GPT-6 Luna vs Gemini 3.1 Pro: พรีวิวอายุเจ็ดเดือนในราคาอินพุตสูงกว่ายี่สิบเท่า

โมเดลการให้เหตุผลระดับแนวหน้ายังคงถูกติดป้ายว่า "Preview" นับตั้งแต่ Gemini 3.1 Proเปิดตัวเมื่อวันที่ 19 กุมภาพันธ์ 2026 เจ็ดเดือนต่อมา มันก็ยังเป็นพรีวิว ยังคงราคา 2.00 ดอลลาร์ต่อล้านโทเคนอินพุต และ 12.00 ดอลลาร์ต่อล้านโทเคนเอาต์พุต และยังคงเป็นสิ่งที่หน้าผลิตภัณฑ์เรียกว่าโมเดลการให้เหตุผลระดับแนวหน้าของบริษัท เมื่อวันที่ 22 กันยายน 2026 ผู้จำหน่ายได้เปิดตัว GPT-6 Lunaในฐานะระดับเล็กที่พร้อมใช้งานทั่วไปในราคา 0.10 และ 0.50 ดอลลาร์ ลองอ่านตารางราคาทั้งสองตารางเทียบกันดู แล้วโมเดลที่ใหม่กว่า ถูกกว่า และพร้อมใช้งานทั่วไปก็ถูกกว่า twenty เท่าสำหรับอินพุต และถูกกว่า 24 เท่าสำหรับเอาต์พุต — และมันยังได้คะแนน สูงกว่าบนดัชนีอิสระที่แผนกการตลาดของทั้งสองผู้จำหน่ายให้ความสนใจ

ประโยคสุดท้ายนั้นคือส่วนที่ควรค่าพอให้ชะลอความเร็วเพื่อพิจารณา GPT-6 Luna ทำคะแนนได้ 37 บน Artificial Analysis Intelligence Index เมื่อใช้ความพยายามสูงสุด Gemini 3.1 Pro Preview ทำคะแนนได้ 30 ในการวัดเวอร์ชันเดียวกัน โมเดลที่ถูกขายในฐานะตัวเลือกเน้นประสิทธิภาพสำหรับปริมาณการใช้งานสูงนำหน้าโมเดลที่ถูกขายในฐานะระบบการให้เหตุผลระดับแนวหน้าไป 7 คะแนน ด้วยราคาอินพุตเพียงหนึ่งในยี่สิบ นี่ไม่ใช่กรณีของโมเดลราคาถูกที่ตามโมเดลราคาแพงทัน บนแกนนี้โดยเฉพาะ โมเดลราคาถูกนำหน้าอยู่เลย และโมเดลราคาแพงก็อยู่ในสถานะพรีวิวมาเจ็ดเดือนแล้ว

ข้อสรุปตามธรรมชาติ — ที่ว่า Gemini 3.1 Pro มีราคาแพงเกินไป — ก็ไม่ถูกต้องนักเช่นกัน และส่วนที่เหลือของบทความนี้จะพูดถึงสามจุดที่โมเดลของ Google คุ้มกับอัตราค่าบริการ เพราะสิ่งเหล่านี้มีอยู่จริงและไม่ใช่เรื่องเล็ก

ห้าสิ่งที่ชี้ขาด

ก่อนรายละเอียด นี่คือฉบับย่อ:

• GPT-6 Luna ชนะด้านราคาโดยประมาณ 20 เท่าสำหรับอินพุต และ 24 เท่าสำหรับเอาต์พุต ชนะด้านอินพุตที่แคชไว้อย่างทิ้งห่าง และชนะด้านดัชนีเอนกประสงค์อยู่ 7 คะแนนเมื่อใช้ความพยายามสูงสุดเท่ากัน

