GPT-6 Luna vs Claude Sonnet 5.5: สองช่องว่าง ไม่ใช่หนึ่ง
- 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
ใส่ GPT-6 Luna และ Claude Sonnet 5.5 ลงในตารางราคาเดียวกัน แล้วอัตราส่วนก็น่าอาย: $0.10 เทียบกับ $2.00 ต่ออินพุตหนึ่งล้านโทเค็น, $0.50 เทียบกับ $10.00 ต่อเอาต์พุตหนึ่งล้านโทเค็น ใส่มันลงในการประเมินเดียวกัน แล้วช่องว่างกลับดูแตกต่างไปโดยสิ้นเชิง ขึ้นอยู่กับว่าคุณเลือกการประเมินใด บน Intelligence Index ของ Artificial Analysis นั้น Sonnet 5.5 ที่ความพยายามสูงสุดได้คะแนน 55 และ Luna ที่ความพยายามสูงสุดได้ 28 — ช่องว่าง 27 คะแนนบนกระดานที่ผู้นำของวงการอยู่ในช่วงห้าสิบ บน FrontierCode-AA 2.0 สองโมเดลเดียวกันได้คะแนน 25.7 และ 25.2 นั่นไม่ใช่ช่องว่าง นั่นคือเสมอกัน
การตีความทั้งสองแบบถูกต้อง และเหตุผลที่ทั้งสอง coexisted อยู่ร่วมกันก็คือสิ่งที่ควรทำความเข้าใจก่อนตัดสินใจเลือก Luna ไม่ใช่โมเดลที่อ่อนกว่าอย่างสม่ำเสมอโดยขายในราคาเพียงหนึ่งในยี่สิบ แต่เป็นโมเดลที่มีรูปร่างเฉพาะตัว คือสามารถแข่งขันได้ในการสร้าง code diff แต่ตามหลังไกลในงานเทอร์มินัล การใช้เหตุผลเชิงวิทยาศาสตร์ และการยับยั้งข้อเท็จจริง และใช้เวลานานกว่าประมาณหนึ่งลำดับขนาดในการสร้างโทเคนแรก Sonnet 5.5 มีรูปร่างตรงกันข้าม คือมีความสม่ำเสมอ เริ่มต้นได้รวดเร็ว และมีราคาแพงพอที่การใช้งานเป็นฝูงจะต้องมีเหตุผลทางธุรกิจรองรับ
สเปกชีตทั้งสองฉบับ ทีละมิติ
• ราคาอินพุตต่อ 1M - GPT-6 Luna $0.10 เทียบกับ Claude Sonnet 5.5 $2.00 อัตราส่วน 20 เท่า
• ราคาเอาต์พุตต่อ 1M - GPT-6 Luna $0.50 เทียบกับ Claude Sonnet 5.5 $10.00 และยัง 20x
• อินพุตแคชต่อ 1M - GPT-6 Luna $0.01 เทียบกับ Claude Sonnet 5.5 $0.10; Anthropic ลดอัตราการอ่านแคชของ Sonnet เหลือครึ่งหนึ่งของ Sonnet 5 ตอนเปิดตัว และอัตราส่วนเมื่อเทียบกับอัตราแคชของ Luna ยังคงอยู่ที่ 10 เท่า
• การเขียนแคช - GPT-6 Luna $0.125 ต่อ 1M โดยคิดเพิ่ม 1.25 เท่าสำหรับอินพุต; Sonnet 5.5 คิดค่าบริการที่ $2.50 ต่อ 1M ตามรูปแบบ 1.25 เท่าเดียวกัน
• หน้าต่างบริบท - 1,050,000 โทเค็นสำหรับ GPT-6 Luna เทียบกับ 1,000,000 สำหรับ Claude Sonnet 5.5 โดยอินพุตที่ใช้งานได้ของ Luna ถูกจำกัดไว้ที่ 922,000
• เอาต์พุตสูงสุด - 128,000 โทเค็นสำหรับทั้งสองฝั่ง
