Buat Tes API dengan GPT-6 Luna: Berapa Biaya Sebenarnya untuk Spesifikasi OpenAPI Lengkap

Menghasilkan tes dari spesifikasi OpenAPI sudah bukan masalah teknis sejak lama. Model yang dapat membaca item path dan menghasilkan permintaan yang masuk akal telah tersedia selama dua tahun. Masalahnya adalah tagihannya. Biaya pembuatan tes per proses cukup besar sehingga tim memperlakukannya sebagai migrasi satu kali: buat suite sekali, commit, lalu pelihara secara manual selamanya, karena regenerasi pada setiap perubahan spesifikasi akan muncul sebagai item baris yang ditanyakan seseorang.

GPT-6 Luna, diumumkan pada 22 September 2026 dengan harga $0.10 per juta token input dan $0.50 per juta output, memindahkan pekerjaan ke sisi lain dari garis itu. Satu pass penuh atas spesifikasi 42 endpoint menghasilkan sekitar $0.29 tanpa caching dan di bawah $0.10 dengannya. Itu cukup murah untuk berhenti memelihara suite yang dihasilkan dan cukup regenerasi pada setiap merge.

Berikut aritmetikanya, bentuk permintaannya, latensi yang harus Anda rencanakan, dan dua hal yang masih salah dilakukan model.

Harga yang bergeser

GPT-6 Luna adalah model baru dalam keluarga GPT-6, bukan tingkat GPT-5.6 yang diganti nama. OpenAI mengatakan Sol dan Luna dilatih dengan metode serupa dengan GPT-6 Astra, dan keduanya 50% lebih murah daripada harga promosi GPT-5.6. Kualifikasi itu milik OpenAI sendiri dan penting: perbandingannya terhadap tarif promosi, bukan tarif daftar. Silsilah lengkap di rangkuman perang harga model AI kami.

Untuk pekerjaan ini, jendela konteks lebih penting daripada harga utama. Satu juta token berarti seluruh spesifikasi, konvensi pengujian internal Anda, dan sekumpulan contoh permintaan muat dalam satu prompt dengan sisa ruang. Anda tidak melakukan chunking, dan Anda tidak menulis logika pengambilan untuk mencari tahu skema mana yang menjadi dependensi suatu operasi. Selengkapnya tentang model ini di apa itu GPT-6 Luna.

Bentuk pekerjaannya sebelum Anda menghitung biayanya

Dua bentuk, biaya yang sangat berbeda.

Versi sekali jalan menempatkan seluruh spesifikasi dalam konteks dan meminta seluruh suite dalam satu penyelesaian. Lebih murah pada input, lebih buruk pada output: penyelesaian yang mencakup 42 operasi menipis parah pada operasi kedua puluh, di mana endpoint awal mendapat lima kasus masing-masing dan ekor mendapat jalur bahagia dan angkat bahu. Satu unit percobaan ulang untuk seluruh proses juga.

Versi per operasi mengirim konteks spesifikasi bersama ditambah satu operasi, 42 kali. Input naik karena konteks bersama berulang, tetapi kualitas output terjaga, setiap panggilan dapat dicoba ulang secara independen, dan setiap file dapat di-diff dengan bersih terhadap proses terakhir. Caching menarik kembali sebagian besar biaya input ekstra, yang menjadikan ini bentuk yang layak dihitung biayanya.

Anggaran untuk satu panggilan, menggunakan spesifikasi ukuran sedang:

Dua baris pertama identik byte pada setiap panggilan. Prefiks 52,000 token itulah yang menjadi sasaran caching, dan menempatkan materi invarian terlebih dahulu adalah keputusan dengan pengaruh tertinggi dalam penyiapan.

Berapa biaya satu pass

Dengan 42 operasi pada anggaran tersebut, prosesnya menjadi 2,247,000 token input dan 126,000 token output.

Dengan tarif Luna, itu $0.2247 untuk input dan $0.0630 untuk output, jadi $0.2877 per pass, sedikit di bawah tujuh persepuluh sen per endpoint. Profil token yang sama terhadap model lain yang dirilis atau dihargai ulang dalam dua minggu yang sama:

Astra tepat 100 kali tarif Luna pada input dan output, jadi biayanya tepat 100 kali lebih banyak untuk pekerjaan ini. Claude Opus 5.5 adalah 40 kali.

