling ก็เฉพาะเมื่อตั้งค่า reasoning effort เป็น none เท่านั้น ส่วนเครื่องมือในตัวและ function calling โดยทั่วไปต้องใช้ Responses API ซึ่งรองรับ web search, file search, image generation, code interpreter, hosted shell, apply_patch, skills, computer use, MCP และ tool search

บรรทัดสุดท้ายนั้นสำคัญกว่าที่เห็น หากระบบอัตโนมัติของคุณใช้เครื่องมือ คุณก็อยู่บน Responses API และระดับ effort ที่คุณตั้งไว้จะผูกอยู่กับ endpoint ที่คุณเลือก ทีมที่ตั้งค่า effort เป็น low เพื่อประหยัดเงิน แล้วคาดหวังว่า function calling จะยังทำงานบน Chat Completions ต่อไป ได้สร้างไปป์ไลน์ที่จะล้มเหลวตั้งแต่การเรียกใช้เครื่องมือครั้งแรก

ตัวเลขที่ใช้ตัดสินคือต้นทุนต่องานที่ทำเสร็จ ไม่ใช่ต้นทุนต่อโทเคน

Artificial Analysis เผยแพร่การประเมินอิสระภายในไม่กี่ชั่วโมงหลังการเปิดตัว และตัวเลขพาดหัวก็ทำให้ใครก็ตามที่คิดว่าค่าโทเค็นที่ถูกกว่าหมายถึงงานที่ถูกกว่ารู้สึกไม่สบายใจ บน Intelligence Index ของบริษัท GPT-6 Luna มีค่าใช้จ่ายประมาณ $0.07 ต่องานที่ความพยายามสูงสุด เทียบกับราว $0.18 สำหรับ GPT-5.6 Luna ที่ความพยายามระดับเดียวกัน — ลดลงประมาณ 60% โดยเป็นผลจากราคาที่ลดลง ไม่ใช่เพราะโมเดลทำงานน้อยลง คะแนนดัชนีเองก็อยู่ระดับเดียวกับโมเดลที่มันมาแทน GPT-6 Sol เมื่อเทียบเป็นสเกล มีค่าใช้จ่ายประมาณ $1.06 ต่องานในดัชนี เทียบกับ $1.99 สำหรับ GPT-5.6 Sol

อ่านตัวเลขสามตัวนี้ด้วยกัน แล้วรูปร่างของตระกูลก็จะชัดเจนขึ้น Sol มีต้นทุนต่องานสูงกว่า Luna ราวสิบห้าเท่า เพื่อแลกกับคะแนนที่สูงขึ้นอย่างมีนัยสำคัญ Luna ไม่ใช่รุ่นที่ด้อยกว่าของ Sol; มันเป็นเครื่องมือคนละแบบ และตัวเลขต่องานต่างหากที่บอกคุณว่ากำลังถืออันไหนอยู่

ครึ่งที่ไม่สบายใจคือสิ่งที่เกิดขึ้นกับเอเจนต์เขียนโค้ด ในดัชนี Coding Agent ของ Artificial Analysis นั้น GPT-6 Luna ทำคะแนนได้ 41 ที่ความพยายามสูงสุด — ลดลงสองคะแนนจาก 43 ของ GPT-5.6 Luna — ในขณะที่ GPT-6 Sol ไปในทางตรงกันข้าม คือเพิ่มขึ้นสองคะแนนเป็น 57 ที่ราคา 2.99 ดอลลาร์ต่องาน ดังนั้นการเปลี่ยนรุ่นในกลุ่มราคาถูกจึงเป็นการถดถอยเล็กน้อยในด้านการเขียนโค้ดแบบเอเจนต์ ไม่ใช่การปรับปรุง แม้ว่าราคาจะลดลงก็ตาม ใครก็ตามที่อ่านคำว่า "รุ่นใหม่" ว่า "ดีขึ้นอย่างชัดเจน" จะต้องประหลาดใจกับคอลัมน์นั้น

ความเยิ่นเย้อคือรายการที่ซ่อนอยู่

มีตัวเลขตัวที่สองในการประเมินเดียวกันที่ช่วยอธิบายตัวเลขแรกได้มาก ระหว่างการรัน Intelligence Index นั้น GPT-6 Luna สร้างโทเค็นเอาต์พุตประมาณ 51,000 โทเค็นต่องาน เทียบกับประมาณ 41,000 โทเค็นสำหรับ GPT-5.6 Luna โมเดลที่ใหม่กว่าและถูกกว่านี้มีความยาวของผลลัพธ์มากกว่าประมาณหนึ่งในสี่เพื่อไปให้ถึงคะแนนที่เทียบเคียงได้ การประหยัดที่ได้มาจากการลดราคา ไม่ใช่จากการที่โมเดลมีประสิทธิภาพต่อหน่วยงานมากขึ้น

