GPT-6 Luna กับ GPT-6 Astra: ราคาแพงกว่าถึงหนึ่งร้อยเท่า เพื่อแลกกับคะแนนดัชนี 16 คะแนน

ผู้ขายส่งทั้งสองรุ่นนี้ออกมาในเดือนเดียวกัน GPT-6 Astraเปิดตัวเมื่อวันที่ 3 กันยายน 2026 ในราคา 10.00 ดอลลาร์ต่อโทเคนอินพุตหนึ่งล้านโทเคน และ 50.00 ดอลลาร์ต่อโทเคนเอาต์พุตหนึ่งล้านโทเคน โดยวางตำแหน่งเป็นระบบที่ทรงความสามารถที่สุดของบริษัทสำหรับงานระดับมืออาชีพที่ต้องใช้เวลาและขอบเขตงานยาวนาน GPT-6 Lunaตามมาเมื่อวันที่ 22 กันยายน 2026 ในราคา 0.10 และ 0.50 — หนึ่งในร้อยของราคาอินพุต หนึ่งในร้อยของราคาเอาต์พุต — ในฐานะระดับที่เน้นประสิทธิภาพของตระกูลนี้ มีคะแนนดัชนีต่างกันสิบหกคะแนนบนกระดานจัดอันดับอิสระที่วัดทั้งสองรุ่น สิบหกคะแนนแลกกับราคาที่ต่างกันหนึ่งร้อยเท่า คือการเปรียบเทียบทั้งหมดในบรรทัดเดียว และนั่นก็ไม่ใช่ส่วนที่น่าสนใจ

ส่วนที่น่าสนใจคือ ตัวเลขร้อยเท่าบนป้ายนั้นหดลงเหลือใกล้เคียงกับสี่สิบหกเท่า เมื่อคุณพิจารณาว่าแต่ละโมเดลทำงานจริงบนงานหนึ่ง ๆ อย่างไร และช่องว่างที่เหลืออยู่ไม่ใช่ความสามารถทางปัญญาทั่วไปเลย แต่มันคือการใช้คอมพิวเตอร์ ความเป็นอิสระในงานระยะยาว และการจัดประเภทด้านความปลอดภัยที่ตัดสินว่าองค์กรของคุณได้รับอนุญาตให้เรียกใช้โมเดลตั้งแต่แรกหรือไม่ รายการสุดท้ายนี้คือสิ่งที่ตาราง benchmark ใด ๆ ก็จับไม่ได้ และสำหรับหลายทีม มันตัดสินคำถามนี้ก่อนที่จะมีการพูดถึงราคาเสียอีก

สองระดับของครอบครัวเดียว ห่างกันสิบเก้าวัน

Astra เป็นเรือธงของ OpenAI และเป็นโมเดลที่บริษัทอธิบายว่าเป็นโมเดลที่ฉลาดที่สุดและมีความสอดคล้องมากที่สุดในโลก รองรับอินพุตข้อความ รูปภาพ และไฟล์ มีหน้าต่างบริบทขนาด 1,050,000 โทเคน พร้อมขีดจำกัดเอาต์พุต 128,000 โทเคน และมีการให้เหตุผลแบบเปิดตลอดเวลา โดยปรับระดับความพยายามได้ตั้งแต่ต่ำถึงสูงสุด เป็นโมเดลแรกของ OpenAI ที่ข้ามเกณฑ์ความสามารถด้านไซเบอร์ซีเคียวริตีระดับ Critical ภายใต้ Preparedness Framework ของบริษัท และการเปิดให้ใช้งานเป็นไปตามการจัดประเภทนั้นมากกว่าขีดความสามารถ โดยเริ่มจากองค์กรจำนวนจำกัดก่อน การเข้าถึงสำหรับองค์กรปิดไว้เป็นค่าเริ่มต้นและสามารถบริหารจัดการได้ตั้งแต่วันที่ 9 กันยายน จากนั้นระดับมาตรการป้องกันจะขยายออกไปในภายหลัง

