GPT-6 Luna vs Gemini 3.8 Flash: รุ่นราคาประหยัดเพิ่งถูกแทนที่แล้ว

Google เปิดตัว Gemini 4 Hydrogen เมื่อวันที่ 12 พฤศจิกายน 2026 และโพสต์เปิดตัวระบุว่าเป็น "การอัปเกรดแบบสแตนด์อโลนครั้งสำคัญสำหรับทีมที่ย้ายมาจาก Gemini 3.8 Flash" ประโยคนั้นทำในสิ่งที่ตาราง benchmark ทำไม่ได้: มันเปลี่ยนว่าการเปรียบเทียบระหว่าง GPT-6 Luna กับ Gemini 3.8 Flash มีไว้เพื่ออะไร ฝั่ง Gemini ของการจับคู่นี้ไม่ใช่โมเดลที่คุณรับมาใช้อีกต่อไป - แต่เป็นโมเดลที่คุณกำลังถูกย้ายออกไป ฝั่ง Luna ยังคงเป็นขั้นบันได GPT-6 ที่ถูกที่สุดของ OpenAI แปดสัปดาห์หลังเปิดตัวและยังไม่เปลี่ยนแปลง ดังนั้นคำถามที่ตรงไปตรงมาจึงไม่ใช่ระหว่างสองตัวนี้ว่าตัวไหนดีกว่า แต่เป็นว่าสิ่งที่ทำให้ 3.8 Flash คุ้มค่าในราคา $0.75 ต่อ input token หนึ่งล้านโทเค็นยังคงใช้ได้กับ Hydrogen ที่ราคา $1.50 หรือไม่ และว่า $0.10 ของ Luna เคยอยู่ในตลาดเดียวกันหรือไม่

นี่คือฉบับย่อก่อนรายละเอียด Gemini 3.8 Flash เป็นโมเดลที่ความสามารถสูงกว่าในเกือบทุกตัวชี้วัดอิสระ และมีราคาต่อโทเคนสูงกว่าประมาณเจ็ดเท่าครึ่ง GPT-6 Luna เขียนเอาต์พุตได้มากกว่าสองเท่าต่อคำขอ มีต้นทุนต่องานในชุดทดสอบของ Artificial Analysis อยู่ที่ประมาณหนึ่งในสิบ และเริ่มตอบช้ากว่าอย่างเห็นได้ชัด Hydrogen ไม่ได้แก้ปัญหานั้น — มันเลื่อนระดับของ G​emini ขึ้นทั้งราคาและความสามารถ ทำให้ปลายล่างของตลาดตกเป็นของ Luna โดยปริยาย

สเปกชีต เทียบกันแบบเคียงข้าง

• ตารางราคา ทั้งสองส่วน - GPT-6 Luna ที่ $0.10 ขาเข้า และ $0.50 ขาออก ต่อ 1M เทียบกับ Gemini 3.8 Flash ที่ $0.75 และ $3.75; อัตรา 7.5x เดียวกันปรากฏทั้งฝั่งอินพุตและเอาต์พุต ซึ่งเป็นเรื่องผิดปกติและหมายความว่าไม่มีรูปแบบปริมาณงานใดสามารถอาร์บิทราจอัตราส่วนนี้ได้

• อินพุตที่แคชไว้ต่อ 1M - GPT-6 Luna $0.01 เทียบกับ Gemini 3.8 Flash $0.075 และโปรดทราบว่า Google ระบุอัตรานี้เป็นอัตราการแคชที่ถูกเรียกใช้ (cache-hit rate) ไม่ใช่อัตราการเขียนแคช (cache-write rate) จึงไม่สามารถเปรียบเทียบโดยตรงกับรูปแบบตัวเลขสองค่าของ OpenAI ได้

• ราคาสำหรับบริบทแบบยาว - GPT-6 Luna คิดราคาอินพุตและแคชเป็นสองเท่า และคูณราคาเอาต์พุตด้วย 1.5 เมื่อพรอมต์มีมากกว่า 272,000 โทเคน; Gemini 3.8 Flash คิดอัตราเดียวแบบคงที่ตลอดทั้งหน้าต่างบริบท

