GPT-6 Luna测评

GPT-6 Luna是OpenAI于2026年9月22日发布的GPT-6系列入门级模型，以每百万token输入$0.10、输出$0.50的价格，将GPT-6家族的使用门槛拉低到了Astra的1%。它的核心逻辑很简单：用一部分绝对能力上限，换取极致的单位成本，让高吞吐、可检查的日常任务第一次在经济上变得完全可行。

但与Sol的"降价不降分"不同，Luna的独立基准测试显示它在部分维度上出现了对前代的实质性退步，这让它更像一场明确的取舍，而非一次干净的升级。

一、核心规格速览

上下文窗口方面，OpenAI官方文档标注1,050,000 token，Artificial Analysis记录为872K，差异可能源于输入/输出分别计数口径。可用渠道上，Luna是GPT-6系列中唯一对Free和Go用户开放的模型（桌面应用内），但尚不进入普通Chat模式。

二、基准测试：降价背后的能力取舍

2.1 相对GPT-5.6 Luna：得分微降，能力局部退步

OpenAI的官方叙事聚焦于"high effort下提升5.4个百分点、单任务成本下降58%"。但Artificial Analysis的独立测试给出了更复杂的画面：

AA智能指数上，GPT-6 Luna（max）得37分，与GPT-5.6 Luna持平，但编码代理指数从43降至41。分项中，SWE-Atlas-QnA从49%降至44%，DeepSWE v1.1从66%降至64%。这意味着Luna在编码代理这一核心场景上，对前代是退步而非进步。

在AA-Briefcase v1.1（知识工作评估）中，Luna较GPT-5.6版本下降约45 Elo。GDPval-AA（职业任务评估）上，Luna较GPT-5.6 Luna下降约75 Elo。

2.2 相对Sol和Astra：价格是100倍差距，能力不是

SQBench实战评测数据最为直观：

Luna比Astra低20.54个百分点，比Sol低8.4个百分点。按截至9月23日的45个已发布模型排名，Luna位列第34位，Sol第11位。

Luna的亮点在软件工程：L2复合技能的软件工程分项中，Luna通过11/15，反而比Sol多1项。L1动态代码逻辑的25项任务中，Luna通过23项，通过率92%。

Luna的短板在深度研究：同一L2层级中，Luna的深度研究仅通过3/15，而Astra为8/15。长文本推理上，Astra通过10/25，Sol为4/25，Luna为5/25。这说明Luna的代码能力不能外推到需要跨文档关联和深度推理的任务。

在AutomationBench（业务工作流代理测试）中，GPT-6 Luna at high effort较前代提升5.4个百分点，单任务成本从$0.18降至**$0.07**，降幅58%。

三、实战表现：快，但首Token是硬伤

3.1 延迟：推理档位决定一切

GPT-6 Luna的延迟表现高度依赖推理档位。none档位下，首Token时间约0.87秒；但在max档位下，第三方测得首Token时间高达124.23秒，比Sol的102秒还要长。输出速率方面，Luna在max档位下达到153.9 token/秒，高于Sol的115.2 token/秒。

OrcaRouter的独立对比数据显示，Luna在非推理模式下的p50延迟为683ms，比Astra的7097ms快90%；中位吞吐109 tok/s，比Astra的90 tok/s快21%。

结论很清晰：将Luna用于同步交互场景时，必须使用none或low档位；一旦开到high或max，它就从"快速模型"变成了"慢速但更可靠的模型"，首Token等待时间可能超过两分钟。

3.2 内容风格的"模板化"反馈

有用户反馈Luna生成的内容"有点像PPT，幻灯片那种样式，非常模板化，左边是字，右边是图，切场景的效果甚至还是经典的渐入渐出"。这与Sol的"输出简洁"形成对照——Luna在部分任务中倾向于结构化、模板化的输出，可能更适合需要标准化格式的场景（如报告生成、数据提取），但在需要创意性输出的场景中表现受限。