Luna เป็นปลายอีกด้านของตระกูลเดียวกัน รับข้อความและรูปภาพเข้า ออกเป็นข้อความ ใช้หน้าต่างบริบท 1,050,000 โทเคนเท่ากัน และเพดานเอาต์พุต 128,000 โทเคนเท่ากัน พร้อมลำดับระดับการใช้เหตุผลที่ไล่จาก none ผ่าน low, medium, high, xhigh และ max โดยมี medium เป็นค่าเริ่มต้น ไม่มีการกั้นการเข้าถึง ไม่มีสวิตช์สำหรับองค์กร ไม่มีระดับความปลอดภัยที่ต้องผ่านเกณฑ์ใด ๆ จึงจะใช้ได้ Luna พร้อมใช้งานทั่วไปสำหรับใครก็ตามที่มีคีย์ API และคำอธิบายของ OpenAI เองก็แคบและตรงไปตรงมา: โมเดลที่มีประสิทธิภาพที่สุดสำหรับงานที่มุ่งเน้นและมีปริมาณมาก

ทั้งสองโมเดลใช้หน้าต่างบริบท เพดานเอาต์พุต ตระกูล knowledge cutoff และเงื่อนไขราคาสำหรับบริบทแบบยาวร่วมกัน นอกเหนือจากนั้นแทบไม่มีอะไรที่เหมือนกัน และเหตุผลก็คือทั้งคู่ถูกสร้างขึ้นสำหรับคนละครึ่งของงานเดียวกัน

เรทการ์ดระบุว่าหนึ่งร้อยเท่า ต้นทุนงานระบุว่าสี่สิบหก

หนึ่งบรรทัดต่อมิติ โดยเปิดทั้งสองด้านในแต่ละบรรทัด:

• อินพุตต่อ 1M — GPT-6 Luna $0.10 เทียบกับ GPT-6 Astra $10.00

• เอาต์พุตต่อ 1 ล้าน — GPT-6 Luna $0.50 เทียบกับ GPT-6 Astra $50.00

• อินพุตที่แคชไว้ — GPT-6 Luna $0.01 ต่อ 1M เทียบกับ GPT-6 Astra $1.00 ต่อ 1M ทั้งคู่เป็นส่วนลด 90% จากราคาปกติที่ไม่ได้แคชของตัวเอง

• ต้นทุนต่องานดัชนี — GPT-6 Luna ประมาณ $0.07 เทียบกับ GPT-6 Astra ประมาณ $3.26

• ค่าใช้จ่ายในการรันดัชนีเต็มรูปแบบ — GPT-6 Luna $122.39 เทียบกับ GPT-6 Astra $5,324.10

• AA Intelligence Index — GPT-6 Luna 37 ที่ระดับความพยายามสูงสุด เทียบกับ GPT-6 Astra 53 ที่ระดับความพยายามสูงสุด

• โทเคนเอาต์พุตในการรันดัชนี — GPT-6 Luna 150M vs GPT-6 Astra 60M เทียบกับค่ามัธยฐานของบอร์ดที่ 88M

• ความเร็วเอาต์พุต — GPT-6 Luna 153.9 โทเคน/วินาที เทียบกับ GPT-6 Astra 51.4 โทเคน/วินาที ที่ระดับ xhigh

• เวลาถึงโทเคนแรก — GPT-6 Luna เร็วพอที่จะอยู่เบื้องหลังอินเทอร์เฟซแบบโต้ตอบได้ เทียบกับ GPT-6 Astra ที่ 208.73 วินาทีในโหมด xhigh

• สวิตช์ปิดการคิดวิเคราะห์ — GPT-6 Luna ตั้งแต่ none ถึง max โดยมี none เป็นตัวเลือก เทียบกับ GPT-6 Astra ที่เปิดตลอดเวลา ไม่มีโหมดไม่คิดวิเคราะห์

• การใช้งานคอมพิวเตอร์และความเป็นอิสระ — การเรียกใช้เครื่องมือและลูปแบบเอเจนต์ของ GPT-6 Luna เทียบกับ GPT-6 Astra ที่สร้างขึ้นสำหรับการใช้งานคอมพิวเตอร์แบบครบวงจร

• การเข้าถึง — GPT-6 Luna พร้อมใช้งานทั่วไปสำหรับทุกคน ต่างจาก GPT-6 Astra ที่ถูกจำกัดการเข้าถึง องค์กรปิดใช้งานไว้โดยค่าเริ่มต้น และต้องมีการควบคุมโดยผู้ดูแลระบบ

