GPT-5.6 Luna — самая дешёвая модель в новой линейке OpenAI: $1 за миллион входных токенов и $6 за миллион выходных. Для сравнения, флагманский Sol стоит в пять раз дороже. Ниже 10 рабочих промптов для Luna под классификацию, модерацию, роутинг и экстракцию данных, плюс реальный расчёт бюджета на 100 000 задач.
В статье: готовые промпты для копирования, таблица цен по всей линейке GPT-5.6, разбор кейса с модерацией 50 000 сообщений в день и честные ограничения модели.
Что такое GPT-5.6 Luna и зачем она вайбкодеру?
Luna — младшая модель в тройке Sol/Terra/Luna от OpenAI, вышедшей в GA 9 июля 2026 года. Она нужна там, где важна не глубина рассуждений, а цена и скорость на больших объёмах задач.
OpenAI разделила поколение GPT-5.6 на три уровня: Sol (флагман), Terra (рабочая лошадка) и Luna (бюджетная модель для массовых задач), при этом Luna стоит $1 за вход и $6 за выход на миллион токенов. По данным OpenRouter, Luna рассчитана на высокообъёмные задачи с чувствительностью к задержке: чат, классификацию и лёгкие агентские сценарии.
Для вайбкодера это значит одно: Luna не для архитектуры и не для сложного рефакторинга. Она для того, что нужно делать тысячи раз в день и дёшево. Классификация тикетов, роутинг заявок, модерация комментариев, вытаскивание email и дат из текста — вот её поляна.
Если вы уже собираете AI-продукт и упираетесь в стоимость обработки, а не в качество ответа, Luna обычно закрывает вопрос быстрее, чем поиск альтернативной модели. Разбор моделей и промптов для агентов под разные ниши есть в каталоге агентов VibeCoderz, там 297 готовых профилей под конкретные задачи.
Сколько реально стоит Luna на 100 000 задач?
На лёгкой классификации 100 000 задач Luna обходится примерно в $110, Terra — около $275, Sol — около $550. Разница между тарифами доходит до 5 раз при сопоставимом качестве для простых задач.
Независимый расчёт по OpenAI-прайсингу подтверждает: при 50 млн входных и 10 млн выходных токенов в месяц счёт составит около $110 на Luna, $275 на Terra и $550 на Sol — самый дорогой тариф стоит в 5 раз больше самого дешёвого при одном и том же объёме работы.
Вот полная картина по ценам, чтобы не листать документацию OpenAI туда-обратно.
| Модель | Вход / выход за 1M токенов | Кэш-чтение | Контекст | Для чего |
|---|---|---|---|---|
| GPT-5.6 Sol | $5 / $30 | $0.50 | 1.05M | Сложный кодинг, архитектура, кибербезопасность |
| GPT-5.6 Terra | $2.50 / $15 | $0.25 | 1.05M | Ежедневная разработка, RAG, поддержка |
| GPT-5.6 Luna | $1 / $6 | $0.10 | 1.05M | Классификация, роутинг, модерация, экстракция |
| Claude Fable 5 | $10 / $50 | — | 1M | Сложная архитектура, доверие к ответу важнее цены |
Здесь и кроется главный нюанс. Luna не тянет длинный контекст: на тесте MRCR она показывает 41,3% против 91,5% у Sol. Если задача — разобрать документ на 200 страниц, берите Terra или Sol. Если задача — быстро наклеить лейбл на короткий текст, Luna справится и не разорит бюджет.
Чем Luna отличается от Terra и Sol на практике?
Luna проваливается на длинном контексте и сложных рассуждениях, но выигрывает там, где решение принимается за один короткий проход: метка, категория, да/нет.
Разработчики, тестировавшие модель на реальных проектах, отмечают закономерность: Luna не урезанная игрушка — модель хорошо справляется с узкими, объёмными и параллелизируемыми задачами, но отстаёт от флагмана на сложном планировании, длинных агентских цепочках и документах, перегруженных таблицами.
На практике это значит следующее.
- Luna — для одного вопроса и одного ответа: категория, метка, флаг.
- Terra — для повседневной разработки и работы со средними документами.
- Sol — для многошаговой архитектуры, где цена ошибки выше цены токенов.
Если вы уже пишете код в Cursor или Windsurf, Luna логично встаёт рядом как дешёвый «фоновый» слой: она разбирает входящий поток, а тяжёлая модель включается только на финальной проверке.
