GPT-6 Luna 對比 Claude Sonnet 5.5：兩道差距，而非一道

把 GPT-6 Luna 和 Claude Sonnet 5.5 放在同一張價目表上，比例對比令人尷尬：每百萬輸入 token 是 $0.10 對 $2.00，每百萬輸出 token 是 $0.50 對 $10.00。把它們放在同一項評測上，差距看起來會因你選哪項評測而完全不同。在 Artificial Analysis 的 Intelligence Index 上，Sonnet 5.5 以最高 effort 設定得分 55，Luna 以最高 effort 設定得分 28——在頂尖模型都落在五十幾分區間的榜上，這是 27 分的差距。在 FrontierCode-AA 2.0 上，同樣這兩個模型得分是 25.7 和 25.2。那不是差距。那是平手。

這兩種解讀都正確，而它們之所以並存，正是做出選擇前值得理解的事。Luna 並不是一個各方面都較弱、卻以二十分之一價格出售的模型。它是一個能力輪廓很特定的模型：在程式碼差異生成上具競爭力，在終端機操作、科學推理與事實層面的克制上則遠遠落後，而且產生第一個 token 的速度大約慢了一個數量級。Sonnet 5.5 則是相反的輪廓——穩定一致、啟動迅速，而且昂貴到若要部署一整批，就得先有商業理由。

這兩份規格表，逐個維度來看

• 每 1M 輸入價格 - GPT-6 Luna $0.10 對比 Claude Sonnet 5.5 $2.00，相差 20 倍

• 每 1M 輸出價格 - GPT-6 Luna $0.50 對比 Claude Sonnet 5.5 $10.00，也是 20 倍

• 每 1M 快取輸入 - GPT-6 Luna $0.01 對比 Claude Sonnet 5.5 $0.10；Anthropic 將 Sonnet 的快取讀取費率降至 Sonnet 5 推出時的一半，而與 Luna 快取費率的比例仍是 10 倍

• 快取寫入 - GPT-6 Luna 每 1M $0.125，為輸入價格的 1.25 倍溢價；Sonnet 5.5 則按相同 1.25 倍慣例，以每 1M $2.50 計費

• 上下文視窗 - GPT-6 Luna 為 1,050,000 個 token，對比 Claude Sonnet 5.5 的 1,000,000 個，而 Luna 的可用輸入上限為 922,000

• 最大輸出：兩者皆為 128,000 個 token

• 長上下文定價——當輸入超過 272,000 個 token 時，Luna 會將整個請求重新定價為 $0.20 / $0.75；Sonnet 5.5 的規格頁則沒有對應的價格斷崖，這在 300K token 的提示上是個低調的優勢

• 輸入模態 - 兩者皆支援文字、圖像與檔案；兩者皆不接受音訊或視訊

• 推理控制 - GPT-6 Luna 提供無、低、中（預設）、高、極高與最高，並可完全關閉；Claude Sonnet 5.5 則提供從低到最高的五個等級，預設為高，且推理功能一律開啟

• 知識截止日期——GPT-6 Luna 為 2026 年 5 月 18 日；Anthropic 並未公布 Sonnet 5.5 的相應日期

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

• AA Intelligence Index v5.0.1 - GPT-6 Luna 在最高投入下為 28，對比 Claude Sonnet 5.5 在預設高投入下為 42、在最高投入下為 55

• 首個回答 token 的時間——在同一塊主機板上，GPT-6 Luna 為 79.33 秒，Claude Sonnet 5.5 為 10.21 秒

• 每項 Intelligence Index 任務成本 - GPT-6 Luna $0.15 對比 Claude Sonnet 5.5 $1.64

二十倍的價格，十一倍的帳單

標價比率是整整 20 倍。但在真實工作負載上實測的比率並非如此，因為每項任務成本也會計入每個模型為了得出答案所消耗的 token 數量。在 Artificial Analysis 的指數評測中，Luna 完成整套測試消耗了價值 136 美元的 token，而 Sonnet 5.5 消耗了 1,268 美元——約 9.3 倍。Luna 每項任務 0.15 美元，對比 Sonnet 的 1.64 美元，比值為 10.9。