• บน OrcaRouter — GPT-6 Luna ไม่มีอยู่ในแคตตาล็อกของเรา เทียบกับ GPT-6 Astra ที่สามารถกำหนดเส้นทางได้ในราคาตามรายการของ OpenAI

อ่านแถวต้นทุนต่องานเทียบกับอัตราส่วนในตารางราคา แล้วช่องว่างจะหดลงมากกว่าครึ่ง Luna ใช้โทเค็นเอาต์พุต 150 ล้านโทเค็นในการสร้างดัชนีให้เสร็จ ส่วน Astra ใช้ 60 ล้านโทเค็น Astra กระชับกว่าสองเท่าครึ่ง และบนโมเดลที่คิดราคาตามเอาต์พุต สิ่งนี้มีค่ามหาศาล — มันคือเหตุผลที่ความต่างของอัตราตามตารางราคาระดับหนึ่งร้อยเท่ากลายเป็นความต่างของต้นทุนต่องานเพียงสี่สิบหกเท่า และเป็นเหตุผลที่การเปรียบเทียบใด ๆ ซึ่งอิงกับราคาติดป้ายเพียงอย่างเดียวจะกล่าวเกินจริงถึงข้อดีของระดับราคาประหยัดเป็นสองเท่า

แถวของความเร็วไปในทิศทางตรงกันข้าม และไม่ใกล้เคียงกันเลย Luna สร้างโทเค็นต่อวินาทีได้มากกว่า Astra ถึงสามเท่า และส่งคืนโทเค็นแรกภายในเวลาที่ผู้ใช้รอได้ เวลา 208.73 วินาทีถึงโทเค็นแรกของ Astra ที่ xhigh ไม่ใช่ตัวเลขความหน่วง; มันเป็นคำกล่าวเกี่ยวกับว่าโมเดลนี้มีไว้เพื่ออะไร ไม่มีอะไรที่คนกำลังเฝ้าดูอยู่สามารถรันบน Astra ที่การตั้งค่านั้นได้

สิ่งที่สิบหกคะแนนซื้อได้จริง ๆ

ช่องว่างของดัชนีนั้นมีอยู่จริง และคำถามที่มีประโยชน์คือมีอะไรอยู่ภายในนั้น เพราะคำตอบไม่ใช่ “ความฉลาดเพิ่มขึ้นสิบหกเปอร์เซ็นต์”

ความสามารถที่เผยแพร่ของ Astra กระจุกตัวอยู่ที่จุดหนึ่งโดยเฉพาะ OpenAI รายงานว่า 72.6% บน OSWorld 2.0 และ 69% บน AutomationBench-AA — ทั้งสองเป็นมาตรวัดการที่โมเดลใช้งานซอฟต์แวร์ในแบบที่มนุษย์ทำ ผ่านหลายขั้นตอนและเป็นเวลายาวนาน ในด้านความรู้ ตัวเลขอยู่ที่ 96.1 บน GPQA Diamond, 97.6% บน FrontierMath Tier 4 และ 57.2% บน Humanity's Last Exam เมื่อใช้เครื่องมือ และการดึงข้อมูลบริบทยาวเป็นจุดแข็งที่ถูกเน้น: 100% บนเบนช์มาร์ก eight-needle ของ OpenAI เองระหว่าง 256K ถึง 512K โทเคน, 96.3% ระหว่าง 512K ถึง 1M ตัวเลขเหล่านี้เป็นข้อมูลที่ผู้ขายรายงานเองและยังไม่ได้ทำซ้ำ และฮาร์เนสก็สำคัญ — โมเดลเดียวกันได้ 99.9% บน ARC-AGI-3 ภายใต้อะแดปเตอร์ผู้ให้บริการแบบกำหนดเองของ OpenAI เทียบกับ 62.7% บนฮาร์เนสมาตรฐาน ซึ่งเป็นความต่างที่บอกอะไรได้พอ ๆ กันเกี่ยวกับฮาร์เนสและตัวโมเดล