Лиза: «Раньше сидела на 15-20 видео руками ради одной заметки. Написала скрипт, который сам собирает ссылки и разбирает текст по критериям. Было 4 часа, стало 5,5 минут. Вот такие пироги.»
Это ровно та логика, под которую заточена Luna — не заменить голову, а снять с неё рутину, которую раньше делали руками.
10 промптов для GPT-5.6 Luna: что реально работает?
Ниже 10 промптов под классификацию, роутинг, модерацию и экстракцию. Каждый рассчитан на короткий, структурированный вывод — так Luna тратит меньше выходных токенов и держит цену внизу.
Главное правило для Luna: просите только метку или JSON, никогда — рассуждение вслух. Каждый лишний токен на выходе — это $6 за миллион, и на объёме в сотни тысяч запросов разница заметна в конце месяца.
1. Классификация тикетов поддержки
Промпт: «Тип тикета: [текст]. Варианты: billing/technical/general/spam. Только метка.»
Работает, потому что список вариантов закрытый, а формат ответа — одно слово. Модель не тратит токены на объяснение выбора.
2. Определение тональности (sentiment)
Промпт: «Тональность отзыва [текст]: positive/negative/neutral. Только метка.»
Лайфхак: если нужен нюанс, добавьте четвёртый вариант mixed — Luna справляется с этим не хуже, чем с тремя категориями, а точность роутинга растёт.
3. Роутинг запросов
Промпт: «Запрос: [текст]. Направить к: support/sales/billing/onboarding. Только слово.»
Используйте этот промпт как первый фильтр перед тем, как запрос попадёт к более дорогой модели или к живому оператору.
4. Модерация контента
Промпт: «Нарушает ли [текст] правила [список]? Да/Нет. Если да — категория.»
Здесь стоит явно перечислить категории нарушений в самом промпте, а не полагаться на то, что модель угадает контекст модерации по умолчанию.
5. Экстракция email-адресов
Промпт: «Из текста [текст] извлеки все email-адреса. JSON-массив.»
Требуйте именно JSON-массив, а не список через запятую — так проще парсить ответ автоматически, без дополнительной постобработки.
6. Определение языка текста
Промпт: «Язык текста [текст]: ISO 639-1 код. Только код.»
Пригодится на входе в любой мультиязычный пайплайн — сначала определяем язык, потом маршрутизируем на нужный промпт перевода или обработки.
7. Дедупликация сообщений
Промпт: «Одинаковые ли эти два сообщения по смыслу: [A] и [B]? Да/Нет.»
Дёшево чистит потоки обращений от повторов перед тем, как передавать их дальше по воронке поддержки.
8. Экстракция дат
Промпт: «Из [текст] извлеки все даты в формате YYYY-MM-DD. JSON-массив. Если нет — [].»
Явное указание на пустой массив при отсутствии дат экономит вам обработку edge-кейсов на стороне кода.
9. Определение приоритета
Промпт: «Срочность запроса [текст]: high/medium/low. Одно слово.»
Связка с промптом №3 (роутинг) даёт готовую очередь: сначала категория, потом приоритет внутри категории.
10. Маппинг намерений пользователя
Промпт: «Намерение пользователя [текст] из списка [намерения]: [X]. Ближайшее.»
Требует заранее описанного списка намерений, но именно это и держит ответ Luna коротким и предсказуемым.
Как собрать пайплайн модерации на Luna: реальный кейс
Стартап заменил ручную модерацию 50 000 сообщений в день на пайплайн из промптов №1 и №4. Итог: $50 в день на Luna против $3 000 в месяц на зарплату модератора.
Схема простая: каждое сообщение сначала проходит через промпт классификации, затем через промпт модерации. Оба вызова короткие, оба возвращают одно слово или JSON. При среднем сообщении в 100–150 токенов на входе и однословном ответе на выходе дневной объём в 50 000 сообщений укладывается в $50 расходов на API.
Ручной модератор с зарплатой около $3 000 в месяц стоит примерно в 18 раз дороже той же нагрузки на Luna. Разница не в том, что модель умнее человека, а в том, что задача классификации и модерации спама не требует глубокого понимания контекста — только последовательного применения правил.
Порядок сборки такого пайплайна:
- Собрать закрытый список категорий и правил модерации заранее, до первого вызова API.
- Прогнать промпт классификации (№1) — он же служит первым фильтром спама.
- Прогнать промпт модерации (№4) только на сообщениях, прошедших первый фильтр.
- Включить кэширование промпта: правила модерации не меняются от вызова к вызову, а кэш-чтение в Luna стоит всего $0.10 за миллион токенов.