這項差異會同時對 Luna 有利與不利，取決於你的工作負載。Luna 以便宜模型而言會產生大量推理 token：在最大投入下，它以每單位分數計算是兩者中話更多的，這就是為什麼標價上 20 倍的比率在帳單上會壓縮到約 10 倍。在輸出主導的工作負載中——長時間生成、反覆編輯程式碼、任何需要寫出整段文字的任務——這種壓縮對 Luna 更不利，因為它的輸出費率是價目卡中較貴的那一半。在輸入主導的工作負載中——檢索、閱讀日誌、固定語料庫上的文件問答——20 倍幾乎完全成立，而快取還能讓它更好。

還有一點算術上的補充，會改變一個已經在支付 Anthropic 價格的團隊所得到的答案：Anthropic 表示，儘管價目表未變，Sonnet 5.5 每項任務的成本最多比 Sonnet 5 低 30%，因為它完成同樣工作所需的 token 更少。從 Sonnet 5 轉換到 Sonnet 5.5 的團隊無需改變價目表，就能獲得真正的折扣。從 Sonnet 5.5 轉換到 Luna 的團隊則可獲得 10 倍折扣，但換來的是截然不同的模型。

當差距成為鴻溝，以及為何測試框架至關重要

Terminal-Bench 4.0 是榜單上差距最明顯的一項：由同一位評估者在相同條件下測得，Sonnet 5.5 為 43.9%，Luna 則為 12.6%。Terminal-Bench-Science 對 Luna 來說更糟——34.3% 對上 8.6%。如果工作內容是 shell 工作階段、建置系統，或是必須跨檔案診斷的失敗測試套件，那麼二十倍的價差根本算不上折扣。Luna 完成任務的頻率不夠高，價格再低也無關緊要。

在這裡引用 Sonnet 的數字時要小心，因為有兩個數字，而只有一個具有可比性。Anthropic 的發布文章在 Terminal-Bench 4.0 上報告 70.6%，比獨立評測委員會測得的高出 26 點以上。這兩個數字都算不上造假；廠商數字來自 Anthropic 自家的測試框架、工具策略與提示詞鷹架，而 Terminal-Bench 分數會隨這三者大幅變動。Deepnote 在其 Agent Initiative Benchmark 中從另一個方向提出了相同觀點：「結果只反映模型，不反映測試框架」，而不同的提示詞或工具策略「會讓這裡的每個數字變動」。把 70.6% 視為 Sonnet 5.5 在 Anthropic 設定下達到的成績，把 43.9% 視為它在別人設定下達到的成績。若要做比較選型，應該使用第二個數字，因為你不會採用 Anthropic 的設定。

同樣的謹慎態度也適用於 Luna 自家的廠商數據。O​penAI 回報 GPT-6 Luna 在最大努力設定下於 DeepSWE v1.1 獲得 66.6% 的分數，「可與中等努力設定的 Claude Opus 5 和 Fable 5 相比」，且每項任務成本降低 93% 到 96%。那是廠商自行執行評估的廠商回報結果，對 Terminal-Bench 隻字未提；而在 Terminal-Bench 上，獨立數據是 12.6%。這兩句話描述的是同一個模型。

當差距縮小到僅剩捨入誤差的程度

FrontierCode-AA 2.0 探討程式碼代理所產生的變更是否已準備好合併到真實的儲存庫。Luna 得分 25.2。Sonnet 5.5 得分 25.7。半分之差，卻有著二十倍的價格差距，而兩者在一個強模型可突破 46% 的基準測試上，都遠低於領先者。

