GPT-6 Luna 以每則討論串 0.007 美元讀取 Slack：這個數字掩蓋了什麼

十分之七美分。這就是 Deepnote Research 的 Agent Initiative Benchmark 所記錄的 GPT-6 Luna 在一家模擬公司內處理一個職場情境的平均成本——閱讀訊息、判斷是否需要告知任何人任何事，並在正確的頻道回覆。Claude Fable 5.1 在同樣的五十個情境中，使用相同工具與相同的 180 秒回應預算，平均花費 3.02 美元，換來高出 1.1 分的成績：滿分 10 分中，6.38 分對上 7.50 分。該基準測試自己的報告稱這兩個模型「價格相差 430 倍」，而算術也成立：3.02 美元除以 0.0070 美元等於 431。

GPT-6 Luna 自 2026 年 9 月 22 日起正式全面推出，而那份比較在 11 月 13 日以「便宜模型追上昂貴模型」的故事形式在時間軸上瘋傳。但這個故事其實比那更有意思，而且對那則標題來說，也稍微沒那麼光彩。Luna 在那張表裡自己那一列，包含九次拿到 10 分滿分的執行，以及九次掛零的執行；而主動式代理之所以難買，關鍵不在平均值——而是在那些零。

基準測試實際執行的是什麼

Agent Initiative 不是另一組靜態題庫。Deepnote 打造了一家名為 PageMantle 的假軟體公司——71 名員工、100 家企業客戶、六年的相連紀錄，橫跨 Slack、Notion、Linear、HubSpot、Stripe、PostHog、BigQuery 和 Snowflake 等十一項服務、約 10 GB 資料——然後把十二個前沿模型以潛伏者身分放進去。每個模型都收到相同的指示、相同的工具存取權、相同的公司快照和相同的時間預算。任務是讀取新的 Slack 訊息，並決定是否要調查、在哪裡回答，以及到底要不要回答。

這個小組規模很小，而且刻意顯得彆扭：

• 五十種情境，涵蓋八種任務類型——分析（8）、驗證（7）、協調、說明、診斷、決策與守護（各6項），以及尋找（5）。

• 那五十個之中有四十個需要一則訊息；另外十個是陷阱，正確的做法是保持沉默。

• 兩位 LLM 評審在不知該次執行由哪個模型產生的情況下，針對介入、證據、語氣與受眾定位給予 0 到 10 分。

• 每個模型皆以高推理強度運行，且工具執行時間不計入 180 秒計時。

• 來自六個實驗室的十二個模型，共 600 次執行，並以任務 bootstrap 重抽樣得出 95% 區間。

那個設計選擇——四十個協助案例對上十個沉默案例——正是這張表能用聊天基準測試永遠做不到的方式，把各模型區分開來的原因。一個常駐代理整天所做的大部分事情，就是決定不開口，而幾乎沒有公開評測會對這一點計分。

Luna 的爭執，完整版

GPT-6 Luna 以 6.38 在十二個模型中排名第七。在 40 個需要發送訊息的情境中，它有 38 個送出了訊息，命中率高於 Claude Sonnet 5.5 的 37，並且在 50 秒內使用了 13.7 次工具呼叫完成。其每項任務成本為 $0.0070，是該領域最低，約為 DeepSeek V4.1 Flash 的 $0.026 的四分之一，也約為 Claude Sonnet 5.5 的 $0.42 的六十分之一。

真正重要的是 Deepnote 標為「Tens / zeros」的那一欄。GPT-6 Astra 以 8.97 分居冠，錄得 26 次完美執行和兩次零分。Claude Opus 5.5 錄得 14 次和兩次。Luna 則錄得九次和九次。在這項基準測試中，零分代表代理程式不是該發言時從未開口，就是在誤判情勢下發言；Luna 每五次就有一次白費，而排名在它之上的兩個模型則是每二十五次才有一次。若以五十項任務平均來看，一個有一半時間表現出色、另一半時間完全缺席的代理程式，看起來就像 B 減。實際部署到真實團隊的 Slack 上，它就像一位不是才華洋溢就是沉默不語的同事，而且沒有人能預測會是哪一種。

430 倍的標題，並列出計算過程

這個數字是真實的，而且也是現有最有利的表述框架，理由有二，值得直說。

首先，Claude Fable 5.1 並不是 Anthropic 目前的模型。Claude Fable 5.2 才是，而且它在同一項基準測試中拿下 8.17 分，每項任務成本為 1.87 美元。相較於後繼模型，GPT-6 Luna 便宜 267 倍，但落後 1.79 分。這句話比較不適合引用，卻對決策更有意義，因為本週要選模型的人，除非有特別理由，否則不會選 Fable 5.1。

