GPT-6 Luna 對比 GPT-5.6 Luna：價格減半，字數也減半

在公開基準測試中，GPT-6 Luna 與 GPT-5.6 Luna 表現相近（Artificial Analysis Intelligence Index 分別為 38 和 37），但每項任務的成本約為一半。差別在產出的內容：提示只交代目標（例如「撰寫 Q3 回顧」）時，GPT-6 Luna 在 80 份商業文件中的字數只有 GPT-5.6 Luna 的 0.55 倍。明確要求的項目並沒有被漏掉。提示列出必要項目後，兩個模型的文件完整度相當；只給目標時，GPT-6 Luna 比較常漏掉的細節只有事件持續時間。

TL;DR

• 在 max effort 下，Artificial Analysis 給 GPT-6 Luna 38 分、GPT-5.6 Luna 37 分；每項任務成本分別是 $0.07 和 $0.18。
• 提示只給目標時，GPT-6 Luna 每份文件寫 384 字，GPT-5.6 Luna 則寫 703 字。
• 在 20 份只給目標的事件檢討報告中，GPT-6 Luna 有 9 份沒寫事件持續時間，GPT-5.6 Luna 有 2 份。
• 提示列出必要項目後，GPT-6 Luna 的 80 份文件中有 74 份完整，GPT-5.6 Luna 有 69 份；每 1,000 份成本分別是 $0.81 和 $1.61。

GPT-6 Luna 和 GPT-5.6 Luna 的基準測試表現如何？

在一般基準測試中，GPT-6 Luna 的表現與 GPT-5.6 Luna 相當，每項任務的成本低 48% 到 61%。兩者只有在依評分規準（評分檢查表）評估的文件任務上拉開差距。分數對應特定的推理強度，也就是 API 中控制模型回答前推理量的設定（從 none 到 max，預設為 medium）。以下數據取自發布方於 2026-10-02 的頁面。

對 GPT-6 Luna 的質疑始於 GDPval-AA。Artificial Analysis 的發布分析指出，GPT-6 Luna 在 GDPval-AA 比 GPT-5.6 Luna 低約 75 個 Elo 點，在另一項文件基準測試 AA-Briefcase v1.1 低約 45 點；原因被歸為「呈現品質下降，交付文件漏掉評分規準中的項目」，評測人員稱之為「格式成本」。目前排行榜顯示，max 下的差距縮為 25 點；在 medium 下，GPT-6 Luna 則領先 129 點。

與其他廠商相比，GPT-6 Luna 的對手是低價、高速的 flash 級模型。在同一指數中，DeepSeek V4.1 Flash 於 max 取得 39 分，每項任務 $0.27；Gemini 3.8 Flash 於 high 取得 41 分，每項任務 $1.24。GPT-6 Luna 少 1 到 3 分，但每項任務成本低 4 到 18 倍。兩款競品的生成速度都更快，分別為每秒 209 和 249 個 token。

除了價格，還有什麼變化？

GPT-6 Luna 沿用 GPT-5.6 Luna 的限制與設定；變動的只有快取價格和知識截止日期。兩者的上下文視窗都是 1,050,000 個 token，輸出上限都是 128,000 個 token。提示一旦超過 272K tokens，整筆請求的輸入按 2 倍、輸出按 1.5 倍計費。快取輸入每百萬個 token 的價格從 $0.02 降至 $0.01，知識截止日期則從 2026 年 2 月 16 日推進到 5 月 18 日。在 Responses API 中，推理強度透過 reasoning.effort 設定（none、low、medium、high、xhigh、max）；推理內容不會顯示，但會按輸出 token 計費。

發布一週後，OpenAI 推出高一級的 GPT-6.1 Sol，接替 GPT-6 Sol；我們對 GPT-6.1 Sol 的測量發現，它的回答長度已回到先前水準。Luna 沒有更新，因此我們測量 GPT-6 Luna 哪些內容寫得較短、漏了什麼，以及如何讓內容恢復完整。

