GPT-6 Luna vs Claude Sonnet 5.5: Hai khoảng cách, không phải một

Đặt GPT-6 Luna và Claude Sonnet 5.5 lên cùng một bảng giá thì tỷ lệ thật đáng xấu hổ: 0,10 đô la so với 2,00 đô la mỗi triệu token đầu vào, 0,50 đô la so với 10,00 đô la mỗi triệu token đầu ra. Đặt chúng vào cùng một bài đánh giá thì khoảng cách trông hoàn toàn khác tùy vào bài đánh giá bạn chọn. Trên Chỉ số Trí tuệ của Artificial Analysis, Sonnet 5.5 ở mức nỗ lực tối đa đạt 55 điểm và Luna ở mức nỗ lực tối đa đạt 28 điểm - chênh lệch 27 điểm trên một bảng xếp hạng nơi nhóm dẫn đầu nằm trong khoảng năm mươi. Trên FrontierCode-AA 2.0, hai mô hình đó đạt 25,7 và 25,2. Đó không phải là một khoảng cách. Đó là thế hòa.

Cả hai cách hiểu đều đúng, và lý do chúng cùng tồn tại chính là điều đáng hiểu trước khi lựa chọn. Luna không phải là một mô hình yếu đồng đều được bán với giá bằng một phần hai mươi. Đó là một mô hình có hình dạng đặc thù: cạnh tranh ở việc tạo code-diff, kém xa ở công việc terminal, suy luận khoa học và khả năng tiết chế về mặt dữ kiện, và chậm hơn khoảng một bậc độ lớn để tạo ra token đầu tiên. Sonnet 5.5 thì có hình dạng ngược lại - nhất quán, khởi đầu nhanh, và đủ đắt đỏ đến mức một đội hình gồm nhiều bản sao của nó cần có bài toán kinh doanh.

Hai bảng thông số kỹ thuật, từng kích thước một

• Giá đầu vào mỗi 1M - GPT-6 Luna $0.10 so với Claude Sonnet 5.5 $2.00, tỷ lệ 20x

• Giá đầu ra mỗi 1M - GPT-6 Luna $0.50 so với Claude Sonnet 5.5 $10.00, cũng gấp 20 lần

• Giá đầu vào đã lưu trong bộ nhớ đệm trên mỗi 1M - GPT-6 Luna $0.01 so với Claude Sonnet 5.5 $0.10; A​nthropic đã giảm mức giá đọc bộ nhớ đệm của Sonnet xuống còn một nửa so với mức của Sonnet 5 khi ra mắt, và tỷ lệ so với mức giá lưu bộ nhớ đệm của Luna vẫn là 10 lần

• Ghi cache - GPT-6 Luna $0.125 mỗi 1M, cao hơn 1,25 lần so với giá đầu vào; Sonnet 5.5 được tính $2.50 mỗi 1M theo cùng quy ước 1,25 lần

• Cửa sổ ngữ cảnh - 1.050.000 token đối với GPT-6 Luna so với 1.000.000 ở Claude Sonnet 5.5, trong đó đầu vào khả dụng của Luna bị giới hạn ở mức 922.000

• Đầu ra tối đa - 128.000 token trên cả hai

• Định giá ngữ cảnh dài - Luna tính lại giá cho toàn bộ yêu cầu vượt quá 272.000 token đầu vào thành $0,20 / $0,75; bảng giá của Sonnet 5.5 không có ngưỡng tương đương, đây là một lợi thế kín đáo với các prompt 300K token

• Phương thức nhập - văn bản, hình ảnh và tệp trên cả hai; cả hai đều không nhận âm thanh hoặc video

• Điều khiển suy luận - GPT-6 Luna cung cấp các mức none, low, medium (mặc định), high, xhigh và max, và có thể tắt hoàn toàn; Claude Sonnet 5.5 có năm mức từ low đến max với high là mặc định, và tính năng suy luận luôn bật

• Mốc kiến thức - ngày 18 tháng 5 năm 2026 đối với GPT-6 Luna; Anthropic không công bố mốc ngày tương đương cho Sonnet 5.5

• Phát hành - GPT-6 Luna vào ngày 22 tháng 9 năm 2026; Claude Sonnet 5.5 vào ngày 28 tháng 9 năm 2026, cách nhau sáu ngày

• AA Intelligence Index v5.0.1 - GPT-6 Luna 28 ở mức nỗ lực tối đa so với Claude Sonnet 5.5 42 ở mức nỗ lực cao mặc định của nó và 55 ở mức tối đa