在得出顯而易見的結論之前，先仔細讀一遍。在困難的基準測試上得到偏低的絕對分數，意味著兩個模型大多數時候都會失敗；而當兩個模型大多數時候都失敗時，半分的差距大多只是雜訊。有用的說法不是「Luna 的程式能力跟 Sonnet 5.5 一樣好」。它的範圍更窄：在這類任務、這種難度下，多出來的二十倍換不到任何可衡量的東西。如果你的工作負載類似 FrontierCode——對已知程式碼庫做自包含的修改，並在合併前由人工審查——那麼 Luna 是站得住腳的初稿，反正審查者本來就會重寫它的輸出。

另外兩項評測也落在相近區間：AutomationBench-AA 顯示 Sonnet 5.5 為 59.4%、Luna 為 53.2%，而 GDP.pdf 則是 25.2% 對 22.8%。兩者都不是平手，但都落在這樣一個範圍內：提示工程與工具選擇可能在你自己的資料上翻轉排序。

Luna 真正較差、而不只是有所不同的兩個地方

知識與延遲，而這兩者都無法靠降價來解決。

AA-Omniscience v1.1 衡量模型是否知道自己不知道什麼。Sonnet 5.5 淨得分為 +19；Luna 淨得分為 -8。在該評測中，淨得分為負意味著模型捏造的答案多於正確答案的情況夠頻繁，足以把總分拖到零以下。對任何正在打造無需人工介入即可回答的代理的人來說，這是本比較中最具影響力的單一數字，而這也正是以程式設計為重點的基準測試永遠不會揭示的數字。再加上 Luna 在 Humanity's Last Exam 上得分 38.5，對比 Sonnet 5.5 的 56.0，整體情況前後一致：Luna 是個稱職的指令遵循者，但事實知識底子薄弱。

延遲是第二點。Sonnet 5.5 約在 10 秒內產出第一個回答 token；在同一塊主機板上，Luna 以最大力度運算則需約 79 秒。把力度旋鈕調低，這個差距就會縮小——Luna 的推理預算就是成本所在——但如此一來，你就是在拿低力度的 Luna 對比全力運作的 Sonnet，分數差距也會隨之拉大。對互動式產品而言，無論價格如何，這往往都是決定性因素。至於跑整夜的批次作業，則無關緊要。

在真實工作任務上，他們幾乎打成平手的那一項基準測試

Artificial Analysis 以問題衡量模型。Deepnote 的 Agent Initiative Benchmark 則以任務衡量：在一家假公司內模擬五十個職場情境，模型須閱讀 Slack，並判斷是否展開調查、在哪裡回覆，以及是否要回覆。Claude Sonnet 5.5 得分 6.65，每個情境成本 $0.42，並在 15 秒內完成。GPT-6 Luna 得分 6.38，成本 $0.0070，耗時 50 秒。

隨之而來的是兩件事。這類任務上的品質差異——四分之一分——小於基準測試所報告的區間，因此 Deepnote 將這兩者與 DeepSeek V4.1 Flash、Mistral Large 4 和 Claude Haiku 5.5 歸入同一群集，並表示該群集「落在 0.6 分以內，且區間重疊」。而成本差異是 60 倍，不是 20 倍，因為 Sonnet 5.5 在高投入模式下每個情境大約花費兩萬個 token，而 Luna 的花費則少得多。

差異在於紀律，而非能力。在 10 個需要保持沉默的情境中，Sonnet 5.5 有 6 次克制住了；Luna 有 4 次。Sonnet 在 50 次中記錄了 11 次完美執行與 7 次零分；Luna 則是 9 次與 9 次。若任務是更常答對，並在不確定時保持安靜，昂貴模型就值回票價。若任務是讀遍所有內容，讓第二道更嚴格的閘門決定要呈現什麼，便宜模型才是唯一符合預算的選擇。

真正讓它們有所區別的功能，是一個關閉開關。

GPT-6 Luna 接受 reasoning_effort: "none"。Claude Sonnet 5.5 則不接受——在其五個等級中，推理功能始終開啟；Anthropic 相對於 Sonnet 5 重新校準了這一點，因此沿用既有整合時，應重新調整其設定，而不是沿用舊設定。