第二，1.1 分的差距是涵蓋五十項任務的點估計。Deepnote 明確表示，其表格中段的數個模型落在彼此重疊的區間內——它點名 Claude Sonnet 5.5、GPT-6 Luna、DeepSeek V4.1 Flash、Mistral Large 4 與 Claude Haiku 5.5 是同一個彼此相差在 0.6 分內的群集——並計劃在未來版本中採用更大的任務集。對 Luna 與 Fable 5.1 這組比較的誠實解讀是：價格差距量測到三位有效數字，而品質差距則大約只量測到一位有效數字。任何人把「只落後 1.1 分」當成那個小數具有意義地引用，引用的是區間，而不是分數。

沒有人引用的那個數字：十個中有四個

當沉默才是正確答案時，該領域的中位模型在十次中有六次克制不回應。GPT-6 Luna 有四次克制不回應。而在紀錄已顯示該事項已處理的十種情況中，它有六次介入——而且，正如 Deepnote 所指出的，那些介入並非胡言亂語。它們準確、恰到好處，且不必要。只讀訊息本身的品質檢查永遠抓不到這種失敗。使用者滿意度調查也一樣，因為沒有人會抱怨被告知真實的事。

基準測試終究還是替它標上了代價。就整體受測情況而言，在不該發言時搶先開口，成本約是該發訊息時保持沉默的 1.8 倍。對一個以「會讀遍每個討論串」為根本前提的 Slack agent 來說，失敗模式並不是答錯後被糾正，而是頻道的慢性侵蝕：一旦團隊發現這個機器人每三則訊息就有一則是噪音，他們就會連一則都不再讀，而那些正確訊息的價值也會隨之歸零。

這份報告裡還有第二個較隱微的失誤。在一項資料存取任務中，Luna 找到了確認某位存取管理員已移交給繼任者的紀錄，卻仍把該名員工轉介給前任管理員。讀到正確的證據卻得出錯誤的結論，這與漏掉證據是不同性質的缺陷，而且正是那種在修正檢索品質後依然存在的缺陷。

為什麼十分之七美分改變的是設計，而不只是帳單

對這項決策來說，以每個 token 的成本來衡量是錯誤的單位，因為主動式代理的成本會隨著它接觸的討論串數量而增加，而不是隨著它被詢問的問題數量而增加。Deepnote 自己的圖表具體說明了這一點：GPT-6 Luna 每 1,000 個任務為 7 美元，而 Claude Fable 5.1 每 1,000 個任務為 3,020 美元。以每月 2,500 個討論串計算，也就是基準測試用於 Sol 和 Fable 5.2 的相同數字，Luna 的帳單約為 17.50 美元。

這個數字小到足以改變你打造的東西。每次讀取要 3 美元時，主動式代理在開始前就必須有所取捨——總得有人決定哪些頻道值得關注，而這正是模型原本該做的判斷。每次讀取不到一美分時，你可以監看所有內容，讓模型去做分流判斷，而這是唯一符合產品宣傳的版本。

它也會再跑第二輪。用 GPT-6 Luna 處理全部 2,500 個討論串約需 $17.50，讓它標出五十個看起來模稜兩可的，再以每則 $0.42 的價格送給 Claude Sonnet 5.5：再多 $21，每月總計接近 $39。同樣涵蓋範圍若全部改用 Fable 5.1，則要 $7,550。這種混合做法是否真能勝過單用 Luna 仍未經測試——該基準測試跑的是模型，而非測試框架，Deepnote 在其局限性說明中也如此表示——但正是這樣的算術，讓這項實驗便宜到足以實際跑起來。

水管設備提前三週到貨。

便宜的逐次呼叫讀取，只是常駐代理所需的一半；另一半則是能便宜地提出狹窄問題的方法。2026 年 10 月 22 日，O​penAI 讓 Decisions API 結束 Beta，而 GPT-6 Luna 是它唯一支援的模型。此端點回傳的是具型別的答案，而非散文——條件成立的機率、從固定清單中做出的選擇，或對照有序等級所得的分數——O​penAI 聲稱，這比透過 Responses API 詢問同一模型快約十倍。