เมื่อนำมาอ่านร่วมกันแล้ว นั่นไม่ใช่ข้อได้เปรียบที่ใช้ได้ทั่วไป แต่เป็นข้อได้เปรียบที่กระจุกตัวอยู่ในงานที่ใช้เวลานาน ต้องใช้คอมพิวเตอร์ และมีจุดสิ้นสุดที่ตรวจสอบได้ การวางกรอบการแข่งขันของ Astra ไม่ได้แข่งกับแชตบอตตัวอื่น แต่แข่งกับเซสชันการทำงาน และโมเดลที่มันถูกนำไปวัดเทียบด้วยบนบอร์ดอิสระคือเรือธงรุ่นอื่น ๆ ในระดับเดียวกัน — มันเสมอกับ Claude Fable 5.1 ที่ 53 บน Intelligence Index ด้วยต้นทุนต่องานราว 40%

ดังนั้น ช่องว่างสิบหกคะแนนของ Luna จึงไม่ได้กระจายอย่างสม่ำเสมอ ในงานสั้น ๆ ที่ระบุขอบเขตชัดเจนและให้โปรแกรมนำไปใช้ โมเดลทั้งสองมักให้คำตอบที่ใช้งานได้เหมือนกัน และความแตกต่างจะมองไม่เห็น ในงานที่ต้องดำเนินการตามลำดับถึงสี่สิบขั้นตอนในเบราว์เซอร์โดยมีจุดตรวจสอบอยู่ตอนท้าย ช่องว่างนี้คือความแตกต่างระหว่างการทำสำเร็จกับการทำไม่สำเร็จ — และนั่นคือประเภทงานที่ Astra ถูกสร้างมาเพื่อทำ ส่วน Luna ไม่ใช่

ประตูที่ไม่มีใครคิดเผื่อไว้ในราคา

Astra เป็นโมเดลแรกของ OpenAI ที่ก้าวข้ามเกณฑ์ Critical cybersecurity ภายใต้ Preparedness Framework ของบริษัท และผลในทางปฏิบัติคือมันถูกส่งมอบในสถานะปิดใช้งานสำหรับบัญชีองค์กร ผู้ดูแลระบบต้องเปิดใช้งานภายใต้อัตราค่าบริการและข้อตกลงที่เกี่ยวข้อง ก่อนที่ผู้ใช้จะเห็นมันได้เลย การเข้าถึงเปิดให้องค์กรจำนวนจำกัดเมื่อวันที่ 3 กันยายน และขยายออกไปจากนั้น ระบบสำหรับผู้ดูแลมาถึงเมื่อวันที่ 9 กันยายน

Luna ไม่มีสิ่งเหล่านั้นเลย มันพร้อมให้ใครก็ตามที่มี API key ใช้งานได้ตั้งแต่วันแรก โดยไม่มีขั้นตอนการตรวจสอบคุณสมบัติ ไม่มีสวิตช์เปิดปิดจากผู้ดูแลระบบ และไม่มีชั้นการป้องกันใด ๆ มากั้นระหว่างนักพัฒนากับการเรียกใช้งานครั้งแรก

สำหรับทีมในอุตสาหกรรมที่มีการกำกับดูแล ผู้รับเหมาด้านกลาโหม หรือที่ใดก็ตามที่มีการตรวจสอบความปลอดภัยอยู่ในขั้นตอนการจัดซื้อ นี่คือปัจจัยชี้ขาดทั้งหมด ความแตกต่างของราคาที่สูงเป็นร้อยเท่าเป็นเพียงรายการหนึ่งในงบประมาณ ส่วนด่านการเข้าถึงคือโครงการ และสำหรับทีมที่อยู่นอกข้อจำกัดเหล่านั้น ด่านดังกล่าวไม่มีความหมาย และ Astra ก็เป็นเพียงโมเดลราคาแพงที่มีระยะเวลาถึงโทเคนแรกยาวนานผิดปกติ

น่าจะเพิ่มเติมว่า การกำหนดเงื่อนไขการเข้าถึงนั้นเป็นจุดยืนที่ผ่านการพิจารณาแล้ว มากกว่าจะเป็นเพียงความไม่สะดวก โมเดลที่สามารถใช้งานคอมพิวเตอร์ได้เองโดยอัตโนมัติและเก่งในการค้นหาช่องโหว่ เป็นโมเดลที่ห้องแล็บควรระมัดระวังในการปล่อยให้ใช้งาน และรูปแบบการนำไปติดตั้งใช้งานก็เป็นไปตามผลการประเมินขีดความสามารถนั้น นั่นไม่ได้ทำให้จัดหาได้ง่ายขึ้น แต่หมายความว่าข้อจำกัดนี้ไม่น่าจะถูกผ่อนปรนด้วยการแจ้งปัญหาผ่านตั๋วสนับสนุน

