GPT-6 Luna 与 Claude Sonnet 5.5：是两处差距，而非一处

把 GPT-6 Luna 和 Claude Sonnet 5.5 放在同一张价目表上，比例难看得令人尴尬：每百万输入 token 为 0.10 美元对 2.00 美元，每百万输出 token 为 0.50 美元对 10.00 美元。把它们放在同一项评测上，差距看起来会完全不同，取决于你选哪项评测。在 Artificial Analysis 的 Intelligence Index 上，Sonnet 5.5 在最高努力程度下得分 55，Luna 在最高努力程度下得分 28——在榜首处于五十多分的榜单上，这是 27 分的差距。在 FrontierCode-AA 2.0 上，同样这两款模型分别得分 25.7 和 25.2。那不是差距。那是平局。

两种解读都正确，而在做出选择之前，值得理解的是它们为何会并存。Luna 并不是一个以二十分之一价格出售、各方面都更弱的模型。它是一个具有特定形态的模型：在代码差异生成上具有竞争力，在终端任务、科学推理和事实约束方面远远落后，并且生成首个 token 的速度大约慢一个数量级。Sonnet 5.5 则是相反的形态——稳定、启动快，而且足够昂贵，以至于部署一整套这样的模型需要商业论证。

两份规格表，逐项尺寸对比

• 每 100 万 token 的输入价格——GPT-6 Luna $0.10 对比 Claude Sonnet 5.5 $2.00，相差 20 倍

• 每 100 万 token 的输出价格——GPT-6 Luna $0.50 对比 Claude Sonnet 5.5 $10.00，同样为 20 倍

• 每 100 万缓存输入——GPT-6 Luna $0.01 vs Claude Sonnet 5.5 $0.10；Anthropic 在 Sonnet 5 发布时将 Sonnet 的缓存读取费率降至后者的一半，而其与 Luna 缓存费率的比值仍为 10 倍

• 缓存写入 - GPT-6 Luna 每 1M 收费 $0.125，为输入价格的 1.25 倍；Sonnet 5.5 按相同的 1.25 倍规则计费，每 1M 收费 $2.50

• 上下文窗口——GPT-6 Luna 为 1,050,000 个 token，而 Claude Sonnet 5.5 为 1,000,000 个 token，且 Luna 的可用输入上限为 922,000 个 token

• 最大输出 - 两者均为 128,000 个 token

• 长上下文定价——当输入超过 272,000 个 token 时，Luna 会将整个请求重新定价为 $0.20 / $0.75；Sonnet 5.5 的定价卡没有同等的断崖式跳价，这在 300K token 的提示上是一个隐性优势

• 输入方式——两者均支持文本、图像和文件；两者均不支持音频或视频

• 推理控制——GPT-6 Luna 提供无、低、中（默认）、高、超高和最高等级，并且可以完全关闭；Claude Sonnet 5.5 提供从低到最高的五个级别，默认高，且推理始终开启

• 知识截止日期——GPT-6 Luna 为 2026 年 5 月 18 日；Anthropic 尚未公布 Sonnet 5.5 的可比日期

• 发布 - GPT-6 Luna 于 2026 年 9 月 22 日；Claude Sonnet 5.5 于 2026 年 9 月 28 日，相隔六天

• AA Intelligence Index v5.0.1 - GPT-6 Luna 28 在最高推理强度下，对比 Claude Sonnet 5.5 在默认高推理强度下为 42、在最高强度下为 55

• 首个答案 token 耗时——在同一测试板上，GPT-6 Luna 为 79.33 秒，Claude Sonnet 5.5 为 10.21 秒

• 每项 Intelligence Index 任务的成本——GPT-6 Luna 为 $0.15，Claude Sonnet 5.5 为 $1.64

二十倍的价格，十一倍的账单

标价倍率是整整 20 倍。在实际工作负载上测得的倍率却并非如此，因为每任务成本还要计入每个模型在得出答案过程中消耗的 token 数量。在 Artificial Analysis 的指数测试运行中，Luna 为完成整套测试消耗了价值 $136 的 token，而 Sonnet 5.5 消耗了 $1,268——约为 9.3 倍。Luna 每任务 $0.15，而 Sonnet 为 $1.64，二者之比为 10.9。

