GPT-6 Luna คืออะไร? Model ID, ราคา $0.10/$0.50 และ Context Window 1 ล้านโทเค็น

ชั้นที่ถูกที่สุดในตระกูลโมเดลเคยเป็นชั้นที่คุณไม่ไว้ใจ คุณจะส่งงานจำแนกประเภท, สรุป และการลองใหม่ไปที่นั่น, เก็บงานที่ซับซ้อนแบบ agentic ไว้กับโมเดลเรือธง, และยอมรับว่าโมเดลราคาประหยัดจะล้มเหลวเมื่อใดก็ตามที่งานต้องการมากกว่าหนึ่งขั้นตอน

GPT-6 Luna ซึ่งประกาศเมื่อวันที่ 22 กันยายน 2026 มีราคาเหมือนกับชั้นนั้นแต่ไม่ได้มีพฤติกรรมเช่นนั้น มีค่าใช้จ่าย 0.10 ดอลลาร์ต่อล้านโทเค็นอินพุต และ 0.50 ดอลลาร์ต่อล้านโทเค็นเอาต์พุต, มีหน้าต่างบริบท 1 ล้านโทเค็น, และตัวเลขที่ OpenAI เผยแพร่นั้นจัดให้มันอยู่ในช่วงของโมเดลแนวหน้าในการทดสอบโค้ดแบบ agentic ด้วยต้นทุนต่อภารกิจเพียงเล็กน้อยเมื่อเทียบกับโมเดลเหล่านั้น

สิ่งหนึ่งที่ต้องทำความเข้าใจก่อน: นี่ไม่ใช่ GPT-5.6 Luna ที่คุณอาจเคยเชื่อมต่อเข้ากับเชนสำรอง ชื่อชั้นเดียวกัน, โมเดลใหม่, ราคาใหม่, หน้าต่างบริบทใหม่ การสันนิษฐานเป็นอย่างอื่นเป็นวิธีง่ายๆ ที่จะทำให้เกิดการเปลี่ยนแปลงพฤติกรรมโดยไม่รู้ตัว และจะพบเมื่อมีตั๋วสนับสนุนเท่านั้น

GPT-6 Luna โดยสรุป

ในตระกูลเดียวกัน, GPT-6 Sol มีราคา $2/$10 พร้อมหน้าต่างโทเค็น 872,000 โทเค็นและดัชนี 48, และ GPT-6 Astra มีราคา $10/$50 OpenAI ระบุว่า Astra “ยังคงเป็นโมเดลที่ดีที่สุดของเราในทุกด้าน” ดังนั้น Luna จึงไม่ได้ถูกขายในฐานะโมเดลที่ฉลาดที่สุด มันถูกขายในฐานะโมเดลที่ต้นทุนต่อภารกิจลดลงอย่างมาก

เป็นโมเดลใหม่ ไม่ใช่ชั้นที่เปลี่ยนชื่อ

ตระกูล GPT-5.6 ประกอบด้วย Sol, Terra และ Luna ตระกูล GPT-6 ประกอบด้วย Astra, Sol และ Luna มีสองชื่อที่คงอยู่, Terra ไม่ได้อยู่, และ Astra เป็นชื่อใหม่ OpenAI อธิบายว่า Sol และ Luna ได้รับการฝึกฝนด้วยวิธีการที่คล้ายคลึงกับ GPT-6 Astra ซึ่งหมายความว่าพวกมันเป็นโมเดลใหม่ที่ใช้ระบบการตั้งชื่อเดียวกันกับโมเดลเก่า

ไม่มี GPT-6 Terra หากคุณสร้างโครงสร้างการจัดเส้นทางโดยใช้ ระบบการตั้งชื่อ GPT-5.6, ขั้นกลางนั้นไม่มีอยู่อีกต่อไป, และการเปรียบเทียบก่อนหน้าของเราที่ เปรียบเทียบ Sol กับ Terra และ Luna ตอนนี้ควรอ่านเป็นประวัติศาสตร์มากกว่าคำแนะนำปัจจุบัน

ลำดับราคาแสดงให้เห็นว่าชั้นมีการเปลี่ยนแปลงไปมากแค่ไหน:

ตัวเลขทั้งหมดเป็นต่อล้านโทเค็นอินพุตและต่อล้านโทเค็นเอาต์พุต แถวของ GPT-5.6 มาจากการรายงานของเราในเวลานั้น, ราคา GPT-5.6 และ การลดราคา GPT-5.6

