GPT-6 Luna 对比 Gemini 3.8 Flash：廉价档位刚刚被取代

G​oogle 于 2026 年 11 月 12 日发布了 G​emini 4 Hydrogen，其发布博文将其描述为“面向从 G​emini 3.8 Flash 迁移的团队的一次重大独立升级”。这句话做到了任何基准测试表都做不到的事：它改变了 G​PT-6 Luna 与 G​emini 3.8 Flash 之间比较的目的。这场对比中的 G​emini 一方不再是你会采用的模型——而是你正在被迁离的模型。Luna 一方仍是 O​penAI 最便宜的 G​PT-6 层级，发布八周后仍未改变。所以，诚实的问题不是这两者哪个更好。而是：曾让 3.8 Flash 值每百万输入 token 0.75 美元的东西，在定价 1.50 美元的 Hydrogen 上是否依然成立——以及 Luna 的 0.10 美元是否从来就不在同一个市场里。

先讲简版，细节在后。在几乎所有独立衡量指标上，Gemini 3.8 Flash 都是能力更强的模型，但每 token 价格约为 7.5 倍。GPT-6 Luna 每次请求的输出量是两倍，在 Artificial Analysis 的测试套件上每项任务成本约为十分之一，但开始回答明显更慢。Hydrogen 并没有解决这一点——它把 G​emini 这一档在价格和能力上都往上推，从而默认把市场的低端留给 Luna。

规格表，并排对比

• 价目表，输入和输出两端都是如此——GPT-6 Luna 为每 100 万 token 输入 $0.10、输出 $0.50，而 Gemini 3.8 Flash 为 $0.75 和 $3.75；同样的 7.5 倍同时出现在输入和输出上，这很不寻常，意味着没有任何工作负载形态能利用这一比率套利

• 每 1M 缓存输入 - GPT-6 Luna $0.01 对比 Gemini 3.8 Flash $0.075，并注意，G​oogle 将其标为缓存命中率而非缓存写入率，因此不能直接与 O​penAI 的双数字方案相比较

• 长上下文定价——当提示词超过 272,000 个 token 时，GPT-6 Luna 的输入和缓存价格翻倍，输出价格乘以 1.5；Gemini 3.8 Flash 则在其整个窗口内报出单一统一费率

• 上下文窗口：GPT-6 Luna 为 1,050,000 个 token，而 Gemini 3.8 Flash 为 1,048,576 个，两者相差 1,424 个 token，任何应用都不会注意到这一差异

• 最大输出量 - GPT-6 Luna 128,000 tokens 对比 Gemini 3.8 Flash 65,536，当你第一次要求生成长文档时，这就是实打实的差别

• 每个模型实际能接收什么——Gemini 3.8 Flash 可接收视频和音频，以及文本、图像和文件；GPT-6 Luna 则接收后三项，拒绝前两项

• 努力程度调节盘——Luna 的档位阶梯从完全“无”起步（如果你什么都不说，则为中等），一直到最高；Gemini 的起点更高，默认就是高，而 Google 警告说，你把它往上推得越高，消耗的 token 就越多

• 发布：Gemini 3.8 Flash 于 2026 年 9 月 2 日发布；GPT-6 Luna 于 2026 年 9 月 22 日发布；其替代产品 Hydrogen 于 2026 年 11 月 12 日发布

• {{1}}Artificial Analysis Intelligence Index v5.0.1{{/1}} - {{3}}Gemini 3.8 Flash{{/3}} 在 high 下为 {{2}}31{{/2}}，{{5}}GPT-6 Luna{{/5}} 在 max 下为 {{4}}28{{/4}}，因此较便宜的模型在运行其最昂贵的设置时少了 {{6}}3 分{{/6}}

• 等待第一个词——Gemini 3.8 Flash 为 16.98 秒，而 GPT-6 Luna 为 79.33 秒，数据由 Artificial Analysis 测得；Gemini 模型完成整个任务更慢，为 15 分钟，而 Luna 为 11.8 分钟