这种差异同时有利于 Luna 也有损于 Luna，具体取决于你的工作负载。作为一个廉价模型，Luna 会输出大量推理 token：在最高推理强度下，按单位得分计算，它是两者中更啰嗦的那个，这就是为什么 20 倍的标价比例在账单上会压缩到约 10 倍。在以输出为主的工作负载中——长文本生成、迭代式代码编辑、任何需要成段写作的任务——这种压缩对 Luna 来说会更不利，因为其输出费率是费率卡上更贵的那一半。在以输入为主的工作负载中——检索、日志读取、基于固定语料的文档问答——20 倍几乎完全成立，而缓存还能让它更划算。

还有一条算术层面的说明，会改变一个已经在支付 A​nthropic 价格的团队所得出的答案：A​nthropic 称，尽管价目表未变，Sonnet 5.5 每项任务成本比 Sonnet 5 低最多 30%，因为完成同样的工作需要的 token 更少。一个从 Sonnet 5 迁移到 Sonnet 5.5 的团队无需更改价格表就能获得实实在在的折扣。一个从 Sonnet 5.5 迁移到 Luna 的团队则获得 10 倍折扣，以及一个非常不同的模型。

当差距成为鸿沟，以及安全带为何重要

Terminal-Bench 4.0 是榜单上差距最明显的一项：在相同评估器和相同条件下，Sonnet 5.5 为 43.9%，而 Luna 为 12.6%。Terminal-Bench-Science 对 Luna 来说更糟——34.3% 对 8.6%。如果任务是 shell 会话、构建系统，或需要跨文件诊断的失败测试套件，那么二十倍的价格优势根本算不上优势。Luna 完成任务的成功率不够高，价格再低也无济于事。

这里引用 Sonnet 的数字时要小心，因为有两个数字，而其中只有一个具有可比性。Anthropic 的发布文章报告称，在 Terminal-Bench 4.0 上达到 70.6%——比独立评测委员会测得的数字高出 26 个百分点以上。两个数字都不虚假；厂商数字来自 Anthropic 自己的测试框架、工具策略和提示脚手架，而 Terminal-Bench 的分数会随这三者大幅波动。Deepnote 在其 Agent Initiative Benchmark 中从相反方向提出了同样的观点：“结果只反映模型，不反映测试框架”，不同的提示或工具策略“会改变这里的每一个数字”。把 70.6% 视为 Sonnet 5.5 在 Anthropic 的设置下取得的分数，把 43.9% 视为它在别人的设置下取得的分数。若要进行比较选购，应该用第二个，因为你不会去运行 Anthropic 的那套设置。

同样的谨慎也适用于 Luna 自家公布的厂商数据。OpenAI 报告称，GPT-6 Luna 在最大努力下于 DeepSWE v1.1 上得分 66.6%，“与中等努力下的 Claude Opus 5 和 Fable 5 相当”，且每任务成本低 93% 到 96%。这是厂商自报、且在厂商自己运行的评估中得出的结果，完全不能说明 Terminal-Bench 的情况；在 Terminal-Bench 上，独立数字是 12.6%。这两句话描述的是同一个模型。

当差距缩小到只剩舍入误差时

FrontierCode-AA 2.0 衡量的是编码智能体所产出的改动是否已具备合并进真实代码仓库的条件。Luna 得分 25.2。Sonnet 5.5 得分 25.7。在二十倍的价格差下，二者仅相差半分，而在这项强模型能突破 46% 的基准测试中，两者都远落后于领先者。

