GPT-6 Luna อ่าน Slack ในราคา $0.007 ต่อเธรด: ตัวเลขนั้นซ่อนอะไรไว้
- Googleใหม่Google: Gemini 4 Carbon2026-11-10$2.00 / $10.00 ต่อ 1 ล้านโทเค็น · 226 tok/s
- Anthropicใหม่Anthropic: Claude Fable 5.22026-11-09$8.00 / $40.00 ต่อ 1 ล้านโทเค็น · 98 tok/s
- orcaใหม่Orca: OrcaC2 1.02026-11-0717 tok/s
- Orcaใหม่OrcaCyber: GLM 5.3 Abliterated / Uncensored2026-11-04$3.00 / $5.00 ต่อ 1 ล้านโทเค็น · 82 tok/s
- Orcaใหม่OrcaCyber: Hy4 Abliterated / Uncensored2026-11-04$0.80 / $1.60 ต่อ 1 ล้านโทเค็น · 181 tok/s
- Orcaใหม่OrcaCyber: Kimi K3.1 Pro Abliterated / Uncensored2026-11-04$4.00 / $20.00 ต่อ 1 ล้านโทเค็น · 47 tok/s
- OrcaOrcaCyber: MiniMax M3.1 Flash Abliterated / Uncensored2026-10-29$0.80 / $1.60 ต่อ 1 ล้านโทเค็น · 139 tok/s
- OrcaOrcaCyber: GLM 5.3 Flash Abliterated / Uncensored2026-10-27$0.80 / $1.60 ต่อ 1 ล้านโทเค็น · 63 tok/s
- OrcaOrcaCyber: Qwen3.8 Flash Next Abliterated / Uncensored2026-10-26$0.80 / $1.60 ต่อ 1 ล้านโทเค็น · 96 tok/s
- OrcaOrcaCyber: MiMo V2.6 Flash Abliterated / Uncensored2026-10-26$0.80 / $1.60 ต่อ 1 ล้านโทเค็น · 42 tok/s
- MoonshotMoonshotAI: Kimi K3.1 Pro2026-10-2447ความฉลาด
- OrcaOrcaCyber: DeepSeek V4.1 Flash Abliterated / Uncensored2026-10-23$0.80 / $1.60 ต่อ 1 ล้านโทเค็น · 183 tok/s
- minimaxMiniMax: M3.1 Flash2026-10-1929ความฉลาด
- OrcaOrca: OrcaCyber Ultra 1.02026-10-17$5.00 / $10.00 ต่อ 1 ล้านโทเค็น · 139 tok/s
- deepseekDeepSeek: DeepSeek V4.1 Flash 10172026-10-1733ความฉลาด
- DeepSeekDeepSeek: DeepSeek V4.1 Flash2026-10-1740ความฉลาด
- OrcaOrca: OrcaCyber Zero 1.52026-10-10$3.00 / $7.50 ต่อ 1 ล้านโทเค็น · 107 tok/s
- openaiOpenAI: GPT-6.1 Sol2026-09-2955ความฉลาด
- anthropicAnthropic: Claude Sonnet 5.52026-09-2855ความฉลาด
- typesafeTypeSafe: Jev 1.132026-09-24$0.04 / $0.00 ต่อ 1 ล้านโทเค็น · 317 tok/s