• หน้าต่างบริบท - 1,050,000 โทเค็นสำหรับ GPT-6 Luna เทียบกับ 1,048,576 สำหรับ Gemini 3.8 Flash ซึ่งต่างกัน 1,424 โทเค็นที่ไม่มีแอปพลิเคชันใดจะสังเกตเห็นได้เลย

• เอาต์พุตสูงสุด - GPT-6 Luna 128,000 โทเค็น เทียบกับ Gemini 3.8 Flash 65,536 ซึ่งเป็นความแตกต่างที่เป็นรูปธรรมตั้งแต่ครั้งแรกที่คุณขอเอกสารยาว

• สิ่งที่แต่ละตัวจะรับเข้ามาได้จริง - Gemini 3.8 Flash รับวิดีโอและเสียง รวมถึงข้อความ รูปภาพ และไฟล์; GPT-6 Luna รับสามอย่างหลังและปฏิเสธสองอย่างแรก

• ปุ่มปรับระดับความพยายาม — บันไดของ Luna ไล่จากไม่มีเลยโดยสิ้นเชิง (ปานกลางหากคุณไม่ระบุอะไร) ไปจนถึงสูงสุด; ของ G​emini เริ่มที่ระดับสูงกว่าและมีค่าเริ่มต้นเป็นสูง และ G​oogle เตือนว่ายิ่งดันขึ้นสูงเท่าไร ก็ยิ่งใช้โทเค็นมากขึ้นเท่านั้น

• เปิดตัว - Gemini 3.8 Flash ในวันที่ 2 กันยายน 2026; GPT-6 Luna ในวันที่ 22 กันยายน 2026; Hydrogen ซึ่งเป็นรุ่นแทนที่ ในวันที่ 12 พฤศจิกายน 2026

• Artificial Analysis Intelligence Index v5.0.1 — 31 สำหรับ Gemini 3.8 Flash ที่โหมด high, 28 สำหรับ GPT-6 Luna ที่โหมด max ดังนั้นโมเดลที่ถูกกว่าจึงเสียไปสามคะแนนเมื่อทำงานด้วยการตั้งค่าที่แพงที่สุดของมัน

• การรอคำแรก - 16.98 วินาทีบน Gemini 3.8 Flash เทียบกับ 79.33 วินาทีบน GPT-6 Luna วัดโดย Artificial Analysis; โมเดล Gemini ใช้เวลานานกว่าในการทำงานหนึ่งงานให้เสร็จ คือ 15 นาที เทียบกับ 11.8 นาทีของ Luna

• ค่าใช้จ่ายในการรันดัชนีจนเสร็จสิ้น - Gemini 3.8 Flash อยู่ที่ 7.77 ดอลลาร์ต่องาน หรือ 5,764 ดอลลาร์สำหรับชุดทดสอบทั้งหมด เทียบกับ GPT-6 Luna ที่ 0.15 ดอลลาร์และ 136 ดอลลาร์

ราคาสูงกว่าเจ็ดเท่าครึ่ง และตรงจุดที่มันแสดงให้เห็น

ช่องว่างทางสติปัญญาคือสามคะแนน: 31 เทียบกับ 28 นั่นเล็กกว่าที่อัตราส่วนราคาจะบ่งชี้ และเล็กกว่าที่คนส่วนใหญ่คาดเดา แต่มันไม่ใช่ส่วนที่น่าสนใจของการเปรียบเทียบ เพราะคะแนนทั้งสองถูกเก็บที่การตั้งค่าความพยายามที่ต่างกัน - G​emini ที่ระดับสูง Luna ที่ระดับสูงสุด คะแนนความพยายามสูงสุดของ Luna คือสิ่งที่ดีที่สุดที่มันทำได้ ส่วนคะแนนความพยายามระดับสูงของ G​emini คือค่าดีฟอลต์ของมัน โมเดลของ G​oogle มีช่องว่างเหลือที่ Luna ไม่มี

การรู้ว่าสามจุดนั้นมาจากไหนมีประโยชน์มากกว่าตัวเลข เมื่อแยกดัชนีออกเป็นองค์ประกอบย่อย ก็จะเห็นรูปแบบหนึ่งปรากฏขึ้น โมเดลทั้งสองใกล้กันในการประเมินสไตล์การเขียนโค้ด แต่ห่างกันมากในทุกเรื่องที่ต้องใช้การเรียกคืนข้อมูลหรือการปฏิเสธที่จะตอบ