- Эскалировать на Terra или Sol только те случаи, где Luna вернула низкую уверенность или пограничную категорию.
Какие у Luna сильные и слабые стороны?
Сильная сторона Luna — цена на объёме и скорость. Слабая — длинный контекст и сложное многошаговое рассуждение, где она заметно отстаёт от Sol.
Сильные стороны:
- Цена в 5 раз ниже флагмана при сопоставимом качестве на коротких структурированных задачах.
- Контекст 1.05M токенов — формально такой же, как у Sol и Terra, хотя реальная эффективность на длинных документах ниже.
- Кэш-чтение по $0.10 за миллион токенов — самое дешёвое в линейке, критично для промптов с фиксированными правилами.
- Подходит для параллельной обработки: можно гонять тысячи вызовов одновременно без риска разорить бюджет.
Слабые стороны:
- Резкое падение качества на длинном контексте: 41,3% на MRCR против 91,5% у Sol.
- Не годится для сложной архитектуры, многошаговых агентов и задач с высокой ценой ошибки.
- Требует чёткого, закрытого списка вариантов ответа — на открытых вопросах модель менее предсказуема.
Кому подходит Luna, а кому не подходит?
Luna — для высокого объёма коротких задач с закрытым списком ответов. Не подходит там, где нужна глубокая архитектура или работа с длинным документом целиком.
| Сценарий | Подходит Luna? | Что взять вместо |
|---|---|---|
| Классификация тикетов, спам-фильтр | Да | — |
| Роутинг заявок в поддержке | Да | — |
| Разбор договора на 50 страниц | Нет | Terra или Sol |
| Многошаговый coding-агент | Нет | Sol |
| Экстракция email/дат из коротких сообщений | Да | — |
| RAG по базе знаний компании | Частично | Terra |
FAQ
Можно ли использовать Luna для сложного кодинга?
Не стоит. Luna проваливается на длинном контексте и многошаговых задачах — для кодинга и архитектуры лучше подходят Terra или Sol.
Что дешевле: Luna или DeepSeek?
DeepSeek V4-Pro формально дешевле по прайс-листу, но Luna даёт более предсказуемый структурированный вывод на классификации и модерации, что снижает расходы на постобработку.
Нужен ли отдельный промпт-инжиниринг под Luna?
Да. Модель лучше работает с коротким закрытым списком вариантов ответа, чем с открытыми вопросами — формулируйте промпт так, чтобы ответ был одним словом или JSON.
Как снизить расходы на Luna ещё сильнее?
Используйте batch-режим: он даёт 50% скидку на вход и выход по сравнению со стандартным тарифом, если задача не требует ответа в реальном времени.
Можно ли доверить Luna модерацию без участия человека?
На первом фильтре — да, для явного спама и очевидных нарушений. Пограничные случаи стоит эскалировать на более сильную модель или на живого модератора.
Стоит ли переходить с GPT-5.5 на Luna?
Если задача — классификация, роутинг и экстракция, да: Luna в 5 раз дешевле Sol и заметно дешевле GPT-5.5 при сопоставимом результате на этих типах задач.
Работает ли Luna с русским языком так же хорошо, как с английским?
Модель определяет язык и работает с русским текстом, но для промптов с русским языком стоит явно указывать формат ответа на английском (метки, JSON-ключи) — это снижает разброс в выводе.
Глоссарий
- Токен — единица текста, по которой считается цена запроса к модели; примерно 3-4 символа на русском языке.
- Контекстное окно — максимальный объём текста, который модель обрабатывает за один вызов.
- Кэш-чтение промпта — повторное использование уже обработанной части запроса по сниженной цене.
- Batch-режим — асинхронная обработка запросов пачками со скидкой, без ответа в реальном времени.
- MRCR — бенчмарк на работу с длинным контекстом и множественными вставками информации.
Что дальше
Если вы уже собираете пайплайн на Luna и упираетесь в выбор инструмента для разработки, посмотрите обзоры на Cursor и Windsurf в каталоге — обе IDE хорошо ложатся на связку с API моделей уровня Luna для фонового кода. Полный список инструментов для вайбкодинга — в каталоге AI IDE.
Если нужна помощь с архитектурой самого пайплайна — классификация, роутинг, эскалация на более сильную модель — запишитесь на консультацию к Максиму, он собирал похожие пайплайны для собственных продуктов.
Источники: OpenAI, анонс GPT-5.6, OpenRouter, карточка GPT-5.6 Luna, eesel AI, разбор цен Sol/Terra/Luna.
Обновлено: июль 2026.