Sebaran itulah keseluruhan keputusannya. Dengan $28.77 per pass Anda membangun logika inkremental: lacak operasi mana yang berubah, hash setiap item path, regenerasi hanya diff-nya, lalu debug mesin itu ketika tidak sinkron dengan spesifikasi. Dengan $0.29 Anda menghapus logika inkrementalnya. Dua puluh merge per bulan adalah $5.75, lebih murah daripada menit CI yang dihabiskan untuk menjalankan tes yang ditulis model. Sebagai skala, OpenAI melaporkan median penelitinya menghabiskan lebih dari $600 sehari untuk agen coding, dengan persentil ke-90 di atas $7,000.

Ke mana prompt caching membawanya

GPT-6 merilis caching sungguhan bersamaan dengan perubahan harga: diskon 90% untuk pembacaan input dari cache, tingkat hit yang lebih tinggi secara default, dasbor dan alat diagnostik, breakpoint eksplisit sehingga Anda memilih di mana prefiks yang di-cache berakhir, dan cache tetap bertahan di seluruh perubahan pada upaya penalaran dan ketersediaan alat. GitHub melaporkan lebih dari 50% lebih sedikit token prompt yang memerlukan pemrosesan baru di miliaran permintaan. Detail di prompt caching GPT-6.

Diterapkan pada proses di atas, mengambil 90% dari tarif input $0.10 menjadi $0.01 per juta untuk pembacaan dari cache:

Sekitar sepertiga dari biaya tanpa cache, sedikit di bawah seperempat sen per endpoint. Dua hal yang tidak boleh diasumsikan. OpenAI menyatakan diskon 90% tetapi tidak, dalam sumber kami, mencetak tarif pembacaan cache dalam dolar untuk Luna, jadi $0.01 di atas adalah aritmetika, bukan tarif yang dipublikasikan. Dan tidak ada yang kami miliki menyebutkan masa hidup cache, jadi jalankan 42 panggilan secara berurutan daripada menyebarkannya di antrean CI yang lambat, dan konfirmasi tingkat hit di dasbor.

Permintaannya

Tidak ada yang eksotis. Urutannya yang membuatnya berharga:

curl https://api.openai.com/v1/chat/completions \
  -H "Authorization: Bearer $OPENAI_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "model": "gpt-6-luna",
    "reasoning_effort": "high",
    "messages": [
      { "role": "system",
        "content": "You write API tests. Emit one test file. Assert on status, response schema and error shape. Never assert on a field absent from the supplied schema." },
      { "role": "user",
        "content": "Shared spec context:\n<components, securitySchemes, servers>" },
      { "role": "user",
        "content": "Operation under test:\nPOST /orders\n<path item and examples>" }
    ]
  }'

Prompt sistem dan blok spesifikasi bersama identik byte pada semua 42 panggilan dan datang lebih dulu. Operasinya bervariasi dan datang terakhir. Tukar keduanya dan Anda tidak meng-cache apa pun, sehingga prosesnya berbiaya $0.29 alih-alih $0.096. Itulah keseluruhan mekanismenya.

Pengaturan upaya high disengaja. Keuntungan Luna yang dipublikasikan dibanding pendahulunya diukur pada upaya yang lebih tinggi, dan karena caching GPT-6 bertahan terhadap perubahan upaya, Anda dapat mengaturnya per operasi tanpa membangun ulang prefiks. Simpan pengaturan tertinggi untuk endpoint yang membawa uang atau autentikasi.

Anggarkan waktu, bukan uang

Murah bukan berarti cepat. Artificial Analysis, pihak ketiga, mengukur varian penalaran maksimum Luna pada 153.9 token output per detik dengan waktu ke token pertama 124.23 detik. Kedua angka itu milik mereka, bukan OpenAI, keduanya berlaku khusus untuk varian max, dan AA menilai ulang secara berkelanjutan, jadi anggap sebagai indikatif.

Jika diambil apa adanya, satu panggilan pada upaya maksimum kira-kira 124 detik menunggu ditambah sekitar 20 detik untuk streaming 3,000 token, sebut saja 144 detik. Empat puluh dua secara berurutan sekitar 101 menit. Delapan secara bersamaan sekitar 13 menit, tahap CI biasa.