• Terminal-Bench 4.0 - Gemini 3.8 Flash 19.7% เทียบกับ GPT-6 Luna 12.6%; ทั้งสองทำได้ไม่ดี และไม่มีตัวใดเป็นเอเจนต์เทอร์มินัล

• Terminal-Bench-Science 0.1 - Gemini 3.8 Flash 10.0% เทียบกับ GPT-6 Luna 8.6% ซึ่งถือว่าเสมอกันในทางปฏิบัติ

• HLE-Diamond - Gemini 3.8 Flash 33.1% เทียบกับ GPT-6 Luna 22.2% ซึ่งเป็นช่องว่าง 11 จุดในด้านการให้เหตุผลยากที่ทั้งสองโมเดลจัดการได้ไม่ดี

{{1}}FrontierCode-AA 2.0{{/1}} - {{2}}Gemini 3.8 Flash{{/2}} 18.7% เทียบกับ {{3}}GPT-6 Luna{{/3}} 25.2% ซึ่งเป็นการประเมินการเขียนโค้ดเพียงรายการเดียวที่ {{3}}Luna{{/3}} นำอยู่ แม้ว่าทั้งสองจะอยู่ต่ำกว่าโมเดลที่ทำได้เกิน 46% มากก็ตาม

• AA-Omniscience v1.1 net - Gemini 3.8 Flash +23 เทียบกับ GPT-6 Luna −8; นี่คือช่องว่างที่กว้างที่สุดและส่งผลกระทบมากที่สุดในตาราง

• AA-Briefcase v1.1 Elo - GPT-6 Luna 1337 vs Gemini 3.8 Flash 1203 มาตรวัดงานความรู้ที่โมเดลที่ถูกกว่าชนะ

คู่สุดท้ายนั้นคือคู่ที่ควรค่าแก่การไตร่ตรอง ในคำถามว่าโมเดลรู้อะไรและจะยอมรับหรือไม่ว่าไม่รู้ Gemini 3.8 Flash ได้สุทธิ +23 และ Luna ได้สุทธิ −8 ซึ่งหมายความว่าคำตอบที่ Luna กุขึ้นมีจำนวนมากกว่าคำตอบที่ถูกบ่อยพอที่จะทำให้ยอดรวมต่ำกว่าศูนย์ ในงานความรู้แบบ Briefcase นั้น Luna ได้คะแนน Elo สูงกว่า 134 สองการประเมิน คำตัดสินตรงกันข้าม โมเดลสองตัวเดียวกัน ข้อสรุปคือ Briefcase ให้รางวัลกับการทำตามคำสั่งโดยอิงจากคลังเอกสารที่จัดให้ ขณะที่ Omniscience ให้รางวัลกับการรู้สิ่งต่างๆ โดยไม่มีคลังนั้น หากแอปพลิเคชันของคุณส่งเอกสารไปพร้อมระบบ จุดอ่อนของ Luna ก็ถูกจำกัดไว้ หากมันตอบจากความจำ ก็ไม่เป็นเช่นนั้น

ทำไมต้นทุนต่องานจึงเป็น 50 เท่า เมื่อเรตการ์ดเป็น 7.5 เท่า

ราคาตามรายการต่างกัน 7.5 เท่า ต้นทุนที่วัดได้ในการทำ Intelligence Index ของ Artificial Analysis ให้เสร็จสิ้นนั้นต่างกันราว 50 กว่าเท่า: 7.77 ดอลลาร์สำหรับ Gemini 3.8 Flash เทียบกับ 0.15 ดอลลาร์สำหรับ GPT-6 Luna ความต่างระหว่างอัตราส่วนทั้งสองนี้มาจากการใช้โทเคนล้วนๆ และเป็นตัวเลขที่ถูกรายงานน้อยที่สุดในทุกการเปรียบเทียบโมเดลที่เผยแพร่ในปีนี้