在得出那个显而易见的结论之前，请仔细读这段话。在一个高难度基准上，绝对分数偏低意味着两个模型大多数时候都会失败；当两个模型大多数时候都失败时，半分的差距主要是噪声。有用的结论不是“Luna 的编码能力和 Sonnet 5.5 一样好”。它更窄：在这类任务上、在这个难度下，多花二十倍的成本买不到任何可衡量的收益。如果你的工作负载类似 FrontierCode——对已知代码库进行自包含的修改，并在合并前由人工审查——那么 Luna 是一个站得住脚的首轮方案，反正审查者本来也要重写它的输出。

另外两项指标也落在相近区间：AutomationBench-AA 给出 Sonnet 5.5 为 59.4%、Luna 为 53.2%，而 GDP.pdf 为 25.2% 对 22.8%。两者都不是平局，但都处在这样的范围内：提示工程和工具选择可能在你自己的数据上改变排序。

Luna 真正更差、而不只是有所不同的两个方面

知识和延迟，而这两者都无法通过降价来解决。

AA-Omniscience v1.1 衡量模型是否知道自己不知道什么。Sonnet 5.5 净得 +19；Luna 净得 -8。在该评测中，负的净得分意味着模型编造的答案经常多过正确答案，足以把总分拖到零以下。对于任何构建在无人介入情况下作答的智能体的人来说，这是本次比较中最关键的一个数字，而它也是专注于编程的基准测试永远不会揭示的数字。再结合 Luna 在 Humanity's Last Exam 上得 38.5、而 Sonnet 5.5 得 56.0 来看，情况是一致的：Luna 是一个称职的指令遵循者，但事实基础薄弱。

延迟是第二个因素。Sonnet 5.5 大约 10 秒就能生成首个答案 token；在同一榜单上，Luna 在最大努力档位下大约需要 79 秒。把努力程度调低，这一差距就会缩小——Luna 的推理预算就是代价——但这时你是在用较低努力的 Luna 对比全性能的 Sonnet，得分差距也会相应扩大。对于交互式产品而言，无论价格如何，这往往是决定性因素。对于通宵运行的批处理任务，则无关紧要。

唯一一项他们在真实任务上几乎打平的基准测试

Artificial Analysis 用问题来衡量模型。Deepnote 的 Agent Initiative Benchmark 则用一个任务来衡量它们：在一家虚构公司内的五十个模拟职场情境中，模型需要阅读 Slack，并决定是否调查、在哪里回复，以及是否回复。Claude Sonnet 5.5 得分为 6.65，每个情境成本为 0.42 美元，并在 15 秒内完成。GPT-6 Luna 得分为 6.38，成本为 0.0070 美元，耗时 50 秒。

由此可以得出两点。在这类任务上的质量差异——0.25 分——小于基准所报告的区间，这就是为什么 Deepnote 将这两者与 DeepSeek V4.1 Flash、Mistral Large 4 和 Claude Haiku 5.5 归入同一个集群，并称该集群“落在 0.6 分以内，且区间相互重叠”。而成本差异是 60 倍，不是 20 倍，因为 Sonnet 5.5 在高投入模式下每个情境大约花费两万个 token，而 Luna 的花费要少得多。

差距在于纪律性，而非能力。在 10 个需要保持沉默的情境中，Sonnet 5.5 有 6 次克制住了；Luna 有 4 次。在 50 次运行中，Sonnet 记录了 11 次完美运行和 7 次零分；Luna 则是 9 次和 9 次。如果任务是要更经常答对，并在不确定时保持沉默，那么昂贵的模型物有所值。如果任务是通读所有内容，以便由第二道更严格的关卡决定呈现什么，那么便宜的模型才是唯一符合预算的版本。

真正让它们区分开来的功能是一个关闭开关。

GPT-6 Luna 接受 reasoning_effort: "none"。Claude Sonnet 5.5 则不支持——其五个级别中推理始终开启；Anthropic 已相对于 Sonnet 5 重新校准，因此继承的集成应重新调整其设置，而不是沿用旧设置。