• Gemini 3.1 Pro ได้เปรียบในเรื่องรูปแบบอินพุต — รองรับเสียงและวิดีโอ ซึ่ง GPT-6 Luna ไม่รองรับ — และได้เปรียบที่สามารถใช้งานได้มาเป็นเวลาเจ็ดเดือน ซึ่งสำหรับเวอร์ชันพรีวิวแล้วถือเป็นประวัติการใช้งานจริงที่ยาวนาน

เพดานเอาต์พุตไม่ใกล้เคียงกันในทิศทางใดเลย: GPT-6 Luna ส่งออกได้สูงสุด 128,000 โทเคน ส่วน Gemini 3.1 Pro สูงสุด 65,000

• ทั้งคู่มีเส้นแบ่งระดับบริบทแบบยาวที่ทำให้ทั้งคำขอถูกคิดราคาใหม่ โดยอยู่ที่ 272,000 โทเค็นอินพุตสำหรับ GPT-6 Luna และประมาณ 200,000 สำหรับ Gemini 3.1 Pro

• กับดักค่า effort เริ่มต้นใช้กับ Luna เท่านั้น: คะแนน 37 ของมันคือคะแนนแบบ effort สูงสุด และการตั้งค่าเริ่มต้นระดับ medium ได้คะแนน 29 ซึ่งต่ำกว่า 30 ของ Gemini 3.1 Pro

การ์ดอัตราสองใบและการคำนวณระหว่างสองใบนั้น

หนึ่งบรรทัดต่อมิติ โดยเปิดทั้งสองด้านในแต่ละบรรทัด:

• อินพุตต่อ 1M — GPT-6 Luna $0.10 เทียบกับ Gemini 3.1 Pro $2.00

• เอาต์พุตต่อ 1M — GPT-6 Luna $0.50 เทียบกับ Gemini 3.1 Pro $12.00

• อินพุตที่แคชไว้ — GPT-6 Luna $0.01 ต่อ 1 ล้าน, ส่วนลด 90% เมื่อเทียบกับ Gemini 3.1 Pro $0.20 ต่อ 1 ล้าน, ส่วนลด 90%

• ขอบเขตบริบทแบบยาว — GPT-6 Luna เมื่ออินพุตเกิน 272K โทเคน เทียบกับ Gemini 3.1 Pro เมื่ออินพุตเกินประมาณ 200K โทเคน

• ผลกระทบจากบริบทยาว — GPT-6 Luna ใช้อินพุตและแคช 2x, เอาต์พุต 1.5x กับทั้งคำขอ เทียบกับ Gemini 3.1 Pro ที่ $4.00 ต่ออินพุต / $18.00 ต่อเอาต์พุต และคิดกับทั้งคำขอเช่นกัน

• หน้าต่างบริบท — GPT-6 Luna 1,050,000 โทเคน เทียบกับ Gemini 3.1 Pro 1 ล้านโทเคน

• เอาต์พุตสูงสุด — GPT-6 Luna 128,000 โทเค็น เทียบกับ Gemini 3.1 Pro 65,000 โทเค็น

• รูปแบบอินพุต — GPT-6 Luna รองรับข้อความและรูปภาพ เทียบกับ Gemini 3.1 Pro รองรับข้อความ รูปภาพ เสียง วิดีโอ และไฟล์

• ดัชนี AA Intelligence — GPT-6 Luna ได้ 37 ที่ความพยายามสูงสุด, 29 ที่ค่าเริ่มต้น เทียบกับ Gemini 3.1 Pro ที่ 30

• ความเร็วเอาต์พุต — GPT-6 Luna 153.9 โทเคน/วินาที เทียบกับ Gemini 3.1 Pro ประมาณ 115-143 โทเคน/วินาที ขึ้นอยู่กับสแนปช็อต

• สวิตช์ปิดการให้เหตุผล — GPT-6 Luna ตั้งแต่ none ถึง max เทียบกับ Gemini 3.1 Pro ที่เน้นการให้เหตุผลเป็นหลัก ไม่มีโหมดที่ไม่ใช้การให้เหตุผลให้เลือกใช้