Gemini 3.8 Flash เป็นโมเดลที่เน้นการให้เหตุผลอย่างหนัก Google ระบุตรง ๆ ว่า บนงานที่ซับซ้อน โมเดลนี้ “แสดงความรอบคอบมากกว่า — ดำเนินขั้นตอนการให้เหตุผลเพิ่มเติม และเรียกใช้เครื่องมือแบบวนซ้ำ” และ “อาจใช้โทเค็นมากขึ้นเพื่อเพิ่มประสิทธิภาพสูงสุด โดยเฉพาะในระดับความพยายามที่สูงขึ้น” ตัวเลขที่บอร์ดคำนวณเองก็สอดคล้องกัน — Gemini ใช้โทเค็นเอาต์พุต 98,900 โทเค็นต่องาน เทียบกับ 75,300 ของ Luna โดยในจำนวนนั้นเป็นโทเค็นการให้เหตุผล 60,100 และ 57,600 ตามลำดับ เมื่อนำจำนวนโทเค็นนั้นคูณกับอัตราค่าบริการที่สูงกว่าอยู่แล้ว 7.5 เท่า อัตราส่วนต่องานก็ทบขึ้นเป็น 50 เท่า นี่คือเหตุผลสนับสนุน Luna ที่แข็งแกร่งที่สุดเท่าที่มีอยู่ และมันไม่เกี่ยวกับความฉลาดเลยแม้แต่น้อย

มันยังให้ผลตรงกันข้ามในภาระงานที่แตกต่างออกไป หากพรอมต์ของคุณยาวและคำตอบของคุณสั้น — การดึงข้อมูลจากคลังข้อมูลคงที่ การจำแนกประเภทด้วยเอาต์พุตหนึ่งโทเคน การคัดแยกบันทึก — โทเคนเอาต์พุตก็เป็นเพียงความคลาดเคลื่อนจากการปัดเศษบนการ์ดทั้งสองใบ และอัตราส่วนอินพุต 7.5x ก็คือเรื่องทั้งหมด ความเยิ่นเย้อของ G​emini ไม่มีโอกาสสะสมทบเพิ่ม และข้อได้เปรียบของ Luna ลดลงจาก 50x เหลือประมาณ 7x ตัวเลขที่ต้องนำมาโมเดลคืออัตราส่วนอินพุตต่อเอาต์พุตโทเคนของคุณเอง ไม่ใช่ตัวเลขบนเบนช์มาร์ก

ช่องว่างด้านฟีเจอร์ที่ไม่มีใครใส่ไว้ในตารางเปรียบเทียบ

Gemini 3.8 Flash รองรับวิดีโอและเสียงได้โดยตรงในตัว ส่วน GPT-6 Luna ไม่รองรับ — รองรับเพียงข้อความ รูปภาพ และไฟล์ เท่านั้น สำหรับงานที่เน้นข้อความเป็นส่วนใหญ่ เรื่องนี้ไม่เกี่ยวข้อง และนั่นคือเหตุผลที่โมเดลทั้งสองถูกนำมาเปรียบเทียบกันตั้งแต่แรก: ทั้งคู่ถูกวางตำแหน่งในระดับราคาประหยัด ทั้งคู่มีบริบทประมาณหนึ่งล้านโทเคน และทั้งคู่รองรับรูปภาพ

สำหรับงานที่เกี่ยวข้องกับสายที่บันทึกไว้ การบันทึกหน้าจอ หรือเสียงประชุม การเปรียบเทียบก็จบเพียงเท่านั้น Luna ไม่สามารถทำงานนี้ได้ไม่ว่าจะราคาเท่าใด และ 7.5x ไม่ใช่ส่วนเพิ่มราคา แต่เป็นความแตกต่างคนละระดับ ตรรกะเดียวกันใช้ในทางกลับกันกับความยาวเอาต์พุต: Luna ส่งคืนได้สูงสุด 128,000 โทเค็นในการตอบกลับหนึ่งครั้ง เทียบกับ 65,536 ของ Gemini ซึ่ง matters เมื่อการโทรหนึ่งครั้งควรสร้างเอกสารทั้งฉบับมากกว่าจะเป็นเพียงย่อหน้าหนึ่งของเอกสารนั้น