• การกำหนดราคาบริบทยาว - Luna ปรับราคาคำขอทั้งหมดใหม่เมื่อมีโทเค็นอินพุตเกิน 272,000 โทเค็น เป็น $0.20 / $0.75; การ์ดของ Sonnet 5.5 ไม่มีจุดเปลี่ยนแปลงราคาแบบเดียวกัน ซึ่งเป็นข้อได้เปรียบที่เงียบงันสำหรับพรอมต์ขนาด 300K โทเค็น
• รูปแบบการป้อนข้อมูล - ข้อความ รูปภาพ และไฟล์บนทั้งสองแพลตฟอร์ม; ทั้งสองไม่รองรับเสียงหรือวิดีโอ
• การควบคุมการใช้เหตุผล - GPT-6 Luna มีตัวเลือก none, low, medium (ค่าเริ่มต้น), high, xhigh และ max และสามารถปิดการใช้งานทั้งหมดได้; Claude Sonnet 5.5 มีห้าระดับตั้งแต่ low ถึง max โดย high เป็นค่าเริ่มต้น และการใช้เหตุผลเปิดอยู่เสมอ
• วันที่ตัดข้อมูลความรู้ - 18 พฤษภาคม 2026 สำหรับ GPT-6 Luna; Anthropic ไม่เผยแพร่วันที่ที่เทียบเท่าได้สำหรับ Sonnet 5.5
• เปิดตัว - GPT-6 Luna ในวันที่ 22 กันยายน 2026; Claude Sonnet 5.5 ในวันที่ 28 กันยายน 2026 ห่างกันหกวัน
• AA Intelligence Index v5.0.1 - GPT-6 Luna 28 ที่ความพยายามสูงสุด เทียบกับ Claude Sonnet 5.5 42 ที่ความพยายามสูงระดับค่าเริ่มต้น และ 55 ที่ระดับสูงสุด
• เวลาถึงโทเค็นคำตอบแรก - GPT-6 Luna 79.33 วินาที เทียบกับ Claude Sonnet 5.5 10.21 วินาที บนบอร์ดเดียวกัน
• ต้นทุนต่องาน Intelligence Index - GPT-6 Luna $0.15 เทียบกับ Claude Sonnet 5.5 $1.64
ราคาสูงขึ้นเป็นยี่สิบเท่า ค่าใช้จ่ายสูงขึ้นเป็นสิบเอ็ดเท่า
อัตราส่วนราคาตามรายการคือ 20 เท่าพอดี อัตราส่วนที่วัดได้จากเวิร์กโหลดจริงไม่เป็นเช่นนั้น เพราะต้นทุนต่อ任务ยังนับจำนวนโทเค็นที่แต่ละโมเดลใช้ในการไปถึงคำตอบด้วย ในการรันดัชนีของ Artificial Analysis Luna ใช้โทเค็นมูลค่า $136 เพื่อทำชุดทดสอบให้เสร็จ และ Sonnet 5.5 ใช้ $1,268 — ประมาณ 9.3 เท่า ตัวเลขต่องานของ Luna ที่ $0.15 เทียบกับ $1.64 ของ Sonnet เป็นอัตราส่วน 10.9
ความแตกต่างนี้เป็นทั้งผลดีและผลเสียต่อ Luna ในเวลาเดียวกัน ขึ้นอยู่กับปริมาณงานของคุณ Luna ปล่อยโทเคนการให้เหตุผลจำนวนมากสำหรับโมเดลราคาถูก เมื่อใช้ความพยายามสูงสุด มันเป็นตัวที่พูดมากกว่าอีกตัวเมื่อเทียบต่อหน่วยคะแนน ซึ่งเป็นเหตุผลว่าทำไมอัตราส่วนตามรายการ 20 เท่าจึงถูกบีบเหลือราว 10 เท่าในบิลจริง ในปริมาณงานที่เอาต์พุตเป็นหลัก เช่น การสร้างข้อความยาว การแก้โค้ดแบบวนซ้ำ หรืองานใดก็ตามที่เขียนเป็นย่อหน้า การบีบอัตราส่วนจะแย่ลงสำหรับ Luna เพราะอัตราค่าเอาต์พุตเป็นครึ่งที่แพงของตารางราคา ในปริมาณงานที่อินพุตเป็นหลัก เช่น retrieval การอ่าน log หรือ document QA บนคลังเอกสารคงที่ อัตรา 20 เท่ายังคงอยู่เกือบเป๊ะ และการแคชช่วยให้ดียิ่งขึ้นไปอีก