เจ็ดส่วนสิบของเซนต์ นั่นคือสิ่งที่ Agent Initiative Benchmark ของ Deepnote Research บันทึกไว้เป็นต้นทุนเฉลี่ยของ GPT-6 Luna ในการจัดการสถานการณ์ในที่ทำงานหนึ่งสถานการณ์ภายในบริษัทจำลอง — การอ่านข้อความ การตัดสินใจว่ามีใครจำเป็นต้องได้รับการบอกกล่าวอะไรหรือไม่ และการตอบกลับในช่องทางที่ถูกต้อง Claude Fable 5.1 ใน 50 สถานการณ์เดียวกัน ด้วยเครื่องมือเดียวกันและงบเวลาตอบกลับ 180 วินาทีเดียวกัน มีต้นทุนเฉลี่ย $3.02 สำหรับคะแนนที่สูงกว่า 1.1 คะแนน: 6.38 จาก 10 เทียบกับ 7.50 รายงานของ benchmark เองเรียกโมเดลทั้งสองว่า “ห่างกัน 430 เท่าในด้านราคา” และการคำนวณก็ถูกต้อง: $3.02 หารด้วย $0.0070 ได้ 431
GPT-6 Luna พร้อมใช้งานทั่วไปมาตั้งแต่วันที่ 22 กันยายน 2026 และการเปรียบเทียบนั้นแพร่กระจายไปทั่วไทม์ไลน์เมื่อวันที่ 13 พฤศจิกายน ในฐานะเรื่องราวเกี่ยวกับโมเดลราคาถูกที่ไล่ทันโมเดลราคาแพง มันเป็นเรื่องที่น่าสนใจกว่านั้น และเป็นเรื่องที่ทำให้พาดหัวข่าวดูดีน้อยลงเล็กน้อย แถวของ Luna เองในตารางนั้นมีเก้ารอบที่ได้คะแนน 10 จาก 10 และเก้ารอบที่ได้ศูนย์ และเหตุผลที่ proactive agent เป็นของที่ซื้อยากไม่ได้อยู่ที่ค่าเฉลี่ย แต่อยู่ที่เลขศูนย์
สิ่งที่ benchmark รันไปจริง ๆ
Agent Initiative ไม่ใช่ชุดคำถามแบบคงที่อีกต่อไป Deepnote สร้างบริษัทซอฟต์แวร์สมมติชื่อ PageMantle — พนักงาน 71 คน ลูกค้าองค์กร 100 ราย บันทึกที่เชื่อมโยงกันตลอดหกปี ประมาณ 10 GB กระจายอยู่ในสิบเอ็ดบริการ ได้แก่ Slack, Notion, Linear, HubSpot, Stripe, PostHog, BigQuery และ Snowflake — จากนั้นก็ปล่อยโมเดลระดับแนวหน้าสิบสองตัวเข้าไปเป็นผู้แฝงตัว แต่ละโมเดลได้รับคำสั่งเดียวกัน เข้าถึงเครื่องมือเดียวกัน ได้ภาพรวมบริษัทชุดเดียวกัน และมีเวลาจำกัดเท่ากัน งานคืออ่านข้อความ Slack ใหม่ ๆ และตัดสินใจว่าจะสืบสวนหรือไม่ จะตอบที่ไหน และจะตอบหรือไม่ตอบเลย
คณะกรรมการชุดนี้มีขนาดเล็กและจงใจทำให้ไม่สะดวก:
• ห้าสิบสถานการณ์ครอบคลุมแปดประเภทงาน - วิเคราะห์ (8), ตรวจสอบ (7), ประสานงาน, อธิบาย, วินิจฉัย, ตัดสินใจ และเฝ้าระวัง (ประเภทละ 6) และค้นหา (5)
• ในห้าสิบข้อ มีสี่สิบข้อที่ต้องส่งข้อความ ส่วนอีกสิบข้อเป็นกับดักที่ทางออกที่ถูกต้องคือความเงียบ
• ผู้ตัดสิน LLM สองราย ซึ่งไม่รู้ว่าการรันนั้นผลิตโดยโมเดลใด ให้คะแนน 0 ถึง 10 ในด้านการแทรกแซง หลักฐาน น้ำเสียง และการจัดวางกลุ่มเป้าหมาย
• ทุกโมเดลที่ใช้ความพยายามในการใช้เหตุผลระดับสูง โดยไม่นับเวลาในการทำงานของเครื่องมือในกรอบเวลา 180 วินาที
• สิบสองโมเดลจากหกแล็บ รวมทั้งหมด 600 การรัน พร้อมช่วงเชื่อมั่น 95% จากการรีแซมเปิลแบบ bootstrap ตามระดับงาน
