GPT-6 Luna 和 GPT-5.6 Luna 区别：标价减半、出错更少，队列值得迁吗？
官方文档怎么说
| 项目 | GPT-5.6 Luna | GPT-6 Luna |
|---|---|---|
| 模型 ID | gpt-5.6-luna | gpt-6-luna（快照 ID gpt-6-luna） |
| 定位 | 成本敏感的高量任务 | 目标明确的高频任务 |
| 输入 / 输出 | 文本与图像 / 文本 | 文本与图像 / 文本 |
| 上下文 / 最大输出 | 1,050,000 / 128,000 token | 1,050,000（最大输入 922,000）/ 128,000 token |
| 知识截止 | 5.6 代较早截止 | 2026 年 5 月 18 日 |
| 推理档位 | none、low、medium（默认）、high、xhigh、max | 同样六档，默认 medium |
| 端点 | Responses、Chat Completions | Responses、Chat Completions |
| 函数调用 | 模型文档列为支持 | Responses 上任意档位；Chat Completions 仅 reasoning_effort: none |
| 流式、结构化输出 | 列为支持 | 列为支持 |
| 官方标价 | Standard、长上下文（输入超过 272K）、Batch、Flex、Fast 各档 | 据 OpenAI，为 GPT-5.6 Luna Standard 价的一半；GPT-6 家族最便宜的档位 |
| OpenAI 自报事实性 | OpenAI 比较的基线 | 较高档位下追平 GPT-5.6 Sol 的事实性，任务成本约为其百分之一 |
| OpenAI 自报欺骗率 | 内部测试 9.5% | 同一测试 2.8% |
| EvoLink 路由 | 可调用；当前费率见 GPT-5.6 页面 | 2026 年 9 月 23 日起可调用；当前费率见 GPT-6 Luna 页面 |
相同的数字——上下文与输出——容易被误认为“同一个模型”。对队列真正重要的差异是标价减半、知识截止、Chat Completions 上的工具调用规则，以及 OpenAI 自报的事实性与诚实度提升。前三样是约定事实，第四样要靠你的记录集确认。
会弄坏流水线的约定变化：Chat Completions 上的工具
reasoning_effort 为 none 时支持函数调用。Responses API 上任意档位都可以。很多 Luna 流水线为了压成本本来就跑在 none 或 low；如果你的流水线在 Chat Completions 上用 medium 推理调用查询或校验工具，试跑前先选：- 把流水线迁到 Responses API，保留推理设置。
- 留在 Chat Completions，用
reasoning_effort: none。 - 把工具调用移出模型步骤，在外围代码里做查询。
none 的 GPT-6 Luna 对比 medium 的 GPT-5.6 Luna，和两者都用 none 是不同的实验。结构化输出与流式列为支持，不受此限制。构建反映真实队列的记录集
从你自己的负载分布出发。如果某个客户格式占了大部分量，它需要有意义的占比；同时纳入代价高到足以阻断发布的罕见失败。
保存稳定的记录 ID、输入版本、期望输出、允许的空值、校验规则和任何升级判断。评估环境无权处理的敏感内容要移除。提示词、schema、预处理与后处理版本与数据集一起保存。
把集合拆成一小部分开发集和一份留出检查集。前者用来修 harness 错误、调优候选；后者用来看调优后的配置是否泛化。按负载切片分组结果：整体准确率看着健康，某种语言、模板或低量标签却可能不可靠。
六个可重复任务及其验收规则
**这是拟议的任务矩阵，不是完成的比较。**用你自己的记录替换示例，评估任一模型前先定义错误。
| 负载 | 纳入这些案例 | 验收规则 |
|---|---|---|
| 发票或表单抽取 | 缺失值、总额冲突、多个日期、扫描页 | 必填字段与参考一致；缺失值保持缺失；总额符合既定检查 |
| 工单分类 | 相近标签、混合主题、罕见紧急案例 | 标签与升级正确；按类别统计误报与漏报 |
| 结构化摘要 | 长线程、文中后来的更正、未解决的问题 | 保留最终状态与待办，不编造已解决 |
| 数据规范化 | 单位、地区、日期格式、模糊标识 | 规范值正确或明确不确定；模糊字段不悄悄猜 |