หมายเหตุเชิงคำนวณอีกข้อหนึ่งที่เปลี่ยนคำตอบสำหรับทีมที่จ่ายราคาของ Anthropic อยู่แล้ว: Sonnet 5.5 ได้รับการอธิบายโดย Anthropic ว่ามีต้นทุนต่องานต่ำกว่า Sonnet 5 ได้ถึง 30% แม้ตารางราคาจะไม่เปลี่ยนแปลง เพราะต้องใช้โทเค็นน้อยกว่าในการทำงานเดียวกัน ทีมที่ย้ายจาก Sonnet 5 ไปเป็น Sonnet 5.5 จะได้รับส่วนลดจริงโดยไม่ต้องเปลี่ยนตารางราคา ทีมที่ย้ายจาก Sonnet 5.5 ไปเป็น Luna จะได้รับส่วนลด 10 เท่าและได้โมเดลที่แตกต่างออกไปมาก
ที่ซึ่งช่องว่างกลายเป็นเหวลึก และเหตุใดสายรัดจึงสำคัญ
Terminal-Bench 4.0 คือความแตกต่างที่ชัดเจนที่สุดบนตารางอันดับ: 43.9% สำหรับ Sonnet 5.5 เทียบกับ 12.6% สำหรับ Luna โดยวัดด้วยผู้ประเมินเดียวกันภายใต้เงื่อนไขเดียวกัน Terminal-Bench-Science ยิ่งแย่ลงไปอีกสำหรับ Luna — 34.3% เทียบกับ 8.6% หากงานนั้นเป็นเซสชันเชลล์ ระบบบิลด์ หรือชุดทดสอบที่ล้มเหลวซึ่งต้องวินิจฉัยข้ามไฟล์ ส่วนลดยี่สิบเท่าก็ไม่ใช่ส่วนลดเลย Luna จะทำงานเสร็จไม่บ่อยพอที่ราคาจะมีความหมาย
ระวังตัวเลขที่คุณยกมาอ้างสำหรับ Sonnet ตรงจุดนี้ เพราะมีอยู่สองตัวเลขและมีเพียงตัวเดียวที่เทียบกันได้ โพสต์เปิดตัวของ Anthropic รายงาน 70.6% บน Terminal-Bench 4.0 — สูงกว่าที่คณะกรรมการอิสระวัดได้ถึงกว่า 26 จุด ทั้งสองตัวเลขไม่ได้เป็นการหลอกลวง ตัวเลขจากผู้ขายมาจาก harness นโยบายเครื่องมือ และ prompt scaffolding ของ Anthropic เอง และคะแนน Terminal-Bench เปลี่ยนแปลงอย่างมีนัยสำคัญตามทั้งสามอย่าง Deepnote ตั้งข้อสังเกตเดียวกันจากอีกมุมหนึ่งใน Agent Initiative Benchmark ของตนว่า “ผลลัพธ์สะท้อนเฉพาะโมเดลเท่านั้น ไม่ใช่ harness” และ prompt หรือนโยบายเครื่องมือที่ต่างออกไป “จะทำให้ทุกตัวเลขตรงนี้เปลี่ยนแปลงไป” ให้ถือว่า 70.6% คือสิ่งที่ Sonnet 5.5 ทำได้ในการตั้งค่าของ Anthropic และ 43.9% คือสิ่งที่ทำได้ในการตั้งค่าของคนอื่น สำหรับการเปรียบเทียบก่อนซื้อ ควรใช้ตัวเลขตัวที่สอง เพราะคุณจะไม่ได้รันการตั้งค่าของ Anthropic
ข้อควรระวังเดียวกันนี้ใช้กับตัวเลขจากผู้ขายของ Luna เอง OpenAI รายงานว่า GPT-6 Luna ที่ความพยายามสูงสุดทำคะแนนได้ 66.6% บน DeepSWE v1.1 "เทียบได้กับ Claude Opus 5 และ Fable 5 ที่ความพยายามปานกลาง" โดยมีต้นทุนต่องานต่ำกว่า 93% ถึง 96% นั่นเป็นผลลัพธ์ที่ผู้ขายรายงานจากการประเมินที่ผู้ขายดำเนินการเอง และไม่ได้กล่าวถึง Terminal-Bench ซึ่งตัวเลขอิสระอยู่ที่ 12.6% ทั้งสองประโยคอธิบายโมเดลเดียวกัน