การเลือกออกแบบนั้น — เคสช่วยเหลือสี่สิบเคสเทียบกับเคสเงียบสิบเคส — คือเหตุผลที่ตารางนี้แยกโมเดลออกจากกันในลักษณะที่เบนช์มาร์กสำหรับแชตไม่เคยทำได้ สิ่งที่เอเจนต์ที่ทำงานตลอดเวลาทำเกือบทั้งวันคือการตัดสินใจว่าจะไม่พูด และแทบไม่มีเกณฑ์วัดผลแบบสาธารณะใดที่ให้คะแนนเรื่องนั้น
แถวของ Luna แบบเต็ม
GPT-6 Luna จบอันดับที่เจ็ดจากสิบสองด้วย 6.38 โดยส่งข้อความใน 38 จาก 40 สถานการณ์ที่จำเป็นต้องส่ง ซึ่งเป็นอัตราการส่งข้อความที่ดีกว่าของ Claude Sonnet 5.5 ที่ 37 และทำเช่นนั้นภายใน 50 วินาทีโดยใช้การเรียกเครื่องมือ 13.7 ครั้ง ต้นทุนต่องานที่ $0.0070 ต่ำที่สุดในกลุ่ม โดยต่ำกว่าของ DeepSeek V4.1 Flash ที่ $0.026 เกือบสี่เท่า และต่ำกว่าของ Claude Sonnet 5.5 ที่ $0.42 ถึงหกสิบเท่า
คอลัมน์ที่สำคัญคือคอลัมน์ที่ Deepnote ตั้งชื่อว่า “Tens / zeros” GPT-6 Astra ผู้ทำคะแนนสูงสุดที่ 8.97 ทำได้ 26 รันที่สมบูรณ์แบบและ 2 ครั้งที่เป็นศูนย์ Claude Opus 5.5 ทำได้ 14 ครั้งและศูนย์ 2 ครั้ง Luna ทำได้ 9 ครั้งที่สมบูรณ์แบบและ 9 ครั้งที่เป็นศูนย์ ใน benchmark ที่ค่าศูนย์หมายความว่าเอเจนต์ไม่เคยพูดเลยในเวลาที่ควรพูด หรือพูดออกไปในสถานการณ์ที่มันอ่านผิด หนึ่งในห้ารันของ Luna ถือว่าเสียเปล่า เทียบกับหนึ่งในยี่สิบห้าสำหรับสองโมเดลที่อยู่อันดับเหนือกว่า เมื่อเฉลี่ยจากห้าสิบงาน เอเจนต์ที่ยอดเยี่ยมครึ่งหนึ่งและหายไปอีกครึ่งหนึ่งดูเหมือนได้เกรด B-minus เมื่อนำไปใช้งานกับ Slack ของทีมจริง มันดูเหมือนเพื่อนร่วมงานที่เก่งกาจหรือไม่ก็เงียบสนิท และไม่มีใครคาดเดาได้ว่าเป็นแบบไหน
พาดหัวข่าว 430x พร้อมแสดงการคำนวณให้เห็น
ตัวเลขนี้เป็นความจริง และยังเป็นกรอบการนำเสนอที่เอื้อประโยชน์ที่สุดเท่าที่มีอยู่ ด้วยเหตุผลสองประการที่ควรกล่าวถึงอย่างตรงไปตรงมา
ประการแรก Claude Fable 5.1 ไม่ใช่โมเดลปัจจุบันของ Anthropic แต่ Claude Fable 5.2 ต่างหากที่เป็น และทำได้ 8.17 คะแนนบน benchmark เดียวกัน ในราคา 1.87 ดอลลาร์ต่องาน เมื่อเทียบกับรุ่นที่มาแทน GPT-6 Luna ถูกกว่า 267 เท่า และตามหลังอยู่ 1.79 คะแนน นั่นเป็นประโยคที่ยกไปอ้างได้น้อยกว่า แต่เกี่ยวข้องกับการตัดสินใจมากกว่า เพราะไม่มีใครที่กำลังเลือกโมเดลในสัปดาห์นี้会选择 Fable 5.1 เว้นแต่มีเหตุผล