我們怎麼測試？

我們設計了能用程式碼檢查要求是否達成的文件任務，不使用評審模型。每項任務都提供一組合成資料，要求模型據此產出文件：

每項任務使用相同資料，搭配兩種提示方式。只給目標 的提示只說明要寫什麼文件，不指定內容項目（例如「為管理團隊撰寫 Q3 各區域回顧」）；評分只檢查表中所列項目。列出必要項目 的提示會指定段落、數量和字數範圍，評分也會檢查所有這些要求。只要有必要項目缺漏、字數不足或數量未達標，文件就不算完整。只給目標的供應商比較僅計入長度，因為哪家供應商最合適需要主觀判斷。

我們在 2026-10-02 以五種推理強度，讓兩個模型各自執行 80 項只給目標的任務；另以一種詳略度設定測試 GPT-6 Luna。列出必要項目的 80 項任務則由兩個模型以預設推理強度執行，總計 1,040 次 Responses API 呼叫。每個提示都帶有不重複的隨機字串，避免回應來自快取；成本按 OpenAI 定價計算。兩個模型回答相同題目，因此我們使用精確 McNemar 檢定（針對兩模型結果不同的題目進行配對檢定），並以 Holm 校正調整多重比較的門檻。只有通過校正的差距，我們才視為差異。

GPT-6 Luna 寫得比 GPT-5.6 Luna 少嗎？

在預設推理強度、只給目標的提示下，GPT-6 Luna 的字數是 GPT-5.6 Luna 的 0.55 倍：每份文件平均 384 字，對方為 703 字；80 題中每一題都較短。所有文件類型都是如此，差距最大的是事件檢討報告（441 字對 981 字），最小的是客戶回覆（576 字對 767 字）。

列出必要項目後，字數差距就消失了：738 字對 724 字。

回答較短並非 Luna 獨有。在相同題目上，GPT-6 Sol 寫 325 字，GPT-5.6 Sol 寫 592 字；GPT-6.1 Sol 則回升到 565 字。

GPT-6 Luna 會漏掉內容嗎？

只給目標時，GPT-6 Luna 比 GPT-5.6 Luna 更常漏掉的項目只有一個：事件檢討報告中的事件持續時間。它通常會寫出時間區間（「事件時間：18:00-18:39 UTC」），但讓讀者自己計算經過多久。其他項目在所有推理強度下都齊全：每個區域及下滑最嚴重者、每筆事件，以及每張工單都有以姓名稱呼客戶的回覆；只有 none 下出現一次例外。

none 下的差距（44 對 57）通過校正後仍成立。medium 下的差距（51 對 58）只在校正前達顯著，因此只能視為趨勢；max 下兩者相當。差距全來自同一種文件，顯示 GPT-6 Luna 在事件檢討報告中會略過推算出的數值，而不是普遍漏寫內容。

列出必要項目後，GPT-6 Luna 的 80 份文件中有 74 份完整，GPT-5.6 Luna 有 69 份，兩者相當。兩個模型所有未達標的文件，都是備忘錄或影響評估段落未達指定字數：GPT-6 Luna 有 6 份，GPT-5.6 Luna 有 11 份。

怎麼讓篇幅和細節恢復完整？

在提示中列出必要項目有效，兩個請求參數則無效。在相同推理強度下，只要提示明確要求，GPT-6 Luna 就從 384 字增加到 738 字，並在每份事件檢討報告中寫出持續時間。像這樣的請求就夠了：

Write the postmortem with these sections: Timeline (a table with every event),
Impact (120-200 words, state the total duration in minutes), Root Cause,
Action Items (5, each ending "Owner: <team>"), Lessons Learned (at least 3 bullets).

text.verbosity 是 Responses API 控制可見回答長度與細節的參數（low、medium、high）。設為 high 後，GPT-6 Luna 在只給目標任務中的文件多寫了 7%（410 字），完整度則幾乎不變：60 份中有 52 份完整，原本是 51 份。

提高 reasoning.effort 對模型思考量的影響，大於對輸出字數的影響。從 none 提高到 max，GPT-6 Luna 的文件從 370 字增加到 436 字，每份回答的推理 token 則從 0 增加到 4,192 個。max 確實讓持續時間不再常被漏掉（20 份中只漏 1 份），但成本是 medium 的 4.5 倍。