ที่ซึ่งช่องว่างหดเหลือเพียงความคลาดเคลื่อนจากการปัดเศษ
FrontierCode-AA 2.0 ถามว่าเอเจนต์เขียนโค้ดสร้างการเปลี่ยนแปลงที่พร้อมจะ merge เข้ารีโพซิทอรีจริงหรือไม่ Luna ได้คะแนน 25.2 Sonnet 5.5 ได้คะแนน 25.7 ครึ่งคะแนน บนความต่างด้านราคายี่สิบเท่า และทั้งคู่อยู่ต่ำกว่าผู้นำมากบน benchmark ที่โมเดลที่แข็งแกร่งทำได้เกิน 46%
อ่านให้ดีก่อนจะด่วนสรุปตามที่เห็นได้ชัด คะแนนสัมบูรณ์ต่ำบนเบนช์มาร์กที่ยากหมายความว่าโมเดลทั้งสองล้มเหลวเป็นส่วนใหญ่; เมื่อโมเดลสองตัวล้มเหลวเป็นส่วนใหญ่ทั้งคู่ ความต่างเพียงครึ่งคะแนนจึงเป็นสัญญาณรบกวนเสียมากกว่า ข้อกล่าวอ้างที่มีประโยชน์ไม่ใช่ "Luna เขียนโค้ดได้ดีเท่า Sonnet 5.5" แต่แคบกว่า: ในงานสไตล์นี้ ที่ความยากระดับนี้ การจ่ายเพิ่มขึ้นยี่สิบเท่าไม่ได้ซื้ออะไรที่วัดผลได้ หากเวิร์กโหลดของคุณคล้าย FrontierCode — การแก้ไขที่ครบในตัวเองบนโค้ดเบสที่รู้จัก ถูกตรวจโดยมนุษย์ก่อน merge — Luna คือรอบแรกที่พอมีเหตุผลรองรับ ซึ่งผลลัพธ์นั้นผู้ตรวจจะต้องเขียนใหม่ไม่ว่าอย่างไรก็ตาม
มาตรวัดอีกสองตัวให้ผลอยู่ในระดับใกล้เคียงกัน: AutomationBench-AA ให้ Sonnet 5.5 อยู่ที่ 59.4% และ Luna ที่ 53.2% ส่วน GDP.pdf อยู่ที่ 25.2% เทียบกับ 22.8% ทั้งคู่ไม่ใช่ผลเสมอ แต่ทั้งสองอยู่ในช่วงที่การออกแบบพรอมป์ต์และการเลือกเครื่องมือสามารถพลิกลำดับบนข้อมูลของคุณเองได้
สองจุดที่ Luna แย่กว่าจริง ๆ ไม่ใช่แค่แตกต่าง
ความรู้และความหน่วง และไม่มีสิ่งใดแก้ไขได้ด้วยการลดราคา
AA-Omniscience v1.1 วัดว่าโมเดลรู้ว่าตัวเองไม่รู้อะไรหรือไม่ Sonnet 5.5 ได้คะแนนสุทธิ +19 ส่วน Luna ได้คะแนนสุทธิ -8 คะแนนสุทธิที่เป็นลบในการประเมินนั้นหมายความว่าคำตอบที่โมเดลกุขึ้นมามีจำนวนมากกว่าคำตอบที่ถูกต้องบ่อยพอที่จะทำให้คะแนนรวมลดลงต่ำกว่าศูนย์ นั่นคือตัวเลขที่มีผลกระทบมากที่สุดในการเปรียบเทียบนี้สำหรับใครก็ตามที่สร้างเอเจนต์ที่ตอบโดยไม่มีมนุษย์อยู่ในวงจร และเป็นตัวเลขที่เกณฑ์วัดซึ่งเน้นการเขียนโค้ดจะไม่มีทางเผยให้เห็น เมื่อรวมกับคะแนน 38.5 ของ Luna ใน Humanity's Last Exam เทียบกับ 56.0 ของ Sonnet 5.5 ภาพก็สอดคล้องกัน: Luna เป็นผู้ตามคำสั่งที่ทำได้ดีแต่มีพื้นฐานข้อเท็จจริงที่ตื้นเขิน