ประการที่สอง ช่องว่าง 1.1 จุดเป็นค่าประมาณแบบจุดจากห้าสิบงาน Deepnote ระบุชัดเจนว่าโมเดลหลายตัวที่อยู่ตรงกลางตารางของตนมีช่วงที่ทับซ้อนกัน โดยระบุชื่อ Claude Sonnet 5.5, GPT-6 Luna, DeepSeek V4.1 Flash, Mistral Large 4 และ Claude Haiku 5.5 ว่าเป็นกลุ่มที่อยู่ห่างกันไม่เกิน 0.6 จุด และมีแผนจะใช้ชุดงานที่ใหญ่ขึ้นในเวอร์ชันอนาคต การตีความอย่างซื่อตรงของคู่ Luna กับ Fable 5.1 คือ ช่องว่างด้านราคาวัดได้ถึงสามหลักสำคัญ ส่วนช่องว่างด้านคุณภาพวัดได้ประมาณหนึ่งหลักสำคัญ ใครก็ตามที่อ้างว่า "ตามหลังเพียง 1.1 จุด" ราวกับว่าทศนิยมนั้นมีความหมาย กำลังอ้างอิงช่วง ไม่ใช่คะแนน
ตัวเลขที่ไม่มีใครกล่าวถึง: สี่ในสิบ
เมื่อการเงียบคือคำตอบที่ถูกต้อง โมเดลระดับมัธยฐานในวงการนี้ได้งดตอบไป 6 ใน 10 ครั้ง GPT-6 Luna งดตอบ 4 ครั้ง มันเข้าแทรกแซงใน 6 จาก 10 สถานการณ์ที่บันทึกระบุอยู่แล้วว่าเรื่องดังกล่าวได้รับการจัดการแล้ว และอย่างที่ Deepnote ชี้ให้เห็น การแทรกแซงเหล่านั้นไม่ใช่ข้อความไร้สาระ พวกมันถูกต้อง วางตำแหน่งได้เหมาะสม และไม่จำเป็น การตรวจสอบคุณภาพที่อ่านเพียงตัวข้อความจะไม่มีทางจับความล้มเหลวนั้นได้ แบบสำรวจความพึงพอใจของผู้ใช้ก็เช่นกัน เพราะไม่มีใครบ่นเมื่อถูกบอกเรื่องจริง
ถึงกระนั้น แบบทดสอบก็ยังกำหนดต้นทุนให้กับเรื่องนี้ ตลอดทั้งคณะทดสอบ การพูดแทรกโดยไม่ถึงจังหวะมีต้นทุนราว 1.8 เท่าของการเงียบเมื่อถึงเวลาที่ต้องมีข้อความ สำหรับเอเจนต์ Slack ที่มีสมมติฐานพื้นฐานทั้งหมดว่ามันอ่านทุกเธรด โหมดความล้มเหลวไม่ใช่คำตอบผิดที่ได้รับการแก้ไข แต่คือการกัดกร่อนช่องทางอย่างช้าๆ เมื่อทีมเรียนรู้ว่าหนึ่งในสามของข้อความจากบอตเป็นขยะ พวกเขาก็เลิกอ่านข้อความใดๆ และคุณค่าของข้อความที่ถูกต้องก็ลดลงเป็นศูนย์ไปพร้อมกัน
มีความล้มเหลวที่สองซึ่งเงียบกว่าในบันทึกนี้ ในงานด้านการเข้าถึงข้อมูล Luna พบบันทึกที่ยืนยันว่าผู้ดูแลระบบการเข้าถึงได้ส่งมอบหน้าที่ให้ผู้สืบทอดแล้ว แต่ก็ยังส่งต่อพนักงานไปยังผู้ดูแลระบบคนก่อนอยู่ดี การอ่านหลักฐานที่ถูกต้องแต่สรุปผลผิดเป็นข้อบกพร่องคนละแบบกับการพลาดหลักฐาน และเป็นข้อบกพร่องที่ยังคงอยู่แม้จะแก้ไขคุณภาพการดึงข้อมูลแล้ว
ทำไมเจ็ดส่วนสิบของหนึ่งเซนต์จึงเปลี่ยนการออกแบบ ไม่ใช่แค่บิล
ต้นทุนต่อโทเคนเป็นหน่วยที่ไม่ถูกต้องสำหรับการตัดสินใจนี้ เพราะต้นทุนของเอเจนต์เชิงรุกขยายตามจำนวนเธรดที่มันเข้าไปเกี่ยวข้อง ไม่ใช่ตามจำนวนคำถามที่ถูกถาม แผนภูมิของ Deepnote เองทำให้ประเด็นนี้เห็นเป็นรูปธรรม: 7 ดอลลาร์ต่อ 1,000 งานสำหรับ GPT-6 Luna เทียบกับ 3,020 ดอลลาร์ต่อ 1,000 งานสำหรับ Claude Fable 5.1 ที่ 2,500 เธรดต่อเดือน ซึ่งเป็นตัวเลขเดียวกับที่เกณฑ์มาตรฐานใช้สำหรับ Sol และ Fable 5.2 ค่าใช้จ่ายของ Luna อยู่ที่ประมาณ 17.50 ดอลลาร์
