GPT-6 Luna 对比 GPT-5.6 Luna：价格减半，篇幅也减半

GPT-6 Luna 与 GPT-5.6 Luna 在公开基准测试中的表现接近（Artificial Analysis Intelligence Index 得分分别为 38 和 37），但每项任务的成本约为后者的一半。区别在于生成内容：当 prompt 只给出目标（如“撰写 Q3 回顾”）时，在 80 篇业务文档中，GPT-6 Luna 写出的词数是 GPT-5.6 Luna 的 0.55 倍。明确要求的部分并没有被跳过。列明必需部分后，两者的文档完整度相当；仅给出目标时，GPT-6 Luna 更常遗漏的细节只有事故持续时间。

TL;DR

• 在 max 推理强度下，Artificial Analysis 给 GPT-6 Luna 和 GPT-5.6 Luna 的评分分别为 38 和 37，每项任务成本分别为 $0.07 和 $0.18。
• 仅给出目标时，GPT-6 Luna 每篇文档平均写 384 词，GPT-5.6 Luna 为 703 词。
• 仅给出目标的 20 篇事故复盘中，GPT-6 Luna 有 9 篇未写事故持续时间，GPT-5.6 Luna 有 2 篇。
• 列明必需部分后，GPT-6 Luna 在 80 篇文档中有 74 篇完整，GPT-5.6 Luna 有 69 篇；每 1,000 篇成本分别为 $0.81 和 $1.61。

GPT-6 Luna 与 GPT-5.6 Luna 的基准测试成绩如何？

GPT-6 Luna 在通用基准测试中与 GPT-5.6 Luna 表现接近，每项任务成本低 48% 至 61%。两者的差异只出现在按评分清单评估文档的测试中。下表分数均对应特定的推理强度，即 API 中控制模型回答前推理量的设置（从 none 到 max，默认 medium）。数据取自发布方截至 2026-10-02 的页面。

关于 GPT-6 Luna 的争议始于 GDPval-AA。Artificial Analysis 的发布分析指出，GPT-6 Luna 在 GDPval-AA 上比 GPT-5.6 Luna 低约 75 个 Elo 点，在另一项文档基准测试 AA-Briefcase v1.1 上低约 45 个 Elo 点，并将原因归为“呈现质量下降，以及交付文档遗漏评分项”；评测人员称之为“格式税”。目前排行榜上，max 推理强度下的差距是 25 分，而在 medium 下，GPT-6 Luna 领先 129 分。

与其他厂商的模型相比，GPT-6 Luna 面向的是 flash 档，也就是低价、高速模型。在同一 Index 上，DeepSeek V4.1 Flash 使用 max 时得 39 分，每项任务成本 $0.27；Gemini 3.8 Flash 使用 high 时得 41 分，每项任务成本 $1.24。GPT-6 Luna 少 1 至 3 分，但每项任务成本只有它们的 1/4 到 1/18。后两者生成速度更快，分别为每秒 209 和 249 个 token。

除价格外，还有哪些变化？

GPT-6 Luna 沿用 GPT-5.6 Luna 的限制和设置；变化的只有缓存价格和知识截止日期。两者的上下文窗口都是 1,050,000 个 token，输出上限都是 128,000 个 token。prompt 超过 272K 个 token 后，整次请求的输入按 2 倍、输出按 1.5 倍计费。缓存输入价格从每百万 token $0.02 降至 $0.01，知识截止日期从 2026 年 2 月 16 日推至 2026 年 5 月 18 日。在 Responses API 中，可通过 reasoning.effort 设置推理强度（none、low、medium、high、xhigh、max）；推理内容不可见，但按输出 token 计费。

发布一周后，OpenAI 推出 GPT-6.1 Sol，接替更高档位的 GPT-6 Sol；我们对 GPT-6.1 Sol 的测试发现，其回答长度回到了之前的水平。Luna 没有更新，因此我们测了 GPT-6 Luna 哪些内容写得更短、遗漏了什么，以及怎样让这些内容重新出现。

我们如何测试？

我们设计了能用代码检查要求是否满足的文档任务，不使用评判模型。每项任务都给模型一组模拟数据，要求据此撰写文档：

每项任务都基于同一组数据使用两种 prompt。仅给出目标 的 prompt 只说明要写什么文档，不指定组成部分（如“为管理团队撰写 Q3 地区回顾”），只按表中项目评分。列明必需部分 的 prompt 会列出章节、数量和词数范围，并按所有要求评分。只要没有缺少必需内容、篇幅不足或数量不足，文档就算完整。仅给出目标的供应商对比只统计篇幅，因为哪家供应商最合适需要主观判断。

2026-10-02，我们让两个模型在五档推理强度下分别处理 80 个仅给出目标的任务，并让 GPT-6 Luna 额外在一档详略程度设置下处理这些任务；两个模型还在默认推理强度下分别处理 80 个列明必需部分的任务，共调用 Responses API 1,040 次。每条 prompt 都带有唯一的随机字符串，避免从缓存取得响应；成本按 OpenAI 标价计算。两个模型处理的是同一批任务，因此我们用精确 McNemar 检验比较结果。这是一种针对两个模型结果不同的任务所做的配对检验；同时使用 Holm 校正，在进行多项比较时收紧显著性门槛。只有通过校正的差距，我们才称为差异。

GPT-6 Luna 写得比 GPT-5.6 Luna 少吗？

在默认推理强度下，仅给出目标时，GPT-6 Luna 的词数是 GPT-5.6 Luna 的 0.55 倍：每篇平均 384 词，对比 703 词；80 项任务中每一项都更短。所有文档类型都是如此，事故复盘差距最大（441 词对 981 词），客户回复差距最小（576 词对 767 词）。