• Thời gian đến token trả lời đầu tiên - GPT-6 Luna 79,33 giây so với Claude Sonnet 5.5 10,21 giây trên cùng một bảng

• Chi phí cho mỗi tác vụ Intelligence Index - GPT-6 Luna $0.15 so với Claude Sonnet 5.5 $1.64

Giá gấp hai mươi lần, hóa đơn gấp mười một lần

Tỷ lệ giá niêm yết đúng là 20 lần. Tỷ lệ đo được trên một khối lượng công việc thực tế thì không phải vậy, vì chi phí mỗi tác vụ cũng tính đến số token mà mỗi mô hình tiêu tốn để đi đến câu trả lời. Trong lần chạy chỉ số của Artificial Analysis, Luna đã tiêu tốn $136 token để hoàn thành bộ kiểm thử và Sonnet 5.5 tiêu tốn $1,268 - khoảng 9,3 lần. Con số $0,15 mỗi tác vụ của Luna so với $1,64 của Sonnet là tỷ lệ 10,9.

Sự khác biệt đó vừa có lợi vừa bất lợi cho Luna cùng một lúc, tùy thuộc vào khối lượng công việc của bạn. Luna phát ra rất nhiều token suy luận đối với một mô hình rẻ: ở mức nỗ lực tối đa, nó là mô hình nói nhiều hơn trong hai mô hình tính trên mỗi đơn vị điểm số, đó là lý do tỷ lệ niêm yết 20x bị nén xuống còn khoảng 10x trên hóa đơn. Với khối lượng công việc mà đầu ra chiếm ưu thế - tạo sinh dài, chỉnh sửa mã lặp đi lặp lại, bất cứ thứ gì viết ra các đoạn văn - mức nén trở nên tệ hơn đối với Luna, vì tốc độ đầu ra của nó là nửa đắt đỏ của bảng giá. Với khối lượng công việc mà đầu vào chiếm ưu thế - truy xuất, đọc log, hỏi đáp tài liệu trên một kho ngữ liệu cố định - mức 20x gần như giữ nguyên chính xác, và bộ nhớ đệm còn làm cho nó tốt hơn nữa.

Một lưu ý số học nữa làm thay đổi câu trả lời đối với một nhóm đã và đang trả mức giá của A​nthropic: Sonnet 5.5 được A​nthropic mô tả là có chi phí thấp hơn tới 30% cho mỗi tác vụ so với Sonnet 5 dù bảng giá không đổi, vì nó cần ít token hơn để làm cùng một công việc. Một nhóm chuyển từ Sonnet 5 sang Sonnet 5.5 sẽ nhận được mức giảm giá thực sự mà không cần thay đổi bảng giá. Một nhóm chuyển từ Sonnet 5.5 sang Luna sẽ nhận được mức giảm giá 10x và một mô hình rất khác.

Nơi khoảng cách là vực thẳm, và tại sao đai an toàn lại quan trọng

Terminal-Bench 4.0 là sự tách biệt rõ ràng nhất trên bảng: 43,9% cho Sonnet 5.5 so với 12,6% cho Luna, được đo bởi cùng một bộ đánh giá trong cùng điều kiện. Terminal-Bench-Science còn tệ hơn với Luna - 34,3% so với 8,6%. Nếu công việc là một phiên shell, một hệ thống build, một bộ kiểm thử thất bại phải được chẩn đoán xuyên nhiều tệp, thì mức chiết khấu gấp hai mươi lần chẳng phải là chiết khấu gì cả. Luna sẽ không hoàn thành nhiệm vụ đủ thường xuyên để mức giá trở nên quan trọng.

Hãy cẩn thận với những con số bạn trích dẫn cho Sonnet ở đây, vì có hai con số và chỉ một là có thể so sánh được. Bài đăng ra mắt của Anthropic báo cáo 70,6% trên Terminal-Bench 4.0 - cao hơn 26 điểm so với mức mà hội đồng độc lập đo được. Không con số nào là không trung thực; con số của nhà cung cấp đến từ harness, chính sách công cụ và prompt scaffolding của chính Anthropic, và điểm Terminal-Bench thay đổi đáng kể theo cả ba yếu tố này. Deepnote đưa ra quan điểm tương tự từ chiều ngược lại trong Agent Initiative Benchmark của mình: “kết quả chỉ phản ánh các mô hình, không phản ánh harness” và một prompt hoặc chính sách công cụ khác “sẽ làm thay đổi mọi con số ở đây.” Hãy coi 70,6% là mức Sonnet 5.5 đạt được trong thiết lập của Anthropic và 43,9% là mức nó đạt được trong thiết lập của người khác. Khi so sánh để lựa chọn, con số thứ hai là con số nên dùng, vì bạn sẽ không chạy thiết lập của Anthropic.