Hydrogen เปลี่ยนอะไรบ้าง และไม่เปลี่ยนอะไรบ้าง

การอธิบายการย้ายระบบของ G​oogle เองนั้นตรงไปตรงมาอย่างผิดปกติเกี่ยวกับส่วนต่าง: Hydrogen ทำงานเสร็จเร็วเป็น 2.5 เท่าที่ค่าเริ่มต้นระดับสูง เมื่อเทียบกับ 3.8 Flash ทำคะแนน Terminal-Bench 4.1 ได้มากกว่าสามเท่า (57% เทียบกับ 18.2%) ลดการกล่าวอ้างที่แต่งขึ้นลงมากกว่า 5 เท่า และทำงานเร็วขึ้น 2 ถึง 2.8 เท่า โดยใช้โทเค็นน้อยลง 12% ถึง 23% ในการทดสอบกับพาร์ตเนอร์ บนดัชนีของ Artificial Analysis มันทำได้ 51 ที่ระดับการคิดสูงแบบค่าเริ่มต้น เทียบกับ 50 ของ Argon และได้ 54 ที่ xhigh

ราคาเดียวกันตลอดหน้าต่างบริบทเต็มที่ $1.50 ต่อล้านโทเค็นอินพุต และ $7.50 ต่อล้านโทเค็นเอาต์พุต — เป็นสองเท่าของ 3.8 Flash ทั้งฝั่งอินพุตและเอาต์พุต ดังนั้นโมเดลที่มาแทน 3.8 Flash จึงมีราคาเป็นสองเท่าของโมเดลที่มันมาแทน และตามตัวเลขของ Google เอง สูงกว่าประมาณ 20 จุดบนดัชนีความฉลาด นี่เป็นการขยับขึ้นตามเส้นโค้งอย่างตรงไปตรงมา และมันตัดกลุ่มกลางตลาดออกไป: ผู้ซื้อที่ต้องการความสามารถระดับ Gemini ในราคาระดับ Flash ตอนนี้มีโมเดลที่อยู่เหนือกว่าและโมเดลที่อยู่ต่ำกว่า โดยตัวเลือกเดิมกำลังอยู่ในช่วงเปลี่ยนผ่าน

ไม่มีสิ่งใดในนั้นเปลี่ยนสถานะของ Luna เพราะ Luna ไม่เคยแข่งขันกับโมเดล 31-index มันแข่งขันกับระดับราคาต่ำสุด ที่ราคาอินพุต $0.10 และเอาต์พุต $0.50 Luna ยังเป็นวิธีที่ถูกที่สุดในการประมวลผลข้อความปริมาณมากโดยมีโมเดลที่มีความสามารถรองรับอยู่เบื้องหลัง และการมาถึงของ Hydrogen ที่ราคา $1.50 ทำให้เรื่องนี้เป็นจริงมากขึ้น ไม่ใช่ลดลง — ตัวเลือก G​emini ที่เคยมีราคาเป็น 7.5 เท่าของ Luna ตอนนี้เป็น 15 เท่า

ผลลัพธ์จากบุคคลที่สามที่ไม่สอดคล้องกัน

ไม่ใช่ทุกการวัดผลที่เป็นอิสระจะทำให้โมเดลเหล่านี้ห่างกันสามคะแนน StealthMark ซึ่งเป็นบริการเปรียบเทียบที่รันชุดการประเมินของตัวเอง มี Gemini 3.8 Flash นำ GPT-6 Luna อยู่ 8.8 คะแนน ที่ 47.9 ต่อ 39.1 และนำในแปดจากเก้าของเกณฑ์มาตรฐานแต่ละรายการ และ Agent Initiative Benchmark ของ Deepnote — ซึ่งให้คะแนนโมเดลจากสถานการณ์ในที่ทำงานห้าสิบสถานการณ์ภายในบริษัทจำลอง แทนที่จะเป็นคำถาม — ไม่ได้รวม Gemini 3.8 Flash ไว้เลย ดังนั้นการประเมินเดียวที่วัดพฤติกรรมเอเจนต์เชิงรุกจึงไม่มีอะไรจะบอกเกี่ยวกับการจับคู่นี้

ช่องว่างระหว่าง "สามคะแนน" กับ "แปดคะแนนครึ่ง" เตือนเราว่า การเลือก benchmark คือการตัดสินใจเชิงการสร้างแบบจำลอง ไม่ใช่เรื่องที่เป็นกลาง การประเมินที่ให้น้ำหนักกับ G​emini ให้ความสำคัญกับความรู้และความลึกของการใช้เหตุผล ส่วนการประเมินที่ให้น้ำหนักกับ Luna ให้ความสำคัญกับการทำตามคำสั่งมากกว่าบริบทที่ให้มาและต้นทุน ทั้งสองชุดไม่ได้ผิด ทีมที่กำลังเลือกระหว่างสองสิ่งนี้ควรนำงานของตนเองราวหนึ่งโหลมาทดสอบกับทั้งสองก่อนจะเชื่อตารางใด ๆ รวมถึงสี่ตารางในบทความนี้