ตัวเลขนั้นเล็กพอที่จะเปลี่ยนสิ่งที่คุณสร้างได้ ที่ราคา 3 ดอลลาร์ต่อการอ่าน เอเจนต์เชิงรุกต้องเลือกสรรก่อนเริ่มต้น ต้องมีคนตัดสินใจว่าช่องทางใดคุ้มค่าที่จะเฝ้าดู ซึ่งเป็นวิจารณญาณที่โมเดลควรเป็นผู้ตัดสินใจ ที่ราคาต่ำกว่าหนึ่งเซนต์ต่อการอ่าน คุณสามารถเฝ้าดูทุกอย่างและปล่อยให้โมเดลทำการคัดแยกความสำคัญ ซึ่งเป็นผลิตภัณฑ์เวอร์ชันเดียวที่ตรงกับคำนำเสนอ
นอกจากนี้ยังซื้อการรันรอบที่สองด้วย ลองรัน GPT-6 Luna กับทั้ง 2,500 เธรดในราคาประมาณ $17.50 ให้มันทำเครื่องหมายห้าสิบเธรดที่ดูกำกวม แล้วส่งเหล่านั้นไปยัง Claude Sonnet 5.5 ในราคา $0.42 ต่อครั้ง เพิ่มอีก $21 รวมแล้วใกล้ $39 ต่อเดือน เวอร์ชัน Fable 5.1 ล้วนที่ครอบคลุมเดียวกันมีราคา $7,550 การที่ไฮบริดนั้นจะเอาชนะ Luna เพียงลำพังได้จริงหรือไม่ยังไม่ได้ทดสอบ — เบนช์มาร์กนั้นรันโมเดล ไม่ได้รันฮาร์เนส และ Deepnote ระบุไว้ในข้อจำกัดของตน — แต่ตัวเลขทางคณิตศาสตร์คือสิ่งที่ทำให้การทดลองนี้มีต้นทุนต่ำพอที่จะลงมือรัน
อุปกรณ์ประปามาถึงก่อนกำหนดสามสัปดาห์
การอ่านข้อมูลต่อการเรียกใช้ที่มีต้นทุนต่ำเป็นเพียงครึ่งเดียวของสิ่งที่เอเจนต์ที่ทำงานตลอดเวลาต้องการ อีกครึ่งหนึ่งคือวิธีถามคำถามเฉพาะเจาะจงที่มีต้นทุนต่ำ เมื่อวันที่ 22 ตุลาคม 2026 OpenAI ได้นำ Decisions API ออกจากเบต้า และ GPT-6 Luna เป็นโมเดลเดียวที่รองรับ API นี้ Endpoint จะคืนคำตอบแบบระบุชนิดข้อมูลแทนข้อความบรรยาย—ความน่าจะเป็นที่เงื่อนไขหนึ่งเป็นจริง ตัวเลือกจากรายการที่กำหนดไว้ หรือคะแนนเทียบกับระดับที่เรียงลำดับไว้—และ OpenAI อ้างว่าเร็วกว่าการถามโมเดลเดียวกันผ่าน Responses API ประมาณสิบเท่า
สำหรับตัวเฝ้าดู Slack นั่นคือรูปแบบที่ถูกต้อง “เธรดนี้ขัดแย้งกับวันที่เปิดตัวในข้อความที่ปักหมุดหรือไม่?” เป็นเพรดิเคต ไม่ใช่ย่อหน้า รีลีสแบบพร้อมใช้งานทั่วไปได้เพิ่มเพดานเป็น 400 คำถามต่อคำขอ เพิ่มแคชพรอมต์สำหรับบริบทที่ใช้ร่วมกัน อนุญาตให้มีรูปภาพภายในคำสั่งของแต่ละคำถาม และรับข้อมูลแบบมีโครงสร้างโดยตรงผ่าน input_json ซึ่งเป็นพาร์ตเนื้อหา ตอนนี้การเรียกครั้งเดียวสามารถประเมินกิจกรรมของช่องตลอดทั้งวันเทียบกับชุดหลักฐานที่กำหนดไว้ แทนที่จะประเมินทีละข้อความ