Sự thận trọng tương tự cũng áp dụng cho chính các con số do nhà cung cấp công bố về Luna. OpenAI báo cáo rằng GPT-6 Luna ở mức nỗ lực tối đa đạt 66,6% trên DeepSWE v1.1, “tương đương với Claude Opus 5 và Fable 5 ở mức nỗ lực trung bình”, với chi phí mỗi tác vụ thấp hơn từ 93% đến 96%. Đó là kết quả do nhà cung cấp báo cáo trên một đánh giá do nhà cung cấp thực hiện, và nó không cho biết gì về Terminal-Bench, nơi con số độc lập là 12,6%. Cả hai câu đều mô tả cùng một mô hình.

Nơi khoảng cách thu hẹp đến mức chỉ còn là một sai số làm tròn

FrontierCode-AA 2.0 đặt câu hỏi liệu một tác nhân lập trình có tạo ra thay đổi sẵn sàng để hợp nhất vào một kho lưu trữ thực hay không. Luna đạt 25,2. Sonnet 5.5 đạt 25,7. Chênh nhau nửa điểm, trong khi giá chênh lệch gấp hai mươi lần, và cả hai đều kém xa những mô hình dẫn đầu trên một bộ điểm chuẩn mà một mô hình mạnh vượt qua 46%.

Hãy đọc kỹ điều đó trước khi đi đến kết luận hiển nhiên. Điểm tuyệt đối thấp trên một bài kiểm tra khó có nghĩa là cả hai mô hình đều thất bại phần lớn thời gian; khi cả hai mô hình đều thất bại phần lớn thời gian, chênh lệch nửa điểm chủ yếu là nhiễu. Tuyên bố hữu ích không phải là "Luna viết mã tốt như Sonnet 5.5." Nó hẹp hơn: ở kiểu tác vụ này, với độ khó này, khoản gấp hai mươi lần thêm vào không mang lại lợi ích đo được nào. Nếu khối lượng công việc của bạn giống FrontierCode - các chỉnh sửa khép kín đối với một cơ sở mã đã biết, được con người đánh giá trước khi hợp nhất - thì Luna là một lượt đầu chấp nhận được, mà đầu ra của nó dù sao người đánh giá cũng sẽ viết lại.

Hai thước đo khác nằm trong cùng một vùng: AutomationBench-AA xếp Sonnet 5.5 ở mức 59,4% và Luna ở mức 53,2%, còn GDP.pdf ở mức 25,2% so với 22,8%. Không thước đo nào cho kết quả hòa, nhưng cả hai đều nằm trong khoảng mà prompt engineering và lựa chọn công cụ có thể đảo ngược thứ tự trên dữ liệu của chính bạn.

Hai điểm mà Luna thực sự kém hơn, chứ không chỉ là khác biệt

Kiến thức và độ trễ, và cả hai đều không thể khắc phục bằng việc giảm giá.

AA-Omniscience v1.1 đo lường liệu một mô hình có biết những gì nó không biết hay không. Sonnet 5.5 có điểm ròng +19; Luna có điểm ròng -8. Điểm ròng âm trong đánh giá đó có nghĩa là số câu trả lời bịa đặt của mô hình nhiều hơn số câu trả lời đúng, thường xuyên đến mức kéo tổng thể xuống dưới 0. Đó là con số quan trọng nhất trong so sánh này đối với bất kỳ ai đang xây dựng một tác nhân trả lời mà không có con người trong vòng lặp, và đó là con số mà một bộ đánh giá tập trung vào lập trình sẽ không bao giờ làm lộ ra. Kết hợp với điểm 38,5 của Luna trên Humanity's Last Exam so với 56,0 của Sonnet 5.5, bức tranh là nhất quán: Luna là một mô hình tuân thủ chỉ dẫn có năng lực nhưng nền tảng kiến thức thực tế mỏng.

