Claude Haiku 5.5 vs GPT-6 Luna Pro：模型對決模式

這個比較的其中一方是模型，另一方則是設定。Claude Haiku 5.5於 2026 年 10 月 7 日正式全面推出，價格為每百萬輸入 token 0.10 美元、每百萬輸出 token 0.50 美元，可透過 Claude API、Amazon Bedrock、Google Cloud、Microsoft Foundry 及 AWS 上的 Claude Platform 使用。GPT-6 Luna Pro根本不是模型：要使用它的方式是呼叫GPT-6 Luna——自 2026 年 9 月 22 日起上線，同樣是 0.10 與 0.50 美元——並將reasoning.mode設為pro而不是standard。OpenAI 的模型頁面上並沒有gpt-6-luna-pro這個識別碼。因此，這場對決最誠實的框架不是「哪個模型勝出」，而是「哪一種是每百萬輸入 token 花十美分更好的方式」：一個帶有投入程度旋鈕的小模型，或是一個以會做更多工作、並針對它未顯示給你看的 token 向你收費的模式來運行的較大模型。對於簡短、高流量的工作，答案通常是前者。對於困難、偶爾才出現的工作，可能是後者——而決定這一切的那個數字，OpenAI 尚未公布。

「pro」就機制而言是什麼

OpenAI 的推理指南指出，GPT-5.6 與 GPT-6 模型在 Responses API 中支援兩種模式，standard（預設）與 pro，可透過 reasoning.mode 選擇。模式與 reasoning.effort 是不同的控制項：模式決定模型在確定答案前要做多少工作，effort 則決定在你所選的模式內會進行多少推理。GPT-6 Luna 文件記載的 effort 值有 none、low、medium（預設）、high、xhigh 與 max，而且其中任何一個都可以與 pro 模式搭配使用。

在計費方面，指南寫得很明確，而且有點違反直覺。Pro 模式會把最終答案背後的所有模型運算彙整起來，並「依所選模型的標準 token 費率」對這些 token 計費。費率表上並沒有 Pro 加成。成本會以用量（volume）的形式呈現，因為 Pro 模式「比標準模式執行更多模型運算，因而增加 token 用量與成本」——而推理 token 會以輸出 token 計費，卻只會出現在 usage 物件中的 output_tokens_details.reasoning_tokens 底下。如果你不去讀那個欄位，這個增幅在帳單送達之前都是看不見的。

由此得出兩項比較，而它們值得分開來看。與標準模式下的 GPT-6 Luna相比，Pro 模式是同一個模型，但詞元消耗量有未知的倍數。與Claude Haiku 5.5相比，它也是在截然不同規模上的不同模型——1,050,000 個詞元的上下文對比 1M、922,000 個詞元的輸入上限，以及 2026 年 5 月 18 日的知識截止日期；其層級在 Anthropic 自家的發布文件中，於高難度代理式工作上被定位得略高於 Haiku。這兩項差異在成本上方向一致，在能力上方向相反，因此兩者都無法直接從價目表上看出來。

並排的費率表

兩種模型都採兩段式計費，而門檻落在不同位置——這比表面費率更重要，因為兩者的表面費率完全相同。

• 輸入 — Claude Haiku 5.5 每百萬 0.10 美元，最高 100,000 個 token，超過則為 0.50 美元。GPT-6 Luna 為 0.10 美元，最高 272,000 個 token，超過則為 0.20 美元。

• 輸出 — Claude Haiku 5.5 在 100,000 個 token 以內為 $0.50，超過則為 $2.50。GPT-6 Luna 在 272,000 個 token 以內為 $0.50，超過則為 $0.75。

• 快取 — Claude Haiku 5.5 在門檻以下的快取讀取為 $0.01、寫入為 $0.125；超過門檻則為 $0.05 與 $0.625。GPT-6 Luna 在 272,000 個 token 以下的快取讀取為 $0.01、寫入為 $0.125；超過則為 $0.02 與 $0.25。