เรื่องนี้สำคัญด้วยสองเหตุผล ที่ราคา $0.50 ต่อหนึ่งล้านโทเคนเอาต์พุต โทเคนเอาต์พุตที่เพิ่มขึ้น 10,000 โทเคนต่องานมีต้นทุนครึ่งเซนต์ หากทำเช่นนี้กับหนึ่งแสนงานต่อวัน ส่วนที่เพิ่มขึ้นจะกลายเป็นหนึ่งพันล้านโทเคน หรือ $500 ต่อวัน — บนโมเดลที่ราคาที่ประกาศอยู่ที่ 10 เซนต์ต่อหนึ่งล้านโทเคนอินพุต และความเยิ่นเย้อส่งผลเสียร่วมกับเพดานเอาต์พุต 128,000 โทเคน: โมเดลที่คิดนานขึ้นและเขียนยาวขึ้นจะชนเพดานนั้นเร็วขึ้น ซึ่งเปลี่ยนปัญหาต้นทุนให้กลายเป็นปัญหาการตัดทอน

การบรรเทาปัญหาคือวินัยในการใช้แคช และตระกูลนี้ก็มีวินัยแคชที่ดีจริง ๆ การอ่านอินพุตที่แคชไว้ในราคา $0.01 ต่อล้านคิดเป็นหนึ่งในสิบของอัตราที่ไม่แคช และ OpenAI ได้เปลี่ยนกฎการทำให้เป็นโมฆะ โดยการปรับระดับความพยายามในการให้เหตุผลหรือความพร้อมใช้งานของเครื่องมือจะไม่ทำให้บริบทที่แคชไว้ถูกทิ้งอีกต่อไป สำหรับภาระงานที่มีคำนำหน้ายาวแบบคงที่ — สคีมา พรอมต์ระบบ เอกสารที่คุณถามคำถามหกข้อ — อัตราอินพุตที่มีผลจริงจะใกล้เคียงหนึ่งเซนต์มากกว่าสิบเซนต์ และช่องว่างนั้นกว้างกว่าการลดราคาที่เป็นพาดหัวข่าว มันยังเป็นความแตกต่างระหว่างระดับราคาถูกที่ถูกจริง กับการเป็นแค่ถูกลงกว่าเดิม

จุดที่ระดับราคาประหยัดถดถอยลง และจุดที่มันไม่ถดถอย

การประเมินอิสระชุดเดียวกันนี้แยกความถดถอยออกจากสัญญาณรบกวน และการแยกความแตกต่างนี้คือสิ่งที่มีประโยชน์ที่สุดในผลการประเมินนั้น GPT-6 Luna แพ้รุ่นก่อนประมาณ 75 Elo บน GDPval-AA v2.1 และประมาณ 45 Elo บน AA-Briefcase v1.1 Artificial Analysis ระบุว่าทั้งสองกรณีเกิดจากคุณภาพการนำเสนอที่ต่ำลงและผลงานส่งมอบที่ข้ามองค์ประกอบรูบริกที่จำเป็น มากกว่าจะเกิดจากความล้มเหลวด้านข้อเท็จจริงหรือการให้เหตุผล อัตราการหลอนของมันดีขึ้นอย่างชัดเจน จากประมาณ 93% เป็น 77% และ AA-Omniscience Index ของมันขยับจาก −10 เป็น 1 บน AutomationBench-AA มันได้เพิ่มขึ้น 53% เทียบกับ 50% บน Terminal-Bench 4.0 มันได้เพิ่มขึ้นเล็กน้อย 13% เทียบกับ 12%

การแบ่งแยกนั้นคือประเด็นการตัดสินใจทั้งหมด โมเดลไม่ได้แย่ลงในตัวงาน แต่แย่ลงในการส่งมอบชิ้นงานสำเร็จรูปให้คุณ ถ้าคุณใช้เอาต์พุตแบบมีโครงสร้าง — การจำแนกประเภท การสกัดข้อมูล การตัดสินใจจัดเส้นทาง เพย์โหลด JSON — ความเสื่อมถอยนี้ไม่ทำให้คุณเสียอะไรเลย และการลดราคาก็คือเงินฟรี ถ้ามนุษย์เป็นคนอ่านสิ่งที่ส่งมอบ ความเสื่อมถอยนี้ทำให้คุณเสียผู้ตรวจทานหนึ่งคน และเวลาของผู้ตรวจทานคนนั้นก็คงแพงกว่าโทเค็นที่คุณประหยัดไป