那個單一差異說明了大部分的成本曲線。分類呼叫、路由決策、從已知結構描述中擷取：這些都不需要推理軌跡，而且可以指示 Luna 跳過它。同樣的工作在 Sonnet 5.5 上，無論推理是否有幫助，都得為推理付費。這也說明了一個在建構於其上之前值得了解的限制：在 Chat Completions 上，Luna 只有在推理強度設為 none 時才支援函式呼叫，因此任何需要工具的功能都必須透過 Responses API。Sonnet 5.5 則可在兩種介面上使用工具，無論是透過原生 Messages API 或 O​penAI 相容格式。

O​penAI 的 Decisions API 自 2026 年 10 月 22 日起正式全面推出，是同一理念最精簡的體現：由 GPT-6 Luna 且僅由該模型提供型別化答案——機率、選項、評分量表分數——延遲約為 O​penAI 所回報同一模型透過 Responses 提供服務時的十分之一。如果問題是「這張工單是否與這筆訂單紀錄矛盾」，Luna 現在可以直接以其原生形式回答，完全不必生成散文。

在它們之間做選擇

• 長時間執行的終端機作業、建置修復、多檔案除錯——Claude Sonnet 5.5。Luna 在 Terminal-Bench 4.0 上的 12.6% 並不是預算問題。

• 任何錯誤答案代價高昂卻無人檢查的情況——Claude Sonnet 5.5，憑藉 Omniscience 上 +19 對 −8 的分差。

• 在互動式介面中，首個 token 耗時 79 秒即是產品缺陷 - Claude Sonnet 5.5。

• 大量分類、擷取、路由，或作為更嚴格關卡前的初篩讀取器——使用 GPT-6 Luna，effort 設為 none 或 low，且 Sonnet 的優勢完全派不上用場的情境。

• 針對審查者反正都會閱讀的自包含程式碼修改——以 GPT-6 Luna 作為第一輪，Sonnet 5.5 作為升級路徑。FrontierCode 的半分差距，正是讓這種分工有商榷餘地、而非魯莽的原因。

Running both is the option the rate cards do not advertise but the numbers support. A tiered setup - Luna for the 90% of calls that are cheap and narrow, Sonnet 5.5 for the 10% that decide something - costs closer to Luna's bill than to Sonnet's while keeping Sonnet's judgment where judgment matters. OrcaRouter puts both models behind one O​penAI-compatible key alongside more than 200 others, at 0% markup with provider list price passed through, so the 20x ratio on the sheet is the 20x ratio on the invoice and a vendor price change reaches you the same day. Because both accept the O​penAI chat-completions format, the tier split is a routing rule rather than a second integration: the routing DSL sends a request to Luna first and escalates on a condition, automatic failover covers a provider slowdown, and no code changes when a new model lands in the catalogue.

什麼會改變答案？

Luna 目前的處境異常取決於單一數字的變動：它的事實下限。一個能讓 AA-Omniscience 由負轉正的小版本更新，將消除支付二十倍價格的最強論據，因為終端作業與延遲的差距取決於工作負載，而會捏造事實的模型在任何地方都是負擔。反過來說，Sonnet 5.5 降價——Anthropic 以前做過這種事，而 0% 加價的路由器會立刻反映——將縮小這個倍數差距，足以讓分層問題對許多團隊而言不再重要。

少了任何一方，誠實的總結是：這兩者並非替代品。GPT-6 Luna 是個便宜、對提示反應快、事實內容單薄、且能一鍵關閉思考的讀者。Claude Sonnet 5.5 則是起步較慢、價格高昂、可靠、始終在思考的寫手。錯誤在於把 20x 當成定論。那是針對工作中差異不會顯現的部分所編列的預算——而 FrontierCode 的半分差距正提醒我們，其中有些部分比行銷所暗示的更大。