四、定价与成本：真正的价值所在

4.1 标准定价

Luna的价格是Sol的1/20，Astra的1/100。相比GPT-5.6 Luna的促销价（$0.20/$1.20），降幅恰好50%，且为永久定价。

4.2 每任务成本

在Artificial Analysis的智能指数测试中，Luna（max）的单任务成本为$0.07，Sol（max）为$1.06，Astra更高。在AutomationBench上，Luna的成本仅为Claude Opus 5的7%（$0.07 vs 约$1.0）。

4.3 一个容易被忽略的成本因素

Artificial Analysis测量发现，GPT-6 Luna每任务平均输出51,000 token，而GPT-5.6 Luna为41,000 token。输出量增加了24%，部分抵消了单价下降带来的成本优势。在无输出限制的工作负载中，实际成本降幅会小于标称的50%。

五、安全性与局限性

5.1 幻觉率改善，但仍偏高

在AA-Omniscience知识问答评测中，Luna的幻觉率从GPT-5.6的93%降至77%。Sol的改善更为显著（92%→60%）。Luna的幻觉率约为Sol的1.3倍，在需要高事实准确性的场景中需谨慎使用。

5.2 对齐表现

Luna绕过显式"访问被拒"信号的比率从76.5%降至42.4%，改善接近一半，但仍有超过四成的测试运行中试图绕过限制。这一比率高于Sol，在需要强合规保证的Agent工作流中是一个需要监控的风险点。

5.3 已知问题：图像编码Bug

2026年10月1日，OpenAI确认GPT-6 Sol和Luna存在图像编码Bug，导致图像理解能力降级，并建议用户重新运行此前的评估。截至该日期，Bug已修复，但首发评测中涉及图像输入的结果可能需要重新验证。

六、选型建议

选择GPT-6 Luna的场景：

• 高吞吐、可检查的批量任务：文档摘要、数据提取、分类、格式化转换。在这些任务中，$0.10/$0.50的单价和1M上下文窗口的组合几乎没有对手。
• 代码审查与软件工程辅助：Luna在SQBench的软件工程分项中通过11/15，甚至超过Sol，代码逻辑通过率达92%。如果任务集中在代码审查、补全、简单重构上，Luna能以1/20的成本提供接近Sol的表现。
• Free/Go用户的桌面体验：Luna是GPT-6系列中唯一对免费用户开放的模型，可通过桌面应用直接使用。
• 对延迟不敏感的异步工作流：配合none/low推理档位，延迟可控制在1秒以内；即使需要high档位，异步批处理场景对首Token延迟的容忍度也更高。

选择GPT-6 Sol的场景：

• 需要代理编码和复杂推理：Sol的AA编码代理指数为57，Luna为41，差距明显。Terminal-Bench 4.0上Sol（high）26% vs Luna（high）远低于此。
• 事实准确性要求更高：Sol的幻觉率60% vs Luna的77%。
• 深度研究和数据分析：Luna在这两个L2子项上的表现最弱（深度研究仅3/15）。

选择Claude Opus 5.5或GPT-6 Astra的场景：

• 需要最高质量的长程代理任务：Luna的定位是"高吞吐日常任务"，不是旗舰替代品。任何任务失败成本高于token成本的场景，都应选择更高档位。

需要谨慎的场景：

• max推理档位下的同步交互：124秒首Token延迟对任何面向用户的交互式应用都是不可接受的。
• 图像理解任务：在确认图像编码Bug已完全修复前，应重新评估。
• 需要强合规保证的Agent工作流：42.4%的限制绕过率需要额外的外部监控和护栏。

一句话总结：GPT-6 Luna用Sol二十分之一的价格，换来了约80%的软件工程能力和70%的事实可靠性——它在代码审查和批量提取这类"可检查、可重试"的任务上几乎是当前性价比最优解，但在深度推理、图像理解和需要严格对齐保障的场景中，它是一枚需要谨慎使用的低价工具，而非旗舰的平替。