列明必需部分后，差距消失：738 词对 724 词。

默认写得更短并非 Luna 独有。在同一批任务中，GPT-6 Sol 写了 325 词，GPT-5.6 Sol 写了 592 词；GPT-6.1 Sol 则回升到 565 词。

GPT-6 Luna 会遗漏内容吗？

仅给出目标时，GPT-6 Luna 比 GPT-5.6 Luna 更常遗漏的只有一项：事故复盘中的持续时间。它通常会给出时间窗口（如“事故时间：18:00-18:39 UTC”），但让读者自己计算时长。其他内容在所有推理强度下都齐全：每个地区及表现最差的地区、每个事件，以及对每张工单按姓名称呼客户的回复；只有在 none 下出现一次例外。

none 下的差距（44 对 57）通过了校正。medium 下的差距（51 对 58）只在校正前显著，因此只能看作一种趋势；max 下两者持平。所有差距都来自同一种文档，说明 GPT-6 Luna 在事故复盘中会跳过一项需要计算得出的数字，而不是普遍遗漏内容。

列明必需部分后，GPT-6 Luna 在 80 篇文档中有 74 篇完整，GPT-5.6 Luna 有 69 篇，差异不显著。两个模型未达标的文档，都是备忘录或影响段落低于要求的词数范围：GPT-6 Luna 有 6 篇，GPT-5.6 Luna 有 11 篇。

怎样让篇幅和细节恢复？

在 prompt 中列明必需部分有效，两个请求参数则无效。推理强度不变时，只要 prompt 明确要求，GPT-6 Luna 的篇幅就从 384 词增加到 738 词，而且每篇事故复盘都会写出持续时间。像这样写就够了：

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 中控制可见回答长度和详细程度的参数（low、medium、high）。设为 high 后，GPT-6 Luna 仅给出目标时的文档长了 7%（410 词），但完整文档数基本不变，为 60 篇中的 52 篇，对比原来的 51 篇。

提高 reasoning.effort 对模型思考量的影响大于对篇幅的影响。从 none 提高到 max，GPT-6 Luna 的文档从 370 词增至 436 词，而每次回答的推理 token 从 0 增至 4,192 个。max 确实补回了持续时间（20 篇中只有 1 篇遗漏），但成本是 medium 的 4.5 倍。

使用 OpenAI Python SDK 设置这两个参数：

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，因此用它减去推理 token 数，才是可见回答的 token 数。

GPT-6 Luna 比 GPT-5.6 Luna 省多少钱？

对于同一篇文档，GPT-6 Luna 比 GPT-5.6 Luna 便宜 49%：列明必需部分时，每 1,000 篇分别为 $0.81 和 $1.61。如果只考虑降价，节省比例还会更高。把 GPT-5.6 Luna 的 token 用 GPT-6 Luna 的价格重新计算，成本为 $0.68，低 58%；GPT-6 Luna 的实际回答成本比这个数高 20%，因为它使用的推理 token 是两倍（每次回答 537 个，对比 271 个），总输出也从 1,284 个 token 增至 1,558 个。

仅给出目标时，账面成本更低，每 1,000 篇为 $0.54 对 $1.66（低 68%）。但多省下的钱主要来自 GPT-6 Luna 只写了一半；只有另一半内容确实不需要，这才算节省。

速度大致相同。按整次请求耗时计算，GPT-6 Luna 每秒生成 115 个输出 token，GPT-5.6 Luna 为 125 个。仅给出目标的文档，中位耗时分别为 8.1 秒和 11.1 秒，因为前者写得更少。

我们的结果与其他公开测试一致吗？

在可对比的部分，我们的结果与公开基准测试一致；另外还测出了哪里更短、遗漏了什么，以及如何补回。

我们观察到什么，该选哪个模型？

如果你能控制 prompt，就用 GPT-6 Luna，并明确列出需要的部分。只有在 prompt 无法修改、读者又期望长文档时，才保留 GPT-5.6 Luna。依据有三点：

1. GPT-6 Luna 会按要求控制篇幅。只给目标，它写短文档；列出必需部分，它就写出与 GPT-5.6 Luna 篇幅相当的完整文档。
2. 遗漏范围很窄。四种文档中，唯一更常缺少的预期内容是事故持续时间。
3. 成本节省来自降价。对于同一篇文档，它多用 21% 的输出 token，因此实际省下的 49%，低于单看标价可省的 58%。

无论用哪个模型，发给客户前都应在代码中检查必需内容是否齐全。

常见问题

GPT-6 Luna 比 GPT-5.6 Luna 差吗？ prompt 列明必需部分时，GPT-6 Luna 和 GPT-5.6 Luna 的文档完整度相当（80 篇中分别为 74 篇和 69 篇，差异不显著），成本则约为一半。prompt 只给目标时，它写的词数约为后者的一半，事故复盘也更常遗漏持续时间。

text.verbosity: "high" 能让 GPT-6 Luna 写得和 GPT-5.6 Luna 一样多吗？ 在我们的测试中，text.verbosity: "high" 让 GPT-6 Luna 多写了 7%，篇幅仍只有 GPT-5.6 Luna 的约 58%，完整度也没有变化。在 prompt 中列明必需部分，才能让篇幅达到相同水平。

GPT-6.1 修复了 GPT-6 Luna 回答过短的问题吗？ OpenAI 的 6.1 更新只覆盖 Sol 档：GPT-6.1 Sol 的篇幅重新达到 GPT-5.6 Sol 的水平；GPT-6 Luna 自 2026-09-22 发布以来没有变化。

相关测试：GPT-6.1 Sol 与 Claude Sonnet 5.5 对比、flash 档 LLM 对比和 GPT-5.6 成本优化方法。

← 返回博客