透過 OpenAI Python SDK 設定這兩個參數：

from openai import OpenAI

client = OpenAI()
prompt = "Write the postmortem with these sections: ..."  # data and required parts
resp = client.responses.create(
    model="gpt-6-luna",
    reasoning={"effort": "medium"},   # none, low, medium (default), high, xhigh, max
    text={"verbosity": "high"},       # 7% longer in our runs; did not change completeness
    input=prompt,
)
print(resp.output_text)
usage = resp.usage
print(usage.output_tokens, usage.output_tokens_details.reasoning_tokens)

output_tokens 包含推理 token，因此可見回答的 token 數是這兩個數字的差。

GPT-6 Luna 比 GPT-5.6 Luna 省多少？

產出相同文件時，GPT-6 Luna 比 GPT-5.6 Luna 便宜 49%：提示列出必要項目時，每 1,000 份文件分別是 $0.81 和 $1.61。光是降價，節省幅度原本還會更大。若把 GPT-5.6 Luna 的 token 用 GPT-6 Luna 的費率重算，成本會是 $0.68，低 58%；GPT-6 Luna 的實際回答成本又比這個數字高 20%，因為它的推理量是兩倍（每份回答 537 個推理 token，對方為 271 個），總輸出也從 1,284 增加到 1,558 個 token。

只給目標時，帳面成本更低：每 1,000 份文件為 $0.54 對 $1.66，少 68%。但額外省下的錢主要來自 GPT-6 Luna 只寫了一半；前提是省略的那一半本來就不需要。

速度大致相同。以整筆請求耗時換算，GPT-6 Luna 每秒產出 115 個輸出 token，GPT-5.6 Luna 為 125 個；只給目標的文件中位耗時分別是 8.1 秒與 11.1 秒，因為前者寫得較少。

我們的結果和其他公開測試一致嗎？

在可比較的部分，我們的結果與公開基準測試一致；我們另外量出內容縮短在哪裡、漏了什麼，以及如何補回來。

我們觀察到什麼？該選哪個模型？

只要能控制提示，就用 GPT-6 Luna，並列出需要的項目。只有在提示無法修改、讀者又預期拿到長篇文件時，才保留 GPT-5.6 Luna。理由有三個：

1. GPT-6 Luna 會依提示決定篇幅。只給目標會得到短文件；列出必要項目後，文件會完整，篇幅也與 GPT-5.6 Luna 相當。
2. 漏掉的內容範圍很小。四種文件中，唯一更常缺少的預期項目是事件持續時間。
3. 節省來自降價。產出相同文件時，它多用 21% 的輸出 token，因此實際省下 49%，低於單看定價原本可省的 58%。

交付給客戶的文件，不論由哪個模型撰寫，送出前都應以程式檢查必要項目。

常見問題

GPT-6 Luna 比 GPT-5.6 Luna 差嗎？ 提示列出必要項目時，GPT-6 Luna 與 GPT-5.6 Luna 的完整度相當（80 份中有 74 份對 69 份完整），成本則約為一半。提示只給目標時，它寫的字數約為一半，也更常在事件檢討報告中漏掉事件持續時間。

text.verbosity: "high" 能讓 GPT-6 Luna 寫得跟 GPT-5.6 Luna 一樣長嗎？ 在我們的測試中，text.verbosity: "high" 讓 GPT-6 Luna 多寫 7%，長度仍只有 GPT-5.6 Luna 的約 58%，完整度也沒有改變。在提示中列出必要項目，才能讓篇幅回到相同水準。

GPT-6.1 修正了 GPT-6 Luna 回答較短的問題嗎？ OpenAI 的 6.1 更新只涵蓋 Sol 級：GPT-6.1 Sol 的篇幅已回到 GPT-5.6 Sol 的水準；GPT-6 Luna 自 2026-09-22 發布以來沒有更新。

相關測量：GPT-6.1 Sol 對比 Claude Sonnet 5.5、flash 級 LLM 比較及 GPT-5.6 成本調整方式】【。

← 返回部落格