Độ trễ là yếu tố thứ hai. Sonnet 5.5 đạt token trả lời đầu tiên trong khoảng 10 giây; Luna mất khoảng 79 giây ở mức nỗ lực tối đa trên cùng bảng đánh giá. Giảm mức nỗ lực xuống thì khoảng cách đó thu hẹp lại - ngân sách suy luận của Luna chính là cái giá phải trả - nhưng khi đó bạn đang so sánh một Luna nỗ lực thấp với một Sonnet mạnh toàn diện, và khoảng cách điểm số sẽ rộng ra tương ứng. Với một sản phẩm tương tác, đây thường là yếu tố quyết định bất kể giá cả. Với một tác vụ xử lý hàng loạt chạy qua đêm, điều này không quan trọng.

Bài kiểm chuẩn duy nhất mà ở đó họ gần như hòa nhau trong một công việc thực tế

Artificial Analysis đo lường các mô hình dựa trên các câu hỏi. Agent Initiative Benchmark của Deepnote đo lường chúng dựa trên một nhiệm vụ: năm mươi tình huống nơi làm việc mô phỏng bên trong một công ty giả, nơi mô hình đọc Slack và quyết định có điều tra hay không, trả lời ở đâu, và có trả lời hay không. Claude Sonnet 5.5 đạt 6,65 với $0.42 mỗi tình huống và hoàn thành trong 15 giây. GPT-6 Luna đạt 6,38 với $0.0070 và mất 50 giây.

Có hai điều rút ra. Mức chênh lệch chất lượng trên loại tác vụ này - một phần tư điểm - nhỏ hơn khoảng mà benchmark báo cáo, đó là lý do Deepnote xếp hai mô hình đó cùng với DeepSeek V4.1 Flash, Mistral Large 4 và Claude Haiku 5.5 vào một cụm mà nó nói rằng "nằm trong phạm vi 0,6 điểm với các khoảng chồng lấn." Và chênh lệch chi phí là 60 lần, không phải 20 lần, vì Sonnet 5.5 tiêu tốn khoảng hai mươi nghìn token cho mỗi tình huống ở mức nỗ lực cao trong khi Luna tiêu tốn ít hơn nhiều.

Sự khác biệt nằm ở tính kỷ luật chứ không phải năng lực. Sonnet 5.5 đã kìm lại trong 6/10 tình huống cần sự im lặng; Luna kìm lại trong 4. Sonnet ghi nhận 11 lần chạy hoàn hảo và 7 điểm 0 trong tổng số 50; Luna ghi nhận 9 và 9. Nếu công việc là phải đúng thường xuyên hơn và im lặng khi không chắc chắn, mô hình đắt tiền đáng đồng tiền. Nếu công việc là đọc mọi thứ để một cổng kiểm duyệt thứ hai, nghiêm ngặt hơn có thể quyết định điều gì sẽ được đưa ra, thì mô hình rẻ là phiên bản duy nhất phù hợp với ngân sách.

Tính năng thực sự phân biệt chúng là một công tắc tắt

GPT-6 Luna chấp nhận reasoning_effort: "none". Claude Sonnet 5.5 thì không - suy luận luôn được bật trên cả năm mức của nó, mà A​nthropic đã hiệu chỉnh lại so với Sonnet 5, vì vậy một tích hợp kế thừa nên điều chỉnh lại cài đặt của nó thay vì mang cái cũ sang.

Sự khác biệt duy nhất đó giải thích phần lớn đường cong chi phí. Một lệnh phân loại, một quyết định định tuyến, một thao tác trích xuất từ schema đã biết: không cái nào trong số này cần dấu vết suy luận, và có thể yêu cầu Luna bỏ qua nó. Cùng công việc đó trên Sonnet 5.5 vẫn phải trả chi phí cho suy luận dù nó có ích hay không. Điều đó cũng giải thích một giới hạn đáng biết trước khi bạn xây dựng dựa trên nó: trên Chat Completions, Luna chỉ hỗ trợ function calling khi reasoning effort được đặt thành none, vì vậy bất cứ thứ gì cần công cụ đều phải đi qua Responses API. Sonnet 5.5 nhận công cụ trên cả hai giao diện, thông qua Messages API gốc hoặc định dạng tương thích O​penAI.

API Decisions của O​penAI, được cung cấp rộng rãi từ ngày 22 tháng 10 năm 2026, là cách thể hiện hẹp nhất của cùng ý tưởng đó: các câu trả lời có kiểu dữ liệu — một xác suất, một lựa chọn, một điểm theo rubric — từ GPT-6 Luna và không từ mô hình nào khác, với độ trễ chỉ bằng khoảng một phần mười độ trễ mà O​penAI báo cáo cho cùng mô hình đó thông qua Responses. Nếu câu hỏi là “phiếu yêu cầu này có mâu thuẫn với bản ghi đơn hàng này không”, Luna giờ có thể trả lời theo đúng dạng thức gốc của nó mà không cần tạo ra văn xuôi nào cả.