對 Slack 監看程式來說，這才是正確的形態。「這條討論串是否與置頂訊息中的發布日期相矛盾？」是一個述詞，而不是一段段落。正式發行版將上限提高到每次請求 400 個問題，為共享上下文新增了提示快取，允許在個別問題指示中加入圖片，並可直接透過 input_json 內容部分接受結構化資料。現在單次呼叫即可依據固定的證據集評估一整天的頻道活動，而不是一次只處理一則訊息。

在你以此為設計基礎之前，有幾點值得先了解：新的快取機制適用於你送出的共享證據，而非 Luna 的費率卡；而模型本身的限制依然適用——1,050,000 個權杖的上下文視窗、922,000 的最大輸入、128,000 的輸出，以及 2026 年 5 月 18 日的知識截止日。Chat Completions 上的函式呼叫只有在推理投入程度設為 none 時才能運作；任何配備內建工具的功能都必須透過 Responses API 進行。

證據止步之處

這個基準測試對自身邊界異常坦率，而對任何即將把模型交到真實團隊面前的人來說，這些邊界都很重要。

• 五十項任務，其中有些類別只有五到八項，因此各類別的排名只是傾向，而非先後次序。

• 一份固定的公司快照，其團隊成員從不回覆，衡量的是單一貢獻，而非一個月累積的脈絡。

• 單一努力等級。每個模型都以「高」執行；未測試較低與較高的設定，而 Luna 的預設為「中」，並非「高」。

• 僅限 Slack。電子郵件、文件，以及傳送訊息以外的任何操作，皆不在範圍內。

• 歷史成本，並非即時報價。各項任務的數字是該次執行所得的觀察值，因此供應商價格變動會令這些數字隨之改變。

• 未測試任何路由器。Deepnote 明確表示，其路由建議是根據模型結果推斷出的設計建議。

那張表與獨立速度測量之間也存在矛盾。Deepnote 在高投入程度下測得 Luna 每個情境 50 秒。Artificial Analysis 以最大投入程度運行它，測得首個答案 token 的時間為 79.33 秒——比其價格層級的中位數差了一個數量級。這兩個數字都可能是真的，因為它們在不同設定下測量不同事物，但這組數字是一項警訊：常駐代理的感知延遲由投入程度旋鈕決定，而為了追逐那些零把它調高，會先付出秒數代價，之後才付出金錢代價。

以這個價格部署讀取器

這個基準測試的實務版本是一套雙層流程，而這正是價格差距比分數差距更重要的原因。GPT-6 Luna 以低或中等強度運作，負責閱讀——每個討論串、每個頻道，以及透過 Decisions API 輸入的決策。對這些決策設定閾值，會把模糊的案例升級給更強的模型。於是，昂貴的模型每月只需處理數十個討論串，而不是數千個，其成本也不再是一筆預算項目。

當兩個層級都共用同一把金鑰時，這條管線會更容易執行。OrcaRouter 透過單一 OpenAI 相容端點提供 GPT-6 Luna、Claude Sonnet 5.5、Claude Fable 5.2 以及 其他 200 多個模型，0% 加成——直接沿用供應商標價，因此供應商降價當天就會反映在我們這邊，而不必等轉售商重新定價。路由 DSL 會把各層級組成單一呼叫（先跑便宜的一輪，符合條件再升級），自動容錯切換可讓供應商效能下降時監看程式繼續運作，而模型融合則能在單一分類的後果過於重大、不宜只交給一個模型判斷時，讓一組模型面板共同回答。這些都不會改變上面的數字；只是移除它們之間的整合工作。

什麼會讓這個數字變動？

有兩件事會讓這篇文章過時：GPT-6 Luna 的後繼者，或是用更大任務集對同一基準進行第二次獨立執行。第一件事取決於 O​penAI 的時程。第二件事已經有承諾——Deepnote 表示，下一版將以更大的樣本取代 50 項任務的面板，而其作者明確表示，目前的表格應被視為首次測量，而非排名。

在那之前，可辯護的結論比時間線版本更狹窄，也更有用。GPT-6 Luna 是第一個便宜到足以讓主動式代理在「是否該查看」上犯錯也負擔得起的模型，而這是一個真正的門檻——介於一個只會對自家公司進行抽樣的產品，與一個真正讀懂它的產品之間的差異。它還不夠可靠到能在「是否該開口」上犯錯。四成沉默分數是表中需要據以設計的部分：讓讀取保持便宜，讓寫入保持受控，並把昂貴的模型放在真正做出「是否打斷」決策的地方。