GPT-6 Luna 以每条线程 0.007 美元读取 Slack：这个数字隐藏了什么

0.7 美分。这就是 Deepnote Research 的 Agent Initiative Benchmark 所记录的 GPT-6 Luna 在模拟公司内处理一个职场情境的平均成本——阅读消息、判断是否需要告知任何人，并在正确的频道中回复。Claude Fable 5.1 在同样的五十个情境中，使用相同的工具和相同的 180 秒响应预算，平均花费 3.02 美元，得分却高出 1.1 分：十分制下为 6.38 分对 7.50 分。该基准自己的报告称这两个模型“价格相差 430 倍”，而算术确实成立：3.02 美元除以 0.0070 美元等于 431。

GPT-6 Luna 自 2026 年 9 月 22 日起已全面可用；11 月 13 日，一项对比在时间线上流传开来，被讲成一个廉价模型追平昂贵模型的故事。这个故事比那更有意思，而对标题来说则略微不那么体面。在那张表里，Luna 自己那一行包含九次运行得到 10 分（满分 10 分），以及九次得到零分；主动型 agent 之所以让人难以下手购买，原因不在平均值，而在那些零分。

基准测试实际运行了什么

Agent Initiative 不是又一个静态问题集。Deepnote 构建了一家名为 PageMantle 的虚构软件公司——71 名员工、100 家企业客户、六年的关联记录，横跨 Slack、Notion、Linear、HubSpot、Stripe、PostHog、BigQuery 和 Snowflake 等十一个服务，数据量约 10 GB——然后把十二个前沿模型作为潜伏者放了进去。每个模型都收到相同的指令、相同的工具访问权限、相同的公司快照和相同的时间预算。任务是阅读新的 Slack 消息，并决定是否要调查、在哪里回答，以及到底要不要回答。

这个小组规模很小，而且刻意显得难以打交道：

• 五十种情境，涵盖八种任务类型——分析（8）、验证（7）、协调、解释、诊断、决策和守护（各6种）以及查找（5）。

• 五十个中有四十个需要发一条消息；十个是陷阱，正确的做法是保持沉默。

• 两名 LLM 评审在不知道是哪个模型生成该运行结果的情况下，就干预、证据、语气和受众定位按 0 到 10 分打分。

• 所有模型均在高推理强度下运行，且工具执行时间不计入 180 秒计时。

• 来自六家实验室的十二个模型，总计 600 次运行，并附有通过任务自助重采样得到的 95% 区间。

这个设计选择——四十个帮助案例对十个沉默案例——正是这张表能以聊天基准测试永远不会采用的方式来区分模型的原因。一个始终在线的智能体全天所做的大部分事情，就是决定不发声，而几乎没有公开评测会对这一点打分。

露娜的争吵，完整版

GPT-6 Luna 以 6.38 的成绩在十二个模型中位列第七。在 40 个需要发送消息的情境中，它在 38 个情境里成功发送了消息，命中率高于 Claude Sonnet 5.5 的 37 次，并且它仅用 50 秒、13.7 次工具调用就完成了这些。其单任务成本为 0.0070 美元，是全场最低，比 DeepSeek V4.1 Flash 的 0.026 美元低近四倍，比 Claude Sonnet 5.5 的 0.42 美元低六十倍。

真正重要的是 Deepnote 标记为“Tens / zeros”的那一列。得分最高、达到 8.97 的 GPT-6 Astra 记录了 26 次完美运行和 2 次零分。Claude Opus 5.5 记录了 14 次完美运行和 2 次零分。Luna 记录了 9 次和 9 次。在这个基准测试中，零分意味着智能体要么在本该开口时始终没有开口，要么在误判的局势中贸然开口；Luna 每五次运行就有一次报废，而排在其上的两个模型则是每二十五次才有一次。按五十项任务取平均，一个一半时间表现出色、另一半时间缺席的智能体看起来像 B−。部署到真实团队的 Slack 中，它看起来就像一个要么才华横溢、要么一声不吭的同事，而没人能预测是哪一种。

430 倍的标题，并展示计算过程

这个数字是真实的，而且它也是现有最有利的表述框架，原因有两点，值得直说。

首先，Claude Fable 5.1 并非 Anthropic 当前的模型。Claude Fable 5.2 才是，它在同一基准测试中得分 8.17，每项任务成本 1.87 美元。与这一后继模型相比，GPT-6 Luna 便宜 267 倍，得分落后 1.79 分。这句话没那么适合引用，但对决策更有参考价值，因为本周要选模型的人，除非有具体理由，否则不会选 Fable 5.1。

