GPT-5.6 Luna, это младшая из трех моделей семейства GPT-5.6 от OpenAI, и по нашему обзору она самая недооцененная из линейки. Цена 1 доллар за миллион входных токенов и 6 долларов за выходные, притом что на части агентных бенчмарков Luna почти не уступает флагману Sol за 5 долларов и 30. Разберем, где Luna реально держит уровень frontier-модели, а где проваливается почти до нуля, и кому эта модель заменит привычный GPT-5.4 Mini.
GPT-5.6 вышла в общий доступ 9 июля 2026 года, семейство состоит из трех уровней: Sol, Terra и Luna. Luna стоит $1/$6 за миллион токенов, в 5 раз дешевле Sol, но на тесте MRCR на длинный контекст падает до 41.3% против 91.5% у флагмана. В статье: полное сравнение цен, бенчмарков и честный разбор, для каких задач вайбкодера Luna подходит, а для каких нет.
Что такое GPT-5.6 Luna и чем она отличается от Sol и Terra?
Luna, Terra и Sol, это не три версии одной модели, а три отдельных модели одной архитектуры с разным бюджетом на размышление и разной ценой за токен.
OpenAI назвала уровни в честь небесных тел: Луна, Земля (Terra) и Солнце (Sol). Логика простая, чем крупнее тело, тем мощнее и дороже модель. Sol, это флагман для сложных агентных задач. Terra, средний уровень для повседневной разработки. Luna заточена под быстрые массовые запросы, где важна скорость и цена, а не глубина рассуждений.
Все три модели вышли одновременно 9 июля 2026 года, после 12 дней проверки Министерством торговли США в рамках июньского указа по кибербезопасности ИИ. Формально ревью было добровольным, но фактически стало обязательным условием релиза. У каждого уровня одинаковый API и одинаковый набор режимов размышления: none, low, medium, high, xhigh и max. У Sol дополнительно есть режим ultra, который параллельно запускает четырех агентов на одной задаче.
Сколько стоит GPT-5.6 Luna и почему она в 5 раз дешевле Sol?
Luna стоит $1 за миллион входных токенов и $6 за выходные, Sol стоит $5 и $30. Разрыв в цене ровно 5x на обоих направлениях, и это самый большой ценовой разброс внутри одного семейства моделей OpenAI за последний год.
Вот как выглядит вся линейка по состоянию на июль 2026, вместе с ближайшим конкурентом от Anthropic для контекста.
| Модель | Цена вход/выход за 1M токенов | Контекст | Для чего |
|---|---|---|---|
| GPT-5.6 Sol | $5 / $30 | 1.05M | Сложные агентные задачи, компьютерное зрение, кибербезопасность |
| GPT-5.6 Terra | $2.5 / $15 | 1.05M | Повседневная разработка, баланс цены и качества |
| GPT-5.6 Luna | $1 / $6 | 1.05M | Массовые задачи, классификация, черновая генерация кода |
| Claude Fable 5 | $10 / $50 | 1M | Repo-level кодинг, лучший результат на SWE-bench Pro |
| Claude Opus 4.8 | $5 / $25 | 1M | Архитектурные задачи, сложный анализ |
| GPT-5.4 Mini (прошлое поколение) | $0.75 / $4.5 | 1.1M | Бюджетные задачи до выхода Luna |
Кешированные входные токены у Sol стоят $0.5 за миллион, скидка 90% от обычной цены. У Luna кеш работает по той же схеме, что делает ее почти бесплатной для задач с повторяющимся контекстом вроде code review в CI/CD пайплайне.
Как Luna показывает себя на агентных бенчмарках?
На Terminal-Bench 2.1 Luna набирает 84.7%, это меньше чем Sol на 4 пункта, но при цене в 5 раз ниже. На Agents Last Exam разрыв между Sol и Luna всего 3.3 пункта из 53.6 возможных.
Здесь и кроется главный сюрприз обзора. По заявлениям OpenAI, Terra и Luna обгоняют Claude Fable 5 на бенчмарке Agents' Last Exam примерно в четыре раза дешевле и втрое быстрее.
| Бенчмарк | Sol | Terra | Luna | Fable 5 |
|---|---|---|---|---|
| Agents' Last Exam | 53.6 | 50.4 | 50.3 | 40.5 |
| Terminal-Bench 2.1 | 88.8% | 87.4% | 84.7% | 86.0% |
| Coding Agent Index | 80.0 | 77.4 | 74.6 | 77.2 |
| BrowseComp | 90.4% | 87.5% | 83.3% | не опубликован |
| OSWorld 2.0 | 62.6% | 50.2% | 45.6% | не опубликован |
На DeepSWE, тесте инженерных задач в реальных кодовых базах, Luna показывает около 24 очков бенчмарка на каждый потраченный доллар API. Для сравнения, у Claude Opus 4.8 этот показатель 4.5, у Claude Fable 5 всего 3.2. По деньгам за результат Luna здесь не конкурент, а победитель с большим отрывом.