สิ่งที่ควรรู้ไว้ก่อนออกแบบให้สอดคล้องกับเรื่องนี้: แคชชิ่งใหม่มีผลกับหลักฐานที่คุณส่งมาเพื่อแชร์ร่วมกัน ไม่ใช่กับ rate card ของ Luna และขีดจำกัดของโมเดลเองยังคงมีผลอยู่ ได้แก่ context window ขนาด 1,050,000 โทเคน, อินพุตสูงสุด 922,000 โทเคน, เอาต์พุต 128,000 โทเคน และวันตัดข้อมูลความรู้ 18 พฤษภาคม 2026 ส่วนการเรียกฟังก์ชันบน Chat Completions จะทำงานได้เฉพาะเมื่อตั้งค่า reasoning effort เป็น none เท่านั้น สิ่งใดก็ตามที่ใช้เครื่องมือในตัวต้องผ่าน Responses API
ตรงจุดที่หลักฐานสิ้นสุด
เบนช์มาร์กนี้ตรงไปตรงมากับข้อจำกัดของตัวเองอย่างผิดปกติ และข้อจำกัดเหล่านี้มีความสำคัญสำหรับใครก็ตามที่กำลังจะนำโมเดลไปให้ทีมจริงใช้งาน
• ห้าสิบงาน โดยบางหมวดมีเพียงห้าถึงแปดงาน ดังนั้นการจัดอันดับรายหมวดจึงเป็นแนวโน้มมากกว่าการเรียงลำดับ
• สแนปช็อตบริษัทแบบตายตัวที่เพื่อนร่วมทีมไม่เคยตอบกลับ ซึ่งวัดจากการมีส่วนร่วมเพียงครั้งเดียวแทนที่จะเป็นบริบทที่สะสมมาตลอดหนึ่งเดือน
• ระดับความพยายามเดียว ทุกโมเดลรันที่ระดับ high; ไม่ได้ทดสอบการตั้งค่าที่ต่ำกว่าและสูงกว่า และค่าเริ่มต้นของ Luna คือ medium ไม่ใช่ high
• เฉพาะ Slack เท่านั้น อีเมล เอกสาร และการดำเนินการใด ๆ นอกเหนือจากการส่งข้อความอยู่นอกขอบเขต
• ต้นทุนในอดีต ไม่ใช่ราคาเสนอแบบเรียลไทม์ ตัวเลขต่องานคือข้อมูลที่สังเกตได้จากการรัน ดังนั้นการเปลี่ยนแปลงราคาของผู้ขายจึงทำให้ตัวเลขเหล่านี้เปลี่ยนไป
• ไม่มีการทดสอบเราเตอร์ใด ๆ Deepnote ระบุชัดเจนว่าคำแนะนำด้านการกำหนดเส้นทางของตนเป็นการแนะนำเชิงการออกแบบที่อนุมานจากผลลัพธ์ของโมเดล
ยังมีความตึงเครียดระหว่างตารางนั้นกับการวัดความเร็วที่เป็นอิสระด้วย Deepnote จับเวลา Luna ได้ 50 วินาทีต่อสถานการณ์ที่ระดับความพยายามสูง ส่วน Artificial Analysis ซึ่งรันที่ระดับความพยายามสูงสุด วัดเวลาถึงโทเค็นคำตอบแรกได้ 79.33 วินาที — แย่กว่าค่ามัธยฐานของกลุ่มราคาเดียวกันราวหนึ่งลำดับขนาด ตัวเลขทั้งสองเป็นจริงได้พร้อมกัน เพราะวัดสิ่งที่แตกต่างกันในค่าตั้งที่แตกต่างกัน แต่การที่ทั้งคู่ปรากฏร่วมกันเป็นสัญญาณเตือนว่า ความหน่วงที่ผู้ใช้รับรู้ของเอเจนต์ที่เปิดตลอดเวลาถูกกำหนดโดยระดับความพยายาม และการเร่งระดับขึ้นเพื่อไล่ล่าค่าศูนย์ต้องแลกด้วยวินาทีก่อนจะแลกด้วยดอลลาร์
การติดตั้งเครื่องอ่านในราคานี้