Ini berlawanan dengan sebagian besar argumen pemilihan model, itulah sebabnya pasangan ini berhasil: waktu ke token pertama adalah bencana untuk asisten interaktif dan hampir tidak relevan untuk pekerjaan batch yang menulis file. Tradeoff yang sama pada saudara yang lebih besar di waktu ke token pertama GPT-6 Sol.

Apa yang benar, dan dua hal yang tidak

Hasil yang dipublikasikan OpenAI untuk Luna lebih kuat daripada yang disarankan harganya. Pada DeepSWE 1.1, ia mencapai 66.6% pada upaya maksimum, yang menurut OpenAI setara dengan Claude Opus 5 dan Fable 5 pada upaya menengah dengan biaya 93% lebih rendah per tugas daripada Opus 5 dan 96% lebih rendah dari Fable 5. Pada AutomationBench, ia mengalahkan pendahulunya sebesar 5.4 poin persentase dengan biaya 58% lebih rendah per tugas. Semuanya dijalankan OpenAI pada harness OpenAI, dan tidak ada yang mengukur pembuatan tes dari spesifikasi.

Dua mode kegagalan lebih penting di sini daripada benchmark apa pun.

Model hanya dapat menguji apa yang dikatakan spesifikasi. Jika spesifikasi Anda mendokumentasikan 200 dan 400 untuk POST /orders tetapi layanan juga mengembalikan 409 pada idempotency key duplikat, Anda tidak mendapatkan tes konflik dan suite tetap terlihat lengkap. Kualitas generasi dibatasi oleh kualitas spesifikasi, yang menjadikan spesifikasi sebagai artefak yang layak diinvestasikan, bukan prompt.

Generasi murah gagal dengan terlihat benar. Kesalahan khasnya bukan tes yang rusak, melainkan tes yang lulus yang mengassert pada bidang yang tidak pernah dikandung respons, atau kode status yang tidak pernah dikeluarkan endpoint. Itu lolos review karena terbaca seperti tes. Validasi setiap assertion yang dihasilkan terhadap skema secara mekanis sebelum diterapkan, tolak apa pun yang mereferensikan bidang yang tidak ada di components. Pemeriksaan itu tidak memakan biaya dan langsung mematikan kelas tersebut.

Membuat output dapat dijalankan

File tes yang dihasilkan bernilai persis sebanyak harness tempat file itu dijalankan. Jaga spesifikasi sebagai sumber kebenaran, hasilkan terhadapnya, lalu tempatkan kasusnya di tempat yang mengeksekusinya pada setiap push.

Apidog mencakup paruh belakang dari loop itu. Ia mengimpor spesifikasi yang Anda gunakan untuk menghasilkan, sehingga konteks bersama dalam prompt Anda dan definisi permintaan di runner Anda berasal dari satu dokumen dan tidak dapat melenceng. Kasus yang dihasilkan menjadi skenario tes yang assertion-nya divalidasi terhadap skema yang diimpor, mengubah pemeriksaan di atas menjadi gerbang mekanis alih-alih tugas review. Smart mock menyajikan spesifikasi saat backend masih ditulis, sehingga suite yang dihasilkan dapat gagal secara jujur sebelum ada yang nyata untuk dihit. Dan skenario berjalan di CI, satu-satunya tempat alur kerja regenerasi pada setiap merge membuahkan hasil.

Apakah ini layak dialihkan ke Luna?

Ya, dengan catatan. Biaya bukan lagi alasan untuk melewatkannya: $0.29 per pass, atau di bawah $0.10 dengan cache, lebih murah daripada rapat tempat Anda berdebat apakah akan meregenerasi. Latensinya nyata tetapi jatuh di jendela waktu di mana tidak ada yang menunggu. Dan hasil yang dipublikasikan Luna menempatkannya di dekat model yang berbiaya 40 hingga 100 kali lebih mahal untuk pekerjaan coding agentic.

Tidak ada dari itu yang membuat outputnya dapat dipercaya saat tiba. Belanjakan apa yang Anda hemat untuk gerbang validasi skema dan pembacaan manusia pada proses pertama, dan perlakukan hasilnya sebagai draf pertama yang mencakup permukaan terdokumentasi sepenuhnya dan permukaan tidak terdokumentasi tidak sama sekali. Tetap posisi awal yang lebih baik daripada suite tulisan tangan yang berhenti melacak spesifikasi empat rilis lalu.