| 重复的代码转换 | 有效与无效源输入、已转换过的文件 | 输出通过解析/测试，保留无关内容，可安全重处理 |
| 工具辅助的记录查找 | 记录缺失、重复匹配、查找后超时 | 记录关联正确并明确不确定；不伪造工具结果或重复写入。在 Chat Completions 上此任务仅在 reasoning_effort: none 下运行 |
把 schema 合格与语义正确分开。一条发票响应可以键和类型都对，却把供应商税号填给了客户。给审查者评分表，可行时隐藏模型标签，并报告多少记录由机器判定、多少由人判定。
扩大并发前先核查兼容性
gpt-6-luna）和端点。模型选择保持可配置，改动时不必重写任务生产者。不要拿网页 slug 替代服务商记录的 ID；在 EvoLink 上，ID 同样是 gpt-6-luna。检查你实际用到的控制项：推理档位、输出上限、schema 格式、流式与工具响应。HTTP 成功响应不证明请求的设置被采纳。演练失败路径：
- 截断或畸形输出必须校验失败，并遵循有上限的重试策略。
- 拒答必须与“空但有效”的抽取区分开。
- 限流必须触发受控退避，而不是无上限的重试风暴。
- 部分流与网络超时不能计为验收记录。
- 重放任务必须保持身份，避免重复外部写入。
若某项必需行为失败，先修接入或把该负载留在旧路由，再测更高的量。
测量验收吞吐，而不是原始响应速度
用相同的记录组合与重试策略，对两种配置跑受控的并发阶梯。不超过服务商记录的限制。
| 测量项 | 包含内容 |
|---|---|
| 每分钟验收记录数 | 仅计通过完整验收规则的记录 |
| 端到端 P50 / P95 | 队列等待、请求时间、退避、重试与必要的升级 |
| 队列年龄 | 最旧的未完成工作，以及持续负载下积压是否增长 |
| 错误与重试率 | 传输、限流、schema 与语义失败分开统计 |
| 升级占比 | 送往其他模型或人工审查的记录 |
| 每条验收记录的成本 | 测量流水线内所有计费尝试与升级调用 |
保持输出长度与推理配置可见。提示缓存与预热会扭曲短时运行；报告缓存是否已热。短暂突发不能证明持续的队列容量。
计算可用记录的成本
官方价格页显示 GPT-6 Luna 的 Standard 费率低于 GPT-5.6 Luna。那是关于 token 的事实。预算问题是：
每条验收记录的 API 成本 = 流水线 API 总花费 / 验收记录数分子包含失败尝试、重试与任何升级模型。人工纠错时间单独跟踪。没有验收记录的队列报告失败，而不是除以零。
**假设算术，不是 Luna 价格或测量：**流水线 A 花 24 美元，验收 8,000 条，每条 0.003 美元。流水线 B 花 20 美元，验收 5,000 条，每条 0.004 美元。更小的总账单没有产出更便宜的可用输出。
决定哪些记录（如果有）应该迁移
试跑前写下每个重要切片的阈值。总体成功分不应压过关键标签或字段上不可接受的回归。
| 结果 | 动作 |
|---|---|
| 约定或关键字段检查失败 | 负载留在现有路由；重测前记录失败 |
| 准确率通过但成本或队列期限不达标 | 排查重试、输出长度、档位与升级；先不扩大 |
| 常规切片通过，困难切片回归 | 仅当路由规则可测试且计入其开销时，考虑有限拆分 |
| 试跑中全部必需门槛通过 | 带停止条件与可用回退路径启动受控试点 |
| 试点错误、积压或纠错时间上升 | 停止扩大，回退受影响切片 |
影子重放在不产生外部副作用时有用。真实任务保留任务 ID，超时后重试前先检查状态。
重复任务选 GPT-6 Luna 还是 GPT-6 Sol？
常见问题
GPT-6 Luna 比 GPT-5.6 Luna 更快或更便宜吗？
两者最大的 API 差异是什么？
reasoning_effort: none 时支持函数调用。带推理的工具调用流水线应规划在 Responses API 上。JSON 有效就足以验收一条记录吗？
不。除 schema 外还要校验必填字段、值与任务语义。格式良好的响应仍可能分类错误或编造缺失值。
该比较每秒 token 数吗？
它能帮助诊断一次运行，但每分钟验收记录数与端到端延迟更能描述队列完成情况。计入重试与升级。
每条记录都必须迁到新一代吗？
不必。若路由规则可靠且整条流水线达标，部分迁移可能合适。失败或未测试的切片留在已测量的路由。
什么情况该回退？
用发布前选定的停止条件：关键字段回归、积压上升、不可接受的错误或重试率、额外纠错工作，或成本预算被突破。