ที่ซึ่งแต่ละอย่างพิสูจน์คุณค่าในตำแหน่งของตนได้ในตอนนี้

วิดีโอ เสียง หรืออินพุตแบบมัลติโมดัลใด ๆ - Gemini 3.8 Flash หรือ Hydrogen หากคุณเริ่มต้นใหม่ Luna ไม่สามารถรับอินพุตนี้ได้

• คำตอบที่ดึงมาจากความรู้ของโมเดลโดยไม่มีเอกสารแนบ — Gemini 3.8 Flash ความแตกต่าง +23 เทียบกับ −8 ของ Omniscience คือหลักฐานที่ชี้ขาด

• ความหน่วงเชิงโต้ตอบที่โทเค็นแรกใช้เวลา 79 วินาทีถือเป็นข้อบกพร่องของผลิตภัณฑ์ — Gemini 3.8 Flash อยู่ที่ 17 วินาที แม้ว่าเวลาเฉลี่ยต่องาน 15 นาทีจะแย่กว่า 11.8 ของ Luna ดังนั้นข้อได้เปรียบจึงอยู่ที่โทเค็นแรกมากกว่าโทเค็นสุดท้าย

• การสร้างผลลัพธ์แบบยาวต่อเนื่อง โดยเรียกใช้เพียงครั้งเดียวก็สร้างเอกสารได้ทั้งฉบับ — GPT-6 Luna ด้วยจุดแข็งจากเพดานเอาต์พุต 128,000 โทเค็น

• การประมวลผลข้อความปริมาณมากพร้อมเอกสารที่จัดหาให้ — GPT-6 Luna ซึ่งข้อได้เปรียบ 50 เท่าต่องานเป็นเรื่องจริง และขอบเขตขั้นต่ำด้านข้อเท็จจริงถูกกำหนดโดยคลังเอกสาร

• การติดตั้งใช้งานใหม่ที่ต้องการระดับ G​emini เลย — G​emini 4 Hydrogen ไม่ใช่ 3.8 Flash การนำโมเดลมาใช้สองวันหลังจากรุ่นที่มาแทนเปิดตัวแล้วต้องมีเหตุผล

คำถามเรื่องการย้ายระบบสมควรได้อีกหนึ่งประโยค เพราะมันคือการตัดสินใจเชิงปฏิบัติที่ซ่อนอยู่ในการเปรียบเทียบนี้ หากคุณใช้งาน Gemini 3.8 Flash ในโปรดักชันอยู่แล้วในวันนี้ ตัวเลขของ Hydrogen ก็สนับสนุนให้ย้าย แต่ราคาของมันสนับสนุนให้คำนวณบิลก่อน เนื่องจากการประหยัดโทเคนที่ Google รายงาน (12% ถึง 23%) ไม่ชดเชยกับการที่อัตราทั้งสองเพิ่มขึ้นเป็นสองเท่า หากคุณไม่ได้ใช้ทั้งสองแบบ ทางเลือกก็คือระหว่างโมเดลที่กำลังจะถูกเลิกให้บริการกับโมเดลที่คงเดิมมาแปดสัปดาห์ และคำตอบขึ้นอยู่ทั้งหมดกับว่าภาระงานของคุณต้องการอินพุตวิดีโอหรือฐานข้อเท็จจริง