ความหน่วงเป็นปัจจัยที่สอง Sonnet 5.5 ไปถึงโทเค็นคำตอบแรกได้ในประมาณ 10 วินาที ส่วน Luna ใช้เวลาราว 79 วินาทีที่ความพยายามสูงสุดบนบอร์ดเดียวกัน หากลดระดับปุ่มปรับความพยายามลง ช่องว่างนั้นก็จะแคบลง — งบประมาณการให้เหตุผลของ Luna คือต้นทุน — แต่ตอนนั้นคุณกำลังเปรียบเทียบ Luna ที่ใช้ความพยายามต่ำกว่ากับ Sonnet ที่เต็มกำลัง และช่องว่างคะแนนก็จะกว้างขึ้นตามไปด้วย สำหรับผลิตภัณฑ์แบบโต้ตอบ สิ่งนี้มักเป็นปัจจัยชี้ขาดโดยไม่คำนึงถึงราคา สำหรับงานแบตช์ที่รันข้ามคืน มันไม่สำคัญเลย
เบนช์มาร์กเดียวที่พวกเขาเกือบจะสูสีกันในงานจริง
Artificial Analysis วัดโมเดลจากคำถาม ส่วน Agent Initiative Benchmark ของ Deepnote วัดโมเดลจากงานหนึ่งงาน: สถานการณ์จำลองในที่ทำงานห้าสิบสถานการณ์ภายในบริษัทสมมติ ซึ่งโมเดลอ่าน Slack และตัดสินใจว่าจะสืบหาข้อมูลหรือไม่ จะตอบที่ไหน และจะตอบหรือไม่ตอบเลย Claude Sonnet 5.5 ได้คะแนน 6.65 ในราคา 0.42 ดอลลาร์ต่อสถานการณ์ และทำเสร็จใน 15 วินาที GPT-6 Luna ได้คะแนน 6.38 ในราคา 0.0070 ดอลลาร์ และใช้เวลา 50 วินาที
มีสองสิ่งตามมา ความแตกต่างด้านคุณภาพในงานประเภทนี้ — หนึ่งในสี่ของคะแนน — น้อยกว่าช่วงที่ benchmark รายงาน ซึ่งเป็นเหตุผลที่ Deepnote จัดสองตัวนั้นไว้ในกลุ่มเดียวกับ DeepSeek V4.1 Flash, Mistral Large 4 และ Claude Haiku 5.5 ในคลัสเตอร์ที่ระบุว่า "อยู่ในช่วง 0.6 คะแนนโดยมีช่วงที่ทับซ้อนกัน" และความแตกต่างด้านค่าใช้จ่ายคือ 60 เท่า ไม่ใช่ 20 เท่า เพราะ Sonnet 5.5 ใช้ประมาณสองหมื่นโทเค็นต่อสถานการณ์เมื่อใช้ความพยายามสูง ในขณะที่ Luna ใช้น้อยกว่ามาก
ความแตกต่างอยู่ที่วินัยมากกว่าความสามารถ Sonnet 5.5 ยับยั้งตัวเองใน 6 จาก 10 สถานการณ์ที่ควรเงียบ ส่วน Luna ยับยั้งใน 4 สถานการณ์ Sonnet ทำได้สมบูรณ์ 11 ครั้งและได้ศูนย์ 7 ครั้งจาก 50 ครั้ง ส่วน Luna ทำได้ 9 ครั้งและได้ศูนย์ 9 ครั้ง หากงานคือการตอบให้ถูกบ่อยขึ้นและเงียบเมื่อไม่มั่นใจ โมเดลราคาแพงก็คุ้มค่าเงิน หากงานคือการอ่านทุกอย่างเพื่อให้ด่านที่สองที่เข้มงวดกว่าตัดสินใจว่าจะเปิดเผยสิ่งใด เวอร์ชันราคาถูกคือเวอร์ชันเดียวที่พอดีกับงบประมาณ
ฟีเจอร์ที่ทำให้พวกเขาแตกต่างกันจริง ๆ คือสวิตช์ปิด
GPT-6 Luna รองรับ reasoning_effort: "none" ส่วน Claude Sonnet 5.5 ไม่รองรับ — การให้เหตุผลเปิดอยู่เสมอในทั้งห้าระดับ ซึ่ง Anthropic ปรับเทียบใหม่เมื่อเทียบกับ Sonnet 5 ดังนั้นการผสานรวมที่สืบทอดมาควรปรับแต่งการตั้งค่าใหม่แทนที่จะนำค่าเดิมมาใช้ต่อ