• 上下文與輸出 — Claude Haiku 5.5 為 100 萬個 token，最大輸出 128,000 個；GPT-6 Luna 為 1,050,000 個 token，輸入上限 922,000 個 token，最大輸出 128,000 個。

• 思考 — 兩者皆為自適應。Claude Haiku 5.5 預設為中等強度；GPT-6 Luna 預設為中等強度與標準模式，並可額外選擇啟用專業模式。

• 批次與快取折扣 — Claude Haiku 5.5 在 Message Batches API 上享 50% 折扣；GPT-6 Luna 在 Batch 與 Flex 上享 50% 折扣，在 Fast 模式下則加倍，並對區域處理額外加收 10% 費用。

唯一不同的一項是 tokenizer。Anthropic 的文件指出，Claude Haiku 5.5 使用與 Claude 4.7 及後續版本共用的較新 tokenizer，因此同一段文字相較於 Claude Haiku 4.5 會多算約 30% 的 token。這不會改變費率；它改變的是提示多快會達到 100,000-token 的級距，而這是任何費率表都不會顯示的真實成本差異。一個 90,000-token 的提示會計為約 117,000，並以每百萬個輸入 token 收 $0.50 而非 $0.10 計費——對於一個看似還穩穩低於門檻的提示來說，費率卻是五倍。

專業模式的代價，以唯一人人可用的單位來衡量

由於乘數尚未公開，值得說明的是每個額外 token 的成本是多少，以及在大量使用時，這些合理範圍會帶來什麼影響。

• 以 GPT-6 Luna 每百萬個輸出 token 0.50 美元來算，每項任務每多出 10,000 個輸出 token 就要花 0.005 美元。每天執行 100,000 項任務，這個增量就是十億個額外 token——約每天 500 美元，或每月 15,000 美元，而這款模型的主打價格是每百萬個輸入 token 一角美元。

• 作為規模對照，GPT-6 Luna 在最高投入程度下，光是跑 Intelligence Index 就已消耗 1.4 億個輸出 token，中位數則是 1 億，而評估者認為這已經算是相當冗長。Anthropic 在其自家測試框架上跑出的發布表格顯示，GPT-6 Luna 在 Terminal-Bench 4.0 拿下 16.4%、在 FrontierCode 1.1 拿下 42.4%，相較之下 Claude Haiku 5.5 則分別是 39.2% 與 46.4%——這些數字由廠商自行報告、出自單一廠商的測試套件、而且評測的是競爭對手的模型。

• 在獨立排行榜上，兩者的排名差距較小。Artificial Analysis 在 Intelligence Index v4.3.2 上給出 Claude Haiku 5.5 於 Max effort 下 43 分，在 182 個模型中排名第二；GPT-6 Luna（Max）則為 38 分，排名第八。這兩個數字都是標準模式、最高努力（max effort）下的結果。目前沒有 GPT-6 Luna 在 pro 模式下的獨立評測：其頁面沒有任何 pro 項目，Artificial Analysis 也未列出相關紀錄。

pro 模式的結構性問題，在於最後兩點之間的交互作用。GPT-6 Luna 相較於 Claude Haiku 5.5 的整體成本優勢，全都來自 token 效率——同一套測試下，1.4 億個輸出 token 對上 4.4 億個，而且費率完全相同，這正是為什麼同一項評估在一邊每項任務只要 0.07 美元，在另一邊卻要 0.21 美元。pro 模式按定義就是一種會輸出更多 token 的模式。把它打開，就等於關掉了當初讓這個模型在這項比較中顯得便宜的那個東西，而能告訴你差多少倍的那個乘數並未公開。這不是在說 pro 模式不划算——在困難的任務上，做更多工通常就是做得更好——而是在說 pro 模式比的是能力，不是價格，因此應該拿它與價位相近的中階模型相比，而不是與它所屬的廉價層級相比。

