GPT-6 Luna vs Qwen3.8 Max

vs

Cuál usar y cuándo

Estos dos cubren el mismo terreno sobre el papel: entrada de texto e imagen, salida de texto, con chat, visión, código, herramientas y razonamiento en ambos, aproximadamente un millón de tokens de contexto (1050000 para gpt-6-luna, 983616 para qwen3.8-max) y techos comparables de 128000 frente a 131072 tokens de salida. La tabla de tarifas es donde difieren: qwen3.8-max cuesta 20x más en entrada, 12x más en salida y 25x más en lecturas en caché, por lo que gpt-6-luna es la opción por defecto para trabajo de alto volumen, y su capacidad para desactivar el pensamiento también te brinda un modo económico sin razonamiento. Recurre a qwen3.8-max solo si deseas específicamente el modelo de Alibaba marcado para contexto largo.

Benchmarks

Sobre la mediaNinguno mejorGPT-6 Lunasolo 1 comparablesQwen3.8 Max31 / 408 / 40
GPT-6 Luna Qwen3.8 Max otros modelos medidos media de los modelos comparados ★ ningún otro modelo puntuó más alto
DeepSWE 1.1
66.6%
56.6%
AndroidBench
N/A
75.1%
Cybergym
N/A
78.5%
HealthBench
N/A
ningún otro modelo puntuó más alto 60.2%
JobBench
N/A
53.4%
PLawBench
N/A
ningún otro modelo puntuó más alto 73.2%
GPQA Diamond
N/A
92.6%
Agents' Last Exam
N/A
27%

Publicado por los proveedores: Alibaba (Qwen) Anthropic ByteDance DeepSeek Google MiniMax Moonshot OpenAI Tencent Z.ai

Precios

GPT-6 Luna Qwen3.8 Max Δ
Entrada / 1M tokens $0.1 $2 0.05×
Salida / 1M tokens $0.5 $6 0.083×
Lectura de caché / 1M tokens $0.01 $0.25 0.04×
Escritura en caché 1.25x (30m) / 2.5x (12h) 1.25x -

Tarifas tomadas del catálogo en vivo al generar el sitio; la página de cada modelo tiene la ficha de precios actualizada.

Dónde queda cada uno: precio de entrada por 1M de tokens entre los 83 modelos de chat que se facturan en esta unidad (escala logarítmica)

GPT-6 Luna · $0.1 Qwen3.8 Max · $2
$0.05 · Qwen3 VL Flash $30 · GPT-5.4 Pro

Capacidades

GPT-6 Luna Qwen3.8 Max
Uso de herramientas sí sí
Control del razonamiento configurable

sí

el proveedor no publica cómo ajustarlo

Salida estructurada sí sí
Caché de prompts implícito + explícito implícito + explícito
Duración de la caché at least 30m by default, 12h option on the Responses API explicit: 5m, reset on hit
Prefijo mínimo en caché 1,024 tokens 1,024 tokens

Especificaciones

GPT-6 Luna Qwen3.8 Max
Modalidades de entrada texto imagen texto imagen
Modalidades de salida texto texto
Lanzamiento 2026-09-22 2026-08-03
Corte de conocimiento 2026-05 -
Ventana de contexto 1.1M 984K
Salida máxima 128K 131K
Parámetro de razonamiento reasoning.effort -
Valores aceptados
reasoning.effort
  • none
  • low
  • medium
  • high
  • xhigh
  • max
-
Valor por defecto medium -

Las especificaciones se transcriben de la documentación de cada proveedor; si un proveedor no publica un dato, la fila se omite en vez de deducirlo. Fuentes completas: GPT-6 Luna · Qwen3.8 Max

Un mismo prompt en los dos modelos, medido a través de la pasarela

PROMPT Explain to a CFO, in exactly three sentences, why our LLM bill doubled after we enabled reasoning. COMPROBACIÓN exactamente 3 frases

GPT-6 Luna superado · 3 sentences

Enabling reasoning typically makes the model process more information and generate more internal tokens before producing its answer. Because usage is billed by tokens—and reasoning may also route requests to a more expensive model—the cost per request can rise sharply. If request volume stayed similar, that higher cost per request could explain why the bill doubled.

salida 117 tok (+48 razonamiento) latencia 3.4 s

Qwen3.8 Max superado · 3 sentences

Enabling reasoning makes the model produce additional hidden steps before responding, and those tokens are billable. It also tends to lengthen each interaction because the model works through more possibilities before settling on an answer. Therefore, the bill doubled mainly due to higher compute and token usage per request, not necessarily because the number of requests doubled.

salida 378 tok (+305 razonamiento) latencia 8.6 s

Cumplimiento de la instrucción (exactamente tres frases, se pueden contar), adaptación al público (registro de CFO) y la diferencia de facturación por razonamiento oculto que dejan ver los contadores de tokens de abajo.