ข้ออ้างของ OpenAI เองที่ยังไม่มีใครทำซ้ำได้นั้นอยู่ที่อีกปลายหนึ่งของสเปกตรัม: ว่าเมื่อใช้ความพยายามสูง GPT-6 Luna ดีกว่ารุ่นก่อน 5.4 จุดเปอร์เซ็นต์ โดยมีต้นทุนต่องานต่ำลง 58%; ว่าเมื่อใช้ความพยายามสูงสุด มันทำคะแนนได้ 66.6% บน DeepSWE 1.1 ซึ่ง OpenAI เปรียบเทียบกับ Claude Opus 5 ที่ความพยายามระดับกลาง ด้วยต้นทุนต่องานเพียงเศษเสี้ยว; และว่าบน OSWorld 2.0 มันทำได้เกิน GPT-5.6 Sol ที่ความพยายามระดับกลาง ด้วยต้นทุนประมาณหนึ่งในสิบเท่านั้น สิ่งเหล่านี้คือการเปรียบเทียบด้วยฮาร์เนสของผู้ขาย ในการตั้งค่าความพยายามที่ผู้ขายเลือกเอง และสิ่งเดียวที่คุ้มค่าจะหยิบมาใช้คือเชิงทิศทาง — ระดับราคาถูกตอนนี้อยู่ในวิสัยของระดับกลางของปีที่แล้วแล้ว เปอร์เซ็นต์ต่องานนั้นควรถูกมองข้าม เพราะฮาร์เนสไม่เหมือนกันทั้งสองฝั่ง

ระดับความพยายามขั้นต่ำคือจุดที่เรื่องนี้เริ่มใช้ได้จริง คำแนะนำที่เผยแพร่คือให้ทดสอบแบบไม่ใช้หรือใช้ความพยายามต่ำก่อนสำหรับการสกัดข้อมูลและการจัดเส้นทางแบบง่าย และเพิ่มความพยายามเฉพาะเมื่อคุณภาพที่วัดได้พิสูจน์ว่าคุ้มค่า บทความเชิงปฏิบัติชิ้นหนึ่งจากสัปดาห์เปิดตัวพบว่าที่ความพยายามต่ำ GPT-6 Luna ใช้งานไม่ได้เลยสำหรับงานแบบเอเจนต์ ซึ่งทำให้ระดับต่ำสุดที่ใช้งานได้จริงของมันอยู่ที่ปานกลางสำหรับงานหลายขั้นตอน ข้อค้นพบที่สองจากการทดสอบประเภทเดียวกันตรงประเด็นกว่า ในการฝึกปรับใช้ครั้งหนึ่ง manifest Kubernetes ของโมเดลผ่านการตรวจสอบสคีมา แล้วล้มเหลวทั้งสามครั้งเมื่อทดสอบกับคลัสเตอร์จริง เพราะตัวตรวจสอบตรวจรูปร่าง ไม่ได้ตรวจพฤติกรรม หากการกำหนดค่าที่สร้างขึ้นถูกส่งมอบโดยไม่มีการตรวจสอบการรันในลูป ระดับราคาถูกจะส่งความล้มเหลวที่ดูเหมือนผลผ่านมาให้คุณ

คำถามเริ่มต้น และเหตุใดการกำหนดเส้นทางจึงเป็นคำตอบของมัน

แพลตฟอร์มที่ตั้งให้ GPT-6 Luna เป็นโมเดลสำรองของตนประเมินการเปลี่ยนแปลงนี้ว่ามีความเสี่ยงระดับปานกลาง และหมายเหตุที่แนบมากับการประเมินนั้นคือฉบับที่พูดตรง ๆ ของบทความทั้งหมด: องค์กรทุกแห่งที่ไม่มีค่าเริ่มต้นของตัวเองจะเปลี่ยนไปใช้ Luna ซึ่งถูกกว่าแต่เป็นระดับที่เล็กกว่า Terra ดังนั้นคุณภาพของงานยากอาจแปรผัน นั่นคือการแลกเปลี่ยนแบบนี้พอดี ค่าเริ่มต้นคือการเดิมพันว่าทราฟฟิกส่วนใหญ่เป็นงานง่าย และสำหรับองค์กรส่วนใหญ่ การเดิมพันนั้นถูกต้อง — ซึ่งเป็นเหตุผลว่าทำไมการเปลี่ยนแปลงนี้จึงถูกปล่อยออกมา ความเสี่ยงคือคำขอส่วนน้อยที่ไม่เป็นเช่นนั้น