各自真正勝出之處

把它簡化到決策本身，界線就很分明，儘管雙方都各有但書。

Claude Haiku 5.5 佔據了低價端。它在兩個真正要緊的意義上都更快：Artificial Analysis 測得每秒 241.9 個輸出 token，而 GPT-6 Luna 為 123.0；在 Index 測試中，首個 token 耗時 295 秒，而這其實是它在 Max 努力程度下回答前思考多久的產物，而非網路數據。它的費率表在 100,000 個 token 時進入第二級距，而其 tokenizer 會讓提示膨脹約 30%，因此長提示的工作負載在兩方面都得付出高於標價的代價。它換來的，是在獨立指數上五點的智慧優勢，以及一個努力程度旋鈕——從 Low 到 Max——這是兩家廠商在這些發表中最實用的成本控制功能。把努力程度鎖定下來，就是你用那五點領先優勢的一部分，換取更接近 GPT-6 Luna 的每任務成本數字的方法。

GPT-6 Luna Pro 掌握了困難的那一端，代價卻無從量化。它底層的模型在超過 272,000 個輸入 token 之後，每 token 的價格比 Claude Haiku 5.5 在超過 100,000 之後更便宜——輸入便宜兩倍半，輸出便宜三又三分之一倍——而且它的第一級距在上下文視窗中能延伸到十八倍遠。標準模式在每項完成的任務上，成本明顯更低。Pro 模式則以相同費率換取每個答案更多的運算投入，而它在 Max 投入程度下能否勝過 Claude Haiku 5.5，或在特定任務上能否勝過中階模型，這個問題沒有任​​何已公布的數字能回答。要回答它，就是把任務用兩種方式各跑一遍，然後讀取推理 token 欄位。

嘗試其中任何一個而不下注於它

這個比較尷尬的地方在於，它最重要的數字——pro 模式的實際成本——只能靠把你自己的流量跑過它才能得出，而較小模型的有效成本則取決於你的提示在重新分詞之後，落在 100,000 個 token 這條線的哪一側。兩者都是測量問題，而兩者在共享端點上，都比橫跨兩個供應商用戶端來得便宜。

GPT-6 Luna 今天已在 OrcaRouter 的目錄上，以供應商的定價提供，0% 加成直接轉嫁，因此這項比較的標準模式基準只要一組金鑰就能呼叫，而供應商調價當天就會反映在我們這一側，不必等到下一個帳務週期。Claude Haiku 5.5 尚未上架；我們目前確實有路由的 Anthropic 層級是 Claude Haiku 4.5、Claude Sonnet 5.5 與 Claude Opus 5.5，這讓從低成本層級一路向上測試到中階層級，成為一條路由規則，而不是一次程式碼變更。底層的自動容錯移轉正是讓推出僅兩天的模型能在你仍在評估時就承載正式流量的關鍵：開始故障的供應商會被繞過，而不是讓請求中斷，這就是「本週就能跑的先導測試」與「必須排程進行的正式切換」之間的差別。

什麼決定了這一切

三件事，依它們能多大程度改變答案的順序排列。OpenAI 公布 pro 模式的 token 乘數，或是一個附帶自身價格行的 pro slug，就能把核心的未知數變成算術問題。Artificial Analysis 在相同 effort 下以 pro 模式重跑 GPT-6 Luna，則能從獨立第三方那一側達到同樣效果。而第二次獨立跑 Claude Haiku 5.5，以 medium而非 Max 設定執行，就能告訴你這個模型在預設設定下實際的成本是多少，而這正是大多數人會部署的配置——看板上每任務 0.21 美元是 Max effort 的數字，而 Max 並非預設值。

在此之前，精確的總結仍相當狹窄。Claude Haiku 5.5 是一款你今天就能呼叫、報價與進行基準測試的模型，而在其層級所設定的用量規模下，它是更便宜的答案，並有文件記載的方式能讓成本更低。GPT-6 Luna Pro 則是一款你能呼叫的模型的組態，它的價目表不是問題，問題在於它的權杖消耗未經審計，而支持它的整套論點都建立在難度夠高的任務上——在那些任務上，多花權杖正是重點。為那些任務購買它，但在購買前先測量，而且在有人公布倍數之前，別把它放到高用量的路徑上。