• สถานะ — GPT-6 Luna พร้อมใช้งานทั่วไปตั้งแต่ 2026-09-22 เทียบกับ Gemini 3.1 Pro ที่อยู่ในช่วงทดลองใช้ตั้งแต่ 2026-02-19

แถวที่น่าสนใจไม่ใช่ราคา แต่เป็นแถวคู่ที่อยู่ด้านล่าง ป้ายกำกับ preview ของ Gemini 3.1 Pro ไม่ใช่เรื่องเทคนิคเล็กน้อย — มันเปลี่ยนสิ่งที่ Google ต้องรับผิดชอบต่อคุณ โมเดล preview สามารถถูกเปลี่ยนแปลง ตั้งราคาใหม่ หรือถอนออกได้ โดยไม่มีประกาศเลิกสนับสนุนแบบที่โมเดล GA ได้รับ และราคาที่ไม่เปลี่ยนแปลงมาเจ็ดเดือนก็เป็นคำสัญญาที่ไม่มีใครให้ไว้เป็นลายลักษณ์อักษร ทุกอย่างด้านล่างเกี่ยวกับโมเดลของ Google ที่เป็นตัวเลือกที่ปลอดภัยกว่าสำหรับโปรดักชันต้องอ่านเทียบกับข้อแม้นั้น เพราะ "ความเสถียรเจ็ดเดือน" กับ "เจ็ดเดือนที่ปราศจากการรับประกันความเสถียร" คือเจ็ดเดือนเดียวกัน

ที่โมเดลของ Google ทำรายได้เพิ่มขึ้นยี่สิบเท่า

สามจุด และจุดแรกคือจุดที่ทำให้การเปรียบเทียบจบลงสำหรับบางทีมโดยสิ้นเชิง

รูปแบบข้อมูลนำเข้า Gemini 3.1 Pro รับอินพุตเป็นเสียงและวิดีโอ ส่วน GPT-6 Luna รับข้อความและภาพ หากไปป์ไลน์ของคุณต้องนำเข้าไฟล์บันทึกเสียงสนทนา ภาพแคปหน้าจอ หรือวิดีโอ การเปรียบเทียบนี้ไม่มีรูปแบบใดเลยที่ส่วนต่างราคาจะมีความหมาย เพราะหนึ่งในสองโมเดลนี้ทำงานนั้นไม่ได้ นี่ไม่ใช่ช่องว่างด้านเบนช์มาร์กที่จะค่อย ๆ แคบลงเมื่อออกเวอร์ชันย่อยครั้งถัดไป แต่เป็นขีดความสามารถที่มีอยู่หรือไม่มีเลย และเป็นเหตุผลที่หนักแน่นที่สุดเพียงข้อเดียวที่ทำให้ตารางอัตราค่าบริการของ Google ยังยืนหยัดได้เมื่อต้องเจอกับกระบวนการจัดซื้อจริง

เพดานเอาต์พุต ในทิศทางตรงกันข้าม ข้อจำกัดเอาต์พุตให้ผลตรงกันข้ามกับโมดัลลิตีอินพุต และข้อนี้เอื้อประโยชน์ให้ OpenAI GPT-6 Luna ส่งออกได้สูงสุด 128,000 โทเคนในการตอบกลับหนึ่งครั้ง ส่วน Gemini 3.1 Pro สูงสุด 65,000 โทเคน หากคุณกำลังสร้างชิ้นงานที่มีโครงสร้างขนาดยาว — เอกสารฉบับเต็ม การรีแฟกเตอร์ขนาดใหญ่ แพตช์หลายไฟล์ — เพดานของ Google อยู่ที่ประมาณครึ่งหนึ่งของ OpenAI และไปป์ไลน์ที่ตัดทอนที่ 65,000 โทเคนย่อมใช้การไม่ได้ ไม่ว่ามันจะจ่ายต่อโทเคนเท่าใดก็ตาม