这一单一差异解释了大部分成本曲线。分类调用、路由决策、从已知 schema 中提取：这些都不需要推理轨迹，而可以指示 Luna 跳过它。同样的工作在 Sonnet 5.5 上无论推理是否有帮助都要为其付费。这也解释了一个在围绕它构建之前值得了解的限制：在 Chat Completions 上，Luna 只有在 reasoning effort 设为 none 时才支持函数调用，因此任何需要工具的功能都必须走 Responses API。Sonnet 5.5 在两种接口上都支持工具，无论是通过原生 Messages API 还是 OpenAI 兼容格式。

OpenAI 的 Decisions API 自 2026 年 10 月 22 日起普遍可用，它是同一理念最窄的体现：类型化答案——一个概率、一个选项、一个评分量表的分数——只能来自 GPT-6 Luna 而别无其他模型，其延迟约为 OpenAI 所报告的同一模型通过 Responses 的十分之一。如果问题是“这张工单是否与这条订单记录相矛盾”，Luna 现在可以以其原生形态作答，完全无需生成任何散文式文字。

在两者之间选择

• 长时间运行的终端任务、构建修复、多文件调试——Claude Sonnet 5.5。Luna 在 Terminal-Bench 4.0 上 12.6% 的成绩不是预算问题。

• 任何错误答案代价高昂且无人核查的场景——Claude Sonnet 5.5，凭借在 Omniscience 分项中 +19 对 −8 的优势。

• 在交互式界面中，首个 token 耗时 79 秒就是产品缺陷——Claude Sonnet 5.5。

• 高吞吐量分类、提取、路由，或在更严格的门控之前充当首轮读取器——GPT-6 Luna，在 effort 为 none 或 low 时，此时 Sonnet 的任何优势都无法发挥作用。

• 审查者无论如何都会阅读的自包含代码修改——GPT-6 Luna 作为首轮，Sonnet 5.5 作为升级路径。FrontierCode 半分的差距，正是让这种分工值得商榷而非轻率的原因。

同时运行两者，是价目表不会宣传、但数据支持的选择。分层方案——90% 成本低且范围窄的调用用 Luna，10% 真正起决定作用的调用用 Sonnet 5.5——成本更接近 Luna 的账单，而不是 Sonnet 的，同时在需要判断力的地方保留 Sonnet 的判断力。OrcaRouter 将两个模型放在同一个 OpenAI 兼容密钥之后，与 200 多个其他模型，以 0% 加价、按提供商标价透传，因此表上的 20 倍比例就是发票上的 20 倍比例，供应商价格变动当天就能传达到你这里。因为两者都接受 OpenAI chat-completions 格式，分层拆分只是一条路由规则，而不是第二次集成：路由 DSL 先将请求发送给 Luna，并在满足条件时升级，自动故障转移可应对提供商变慢，并且当新模型进入目录时无需更改代码。

什么会改变答案

Luna 当前的处境异常依赖一个数字的变动：它的事实性下限。一次将 AA-Omniscience 从负分提升到正分的小版本发布，会消除为支付二十倍价格辩护的最有力论据，因为终端任务和延迟方面的差距因工作负载而异，而一个会虚构事实的模型在任何地方都是隐患。反过来，Sonnet 5.5 降价——A​nthropic 以前做过的那种，而且零加价路由器会立即将其传导——会把这一比率缩小到足以让许多团队的分层问题变得无关紧要。

在任何一方缺席的情况下，诚实的总结是：这两者并非彼此的替代品。GPT-6 Luna 是一个便宜、提示响应快、事实依据单薄的读取器，还带有一个可以关掉思考的开关。Claude Sonnet 5.5 则是一个启动较慢、昂贵、可靠的写作者，而且始终在思考。错误在于把 20 倍的差距当成最终判决。它是一笔预算，用于那些差异显现不出来的工作环节——而 FrontierCode 那半个百分点的差距提醒我们，其中有些环节比营销宣传所暗示的还要大。