Nouveau Inscription gratuite, 10 appels offerts. Jusqu'à 1 $, sans carte.

GPT-6 Luna vs Kimi K2.7 Code

vs

Lequel, quand

gpt-6-luna est l'option la moins chère et la plus spacieuse : $0.1 en entrée et $0.5 en sortie par million contre $0.95 et $4 pour kimi-k2.7-code (9.5x en entrée, 8x en sortie), avec un contexte de 1050000 tokens et une sortie maximale de 128000 contre 256000 et 32768, plus l'option de désactiver la réflexion. Choisissez kimi-k2.7-code lorsque vos entrées incluent de la vidéo, ce qu'il accepte et gpt-6-luna non ; sinon les deux couvrent le texte et l'image en entrée, le texte en sortie, avec le code, les outils et le raisonnement. Les lectures en cache sont de $0.01 contre $0.19, creusant davantage l'écart sur les charges de travail qui réutilisent de longs prompts.

Benchmarks

Au-dessus de la moyenneGPT-6 Lunaseulement 1 comparablesKimi K2.7 Code1 / 5
GPT-6 Luna Kimi K2.7 Code autres modèles mesurés moyenne des modèles comparés aucun autre modèle n'a fait mieux
DeepSWE 1.1
66.6%
N/A
MCP-Atlas
N/A
76%

Chiffres publiés par les fournisseurs : Alibaba (Qwen) Anthropic DeepSeek Google Moonshot OpenAI Z.ai

Tarification

GPT-6 Luna Kimi K2.7 Code Δ
Entrée / 1M tokens $0.1 $0.95 0.11×
Sortie / 1M tokens $0.5 $4 0.13×
Lecture en cache / 1M tokens $0.01 $0.19 0.053×
Écriture cache aucun frais supplémentaire - -

Tarifs issus du catalogue en direct au moment de la compilation ; chaque page de modèle présente la fiche actuelle.

Où ils se situent - prix en entrée pour 1M de tokens sur l'ensemble des 74 modèles chat pour cette unité de facturation (échelle logarithmique)

GPT-6 Luna · $0.1 Kimi K2.7 Code · $0.95
$0.05 · Qwen3 VL Flash $30 · GPT-5.4 Pro

Capacités

GPT-6 Luna Kimi K2.7 Code
Utilisation d'outils oui oui
Contrôle de la réflexion configurable toujours activé
Sortie structurée oui -
Mise en cache du prompt implicite (automatique) implicite (automatique)
Durée de vie du cache 5-10m, up to 1h non publié
Préfixe minimum mis en cache 1024 jetons non publié

Spécifications

GPT-6 Luna Kimi K2.7 Code
Modalités d'entrée texte image texte image vidéo
Modalités de sortie texte texte
Sortie 2026-09-22 2026-06
Limite de connaissances 2026-05 -
Fenêtre de contexte 1.1M 256K
Sortie maximale 128K 33K
Paramètre de réflexion reasoning.effort
  • thinking.type
  • thinking.keep
Valeurs acceptées
reasoning.effort
  • none
  • low
  • medium
  • high
  • xhigh
  • max
type
  • accepts only enabled
keep
  • accepts only all
Par défaut medium thinking on with Preserved Thinking on

Les spécifications sont transcrites à partir de la documentation de chaque fournisseur ; une ligne qu'un fournisseur ne publie pas est omise plutôt que déduite. Sources complètes : GPT-6 Luna · Kimi K2.7 Code

Un prompt, deux modèles - mesurés via la passerelle

PROMPT Explain to a CFO, in exactly three sentences, why our LLM bill doubled after we enabled reasoning. VÉRIFIER exactement 3 phrases

GPT-6 Luna réussi · 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.

sortie 117 tok (+48 réflexion) latence 3.4 s

Kimi K2.7 Code réussi · 3 sentences

Enabling reasoning mode causes the model to generate an internal chain-of-thought before producing each answer, and that hidden reasoning text is billed like any other output. Those extra reasoning tokens typically add up to much more than the final response itself, so every API call now costs significantly more than before. Because our overall usage volume did not change, the doubled bill reflects that each query consumes roughly twice as many billable tokens.

sortie 259 tok (+174 réflexion) latence 5.4 s

Suivi de l'instruction (exactement trois phrases - comptables), adaptation à l'audience (registre CFO), et l'écart de facturation lié à la réflexion cachée que les compteurs de tokens ci-dessous révèlent.