งานแนวหน้าด้านมัลติโมดัล จุดยืนของ Gemini 3.1 Pro คือการเป็นโมเดลให้เหตุผลที่บังเอิญรองรับมัลติโมดัล และผลในทางปฏิบัติคือ งานที่ต้องอาศัยการให้เหตุผลเหนือไดอะแกรม แผนภูมิ หรือการบันทึกหน้าจอ จะตกไปที่โมเดลนี้ มากกว่าระดับเล็กที่เน้นข้อความเป็นหลัก GPT-6 Luna ยอมรับภาพได้ ดังนั้นขอบเขตจึงไม่ใช่แค่เสียงและวิดีโอเท่านั้น — แต่เป็นว่าโมเดลของ Google ถูกสร้างมาเพื่อการให้เหตุผลด้านภาพและเสียงเป็นกรณีการใช้งานหลัก และของ OpenAI ถูกสร้างมาเพื่อปริมาณงาน

จุดที่แพ็กเกจราคาถูกแพ้จริง ๆ และมันไม่ใช่จุดที่คุณคาดคิด

ค่าเริ่มต้นของระดับความพยายาม (effort) คือกับดักในคู่นี้ และมันกัดลึกตรงนี้มากกว่าที่จะกัดเมื่อเจอกับคู่ต่อสู้ที่อ่อนกว่า คะแนนดัชนีระดับพาดหัวที่ 37 ของ GPT-6 Luna นั้นวัดกันที่ระดับความพยายามในการใช้เหตุผลสูงสุด ส่วนค่าเริ่มต้นของมันคือระดับกลาง และที่ระดับกลางมันได้ 29 — น้อยกว่า ต่ำกว่า30 ของ Gemini 3.1 Pro อยู่หนึ่งคะแนน ดังนั้นช่องว่างเจ็ดคะแนนที่บทความนี้เปิดมาด้วยจึงเป็นการเปรียบเทียบระหว่างเพดานของโมเดลหนึ่งกับเพดานของอีกโมเดลหนึ่ง และทีมที่ติดตั้ง GPT-6 Luna แล้วปล่อยการตั้งค่าไว้ตามเดิม ก็กำลังใช้งานโมเดลที่ตามหลังของกูเกิลอยู่เสี้ยวหนึ่ง แก่กว่าอยู่เจ็ดเดือน ยังอยู่ในช่วงพรีวิว และราคาเพียงหนึ่งในยี่สิบ

สำหรับภาระงานส่วนใหญ่แล้ว นั่นยังคงเป็นข้อแลกเปลี่ยนที่ถูกต้อง — คะแนนดัชนีหนึ่งจุดไม่ใช่ความแตกต่างด้านความสามารถ แต่ช่องว่างราคา 20 เท่าต่างหากที่ใช่ แต่มันเป็นข้อแลกเปลี่ยนที่ต่างจากสิ่งที่เรตการ์ดโฆษณาไว้ และมันจะมองไม่เห็น เว้นแต่คุณจะไปค้นหาพารามิเตอร์ effort

จุดที่สองที่เทียร์ราคาถูกเสียเปรียบคือการคำนวณราคาสำหรับบริบทยาว ทั้งสองโมเดลคิดราคาคำขอทั้งหมดใหม่เมื่อคำขอข้ามขอบเขต แทนที่จะคิดเพิ่มเฉพาะส่วนเกิน และขอบเขตทั้งสองก็ต่ำพอที่จะมีนัยสำคัญ: 272,000 โทเค็นอินพุตบน GPT-6 Luna ประมาณ 200,000 บน Gemini 3.1 Pro ข้อกำหนดของ GPT-6 Luna ทำให้ราคาอินพุตและแคชเป็นสองเท่า และเพิ่มราคาเอาต์พุตขึ้นครึ่งหนึ่ง ข้อกำหนดของ Gemini 3.1 Pro เปลี่ยนราคาทั้งการเรียกเป็น $4.00 ขาเข้า และ $18.00 ขาออก ไม่มีข้อใดเป็นการคิดค่าธรรมเนียมเพิ่มเล็กน้อย และสำหรับโมเดลที่ขายด้วยราคา ข้อกำหนดนี้ก็คือราคานั่นเอง