OpenAI อธิบายว่า Sol และ Luna มีราคาถูกกว่าราคา โปรโมชั่น ของ GPT-5.6 ถึง 50% คำว่า "โปรโมชั่น" เป็นคำของ OpenAI เอง และมันเปลี่ยนความหมายของคำกล่าวอ้าง: การเปรียบเทียบนั้นเทียบกับอัตราราคาที่ลดแล้ว ไม่ใช่อัตราที่ GPT-5.6 เปิดตัว วัดจากราคาปกติของ GPT-5.6 Luna ที่ $1/$6, GPT-6 Luna ที่ $0.10/$0.50 คือการลดราคาอินพุต 90% และเอาต์พุต 92% การลดราคาที่แท้จริงนั้นมากกว่าพาดหัวข่าว และพาดหัวข่าววัดจากส่วนลด ให้ใช้ตัวเลขที่สองในโมเดลงบประมาณของคุณ ไม่ใช่ตัวเลขแรก

โมเดลราคาถูกมีหน้าต่างบริบทที่ใหญ่กว่า

นี่คือรายละเอียดที่การรายงานข่าวการเปิดตัวส่วนใหญ่ข้ามไป Luna มาพร้อมกับหน้าต่างบริบท 1,000,000 โทเค็น Sol ซึ่งมีราคาแพงกว่ายี่สิบเท่า มาพร้อมกับ 872,000 โทเค็น

นั่นกลับตาลปัตรสมมติฐานที่โค้ดการจัดเส้นทางจำนวนมากมีอยู่: ว่าคุณจะส่งคำขอไปยังโมเดลที่แพงกว่าเมื่อข้อมูลเพิ่มขึ้น ด้วย GPT-6, หน้าต่างที่ใหญ่ที่สุดในตระกูลกลับอยู่ที่ด้านล่างของรายการราคา เอกสารขนาด 900,000 โทเค็นไม่พอดีกับ Sol แต่พอดีกับ Luna

การคำนวณเป็นไปตามราคาของสองโมเดล การเติมหน้าต่างเต็มของ Luna หนึ่งครั้งมีค่าใช้จ่าย 0.10 ดอลลาร์สำหรับโทเค็นอินพุต การเติมหน้าต่าง 872,000 โทเค็นของ Sol หนึ่งครั้งมีค่าใช้จ่ายประมาณ 1.74 ดอลลาร์ การเติมหน้าต่าง 1M ของ Claude Opus 5.5 ที่ 4 ดอลลาร์ต่อล้าน มีค่าใช้จ่าย 4.00 ดอลลาร์ ข้อมูลประเภทเดียวกัน แต่มีค่าใช้จ่ายที่แตกต่างกันถึงสี่สิบเท่าในการอ่าน

เมื่อพิจารณาการทำงานของระบบแคชของ OpenAI เข้าไปด้วย ช่องว่างก็ยิ่งกว้างขึ้นอีก GPT-6 ให้ส่วนลด 90% สำหรับการอ่านอินพุตที่แคชไว้ ดังนั้นคำนำขนาด 1M โทเค็นที่ยังคงอยู่ในแคชตลอดการเรียกใช้จะมีค่าใช้จ่ายประมาณ 0.01 ดอลลาร์ในการอ่านซ้ำ แทนที่จะเป็น 0.10 ดอลลาร์ OpenAI ยังกล่าวอีกว่า GPT-6 มีอัตราการเข้าถึงแคชที่สูงขึ้นโดยค่าเริ่มต้น, การเปลี่ยนความพยายามในการให้เหตุผลหรือความพร้อมใช้งานของเครื่องมือจะไม่ทำให้แคชไม่ถูกต้องอีกต่อไป, และจุดพักที่ชัดเจนช่วยให้คุณควบคุมได้ว่าคำนำที่แคชไว้จะสิ้นสุดที่ใด GitHub รายงานว่ามีการใช้โทเค็นพร้อมท์ที่ต้องการการประมวลผลใหม่ลดลงมากกว่า 50% ในการร้องขอหลายพันล้านรายการ

สิ่งที่ OpenAI เผยแพร่

ทุกตัวเลขด้านล่างมาจากเอกสารการเปิดตัวของ OpenAI การตั้งค่าความพยายามในการให้เหตุผลปรากฏอยู่ในวงเล็บ เนื่องจากโมเดลเหล่านี้ทำคะแนนได้แตกต่างกันอย่างมากในระดับความพยายามที่แตกต่างกัน และแถวเกณฑ์มาตรฐานที่ไม่มีการตั้งค่าความพยายามก็ไม่ใช่ตัวเลขที่นำไปใช้ได้