• 完成索引运行的成本——Gemini 3.8 Flash 每项任务 7.77 美元，整套测试 5,764 美元；相比之下，GPT-6 Luna 为 0.15 美元和 136 美元

七倍半的价格，以及它体现在哪里

智能差距是三分：31 对 28。这比价格比所暗示的要小，也比大多数人猜的要小，但这不是比较中有趣的部分，因为这两个分数是在不同的努力设置下取得的——G​emini 是 high，Luna 是 max。Luna 的最大努力分数是它能做到的最好成绩；G​emini 的高努力分数则是它的默认值。G​oogle 的模型拥有 Luna 所没有的余量。

这三个点来自哪里，比这个数字本身更有用。把该指数拆解成各个组成部分，一个模式就会浮现：两个模型在编码风格评估上彼此接近，而在任何需要回忆或拒答的事项上却相去甚远。

• Terminal-Bench 4.0——Gemini 3.8 Flash 19.7% 对 GPT-6 Luna 12.6%；两者表现都很差，而且都不是终端智能体

• Terminal-Bench-Science 0.1 - Gemini 3.8 Flash 10.0% 对 GPT-6 Luna 8.6%，从实际角度看二者打成平手

• HLE-Diamond - Gemini 3.8 Flash 33.1% 对比 GPT-6 Luna 22.2%，在高难度推理上相差 11 个百分点，而这两个模型都处理不好这类推理

• FrontierCode-AA 2.0 - Gemini 3.8 Flash 18.7% vs GPT-6 Luna 25.2%，这是 Luna 唯一领先的一项编码评测，不过两者都远低于那些超过 46% 的模型

• AA-Omniscience v1.1 净得分——Gemini 3.8 Flash 为 +23，而 GPT-6 Luna 为 −8；这是表中差距最大且影响最深远的一项。

• AA-Briefcase v1.1 Elo——GPT-6 Luna 1337 对 Gemini 3.8 Flash 1203，一项知识工作评测，其中更便宜的模型胜出

最后这一组对比才值得细细琢磨。在模型知道什么、以及它是否愿意承认自己不知道这类问题上，Gemini 3.8 Flash 净得 +23，Luna 净得 −8——这意味着 Luna 编造的答案在足够多的情况下压过正确答案，把总分拉到零以下。在 Briefcase 式知识工作中，Luna 的 Elo 得分高 134 分。两项评估，结论相反，却是同样的两个模型。解释在于：Briefcase 更看重依据提供的语料库遵循指令，而 Omniscience 更看重在没有语料库时也能知道答案。如果你的应用会随附文档，Luna 的弱点就被限制住了；如果它凭记忆作答，就没有。

为什么费率卡是 7.5 倍时，每项任务成本却是 50 倍？

标价相差 7.5 倍。完成 Artificial Analysis 智能指数所测得的成本却相差 50 多倍：Gemini 3.8 Flash 为 $7.77，而 GPT-6 Luna 为 $0.15。这两个倍数之间的差距完全来自 token 消耗，而这是今年发布的每一份模型对比中报道最不充分的数字。

Gemini 3.8 Flash 是一个重度推理模型。Google 直接这么说：在复杂任务上，它“表现出更高的勤勉度——会执行额外的推理步骤，并迭代调用工具”，而且“可能会使用更多 token 来最大化性能，尤其是在更高的努力级别下。”该榜单自身的统计也印证了这一点——Gemini 每项任务输出 98,900 个 token，而 Luna 为 75,300 个，其中分别有 60,100 个和 57,600 个是推理 token。把这个 token 数乘以一份已经高出 7.5 倍的价目表，单任务上的倍率便会累积到 50 倍。这是目前支持 Luna 的最有力论据，而且它完全与智能无关。

