OpenAI 官方发布：GPT-6 Luna 的基准结果与成本定位

一句话结论

OpenAI 将 GPT-6 Luna 定位为低成本、高吞吐模型，并报告其在 AutomationBench、DeepSWE 与 OSWorld 上相对前代的提升，但公开页未提供完整逐题数据和所有复现配置。

测试环境

• 模型/入口：GPT-6 Luna；发布页同时报告不同 reasoning effort 档位。DeepSWE 报告使用 max effort。

• 基准：AutomationBench 1.0.6、DeepSWE v1.1、OSWorld 2.0 offline，以及内部事实性评估。

• 价格：每百万输入 token $0.10、输出 token $0.50；这是发布页列出的 API 价格。

• 对照：主要与 GPT-5.6 Luna 比较，部分任务还与 GPT-6 Sol、GPT-6 Astra 及 Claude 系列比较。

输入/配置

发布页描述 AutomationBench 为跨应用业务工作流，覆盖 47 种工具及销售、营销、运营、支持、财务和 HR；DeepSWE 是真实代码库中的长程软件工程任务；OSWorld 2.0 为日常及专业电脑操作工作流。

结果数据

• AutomationBench：GPT-6 Luna 在 high effort 下比 GPT-5.6 Luna 高 5.4 个百分点，官方称每任务成本低 58%。页面没有在正文表格中给出两者的精确绝对分数。

• DeepSWE v1.1：GPT-6 Luna max 得分 66.6%，官方称与 Claude Opus 5、Fable 5 的 medium 档相近；每任务成本分别低 93% 和 96%。

• OSWorld 2.0 offline：GPT-6 Luna max 超过 GPT-5.6 Sol medium，官方称成本约为其十分之一。

• 事实性：OpenAI 称 Luna 有明显改善；较高 effort 时可达到 GPT-5.6 Sol 的水平，约为其百分之一成本。该结果使用内部、经过去标识化且曾被用户标记为事实错误的 ChatGPT 对话。

• 官方说明其事实性数据不是典型使用分布，且未按答案长度控制。

结论

官方数据支持把 Luna 纳入成本敏感的编码 Agent、跨应用工作流和电脑使用候选。具体任务仍需按自己的工具、提示、effort 档位和验收规则测试，不能把发布页的相对成本结论直接等同于固定生产账单。

局限

• 这是模型厂商自报结果，不能替代独立复测。

• 发布页未公开所有 benchmark 的完整提示词、逐题结果、重复次数、置信区间和 harness 配置。

• 不同基准使用的 effort、工具和模型对照不同；跨基准分数不可直接比较。

• AutomationBench 的 Claude Fable 5.1 成本未计入约 40% 任务上的 Opus 5 fallback，OpenAI 明确指出该成本被低估。

• OSWorld、内部事实性结果来自特定数据集版本和筛选方式，不能外推为所有桌面任务或日常问答表现。

复现步骤

1. 固定模型快照、API provider、reasoning effort、工具权限和各基准版本。

2. 对照 GPT-5.6 Luna，在相同任务集和 harness 下分别重复运行 AutomationBench、DeepSWE 与 OSWorld。

3. 保存原始输入、工具轨迹、逐题评分、完成状态、token、延迟和实际费用。

4. 单独报告任务成功率、成本和人工交付质量；不要将不同基准的百分比合并成单一排名。