Где Luna проваливается: MRCR 41.3%
На тесте длинного контекста MRCR Luna набирает 41.3%, тогда как Sol и Terra держат 91.5% и 89.6% соответственно. Разрыв почти в 50 пунктов при одинаковом окне в 1 миллион токенов, и это единственная по-настоящему слабая зона модели.
MRCR (Multi-Round Coreference Resolution) проверяет, может ли модель найти конкретный факт, спрятанный где-то в середине длинного документа. У Luna формально то же окно контекста в 1.05 миллиона токенов, что и у старших моделей, но фактически использовать этот объем для точного поиска она не умеет.
Практический вывод простой. Если задача требует прочитать длинную спецификацию, большой лог ошибок или всю кодовую базу целиком и найти там что-то конкретное, Luna для этого не подходит. Для таких задач нужна Terra или Sol.
Максим: «У Нейроскрайба ждали от разработчика неделю-две-три на фичу. У Нейроштата целая команда работала, и мы ждали месяцами. Получили результат и разочаровались, потому что скорость реализации в этом бизнесе решает всё.»
Эта же логика работает и с выбором модели. Если задача простая и массовая, платить за скорость мышления Sol нет смысла, дешевая модель закроет ее за секунды.
Для каких задач Luna реально единственный разумный выбор?
Luna подходит для классификации, извлечения данных, тегирования, черновой генерации кода и коротких суммаризаций. По совету CodeRabbit, ключевое условие, это низкий уровень reasoning effort и задачи без двусмысленности.
Вот конкретные сценарии, где Luna выигрывает у более дорогих моделей по деньгам без потери качества:
- Массовая генерация однотипного фронтенд-кода: React-компоненты, формы, CRUD-операции
- Первичная разметка и классификация тикетов техподдержки
- Черновая реализация фичи по уже готовому плану от Terra или Sol
- Batch-обработка данных в пайплайнах, где счет идет на тысячи запросов в день
- Быстрые правки и рефакторинг небольших файлов без глубокого анализа архитектуры
В связке с инструментами вроде <a href="https://vibecoderz.ru/item/aider">Aider</a> Luna хорошо подходит именно на роль исполнителя, когда план уже согласован с более сильной моделью, а Luna просто пишет код по шагам.
Luna, Terra или Sol: что выбрать для вайбкодинга?
Для большинства повседневных задач лучший баланс дает Terra, она почти догоняет Sol по качеству за половину цены. Luna берут ради объема и скорости, Sol оставляют для сложного планирования и починки редких багов.
| Задача | Какую модель брать | Почему |
|---|---|---|
| Массовая генерация кода, CI/CD | Luna | Цена ниже в 5 раз, качество на простых задачах достаточное |
| Ежедневная разработка фичей | Terra | GPT-5.5-уровень за половину цены Sol |
| Планирование сложной архитектуры | Sol | Только Sol и Terra держат MRCR выше 89% |
| Сложные и редкие баги | Sol | Terminal-Bench и OSWorld 2.0 требуют максимум reasoning |
| Работа с длинными логами и спеками | Terra или Sol | Luna проваливает MRCR до 41.3% |
| Дизайн интерфейсов и UI/UX | Sol | Заметно лучше держит консистентный стиль |
Практическая схема, которую можно увидеть у разработчиков в CLI-инструментах вроде Codex: сначала Terra или Sol строит план реализации, затем задача передается на исполнение Luna. Так экономится недельный лимит подписки, а качество результата почти не падает.
Как Luna сравнивается с Claude и другими моделями
Прямых конкурентов у Luna по цене почти нет среди frontier-семейств. Ближе всего по позиционированию Claude Haiku 4.5 за $1/$5, но Luna заметно обгоняет ее на агентных задачах.