在不同工作负载下，情况也可能反过来。如果你的提示词很长而回答很短——在固定语料库上做检索、输出单个 token 的分类、日志分诊——那么输出 token 在两张卡上都只是舍入误差，7.5 倍的输入比例才是全部关键。Gemini 的冗长根本没有机会累积放大，Luna 的优势会从 50 倍缩小到约 7 倍。需要建模的数字是你自己的输入与输出 token 比例，而不是基准测试里的那个比例。

没人会列进对比表的功能差距

Gemini 3.8 Flash 原生支持视频和音频输入。GPT-6 Luna 则不支持——只支持文本、图像和文件，仅此而已。对大多数文本工作负载来说，这无关紧要，而这恰恰是这两个模型会被放在一起比较的原因：两者都被定位为廉价档，上下文都约有 100 万 token，且都支持图像。

对于涉及录音通话、屏幕录制或会议音频的工作负载，比较就到此为止。Luna 无论价格多高都无法完成这项工作，而 7.5 倍并非溢价，而是类别上的差异。同样的逻辑反过来也适用于输出长度：Luna 在单次响应中最多返回 128,000 个 token，而 G​emini 为 65,536 个，当一次通话本应产出整份文档而非其中一段时，这一点至关重要。

Hydrogen 改变了什么，又没有改变什么

Google 自己对这次迁移的表述异常直白地说明了差距：在默认高思考级别下，Hydrogen 完成任务的速度是 3.8 Flash 的 2.5 倍，在 Terminal-Bench 4.1 上的成绩超过其三倍（57% 对 18.2%），将捏造陈述减少超过 5 倍，并在合作伙伴测试中运行速度达到 2 至 2.8 倍，同时 token 用量减少 12% 至 23%。在 Artificial Analysis 的指数上，它在默认高思考级别下得 51 分，而 Argon 为 50 分；在 xhigh 级别下得 54 分。

它在其完整上下文窗口内也采用统一价格：每百万输入 token 1.50 美元，每百万输出 token 7.50 美元——输入和输出两端都是 3.8 Flash 的两倍。因此，取代 3.8 Flash 的模型价格是它所取代模型的两倍，而按 G​oogle 自己的数据，它在智能指数上高出约 20 点。这是一次沿曲线向上换购的直截了当的交易，并且它抹去了市场中间层：想要以 Flash 级价格获得 G​emini 级能力的买家，现在上方有一个模型、下方有一个模型，而旧选项正处于迁移之中。

这些都不会改变 Luna 的定位，因为 Luna 从来不是在和某个 31 项指标模型竞争。它竞争的是价格底线。在输入 $0.10、输出 $0.50 的情况下，Luna 仍然是用一个足够可靠的模型处理大量文本的最便宜方式，而 Hydrogen 以 $1.50 登场只会让这一点更加成立，而不是相反——那个曾经是 Luna 价格 7.5 倍的 G​emini 选项，现在变成了 15 倍。

不一致的第三方结果

并非所有独立评测都显示这两个模型相差三分。StealthMark 是一家运行自有评测集的对比服务，其结果显示 Gemini 3.8 Flash 领先 GPT-6 Luna 8.8 分，为 47.9 对 39.1，并在九项单项基准中的八项上领先。而 Deepnote 的 Agent Initiative Benchmark——该基准在模拟公司内以五十种职场情境对模型评分，而非以问答题评分——根本没有纳入 Gemini 3.8 Flash，因此这项唯一衡量智能体主动行为的评测对这两款模型的对比无从置评。

“三分”与“八分半”之间的差距提醒我们，基准测试的选择是一种建模决策，而不是中立的选择。偏向 G​emini 的评测看重知识与推理深度；偏向 Luna 的评测则看重在给定上下文中的指令遵循能力以及成本。这两类评测都没有错。在这两者之间做选择的团队，应该先拿十几项自己的任务分别跑一遍两者，再决定是否相信任何表格，包括本文中的四张表。