PROMPT This function is supposed to return the longest run of consecutive equal items, but callers report it is off by one on single-element inputs and misses runs that end at the last index. Fix it and explain the bug in one paragraph. COMPROBACIÓN la corrección pasa las pruebas

GPT-6 Luna superado · 8/8 cases

```python def longest_run(xs): if not xs: return 0 best = cur = 1 for i in range(1, len(xs)): if xs[i] == xs[i - 1]: cur += 1 else: cur = 1 best = max(best, cur) return best ``` The original code counted matching *adjacent pairs* rather than items, so a run of length `n` was reported as `n - 1`, and a single-item input returned `0`. This version counts the current item as part of each run and updates `best` at every index, including the last; it returns `0` for an empty input.

salida 514 tok (+356 razonamiento) latencia 6.9 s

Qwen3.8 Max superado · 8/8 cases

```python def longest_run(xs): if not xs: return 0 best = cur = 1 for i in range(1, len(xs)): if xs[i] == xs[i - 1]: cur += 1 else: cur = 1 best = max(best, cur) return best ``` The bug is that the original code starts `best` and `cur` at `0`, so it counts adjacent equal *transitions* rather than the number of items in the run. A run of length `n` has only `n - 1` equal-neighbor transitions, so single-element inputs return `0`, and runs that reach the end are undercounted by one. Initializing the current run to `1` for the first element, resetting it to `1` on a break, and updating `best` from that count fixes the off-by-one.

salida 1616 tok (+1411 razonamiento) latencia 34.7 s

Si la corrección funciona de verdad (se puede ejecutar), lo densa que es la explicación y la eficiencia en tokens en una tarea acotada.

PROMPT Extract a JSON object with fields {company, quarter, revenue_usd_m, growth_pct, guidance} from this text. Use null for anything not stated; add no other fields. COMPROBACIÓN JSON válido, esquema exacto

GPT-6 Luna superado · 5/5 fields, guidance "Withheld pending the Q4 close"

{"company":"Meridian Robotics","quarter":"September quarter","revenue_usd_m":412,"growth_pct":null,"guidance":"Withheld pending the Q4 close"}

salida 161 tok (+119 razonamiento) latencia 21.7 s

Qwen3.8 Max superado · 5/5 fields, guidance null

{ "company": "Meridian Robotics", "quarter": "September quarter", "revenue_usd_m": 412, "growth_pct": 11, "guidance": null }

salida 1199 tok (+1141 razonamiento) latencia 24.4 s

Respeto del esquema (sin campos inventados), tentación de alucinar (la guidance se omite a propósito) y diferencias entre las vías de salida estructurada.

PROMPT Write a 120-word product announcement for an API gateway feature that caches prompts across providers. Forbidden words: "seamless", "unlock", "game-changer", "revolutionize", "empower". Exactly one sentence must be a question. COMPROBACIÓN 120 palabras, 0 palabras prohibidas

GPT-6 Luna superado · 120 words, 0 banned, 1 question

Introducing Prompt Cache, a new API gateway feature that recognizes repeat prompt prefixes and reuses provider-side cached context across supported models. Teams can route requests to different AI providers while preserving eligible cache hits, reducing redundant input processing and helping lower latency and token costs. Configure cache policies in one place, monitor hit rates by provider, and keep existing client integrations unchanged. The gateway applies provider-specific rules automatically, so developers do not need to build separate caching logic for each endpoint. Which workflows could benefit from faster responses and predictable spend? Prompt Cache is available today in preview for eligible accounts, with usage details, supported providers, and setup guidance in the dashboard. Start with one route, compare results, then expand.

salida 959 tok (+813 razonamiento) latencia 14.6 s

Qwen3.8 Max superado · 120 words, 0 banned, 1 question

Today, our API gateway adds prompt caching across major model providers. It stores prompts and responses in one fast cache layer. Teams can lower token spend, reduce latency, and repeat reliable answers. The feature supports OpenAI, Anthropic, Google, and Mistral through one configuration. You can set retention rules, scope access, and invalidate entries quickly. How does your team maintain consistent results during provider outages? Approved cached responses keep applications stable while fallback routes recover. The dashboard shows hit rates, savings, latency, and provider usage. Engineers receive audit trails for every cached prompt, enabling safer testing. Product managers can compare cost trends before and after cache adoption. Start with a small route, then safely expand caching to production traffic right now.

salida 2744 tok (+2591 razonamiento) latencia 46.3 s

Respeto de las restricciones (límite de palabras, lista de palabras prohibidas, una única pregunta), sello de estilo y control de la longitud.

Cambia de uno a otro con una sola línea

Los dos ids aparecen en todas las pestañas de abajo; lo único que cambia es el par de líneas resaltadas. El endpoint, la clave y la estructura de la solicitud son los mismos.

from openai import OpenAI

client = OpenAI(
    base_url="https://synthorai.io/v1",
    api_key="sk-syn-...",
)

resp = client.chat.completions.create(
    model="gpt-6-luna",
    # model="qwen3.8-max",  # descomenta esta línea, comenta la de arriba
    messages=[{"role": "user", "content": "Summarize this diff"}],
    reasoning_effort="medium",
)
print(resp.choices[0].message.content)

Obtén tu clave API →

Preguntas frecuentes

¿Cuál es más barato, GPT-6 Luna o Qwen3.8 Max?

GPT-6 Luna es más barato en Entrada / 1M tokens ($0.1 frente a $2, una diferencia de 20×). En otras filas puede ser al revés: la tabla de arriba recoge todas las tarifas, y el coste real depende de tu combinación de uso.

¿Puedo hacer pruebas A/B de GPT-6 Luna frente a Qwen3.8 Max sin dos integraciones?

Sí. Los dos se sirven desde el mismo endpoint compatible con OpenAI y con una sola clave API. Para cambiar de uno a otro basta con tocar una línea, el nombre del modelo, así que puedes mandar una parte del tráfico a cada uno y comparar directamente las facturas.

¿Admiten GPT-6 Luna y Qwen3.8 Max caché de prompts?

Sí. Los dos cobran las lecturas de caché por debajo de su tarifa de entrada, así que las cargas de trabajo que reutilizan un prefijo ya cacheado cuestan menos de lo que sugieren los precios de lista. Las tarifas exactas de lectura de caché están en la tabla de precios de arriba.

Comparativas relacionadas

De nuestros estudios con mediciones