GPT-6 Luna vs. Claude Opus 5.5: kolik stojí stejný objem tokenů
GPT-6 Luna má výrazně nižší sazby než Claude Opus 5.5. Modelové výpočty ukazují rozdíl při krátké odpovědi i dlouhém agentním běhu, ale neporovnávají kvalitu výsledku.
GPT-6 Luna a Claude Opus 5.5 nejsou přímé výkonové protějšky. Luna míří na levné úlohy ve velkém objemu, zatímco Opus je nejvyšší modelová řada Anthropic pro náročné kódování a agentní práci. Jejich ceníky přesto ukazují, jak velký může být rozdíl za stejný objem tokenů — a proč samotná sazba ještě neurčuje cenu dokončené úlohy.
Základní sazby
Oficiální ceníky uvádějí následující standardní sazby za milion textových tokenů:
| Model | Vstup | Vstup z cache | Výstup |
|---|---|---|---|
| GPT-6 Luna | 0,10 USD | 0,01 USD | 0,50 USD |
| Claude Opus 5.5 | 4 USD | 0,20 USD | 20 USD |
GPT-6 Luna má tedy při standardním zpracování čtyřicetkrát levnější necachovaný vstup i výstup. U cachovaného vstupu je rozdíl dvacetinásobný. Srovnání se týká pouze uvedených sazeb; nezahrnuje dávkové režimy, rychlejší placené zpracování, regionální příplatky ani odlišné ceny dlouhého kontextu.
Oproti GPT-5.6 Luna klesl vstup z 0,20 na 0,10 dolaru a výstup z 1,20 na 0,50 dolaru. Opus 5.5 proti Opus 5 zlevnil vstup z 5 na 4 dolary a výstup z 25 na 20 dolarů. Anthropic současně snížil cenu cache read z 0,50 na 0,20 dolaru.
Dva modelové účty
První příklad počítá požadavek s jedním milionem vstupních tokenů a 200 tisíci výstupních tokenů. Při stejném objemu by GPT-6 Luna stál 0,20 dolaru: 0,10 za vstup a 0,10 za výstup. Claude Opus 5.5 by stál 8 dolarů: 4 dolary za vstup a 4 za výstup.
Druhý příklad připomíná delší agentní relaci: jeden milion tokenů načtených z cache, 100 tisíc nových vstupních tokenů a 50 tisíc výstupních tokenů.
| Model | Cache | Nový vstup | Výstup | Celkem |
|---|---|---|---|---|
| GPT-6 Luna | 0,010 USD | 0,010 USD | 0,025 USD | 0,045 USD |
| Claude Opus 5.5 | 0,20 USD | 0,40 USD | 1,00 USD | 1,60 USD |
Výpočty ukazují cenu totožného toku tokenů, nikoli cenu totožného výsledku. Opus může náročnou úlohu dokončit na méně pokusů, zatímco levnější model může potřebovat opravy nebo selhat. Stejně tak jednoduchý klasifikační či extrakční úkol nemusí získat žádnou praktickou výhodu z dražšího modelu.
Co měřit ve skutečné aplikaci
Pro výběr modelu je užitečnější cena za úspěšně dokončenou úlohu než cena za milion tokenů. Měření by mělo zahrnout alespoň úspěšnost, počet opakování, skutečný necachovaný a cachovaný vstup, délku výstupu, latenci a náklady na kontrolu výsledku člověkem.
Rozumný postup je spustit oba modely na stejné sadě reprezentativních úloh, předem určit podmínku úspěchu a teprve potom porovnat celkový účet. Z ceníku lze bezpečně vyvodit, že Luna je za stejný objem tokenů podstatně levnější. Nelze z něj vyvodit, který model bude levnější pro konkrétní produkt ani který poskytne kvalitnější odpověď.