如今它们各自在何处赢得自己的一席之地

• 视频、音频或任何多模态输入——Gemini 3.8 Flash，或者如果你是从零开始，则用 Hydrogen。Luna 无法接收该输入。

• 未附任何文档、仅依据模型知识给出的回答——Gemini 3.8 Flash。Omniscience 上 +23 对 −8 的差距是决定性证据。

• 在交互延迟方面，79 秒才输出首个 token 属于产品缺陷——Gemini 3.8 Flash 为 17 秒，尽管其每任务 15 分钟的平均耗时比 Luna 的 11.8 更差，因此优势在于首个 token 而非最后一个。

• 长文本生成，单次调用即可产出一整份文档——GPT-6 Luna，凭借 128,000 token 的输出上限。

• 在提供文档的情况下进行大批量文本处理——GPT-6 Luna，其每任务 50 倍的优势确实存在，且事实性下限由语料库加以约束。

• 那些无论如何都想要一个 G​emini 层级的新部署——是 G​emini 4 Hydrogen，而不是 3.8 Flash。在替代版本发布两天后才采用某个模型，需要有理由。

迁移问题值得再补一句，因为它是隐藏在本次比较之中的实际决策。如果你今天在生产环境中运行 Gemini 3.8 Flash，Hydrogen 的数据支持迁移——但它的价格则主张先对账单建模，因为 G​oogle 报告的 token 节省（12% 到 23%）并不能抵消两项费率翻倍的影响。如果你两者都不运行，那么选择就介于一个即将退役的模型和一个已连续八周未作改动的模型之间，而答案完全取决于你的工作负载是否需要视频输入或事实性底线。

在没有迁移项目的情况下运行其中任一者

这类对比的棘手之处在于，两个候选模型使用不同的协议——G​emini 自有的 generate 端点与 O​penAI 的 chat-completions 格式——而且你今天选的模型可能在一个季度内就被取代，正如 3.8 Flash 刚刚被取代一样。OrcaRouter 提供 GPT-6 Luna、Gemini 3.8 Flash、G​emini 4 Hydrogen 以及另外 200 多个模型，全部通过一个兼容 OpenAI 的密钥访问，加价 0%，提供商标价原样透传，因此 G​oogle 的入门定价以及之后的任何变动都会在同一天反映到账单上。这一点在这里比平时更重要：3.8 Flash 上线时采用的是 G​oogle 所称的入门费率，而一个处于入门定价、又正在被迁出下线的模型，是一项值得关注的账单明细。将一条路由从一个模型切换到另一个模型属于路由 DSL 的改动，而不是引入新的 SDK；自动故障转移能在某个提供商服务降级时保持工作负载正常运行；模型融合则能让一组模型共同作答，适用于单次低成本分类后果过于重大、不宜只交给一个模型的场景。我们不托管我们不路由的模型，而这两个模型我们都路由。

接下来看什么

有两个日期将决定一个月后这项对比会如何被解读。第一个是 G​oogle 对 Gemini 3.8 Flash 的退役时间表——Hydrogen 已于 11 月 12 日发布，迁移措辞也已公开，因此真正有用的问题不是 3.8 Flash 会不会退场，而是上市优惠价在它退役后还能维持多久。第二个是 O​penAI 会不会把 GPT-6 Luna 的继任者或一次价格调整摆上台面；Luna 自 9 月 22 日以来一直没有变化，而在同一档位上推出更便宜或能力更强的模型，会像 Hydrogen 刚刚改写 G​emini 的算式那样，重置这套算术。

在这些选项之一真正落地之前，这份总结刻意保持平淡。Gemini 3.8 Flash 是更好的模型，却是更差的购买选择，而且正在被淘汰。GPT-6 Luna 是更弱的模型，单任务成本低一个数量级，但事实性下限限制了它可以被信任的范围。两者都不是默认选择。对于现在才开始的人来说，默认选择是 Gemini 一侧的 Hydrogen，以及底线场景的 Luna——而这两者之间的差距已不再是 7.5 倍，而是 15 倍，这与本次对比原本要回答的决策已不是同一个问题。