Если сравнивать не внутри линейки GPT-5.6, а со всем рынком, картина такая. Claude Fable 5 однозначно лидирует на repo-level кодинге, ее 80% на SWE-bench Pro против 64.6% у Sol, это разрыв в 15 пунктов. Зато GPT-5.6 всей линейкой выигрывает агентные бенчмарки: Terminal-Bench, BrowseComp, OSWorld. Frontier сейчас разделен между двумя лабораториями, и Luna в этом раскладе занимает свою узкую, но денежную нишу: массовые задачи, где важна цена за единицу работы, а не глубина рассуждения.
Gemini 3.1 Pro за $2/$12 и DeepSeek V4 Pro Max за $0.435/$0.87 остаются рядом по соотношению цена/качество, но ни одна из этих моделей не показывает такой же разрыв между агентными бенчмарками и MRCR, как Luna.
Где взять GPT-5.6 Luna из России
Прямая оплата OpenAI из России не работает без иностранной карты. Разработчики обычно решают это через сервисы-прокладки, которые принимают СБП, российские карты и криптовалюту и дают доступ к моделям по токенам.
Такие сервисы можно подключить к привычным инструментам: Cline, Kilo Code, Open Code и другим CLI-агентам. Стоимость токенов на них обычно почти совпадает с официальным прайсом OpenAI, плюс небольшая наценка за обслуживание. Для тех, кто уже работает с <a href="https://vibecoderz.ru/item/cursor">Cursor</a> или <a href="https://vibecoderz.ru/item/windsurf">Windsurf</a>, добавить туда Luna как отдельную модель для рутинных задач, это вопрос пары минут в настройках провайдера.
Итог: стоит ли использовать Luna для вайбкодинга
Luna не заменит Sol на сложных задачах и не заменит Claude Fable 5 там, где нужен точный repo-level кодинг. Но как рабочая лошадка для объема, черновой генерации и массовых однотипных запросов она справляется на уровне моделей в 5 раз дороже. GPT-5.4 Mini можно спокойно заменять на Luna уже сейчас, разница в цене за прompt минимальная, а качество заметно выше.
Полный каталог AI-инструментов и IDE с актуальными ценами смотрите в <a href="https://vibecoderz.ru/ide">каталоге VibeCoderz</a>. Если нужна помощь с выбором стека моделей под конкретный проект, запишитесь на <a href="https://t.me/maxnagovitsyn">консультацию к Максиму</a>.
Глоссарий терминов из обзора GPT-5.6 Luna
- MRCR — Multi-Round Coreference Resolution, тест на способность модели находить конкретный факт в длинном тексте
- SWE-bench Pro — бенчмарк на исправление реальных багов в открытых репозиториях
- Terminal-Bench — тест командной работы модели в терминале: планирование, итерации, координация инструментов
- Reasoning effort — уровень усилий модели на размышление перед ответом, от none до max
- Токен — единица текста для расчета цены API, примерно 3-4 символа на русском языке
- Context window — максимальный объем текста, который модель держит в памяти за один запрос
Какие вопросы чаще всего задают про GPT-5.6 Luna
Сколько стоит GPT-5.6 Luna за миллион токенов? Luna стоит $1 за миллион входных токенов и $6 за миллион выходных. Это в 5 раз дешевле флагманской Sol, у которой цена $5 и $30 соответственно.
Чем Luna хуже Sol и Terra? Главная слабость, это работа с длинным контекстом. На тесте MRCR Luna набирает 41.3% против 91.5% у Sol. Задачи с большими документами или кодовыми базами лучше отдавать Terra или Sol.
Можно ли использовать Luna вместо GPT-5.4 Mini? Да, по бенчмарку DeepSWE Luna показывает лучший результат на доллар среди всей линейки GPT-5.6, а цена сопоставима с прошлым поколением Mini-моделей.
Подходит ли Luna для сложных агентных задач? Частично. На Agents' Last Exam Luna отстает от Sol всего на 3.3 пункта, но на компьютерном зрении OSWorld 2.0 разрыв уже почти 17 пунктов в пользу Sol.
Работает ли Luna в России без VPN? Официально оплата OpenAI напрямую недоступна без иностранной карты. Разработчики обычно подключаются через сервисы-прокладки с оплатой СБП или картами РФ.
Чем Luna отличается от Claude Haiku 4.5? Обе модели близки по цене, около $1 за миллион входных токенов, но Luna заметно сильнее на агентных бенчмарках вроде Terminal-Bench и Coding Agent Index.
Когда лучше брать Terra вместо Luna? Как только в задаче есть длинный контекст, неоднозначность или нужен точный анализ большого объема данных, разница в 41.3% против 89.6% на MRCR становится критичной.