ความแตกต่างเพียงอย่างเดียวนี้ อธิบายเส้นต้นทุนส่วนใหญ่ได้ การเรียกเพื่อจำแนกประเภท การตัดสินใจด้านการกำหนดเส้นทาง หรือการดึงข้อมูลจากสคีมาที่รู้จักอยู่แล้ว ล้วนไม่จำเป็นต้องมี reasoning trace และสามารถสั่งให้ Luna ข้ามขั้นตอนนั้นได้ งานแบบเดียวกันบน Sonnet 5.5 ต้องจ่ายค่าการให้เหตุผล (reasoning) ไม่ว่าจะช่วยได้หรือไม่ก็ตาม มันยังอธิบายข้อจำกัดที่ควรรู้ก่อนจะสร้างระบบโดยอิงกับมันด้วย: บน Chat Completions นั้น Luna รองรับ function calling เฉพาะเมื่อตั้งค่า reasoning effort เป็น none เท่านั้น ดังนั้นสิ่งใดก็ตามที่ต้องใช้เครื่องมือจะต้องผ่าน Responses API ส่วน Sonnet 5.5 รองรับเครื่องมือบนทั้งสองช่องทาง คือผ่าน native Messages API หรือรูปแบบที่เข้ากันได้กับ OpenAI
Decisions API ของ OpenAI ซึ่งเปิดให้ใช้ทั่วไปตั้งแต่ 22 ตุลาคม 2026 เป็นการแสดงออกที่แคบที่สุดของแนวคิดเดียวกัน: คำตอบแบบมีชนิดข้อมูล - ความน่าจะเป็น ตัวเลือก คะแนนรูบริก - จาก GPT-6 Luna และไม่มีโมเดลอื่น โดยมีความหน่วงประมาณหนึ่งในสิบของที่ OpenAI รายงานสำหรับโมเดลเดียวกันผ่าน Responses หากคำถามคือ "ตั๋วนี้ขัดแย้งกับบันทึกคำสั่งซื้อนี้หรือไม่" ตอนนี้ Luna สามารถตอบในรูปแบบดั้งเดิมของมันได้โดยไม่ต้องสร้างข้อความร้อยแก้วเลย
การเลือกระหว่างพวกมัน
• งานในเทอร์มินัลที่ใช้เวลานาน การซ่อมบิลด์ และการดีบักหลายไฟล์ - Claude Sonnet 5.5 คะแนน 12.6% ของ Luna บน Terminal-Bench 4.0 ไม่ใช่เรื่องของงบประมาณ
• ทุกกรณีที่คำตอบผิดมีต้นทุนสูงและไม่มีใครตรวจสอบ - Claude Sonnet 5.5 โดยอาศัยความได้เปรียบจากผลต่างคะแนน Omniscience ที่ +19 เทียบกับ −8
• อินเทอร์เฟซแบบโต้ตอบที่ใช้เวลา 79 วินาทีถึงโทเคนแรกถือเป็นข้อบกพร่องของผลิตภัณฑ์ - Claude Sonnet 5.5
• การจำแนกประเภท การสกัดข้อมูล การกำหนดเส้นทางในปริมาณมาก หรือตัวอ่านรอบแรกที่อยู่หน้าด่านตรวจที่เข้มงวดกว่า - GPT-6 Luna ที่ระดับ effort none หรือ low ซึ่งไม่มีข้อได้เปรียบใด ๆ ของ Sonnet ที่มีผล
• การแก้ไขโค้ดที่สมบูรณ์ในตัวเองซึ่งไม่ว่าอย่างไรผู้ตรวจสอบก็ต้องอ่านอยู่แล้ว — ใช้ GPT-6 Luna เป็นรอบแรก และ Sonnet 5.5 เป็นเส้นทางการยกระดับ ความแตกต่างครึ่งคะแนนของ FrontierCode คือสิ่งที่ทำให้การแบ่งงานลักษณะนี้เป็นเรื่องที่ยังโต้แย้งได้ มากกว่าจะเป็นการกระทำที่ประมาทเลินเล่อ