Lựa chọn giữa chúng

• Công việc terminal kéo dài, sửa lỗi build, gỡ lỗi nhiều tệp - Claude Sonnet 5.5. Mức 12,6% của Luna trên Terminal-Bench 4.0 không phải là vấn đề ngân sách.

• Bất kỳ trường hợp nào mà một câu trả lời sai gây tốn kém và không ai kiểm tra nó - Claude Sonnet 5.5, nhờ vào tỷ lệ +19 so với −8 của Omniscience.

• Các bề mặt tương tác, nơi 79 giây để có token đầu tiên là một khiếm khuyết của sản phẩm - Claude Sonnet 5.5.

• Phân loại, trích xuất, định tuyến khối lượng lớn hoặc trình đọc sơ bộ phía trước một cổng kiểm soát chặt chẽ hơn - GPT-6 Luna, ở mức effort none hoặc low, khi không có lợi thế nào của Sonnet được phát huy.

• Các chỉnh sửa mã tự chứa mà dù sao người đánh giá cũng sẽ đọc - GPT-6 Luna làm lượt đầu tiên, Sonnet 5.5 làm lối leo thang. Chênh lệch nửa điểm của FrontierCode chính là điều khiến việc phân chia này có thể tranh luận được thay vì liều lĩnh.

Chạy cả hai là lựa chọn mà bảng giá không quảng cáo nhưng các con số lại ủng hộ. Một thiết lập theo tầng - Luna cho 90% cuộc gọi rẻ và hẹp, Sonnet 5.5 cho 10% cuộc gọi quyết định điều gì đó - có chi phí gần với hóa đơn của Luna hơn là của Sonnet trong khi vẫn giữ phán đoán của Sonnet ở những nơi phán đoán quan trọng. OrcaRouter đặt cả hai mô hình phía sau một khóa tương thích OpenAI cùng với hơn 200 mô hình khác, với mức cộng thêm 0% và giá niêm yết của nhà cung cấp được chuyển nguyên, vì vậy tỷ lệ 20x trên bảng cũng chính là tỷ lệ 20x trên hóa đơn và thay đổi giá từ nhà cung cấp đến với bạn ngay trong ngày. Vì cả hai đều chấp nhận định dạng chat-completions của OpenAI, việc chia tầng chỉ là một quy tắc định tuyến chứ không phải một tích hợp thứ hai: DSL định tuyến gửi yêu cầu đến Luna trước và chuyển cấp theo một điều kiện, chuyển đổi dự phòng tự động xử lý tình trạng chậm của nhà cung cấp, và không cần thay đổi mã khi một mô hình mới xuất hiện trong danh mục.

Điều gì sẽ làm thay đổi câu trả lời

Vị thế hiện tại của Luna phụ thuộc một cách bất thường vào việc một con số thay đổi: mức sàn về tính xác thực của nó. Một bản phát hành điểm đưa AA-Omniscience từ âm lên dương sẽ loại bỏ lập luận mạnh nhất cho việc trả gấp hai mươi lần, bởi khoảng cách về công việc trên terminal và độ trễ là đặc thù theo từng khối lượng công việc, trong khi một mô hình bịa ra sự thật là gánh nặng ở mọi nơi. Ngược lại, việc giảm giá Sonnet 5.5 - kiểu điều mà A​nthropic từng làm trước đây, và mà một bộ định tuyến có mức markup 0% sẽ chuyển thẳng ngay lập tức - sẽ thu hẹp tỷ lệ đủ để khiến câu hỏi phân tầng trở nên không còn quan trọng đối với nhiều đội nhóm.

Nếu thiếu cả hai, bản tóm tắt trung thực là đây không phải những thứ thay thế cho nhau. GPT-6 Luna là một trình đọc rẻ, phản hồi lời nhắc nhanh, ít dữ kiện, với một công tắc tắt suy nghĩ. Claude Sonnet 5.5 là một trình viết khởi động chậm hơn, đắt đỏ, đáng tin cậy, luôn suy nghĩ. Sai lầm là coi con số 20 lần như một phán quyết. Đó là một ngân sách cho những phần của công việc nơi khác biệt không lộ ra - và khoảng cách nửa điểm của FrontierCode là lời nhắc rằng một số phần đó lớn hơn những gì marketing gợi ý.