其次，1.1 分的差距是五十项任务上的点估计。Deepnote 明确指出，其表格中段的若干模型落在相互重叠的区间内——它点名 Claude Sonnet 5.5、GPT-6 Luna、DeepSeek V4.1 Flash、Mistral Large 4 和 Claude Haiku 5.5 构成一个彼此相差不到 0.6 分的集群——并计划在未来版本中采用规模更大的任务集。对 Luna 与 Fable 5.1 这一对模型，诚实的解读是：价格差距精确到三位有效数字，而质量差距大约只精确到一位。任何把“仅落后 1.1 分”当作小数点有意义来引用的人，引用的其实是区间，而不是分数。

没人引用的数字：十分之四

当沉默才是正确答案时，该领域的中位模型在十次中有六次保持了沉默。GPT-6 Luna 保持了四次沉默。在十种记录已表明事项已处理的情形中，它介入了六种——而且正如 Deepnote 所指出的，这些介入并非胡言乱语。它们准确、恰当，而且没有必要。只读取消息本身的质量检查永远无法发现这种失败。用户满意度调查也做不到，因为没人会抱怨别人告诉了自己一件真事。

基准测试终究还是给它标了价。在整个评测面板中，在需要发消息时不合时宜地发言，代价约为保持沉默的1.8倍。对于一个以阅读每个话题串为全部前提的 Slack 智能体来说，失败模式并不是给出一个会被纠正的错误答案，而是渠道的缓慢侵蚀：一旦团队发现机器人有三分之一的消息都是噪音，他们就会不再读其中任何一条，而那些正确消息的价值也会随之归零。

报告中还有第二个更隐蔽的失误。在一次数据访问任务中，Luna 找到了确认某访问管理员已向继任者移交的记录，但随后仍将该员工转介给前任管理员。读到了正确的证据却得出错误结论，是一种不同于遗漏证据的缺陷，而且正是那种在修复检索质量后仍会存在的缺陷。

为什么十分之七美分会改变设计，而不仅仅是账单

按 token 计算的成本并不是这项决策的正确单位，因为主动型智能体的成本会随它触及的线程数量增长，而不是随它被提问的问题数量增长。Deepnote 自己的图表把这一点说得很具体：GPT-6 Luna 每 1,000 个任务为 7 美元，而 Claude Fable 5.1 每 1,000 个任务为 3,020 美元。按每月 2,500 个线程计算——与基准测试中用于 Sol 和 Fable 5.2 的同一数字——Luna 的账单约为 17.50 美元。

这个数字小到足以改变你要构建的产品。按每次读取 3 美元计算，主动式智能体在启动前就必须有所取舍——得有人来决定哪些渠道值得关注，而这恰恰是原本应该由模型做出的判断。按每次读取不到一美分计算，你可以监控一切，让模型来做筛选，而这是唯一与产品宣传相符的产品形态。

它还能换来第二轮处理。用 GPT-6 Luna 跑完所有 2,500 个线程，花费约 17.50 美元，让它标出 50 个看起来有歧义的线程，再以每个 0.42 美元的价格把它们交给 Claude Sonnet 5.5：再多 21 美元，每月总计接近 39 美元。同样覆盖范围的全 Fable 5.1 版本是 7,550 美元。这种混合方案是否真的胜过单用 Luna 尚未经过测试——基准测试跑的是模型，而不是测试框架，Deepnote 在其局限性中也这么说——但正是这笔账让这个实验的成本低到足以实际运行。

管道材料提前三周到货了。

按调用计费的廉价读取，只是常驻智能体所需能力的一半；另一半是低成本地提出一个范围很窄的问题。2026年10月22日，O​penAI 将其 Decisions API 从测试版转为正式版，而 GPT-6 Luna 是它唯一支持的模型。该端点返回的是类型化答案而非散文式文本——某个条件为真的概率、从固定列表中的选择，或针对有序等级的评分——并且 O​penAI 声称，它比通过 Responses API 向同一模型提问快约十倍。