แถว DeepSWE เป็นสิ่งสำคัญที่ควรพิจารณา โมเดลที่มีราคา 0.10 ดอลลาร์ต่อล้านโทเค็นอินพุตที่ทำคะแนนได้ 66.6% ในเกณฑ์มาตรฐานวิศวกรรมซอฟต์แวร์แบบ agentic ซึ่งอยู่ในขอบเขตเดียวกันกับโมเดลแนวหน้าสองโมเดลที่ระดับความพยายามปานกลาง โดยมีต้นทุนต่อภารกิจถูกกว่าหนึ่งในนั้นถึง 93% ถือเป็นข้อเสนอที่แตกต่างจากโมเดลราคาประหยัด มันไม่ได้หมายความว่า Luna จะเข้ามาแทนที่โมเดลแนวหน้าในงานที่ยากที่สุดของคุณ แต่หมายความว่าขอบเขตระหว่าง “ส่งงานนี้ไปที่โมเดลราคาถูก” และ “งานนี้ต้องใช้โมเดลราคาแพง” ได้เปลี่ยนไปแล้ว และไม่ว่าคุณจะเคยขีดเส้นนั้นไว้ที่ใดก่อนเดือนกันยายน 2026 ตอนนี้เส้นนั้นก็ถูกขีดผิดที่แล้ว

ผลลัพธ์ด้านความถูกต้องของข้อเท็จจริงเป็นสิ่งที่มีแนวโน้มที่จะสำคัญที่สุดสำหรับงานผลิตภัณฑ์ทั่วไป การที่สามารถเทียบเท่าโมเดลระดับกลางของรุ่นก่อนหน้าในด้านความถูกต้องของข้อเท็จจริง ด้วยต้นทุนประมาณหนึ่งในร้อย ทำให้ Luna เหมาะสมสำหรับการสรุปและแยกข้อมูลที่ผู้ใช้มองเห็นได้ แทนที่จะเป็นเพียงแค่งานแบตช์ภายใน

ทุกการเปรียบเทียบในที่นี้เทียบกับ Claude Opus 5

โปรดสังเกตว่าแถวเกณฑ์มาตรฐานเหล่านั้นเปรียบเทียบกับโมเดล Claude ใด Claude Opus 5

Anthropic ได้เปิดตัว Claude Opus 5.5 ในวันเดียวกัน โดยมีราคา $4/$20 เทียบกับ Opus 5 ที่ $5/$25 และได้รับตำแหน่งสูงสุดใน Artificial Analysis Intelligence Index ที่ 58 ซึ่งเป็นอันดับหนึ่งจาก 212 โมเดล โพสต์การเปิดตัวของ OpenAI ถูกเขียนขึ้นก่อนที่ Opus 5.5 จะมีอยู่ ดังนั้นทุกการเปรียบเทียบต้นทุนต่อภารกิจกับ Opus 5 จึงวัดกับโมเดลที่ถูกแทนที่ภายในไม่กี่ชั่วโมงหลังการตีพิมพ์

นั่นไม่ได้ทำให้ตัวเลขของ OpenAI ผิด พวกมันถูกต้องสำหรับการเปรียบเทียบที่ดำเนินการไป แต่มันหมายความว่าคุณไม่ควรนำ “ถูกกว่า Opus 5 ถึง 93%” ไปใช้ในเอกสารจัดซื้อจัดจ้างในฐานะสถานะปัจจุบันของตลาด โดยไม่ได้ระบุว่าหมายถึง Opus รุ่นใด ไม่มีผู้ขายรายใดเผยแพร่การเปรียบเทียบ Luna กับ Opus 5.5 แบบตัวต่อตัว และการเปรียบเทียบที่เผยแพร่บนโซเชียลมีเดียนั้นมาจากผู้ทดสอบรายบุคคล ไม่ใช่จากห้องปฏิบัติการใดห้องปฏิบัติการหนึ่ง บทความเกี่ยวกับสงครามราคาของเรา ได้ติดตามการเปิดตัวทั้งสามนี้เทียบกันในตารางเดียว

เวลาแฝง: โมเดลราคาถูกไม่ใช่โมเดลที่เร็ว

การวัดผลจากบุคคลที่สามจาก Artificial Analysis ระบุว่า GPT-6 Luna มีความเร็ว 153.9 โทเค็นเอาต์พุตต่อวินาที โดยมีเวลาถึงโทเค็นแรก 124.23 วินาที มีข้อควรระวังสองประการที่สำคัญ ตัวเลขเหล่านี้เป็นตัวเลขจากบุคคลที่สาม ไม่ใช่ที่ผู้ขายเผยแพร่ และวัดจากรุ่นที่มีการให้เหตุผลสูงสุด ซึ่งเป็นการกำหนดค่าที่ช้าที่สุดและแพงที่สุดที่มีอยู่