ประการที่สามคือความยืดยาวในการใช้คำ ซึ่งเป็นบรรทัดต้นทุนที่ไม่เคยปรากฏบนการ์ดราคา Artificial Analysis วัดว่า GPT-6 Luna สร้างผลลัพธ์ 150 ล้านโทเค็นตลอดการรันดัชนี เทียบกับค่ามัธยฐานที่ 85 ล้าน — โมเดลนี้ช่างพูด และที่ราคา 0.50 ดอลลาร์ต่อผลลัพธ์หนึ่งล้านโทเค็น นั่นคือโทเค็นมูลค่า 75 ดอลลาร์ ในขณะที่โมเดลที่กระชับจะใช้จ่ายเพียง 42.50 ดอลลาร์ มันยังคงถูกกว่าทางเลือกอื่นหนึ่งลำดับขนาด นอกจากนี้ยังเป็นเหตุผลที่ตัวเลขต้นทุนต่องานกับตัวเลขต้นทุนต่อโทเค็นเล่าเรื่องที่แตกต่างกัน และเป็นเหตุผลที่ควรวัดปริมาณผลลัพธ์ของคุณเองก่อนที่คุณจะจำลองการประหยัด

การโยกย้ายระหว่างทั้งสองมีลักษณะเป็นอย่างไร

โมเดลของ Google เข้าถึงได้ผ่าน API ของผู้ให้บริการเองและแพลตฟอร์มบุคคลที่สามหลายแห่ง; GPT-6 Luna เข้าถึงได้ผ่าน API ของ OpenAI เอง และ ณ ขณะที่เขียนนี้ ไม่มีตัวใดในคู่นี้ที่เป็นฝ่ายที่ง่ายกว่าสำหรับใช้เป็นมาตรฐาน ทั้งคู่เปิดให้เข้าถึงอินเทอร์เฟซ chat completions ที่เข้ากันได้กับ OpenAI ซึ่งหมายความว่ารูปแบบการเรียกไม่ใช่ปัญหา — พารามิเตอร์ต่างหากที่เป็นปัญหา ลำดับขั้น effort ของ GPT-6 Luna ข้อกำหนด 272,000 โทเคนของมัน และข้อกำหนดของมันที่ว่าการเรียกฟังก์ชันบน Chat Completions ต้องทำงานโดยตั้งค่า reasoning effort เป็น none ล้วนเป็นพฤติกรรมที่ Gemini 3.1 Pro ไม่ได้มีเหมือนกัน และการพอร์ตที่เปลี่ยนเฉพาะสตริงโมเดลจะให้การเรียกที่ใช้งานได้แต่มีโปรไฟล์ต้นทุนที่ผิด