对于 Slack 监视器来说，这种形态正合适。“这个线程是否与置顶消息中的发布日期相矛盾？”是一个谓词，而不是一段文字。正式可用版本将上限提高到每次请求 400 个问题，为共享上下文增加了提示缓存，允许在单个问题指令中包含图像，并支持直接通过一个input_json 内容部分接收结构化数据。现在，单次调用就能根据固定的证据集评估一整天的频道活动，而无需一次只处理一条消息。

在围绕这一点进行设计之前，值得了解：新缓存适用于你发送的共享证据，而不适用于 Luna 的价目表；模型自身的限制仍然适用——1,050,000 token 的上下文窗口、922,000 的最大输入、128,000 的输出，以及 2026 年 5 月 18 日的知识截止日期。Chat Completions 上的函数调用仅在推理力度设为 none 时可用；任何带有内置工具的功能都必须通过 Responses API。

证据止步之处

这个基准测试对自身的边界出奇地坦诚，而对于任何即将把模型带到真实团队面前的人来说，这些边界都很重要。

• 共五十项任务，其中一些类别仅有五到八项，因此各类别内的排名反映的是倾向，而非严格的排序。

• 一个固定的公司快照，其中的队友从不回复，衡量的是单次贡献，而不是一个月累积的上下文。

• 只有一个努力级别。所有模型都在高设置下运行；更低和更高的设置均未测试，而 Luna 的默认值为中等，并非高。

• 仅限 Slack。电子邮件、文档以及发送消息之外的任何操作均不在范围内。

• 历史成本，而非实时报价。每项任务的数值是运行中的观测值，因此供应商价格变动会使其变化。

• 未测试任何路由器。Deepnote 明确表示，其路由建议是根据模型结果外推得出的设计建议。

那张表与独立速度测量之间也存在矛盾。Deepnote 在高强度设置下测得 Luna 每个情境耗时 50 秒。Artificial Analysis 在最高强度下运行它时，测得的首个答案 token 时间为 79.33 秒——比其价格档位的中位数差了一个数量级。这两个数字都可能是真的，因为它们在不同设置下测量的是不同东西，但这一对数字是一个警告：常驻智能体的感知延迟由强度档位决定，而为了追求零而把它调高，先付出的是秒数，然后才是美元。

以这个价格部署一台阅读器

这个基准的实用版本是一个两层流水线，而这也是价格差距比分数差距更重要的原因。GPT-6 Luna 在低或中等投入程度下负责阅读——每个话题串、每个渠道，通过 Decisions API 录入决策。对这些决策设置阈值，会把模糊案例升级给更强的模型。然后，昂贵的模型每月处理几十个话题串，而不是数千个，其成本也不再成为一项预算支出。

当两个层级都通过同一个密钥访问时，这条流水线运行起来会更省事。OrcaRouter 通过单个兼容 OpenAI 的端点提供 GPT-6 Luna、Claude Sonnet 5.5、Claude Fable 5.2 以及 另外 200 多个模型，且加价率为 0%——按提供商标价原样传递，因此供应商降价当天就会体现在我们这边，而无需等待经销商重新定价。路由 DSL 可将各层级组合成一次调用（低成本的首轮处理，满足条件时再升级），自动故障转移可在某家提供商状态变差时让监控程序继续运行，而模型融合则可在单次分类的后果过于重大、不宜只信赖一个模型时，让一组模型共同作答。这些都不会改变上面的数字；它只是免去了它们之间的集成工作。

什么会改变这个数字

有两件事会让这篇文章过时：GPT-6 Luna 的继任者出现，或者用更大的任务集对同一基准进行第二次独立运行。第一件事取决于 OpenAI 的时间安排。第二件事已经得到承诺——Deepnote 表示，下一版本将用更大的样本替换 50 项任务面板，其作者也明确表示，当前表格应被视为首次测量，而非排名。

在此之前，站得住脚的结论比时间线版本更窄，但也更有用。GPT-6 Luna 是第一个便宜到足以让主动式代理在“是否要去查看”上错得起的模型，这是一个真正的门槛——它区分了对自身所处公司进行抽样的产品，与真正读懂这家公司的产品。它还没有可靠到能在“是否要开口”上犯错。十分之四的沉默评分是表格中需要围绕其做设计的那一部分：让读取保持低成本，让写入受门控，并把昂贵模型放在真正做出“是否打断”决策的位置上。