เวอร์ชันใช้งานจริงของเกณฑ์มาตรฐานนี้คือไปป์ไลน์สองชั้น และนี่คือเหตุผลที่ช่องว่างด้านราคาสำคัญกว่าช่องว่างด้านคะแนน GPT-6 Luna ที่ระดับความพยายามต่ำหรือปานกลางจะทำหน้าที่อ่าน — ทุกเธรด ทุกช่องทาง และการตัดสินใจที่พิมพ์ผ่าน Decisions API เกณฑ์ขั้นต่ำบนการตัดสินใจเหล่านั้นจะส่งเคสที่กำกวมไปยังโมเดลที่แข็งแกร่งกว่า จากนั้นโมเดลราคาแพงจะจัดการเพียงหลายสิบเธรดต่อเดือนแทนที่จะเป็นหลายพัน และค่าใช้จ่ายของมันก็เลิกเป็นรายการในงบประมาณ
ไปป์ไลน์นั้นใช้งานได้ง่ายขึ้นเมื่อทั้งสองระดับอยู่ภายใต้คีย์เดียว OrcaRouter เปิดให้เข้าถึง GPT-6 Luna, Claude Sonnet 5.5, Claude Fable 5.2 และโมเดลอื่น ๆ อีกกว่า 200 รุ่น, ผ่านเอนด์พอยต์เดียวที่เข้ากันได้กับ OpenAI โดยคิดมาร์กอัป 0% - ราคาตามรายการของผู้ให้บริการถูกส่งต่อโดยตรง ดังนั้นการลดราคาของผู้ขายจะส่งผลมาถึงฝั่งเราในวันเดียวกัน แทนที่จะรอให้ผู้ขายต่อกำหนดราคาใหม่ DSL สำหรับการกำหนดเส้นทางจะรวมระดับต่าง ๆ ไว้ในการเรียกครั้งเดียว (รอบแรกแบบประหยัด แล้วยกระดับเมื่อเข้าเงื่อนไข) การสลับสำรองอัตโนมัติจะทำให้ตัวเฝ้าระวังยังทำงานอยู่หากผู้ให้บริการมีประสิทธิภาพลดลง และการหลอมรวมโมเดลช่วยให้คณะโมเดลตอบร่วมกันได้เมื่อการจำแนกประเภทเพียงครั้งเดียวมีความสำคัญเกินกว่าจะไว้วางใจให้โมเดลเดียว ทั้งหมดนั้นไม่เปลี่ยนตัวเลขข้างต้น มันเพียงตัดงานเชื่อมต่อระหว่างกันออกไป
อะไรจะทำให้ตัวเลขนี้เปลี่ยนแปลงไป
สองสิ่งที่จะทำให้บทความนี้ล้าสมัย ได้แก่ ตัวสืบทอดอย่าง GPT-6 Luna หรือการรันแบบทดสอบเดิมซ้ำเป็นครั้งที่สองอย่างเป็นอิสระด้วยชุดงานที่ใหญ่ขึ้น สิ่งแรกขึ้นอยู่กับปฏิทินของ OpenAI ส่วนสิ่งที่สองได้รับการสัญญาไว้แล้ว — Deepnote กล่าวว่าจะมีการแทนที่ชุดงาน 50 งานด้วยตัวอย่างที่ใหญ่ขึ้นในเวอร์ชันถัดไป และผู้เขียนระบุชัดเจนว่าตารางปัจจุบันควรอ่านเป็นการวัดครั้งแรกมากกว่าการจัดอันดับ
จนถึงตอนนั้น ข้อสรุปที่มีเหตุผลรองรับจะแคบกว่าเวอร์ชันที่อิงกำหนดเวลาและมีประโยชน์กว่า GPT-6 Luna เป็นโมเดลแรกที่ราคาถูกพอจนเอเจนต์เชิงรุกสามารถยอมรับความผิดพลาดเรื่องว่าจะเข้าไปดูหรือไม่ได้ และนั่นคือเกณฑ์ขั้นจริง — ความแตกต่างระหว่างผลิตภัณฑ์ที่สุ่มตรวจบริษัทของตนกับผลิตภัณฑ์ที่อ่านบริษัทของตนจริง ๆ มันยังเชื่อถือได้ไม่พอที่จะยอมให้ตัดสินใจผิดเรื่องว่าจะพูดหรือไม่ คะแนนความเงียบสี่ในสิบคือส่วนของตารางที่ต้องออกแบบโดยยึดเป็นหลัก: ทำให้การอ่านมีต้นทุนต่ำ ทำให้การเขียนต้องผ่านด่านควบคุม และวางโมเดลราคาแพงไว้ตรงจุดที่การตัดสินใจว่าจะขัดจังหวะเกิดขึ้นจริง
การเปรียบเทียบในบทความนี้2
ตรวจพบจากบทความนี้ · เบนช์มาร์ก: Artificial Analysis · อัปเดตทุกวัน