การเรียกใช้อย่างใดอย่างหนึ่งโดยไม่มีโปรเจกต์การโยกย้าย

ส่วนที่น่าอึดอัดของการจับคู่แบบนี้คือผู้เข้าชิงทั้งสองใช้โปรโตคอลต่างกัน — เอนด์พอยต์ generate ของ Gemini เองกับรูปแบบ chat-completions ของ OpenAI — และโมเดลที่คุณเลือกวันนี้อาจถูกแทนที่ภายในหนึ่งไตรมาส อย่างที่ 3.8 Flash เพิ่งถูกแทนที่มาแล้ว และ โมเดลอื่นอีกกว่า 200 โมเดลผ่านคีย์ที่เข้ากันได้กับ OpenAI เพียงคีย์เดียว โดยคิด markup 0% โดยส่งผ่านราคาตามรายการของผู้ให้บริการ ดังนั้นราคาเปิดตัวของ Google และการเปลี่ยนแปลงใด ๆ ในภายหลังจะไปถึงใบแจ้งหนี้ในวันเดียวกัน เรื่องนี้สำคัญกว่าปกติในกรณีนี้: 3.8 Flash เปิดตัวในสิ่งที่ Google เรียกว่าอัตราเปิดตัว และโมเดลที่ใช้ราคาเปิดตัวซึ่งกำลังถูกย้ายออกไปนั้นเป็นรายการที่ควรจับตา การสลับเส้นทางจากโมเดลหนึ่งไปยังอีกโมเดลหนึ่ง เป็นการเปลี่ยนแปลง routing-DSL แทนที่จะเป็น SDK ใหม่ การ failover อัตโนมัติช่วยให้เวิร์กโหลดยังทำงานอยู่เมื่อผู้ให้บริการรายหนึ่งมีประสิทธิภาพลดลง และ model fusion ช่วยให้ panel ให้คำตอบได้ในกรณีที่การจำแนกแบบประหยัดเพียงครั้งเดียวมีนัยสำคัญเกินกว่าจะไว้วางใจให้โมเดลเดียว เราไม่โฮสต์โมเดลที่เราไม่ได้กำหนดเส้นทาง และทั้งสองโมเดลนี้เราก็กำหนดเส้นทาง

สิ่งที่ควรดูต่อไป

สองวันจะเป็นตัวกำหนดว่าการเปรียบเทียบนี้จะอ่านออกมาเป็นอย่างไรในอีกหนึ่งเดือน วันแรกคือกำหนดการเลิกใช้ Gemini 3.8 Flash ของ G​oogle — Hydrogen เปิดตัวเมื่อ 12 พฤศจิกายน และถ้อยคำเกี่ยวกับการย้ายระบบก็เปิดเผยต่อสาธารณะแล้ว ดังนั้นคำถามที่มีประโยชน์จึงไม่ใช่ 3.8 Flash จะหายไปหรือไม่ แต่เป็นว่าราคาแนะนำช่วงเปิดตัวจะอยู่ต่อได้นานแค่ไหนหลังการเลิกใช้นั้น วันที่สองคือ O​penAI จะหยิบยกผู้สืบทอดของ GPT-6 Luna หรือการเปลี่ยนแปลงราคาขึ้นมาพิจารณาหรือไม่; Luna ไม่มีการเปลี่ยนแปลงตั้งแต่ 22 กันยายน และโมเดลที่ถูกกว่าหรือมีความสามารถสูงกว่าในระดับเดียวกันจะรีเซ็ตสมการคำนวณใหม่ แบบเดียวกับที่ Hydrogen เพิ่งรีเซ็ตสมการของ G​emini

จนกว่าตัวใดตัวหนึ่งจะเปิดตัว บทสรุปนี้จงใจเรียบ ๆ ไม่หวือหวา Gemini 3.8 Flash เป็นโมเดลที่ดีกว่าแต่เป็นตัวเลือกที่แย่กว่าสำหรับการซื้อ และกำลังจะถูกเลิกใช้ GPT-6 Luna เป็นโมเดลที่อ่อนกว่า โดยมีต้นทุนต่องานต่ำกว่าหนึ่งลำดับขนาด และมีขีดจำกัดด้านข้อเท็จจริงที่จำกัดว่ามันจะเชื่อถือได้ในขอบเขตใด ไม่มีตัวไหนเป็นค่าเริ่มต้น ค่าเริ่มต้นสำหรับใครก็ตามที่เริ่มตอนนี้คือ Hydrogen ฝั่ง G​emini และ Luna ในระดับล่างสุด — และช่องว่างระหว่างสองตัวนั้นไม่ใช่ 7.5x อีกต่อไป แต่เป็น 15x ซึ่งเป็นการตัดสินใจที่ต่างจากสิ่งที่การจับคู่นี้ถูกเขียนขึ้นมาเพื่อตอบ