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. VÉRIFIER le correctif passe les tests

GPT-6 Luna réussi · 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.

sortie 514 tok (+356 réflexion) latence 6.9 s

Kimi K2.7 Code réussi · 8/8 cases

```python def longest_run(xs): if not xs: return 0 best = 1 cur = 1 for i in range(1, len(xs)): if xs[i] == xs[i - 1]: cur += 1 best = max(best, cur) else: cur = 1 return best ``` The bug is that the function counts *transitions* between equal neighbors instead of counting the items themselves, so a single-element list never enters the loop and returns `0` instead of `1`. Likewise, resetting `cur` to `0` on a mismatch forgets the current item that starts a new run, which causes runs that end at the last index to be undercounted. Initializing both `best` and `cur` to `1` and resetting `cur` to `1` fixes both issues.

sortie 410 tok (+222 réflexion) latence 9.4 s

Si le correctif est réellement juste (exécutable), la densité de l'explication, et l'efficacité en tokens sur une tâche bornée.

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. VÉRIFIER JSON valide, schéma exact

GPT-6 Luna réussi · 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"}

sortie 161 tok (+119 réflexion) latence 21.7 s

Kimi K2.7 Code réussi · 5/5 fields, guidance "withheld pending the Q4 close"

```json { "company": "Meridian Robotics", "quarter": "September quarter", "revenue_usd_m": 412, "growth_pct": 11, "guidance": "withheld pending the Q4 close" } ```

sortie 721 tok (+663 réflexion) latence 13.2 s

Respect du schéma (aucun champ inventé), pression d'hallucination (guidance est explicitement retenue), et différences de chemin pour la sortie structurée.

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. VÉRIFIER 120 mots, 0 mot interdit

GPT-6 Luna réussi · 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.

sortie 959 tok (+813 réflexion) latence 14.6 s

Kimi K2.7 Code réussi · 120 words, 0 banned, 1 question

We're introducing Prompt Cache for our API Gateway, a new capability that stores prompt responses across multiple AI providers. By caching replies, you reduce redundant calls, lower latency, and cut costs without changing how you build. Teams using several model providers can now reuse identical prompt results instantly, keeping traffic consistent and budgets predictable. Responses are keyed by provider, model, and exact prompt, so you always get the right result. Configure TTL, hit thresholds, and eviction rules from a single dashboard. It fits into your existing routing and requires no code changes. Setup takes minutes and works with your current endpoints. Want to see how much latency and spend you can trim? Check the docs to enable Prompt Cache today.

sortie 2375 tok (+2235 réflexion) latence 38.6 s

Respect des contraintes (budget de mots, liste de mots interdits, l'unique question), empreinte stylistique, et contrôle de la longueur.

Basculez de l'un à l'autre avec une seule ligne

Les deux ids sont dans chaque onglet ci-dessous - la paire de lignes en surbrillance est la seule modification. Même endpoint, même clé, même structure de requête.

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="kimi-k2.7-code",  # décommentez cette ligne, commentez celle du dessus
    messages=[{"role": "user", "content": "Summarize this diff"}],
    reasoning_effort="medium",
)
print(resp.choices[0].message.content)

Obtenez votre clé API →

FAQ

Lequel est le moins cher, GPT-6 Luna ou Kimi K2.7 Code ?

GPT-6 Luna est moins cher sur entrée / 1m tokens ($0.1 contre $0.95, avec un écart de 9.5×). D'autres lignes peuvent indiquer l'inverse - le tableau ci-dessus contient la fiche complète, et le coût réel dépend de votre combinaison.

Puis-je faire un test A/B de GPT-6 Luna par rapport à Kimi K2.7 Code sans deux intégrations ?

Oui. Les deux sont servis via le même endpoint compatible OpenAI avec une seule clé API - le basculement est un changement de chaîne de modèle en une ligne, vous pouvez donc diriger une fraction du trafic vers chacun et comparer les factures directement.

Est-ce que GPT-6 Luna et Kimi K2.7 Code prennent en charge le prompt caching ?

Oui - les deux facturent les lectures en cache en dessous de leur tarif d'entrée, donc les charges de travail à préfixe chaud coûtent moins cher que ce que les tarifs de base suggèrent. Les lignes exactes des lectures en cache se trouvent dans le tableau de tarification ci-dessus.

Comparaisons associées

Issu de nos études mesurées