การรันทั้งสองโมเดลเป็นตัวเลือกที่ตารางราคาไม่ได้โฆษณา แต่ตัวเลขสนับสนุน การตั้งค่าแบบแบ่งระดับ - Luna สำหรับ 90% ของการเรียกที่ถูกและมีขอบเขตแคบ, Sonnet 5.5 สำหรับ 10% ที่ต้องตัดสินใจบางอย่าง - มีค่าใช้จ่ายใกล้เคียงกับบิลของ Luna มากกว่าของ Sonnet ขณะที่ยังคงการตัดสินใจของ Sonnet ไว้ในจุดที่การตัดสินใจสำคัญ OrcaRouter วางทั้งสองโมเดลไว้หลังคีย์เดียวที่เข้ากันได้กับ OpenAI พร้อมกับ โมเดลอื่นอีกกว่า 200 ตัว, โดยคิดส่วนเพิ่ม 0% และส่งต่อราคาตามรายการของผู้ให้บริการ, ดังนั้นอัตราส่วน 20x บนตารางก็คืออัตราส่วน 20x บนใบแจ้งหนี้ และการเปลี่ยนแปลงราคาของผู้ขายจะส่งถึงคุณภายในวันเดียวกัน เพราะทั้งสองรองรับรูปแบบ chat-completions ของ OpenAI การแบ่งระดับจึงเป็นกฎการกำหนดเส้นทางมากกว่าการผสานรวมครั้งที่สอง: DSL การกำหนดเส้นทางจะส่งคำขอไปยัง Luna ก่อนและยกระดับตามเงื่อนไข การสลับสำรองอัตโนมัติครอบคลุมกรณีผู้ให้บริการช้าลง และไม่ต้องแก้ไขโค้ดเมื่อมีโมเดลใหม่เข้ามาในแคตตาล็อก
อะไรจะเปลี่ยนคำตอบ
สถานะปัจจุบันของ Luna ต้องพึ่งพาการขยับของตัวเลขเพียงตัวเดียวอย่างผิดปกติ นั่นคือพื้นข้อเท็จจริง (factual floor) ของมัน การอัปเดตแบบ point release ที่ยกระดับ AA-Omniscience จากค่าลบเป็นค่าบวกจะขจัดข้อโต้แย้งที่แข็งแกร่งที่สุดสำหรับการจ่ายแพงกว่ายี่สิบเท่า เพราะช่องว่างด้านงานปลายทางและความหน่วงนั้นขึ้นอยู่กับ workload ขณะที่โมเดลที่แต่งข้อเท็จจริงขึ้นมาเป็นภาระเสี่ยงได้ทุกที่ ในทางกลับกัน การลดราคาของ Sonnet 5.5 — แบบที่ Anthropic เคยทำมาก่อน และซึ่งเราเตอร์ที่บวกกำไร 0% จะส่งต่อทันที — จะทำให้อัตราส่วนแคบลงพอจนคำถามเรื่องการแบ่งระดับ (tiering) ไม่มีความหมายสำหรับหลายทีม
หากขาดอย่างใดอย่างหนึ่งไป สรุปตามจริงก็คือสิ่งเหล่านี้ไม่ใช่ตัวแทนกัน GPT-6 Luna เป็นตัวอ่านที่ราคาถูก ตอบสนองต่อพรอมป์ตได้เร็ว แต่มีข้อเท็จจริงบางเบา พร้อมสวิตช์ที่ปิดการคิดได้ Claude Sonnet 5.5 เป็นนักเขียนที่เริ่มช้า ราคาแพง และเชื่อถือได้ ซึ่งคิดอยู่ตลอดเวลา ความผิดพลาดคือการมองว่า 20x เป็นคำตัดสิน มันเป็นงบประมาณสำหรับส่วนของงานที่ความแตกต่างไม่ปรากฏ และส่วนต่างครึ่งคะแนนของ FrontierCode คือเครื่องเตือนใจว่าบางส่วนเหล่านั้นใหญ่กว่าที่การตลาดบอกเป็นนัยไว้
การเปรียบเทียบในบทความนี้2
ตรวจพบจากบทความนี้ · เบนช์มาร์ก: Artificial Analysis · อัปเดตทุกวัน