หน้าผาเดิม ครอบครัวเดิม สองครั้ง

ทั้งสองโมเดลมีข้อกำหนดเรื่องบริบทความยาวที่เหมือนกันทุกประการ ซึ่งเป็นสิ่งที่มีต้นทุนสูงที่สุดที่อาจมองข้ามไปได้บนตารางราคาของฝ่ายใดฝ่ายหนึ่ง คำขอที่มีโทเคนอินพุตเกิน 272,000 จะถูกคิดค่าบริการในอัตราอินพุตและอัตราแคชเป็นสองเท่า และอัตราเอาต์พุตเป็น 1.5 เท่า — สำหรับคำขอทั้งหมด ไม่ใช่เฉพาะส่วนที่เกินเส้นนั้น บน Astra นั่นทำให้การเรียกใช้ที่ราคา $10.00/$50.00 กลายเป็น $20.00/$75.00 บน Luna มันทำให้ $0.10/$0.50 กลายเป็น $0.20/$0.75

เนื่องจากข้อกำหนดนั้นเป็นแบบตามสัดส่วน จึงไม่เปลี่ยนอัตราส่วนระหว่างสองโมเดล — มันเพิ่มทั้งคู่เป็นสองเท่า สิ่งที่มันเปลี่ยนคือขนาดสัมบูรณ์ของความผิดพลาด และความผิดพลาดมีแนวโน้มจะเกิดกับ Astra มากกว่า เพราะเวิร์กโหลดที่ Astra ถูกสร้างขึ้นมาเพื่อรองรับคือเวิร์กโหลดที่มีคอนเท็กซ์การทำงานระดับล้านโทเคน การเรียก Astra ด้วยคอนเท็กซ์ยาวเพียงครั้งเดียวมีค่าใช้จ่าย $75 ต่อโทเคนเอาต์พุตหนึ่งล้านโทเคน การแบ่งงานเดียวกันออกเป็นสองการเรียกที่ต่ำกว่า 272K จะลดค่าใช้จ่ายลงครึ่งหนึ่งโดยไม่มีการเปลี่ยนแปลงพรอมป์ต์ บนโมเดลที่คุณค่าทั้งหมดอยู่ที่งานระยะยาว การคำนวณนั้นคุ้มค่าที่จะลองทำก่อนการเรียกใช้งานจริงครั้งแรก ไม่ใช่หลังจากนั้น

การตัดสินใจนี้เป็นการตัดสินใจด้านการกำหนดเส้นทาง

สิ่งที่ทำให้การจับคู่นี้ไม่ธรรมดาเมื่อเทียบกับการเปรียบเทียบอื่น ๆ ในบล็อกนี้ คือโมเดลทั้งสองเป็นของเจ้าของรายเดียวกัน ทำงานบนบัญชีเดียวกัน และเข้าถึงผ่านเอนด์พอยต์เดียวกัน ไม่มีสัญญาฉบับที่สองให้ลงนาม และไม่มี SDK ชุดที่สองให้เรียนรู้ การเลือกระหว่างทั้งสองจึงไม่ใช่การตัดสินใจซื้อเลย — แต่เป็นการตัดสินใจด้านการจัดเส้นทาง และเป็นสิ่งที่ทีมส่วนใหญ่ควรตัดสินใจเป็นรายคำขอ มากกว่าจะตัดสินใจเพียงครั้งเดียว

รูปร่างของการแบ่งงานนั้นชัดเจนพออยู่แล้ว Luna สำหรับการเรียกใช้งานเล็ก ๆ นับพันครั้งที่เอเจนต์ทำระหว่างทางไปสู่ภารกิจหนึ่ง ๆ ทั้งการจำแนกประเภท การสกัดข้อมูล การเลือกเครื่องมือ และการสรุปผลลัพธ์ขั้นกลาง ส่วน Astra สำหรับตัวภารกิจเอง ครั้งเดียว ตอนท้าย ที่ซึ่งคำตอบคือผลลัพธ์ที่ได้ออกมา นั่นคือไปป์ไลน์สองชั้นภายในแอปพลิเคชันเดียว และส่วนต่างของต้นทุนระหว่างการรันทั้งหมดบน Astra กับการรันลูปชั้นในบน Luna คือส่วนต่างระหว่างเศรษฐศาสตร์ต่อหน่วยที่ไปรอดกับที่ไปไม่รอด