แม้จะมีข้อควรระวังทั้งสองประการ ทิศทางที่น่าสนใจคือ: Luna มีเวลาถึงโทเค็นแรกช้ากว่า Sol ซึ่งวัดได้ 102.15 วินาที ราคาและเวลาแฝงไม่สัมพันธ์กันในตระกูลนี้ การรอสองนาทีก่อนที่โทเค็นแรกจะมาถึงจะทำให้การหมดเวลาของไคลเอนต์ HTTP เริ่มต้นทำงานผิดพลาด, ทำให้โหลดบาลานเซอร์ไม่ได้ใช้งาน, และเกินขีดจำกัดการประมวลผลในรันไทม์แบบไร้เซิร์ฟเวอร์ส่วนใหญ่ หากคุณกำลังจัดเส้นทางเอนด์พอยต์แบบซิงโครนัสไปยัง Luna ด้วยความพยายามสูง งานการรวมระบบจะอยู่ที่เลเยอร์การหมดเวลาและการสตรีมของคุณ ไม่ใช่ในพร้อมท์ของคุณ

ทดสอบกับปริมาณงานของคุณเองก่อนที่จะจัดเส้นทางไปยังโมเดลนี้

ตารางเกณฑ์มาตรฐานเป็นภาพรวม แต่พร้อมท์ของคุณไม่ใช่ คำถามที่มีประโยชน์คือ Luna สามารถทำงานได้ดีกับปริมาณงานของคุณในระดับความพยายามที่คุณสามารถจ่ายได้หรือไม่ และนั่นใช้เวลาประมาณสิบนาทีในการตอบอย่างถูกต้อง

ตั้งค่าหนึ่งคำขอต่อหนึ่งโมเดล, กำหนดพารามิเตอร์ ID โมเดล, และเรียกใช้ข้อมูลเดียวกันกับทุกระดับชั้น:

curl https://api.openai.com/v1/responses \
  -H "Authorization: Bearer $OPENAI_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "model": "gpt-6-luna",
    "input": "Extract every endpoint, method and required parameter from the OpenAPI document below as JSON.",
    "reasoning": { "effort": "high" }
  }'

ยืนยันชื่อเอนด์พอยต์และพารามิเตอร์กับข้อมูลอ้างอิงโมเดลปัจจุบันของ OpenAI ก่อนที่คุณจะสร้างตามรูปแบบนี้ ID โมเดล gpt-6-luna เป็นส่วนที่ได้รับการยืนยันจากเอกสารการเปิดตัว

ใน Apidog, คำขอเดียวกันจะกลายเป็นเอนด์พอยต์ที่บันทึกไว้ โดยมี ID โมเดลเป็นตัวแปรสภาพแวดล้อม ดังนั้นชุดข้อมูลเดียวจะครอบคลุม Luna, Sol และ Astra โดยไม่ต้องทำซ้ำสิ่งใด เรียกใช้เป็นสถานการณ์ทดสอบและคุณจะได้รับเวลาตอบสนองและการใช้โทเค็นต่อการรัน, พร้อมกับการยืนยันเกี่ยวกับรูปแบบการตอบสนอง ซึ่งเป็นสิ่งที่ตรวจจับโหมดความล้มเหลวที่แท้จริงของโมเดลที่ถูกกว่า: ไม่ใช่คำตอบที่ผิด, แต่เป็นการตอบสนองที่ไม่เป็นไปตาม JSON schema ที่ตัวแยกวิเคราะห์ของคุณคาดหวัง เรียกใช้สถานการณ์เดียวกันที่สามระดับความพยายามและคุณจะมีตารางต้นทุน, เวลาแฝง และความน่าเชื่อถือสำหรับพร้อมท์ของคุณเอง แทนที่จะเป็นชุดเกณฑ์มาตรฐานของผู้อื่น

เมื่อ Luna เป็นตัวเลือกที่เหมาะสม

จัดเส้นทางไปยัง Luna เมื่อข้อมูลมีขนาดใหญ่, งานถูกกำหนดอย่างชัดเจน, และคุณสามารถตรวจสอบเอาต์พุตได้ด้วยโปรแกรม การดึงข้อมูลเอกสาร, การแยกวิเคราะห์ข้อมูลจำเพาะ, การคัดแยกล็อก, การสร้างการทดสอบ, การจำแนกประเภทปริมาณมาก และงานแบตช์ใดๆ ที่หน้าต่างขนาด 1M ช่วยประหยัดไปป์ไลน์การแบ่งส่วนข้อมูล ล้วนเข้าเกณฑ์ และส่วนลดการแคชจะเพิ่มขึ้นเมื่อคำนำหน้ายาวๆ คงที่ตลอดการเรียกใช้

เก็บโมเดลระดับแพงไว้สำหรับงานที่คุณไม่สามารถตรวจสอบคำตอบได้ด้วยต้นทุนต่ำ และสำหรับงานที่อ่อนไหวต่อเวลาแฝงจนกว่าคุณจะได้วัดเวลาถึงโทเค็นแรกจากการใช้งานของคุณเอง Luna ได้ย้ายเส้น แต่ไม่ได้ลบมันออก