Gemini 3.1 Pro Preview อยู่บน OrcaRouter ในราคาตามที่ Google ประกาศ ภายใต้นโยบายราคาแบบส่งผ่าน (pass-through) ซึ่งหมายความว่าหาก Google ปรับราคา ฝั่งเราจะสะท้อนให้เห็นทันทีในวันเดียวกัน GPT-6 Luna ยังไม่มีอยู่ในแคตตาล็อกของเรา ณ เวลาที่เขียนนี้ สำหรับทีมที่ใช้งานทั้งสองอย่าง — โมเดลของ Google สำหรับงานที่ต้องใช้เสียงหรือวิดีโอ และโมเดลของ OpenAI สำหรับข้อความปริมาณมาก — นั่นหมายถึงคีย์เดียวสำหรับ Gemini 3.1 Pro ควบคู่กับสิ่งที่คุณใช้กับ OpenAI อยู่แล้ว โดยที่การตัดสินใจเรื่องการจัดเส้นทางนั้นแสดงออกมาเป็นการตั้งค่าแทนที่จะเป็นเส้นทางโค้ดสองเส้น นี่คือคู่ที่เรื่องนี้สำคัญที่สุด เพราะสองโมเดลนี้ใช้แทนกันไม่ได้เลย การจัดเส้นทางที่ต้องเลือกระหว่างพรีวิวแบบหลายรูปแบบ (multimodal) กับรุ่นเล็กที่เป็น GA แล้วแบบข้อความล้วน คือเส้นทางที่จะต้องถูกตัดสินใจใหม่ทุกครั้งที่ผู้ให้บริการรายใดรายหนึ่งออกรุ่นใหม่

อะไรจะเปลี่ยนสิ่งนี้

การเปรียบเทียบในสถานะที่เป็นอยู่นี้เป็นภาพเสี้ยวของช่วงเวลาที่ผิดปกติ: โมเดล GA จากเดือนกันยายนที่เอาชนะโมเดลพรีวิวจากเดือนกุมภาพันธ์บนดัชนีทั่วไปด้วยราคาอินพุตเพียงหนึ่งในยี่สิบ ขณะที่แพ้ในด้านโมดาลิตี้และในด้านความสมบูรณ์เต็มตัวซึ่งพรีวิวไม่เคยได้รับอย่างแท้จริง มีสามสิ่งที่จะทำให้ภาพนี้เปลี่ยนไป และแต่ละอย่างก็ควรค่าแก่การเฝ้าจับตามากกว่าการคาดเดา

สิ่งแรกคือ Gemini 3.1 Pro ที่กำลังออกจากช่วงพรีวิว การเปิดตัวแบบ GA จะนำมาซึ่งนโยบายการเลิกใช้ ตารางราคาที่มั่นคง และมีความเป็นไปได้สูงที่จะมีการปรับราคา — Google ได้คงราคา $2.00/$12.00 ไว้ตลอดเจ็ดเดือนของช่วงพรีวิว ในขณะที่ส่วนที่เหลือของตลาดลดลงครึ่งหนึ่งโดยรอบ และการยับยั้งเช่นนั้นสอดคล้องกับราคาเปิดตัวที่รอวัน GA มากกว่าที่จะเป็นจุดยืนที่ไตร่ตรองแล้ว

ประการที่สองคือว่า OpenAI จะขยายบันไดระดับความพยายามของ Luna ออกไป หรือเปลี่ยนค่าเริ่มต้นของมัน ช่องว่าง 22 จุดระหว่างคะแนนระดับความพยายามสูงสุดของ GPT-6 Luna กับคะแนนระดับความพยายามค่าเริ่มต้นของมัน ถือเป็นความอ่อนไหวต่อการตั้งค่าที่มากที่สุดในบทความนี้ และการเปลี่ยนค่าเริ่มต้นจะเปลี่ยนขีดความสามารถที่แท้จริงของโมเดลสำหรับผู้เรียกใช้ทุกรายที่ไม่เคยแตะพารามิเตอร์นี้เลย

ประการที่สามคือช่องว่างของโมดาลิตี มันเป็นมิติเดียวตรงนี้ที่ไม่ใช่เรื่องของระดับความมากน้อย และเป็นมิติที่ทำให้เรื่องนี้ไม่ใช่การเปรียบเทียบราคาแบบตรงไปตรงมา จนกว่าโมเดลใดโมเดลหนึ่งในนี้จะทำสิ่งที่อีกโมเดลทำไม่ได้ ช่องว่าง 20 เท่านี้ก็เป็นตัวเลขจริงที่ชี้ไปยังงานสองอย่างที่แตกต่างกัน