GPT-6 Astra อยู่บน OrcaRouter ในราคาตามที่ OpenAI กำหนดภายใต้นโยบายราคาแบบส่งผ่านตรง ซึ่งหมายความว่าการเปลี่ยนแปลงอัตราของ OpenAI จะมีผลในฝั่งของเราภายในวันเดียวกัน GPT-6 Luna ไม่ได้อยู่ในแคตตาล็อกของเรา ณ เวลาที่เขียนนี้ และเข้าถึงได้ผ่าน API ของ OpenAI เอง ดังนั้นทีมที่ต้องการใช้ทั้งสองจึงใช้คีย์เดียวสำหรับ GPT-6 Astra ควบคู่กับสิ่งที่ใช้อยู่แล้วสำหรับ OpenAI นี่ก็เป็นคู่ที่การผสานรวมโมเดลพิสูจน์คุณค่าของตัวเอง: คณะผู้ตอบที่ประกอบด้วยโมเดลราคาถูกที่ประมวลผลได้ปริมาณมากกับโมเดลราคาแพงที่รอบคอบ ตอบร่วมกัน โดยสมาชิกราคาถูกทำงานส่วนใหญ่และตัวราคาแพงเป็นผู้ชี้ขาดตัดสิน เป็นการกำหนดค่าที่เลเยอร์การจัดเส้นทางสามารถแสดงออกได้โดยที่แอปพลิเคชันไม่รู้เลยว่ามีโมเดลใดอยู่

อันไหน และเมื่อไหร่

ใช้ GPT-6 Luna เว้นแต่คุณจะมีเหตุผลเฉพาะเจาะจงที่จะไม่ใช้ มันมีราคาเพียงหนึ่งในร้อยตามเรทการ์ด และหนึ่งในสี่สิบหกของราคาต่องานที่เสร็จสมบูรณ์ มันเร็วกว่าสามเท่า โทเคนแรกมาถึงในเวลาที่ผู้ใช้รอได้ และสามารถสั่งให้หยุดการให้เหตุผลทั้งหมดได้ ซึ่งเป็นสิ่งที่ทำให้มันใช้งานเป็นตัวจำแนกประเภทได้ ตั้งค่าพารามิเตอร์ effort อย่างชัดเจน เพราะค่าเริ่มต้นคือ medium และตัวเลข 37 ที่พาดหัวเป็นค่าที่ effort สูงสุด เก็บการเรียกใช้แบบยาวให้ต่ำกว่า 272,000 โทเคนอินพุต ตรวจสอบการถดถอย 2 จุดของ Coding Agent Index เทียบกับ eval ของคุณเอง ไม่ใช่แผนภูมิจากผู้ขาย

ใช้ GPT-6 Astra เมื่องานเป็นงานยาวและคำตอบคือผลงาน การใช้คอมพิวเตอร์หลายขั้นตอน การวิเคราะห์ระดับมืออาชีพที่มีจุดสิ้นสุดตรวจสอบได้ อะไรก็ตามที่ 16 คะแนนดัชนีคือความต่างระหว่างการทำจนจบกับการหยุดเงียบ ๆ ยอมรับเวลาถึงโทเคนแรก — 208 วินาทีที่ xhigh ไม่ใช่ตัวเลขที่คุณจะเอาไปไว้เบื้องหลังมนุษย์ได้ — และยอมรับด่านจัดซื้อจัดจ้างหากองค์กรของคุณมี จากนั้นรันทุกอย่างที่นำไปสู่งานนั้นด้วยระดับราคาถูก เพราะลูปภายในคือที่ที่เงินไหลไป

ข้อผิดพลาดที่การเปรียบเทียบนี้ชักนำให้เกิด คือการมองว่ามันเป็นทางเลือกระหว่างสองโมเดล แท้จริงแล้วมันเป็นเรื่องของการเลือกว่าแต่ละโมเดลอยู่ตรงจุดใดในไปป์ไลน์ และคำตอบเกือบทุกครั้งคือทั้งสองอย่าง