วิธีรับความเสี่ยงนั้นโดยไม่ต้องแบกรับข้อเสียของมัน ก็คือการเลิกมองว่าโมเดลเริ่มต้นเป็นโมเดลเดียว GPT-6 Luna สามารถกำหนดเส้นทางผ่าน OrcaRouter ได้ในอัตราที่ระบุไว้ โดยไม่มีค่าบวกเพิ่ม ซึ่งหมายความว่าราคาถาวรของผู้ให้บริการคือราคาที่คุณเห็นที่นี่ และการลดราคาในอนาคตจะมีผลในวันเดียวกัน แทนที่จะไปรอถึงตอนต่อสัญญาครั้งถัดไป บนหน้าโมเดลของเราเองในสัปดาห์นี้ วัดค่าได้ที่ 74.3 โทเคนต่อวินาทีของเอาต์พุต ด้วยอัตราข้อผิดพลาด 0% จากทราฟฟิกทั้งหมดที่เราให้บริการ ทั้งสองระดับคอนเท็กซ์ถูกนำเสนอตามที่ประกาศไว้ คือ $0.10 ขาเข้า และ $0.50 ขาออก สำหรับอินพุตต่ำกว่า 272,000 โทเคน และปรับขึ้นเป็น $0.20 และ $0.75 เมื่อเกินกว่านั้น

สิ่งที่การซื้อนี้ให้มาคือค่าเริ่มต้นที่สามารถยกระดับขึ้นได้ routing DSLทำให้คุณส่งทราฟฟิกส่วนใหญ่ไปยัง GPT-6 Luna ที่ระดับความพยายามปานกลาง และเบี่ยงไปเส้นทางอื่นเมื่อเข้าเงื่อนไข — ความยาวอินพุตที่เกินเส้น 272K, ความจำเป็นในการเรียกใช้เครื่องมือ, ประเภทงานที่ regression ที่ไวต่อ rubric ได้รับผลกระทบจริง — ไปยัง GPT-6 Sol หรือ สำหรับงานระยะยาว ไปยัง GPT-6 Astra รุ่นเรือธง บนคีย์เดียวกัน โดยไม่ต้องมีสัญญาฉบับที่สองและไม่ต้องแก้โค้ด นั่นคือรูปแบบการตัดสินใจที่ต่างจากการเลือกโมเดลเดียวแล้วอยู่กับมันไปตลอด คุณได้ระดับสิบเซนต์ในจุดที่หลักฐานบอกว่ามันทน และระดับสองดอลลาร์หรือสิบดอลลาร์ในจุดที่มันไม่ทน และเส้นแบ่งคือกฎที่คุณเขียนขึ้นเอง ไม่ใช่ความหวัง การสลับไปใช้ระบบสำรองอัตโนมัติครอบคลุมโหมดความล้มเหลวอีกแบบหนึ่ง ซึ่งก็คือต้นทางของระดับราคาถูกเกิดมีช่วงเวลาที่แย่ขึ้นมาในขณะที่ระบบอัตโนมัติของคุณกำลังทำงานอยู่กลางคัน

ใครควรย้าย และใครควรรอ

ย้ายไปใช้หากทราฟฟิกของคุณมีโครงสร้างและปริมาณสูง: การจำแนกประเภท การสกัดข้อมูล การติดแท็ก การกำหนดเส้นทางตามเจตนา การคัดแยกบันทึก และการสรุป รวมถึงลูปการนำไปใช้ที่มีขอบเขตจำกัดซึ่งอยู่ภายในเอเจนต์ที่ใหญ่กว่า หลักฐานสนับสนุนการลดราคาและความเท่าเทียมกันของคะแนน และการถดถอยด้านการนำเสนอไม่สามารถมองเห็นได้สำหรับผู้บริโภคที่แยกวิเคราะห์ JSON

อย่าย้ายเชนเอเจนต์ระยะยาว การรีแฟกเตอร์หลายไฟล์ หรือสิ่งใดก็ตามที่ผลลัพธ์ต้องมีมนุษย์เซ็นอนุมัติ เพียงเพราะโทเค็นราคาถูก ดัชนี Coding Agent ลดลงสองจุด การประเมินงานที่ใช้ความรู้ลดลง และโมเดลนี้ใช้คำมากกว่าในแต่ละงานเมื่อเทียบกับรุ่นที่มันมาแทนที่ โทเค็นที่ถูกกว่าซึ่งต้องมีผู้ตรวจทานไม่ใช่ภารกิจที่ถูกกว่า

และให้จับตาดูตัวเลขเดียวแทนที่จะดูทั้งหมด ช่องว่างโทเค็นเอาต์พุต 51,000 เทียบกับ 41,000 คือตัวเลขที่ตัดสินว่าค่าเริ่มต้นของ Luna จะประหยัดหรือแค่เสมอตัวสำหรับภาระงานเฉพาะของคุณ และคุณสามารถวัดได้จากทราฟฟิกของคุณเองภายในบ่ายวันเดียว อัตราค่าบริการนั้นถูกกำหนดตายตัวและถาวร แต่จำนวนโทเค็นต่องานที่เสร็จแต่ละงานไม่ใช่ และมันคือสิ่งที่จะปรากฏบนใบแจ้งหนี้