GPT-6 Luna 的技術規格
| 項目 | GPT-6 Luna |
|---|---|
| 模型 ID | gpt-6-luna |
| 提供商 | OpenAI |
| 上下文視窗 | 1,050,000 tokens |
| 最大輸出 | 128,000 tokens |
| 知識截止日期 | 2026 年 5 月 18 日 |
| 輸入模態 | Text, image |
| 輸出模態 | Text |
| 推理強度 | none, low, medium (default), high, xhigh, max |
| 函式呼叫 | 支援 |
| 結構化輸出 | 支援 |
| 微調 | 不支援 |
| Responses API 工具 | Web search, file search, image generation, code interpreter, hosted shell, apply patch, skills, computer use, MCP, tool search |
| 主要端點 | Chat Completions, Responses, Batch 和其他 OpenAI API 已列出的端點 |
以上規格來自 OpenAI 目前的 GPT-6 Luna 模型文件。
什麼是 GPT-6 Luna？
GPT-6 Luna 專為需要高效處理大量模型呼叫的應用而設計。OpenAI 將其描述為在聚焦且高吞吐任務上的最高效率模型；更廣義的 GPT-6 指南建議在需要可擴展的高效率、可重複工作時選用 Luna。
GPT-6 Luna 的主要功能
- 強大的超大上下文：1.05M-token 的上下文視窗支援長篇文件、大型程式碼上下文與多階段應用工作流程。
- 可調式推理：六檔推理強度設定，讓開發者在推理深度、延遲與 token 用量之間取捨，
medium為文件所述預設值。 - 多模態輸入：Luna 接受文字與影像輸入，模型輸出為文字。音訊與視訊並非模型原生模態。
- 生產級工具使用：Responses API 提供 web search、file search、code interpreter、hosted shell、computer use、MCP、tool search 等工具可用於 Luna。
- 結構化應用整合：支援函式呼叫與結構化輸出，適用於分類、擷取、分流、自動化與其他機器可讀的工作流程。
- 高效的成本經濟性：OpenAI 列示標準價格為每 1M 個輸入 token 0.10 美元、每 1M 個輸出 token 0.50 美元；對快取輸入、長上下文請求、Batch/Flex 與 Fast 模式另有費率。
GPT-6 Luna 的基準表現
OpenAI 目前的公開模型頁面提供規格與能力說明，但在該頁未呈現 Luna 的傳統基準表。獨立機構 Artificial Analysis 報告其最高推理設定的 GPT-6 Luna 在 Intelligence Index 上為 37，較低推理設定則分數較低；這是獨立評估，非 OpenAI 公布的基準。
由於基準方法與推理設定會顯著影響結果，這些數字不應被視為通用排名。
GPT-6 Luna vs GPT-6 Sol vs GPT-6 Astra
| 模型 | OpenAI 定位 | 上下文 | 最大輸出 | 推理 |
|---|---|---|---|---|
| GPT-6 Astra | 最艱鉅的端到端工作 | 1.05M | 128K | low–max |
| GPT-6 Sol | 複雜的程式設計與代理型工作流程 | 1.05M | 128K | none–max |
| GPT-6 Luna | 聚焦的高吞吐任務 | 1.05M | 128K | none–max |
關鍵區別在於「工作負載定位」，而非上下文大小：三者目前皆為 1.05M-token 上下文視窗與 128K 最大輸出。OpenAI 將 Astra 描述為其最強大的模型，Sol 為面向高要求推理的模型，而 Luna 則是面向高量工作、以效率為導向的選項。
代表性使用案例
- 高量分類與擷取 — 結構化輸出與低單位 token 價格適合重複性工作負載。
- 客服與聊天系統 — Luna 的定位強調可擴展的聚焦、可重複呼叫。
- 長文件處理 — 1.05M-token 上下文可容納非常大的來源集合。
- 多模態文件工作流程 — 影像輸入支援結合文字與螢幕截圖、圖表或掃描資料的應用。
- 代理式自動化 — Responses API 的工具（如 file search、code interpreter、hosted shell、computer use、MCP、tool search）支援多步驟工作流程。
- 成本敏感的程式碼輔助 — Luna 支援推理、函式呼叫、結構化輸出與程式相關工具；而 Sol 則定位於更高要求的程式設計與代理型工作。
限制
GPT-6 Luna 不支援微調，且其原生模態不包含音訊與視訊。OpenAI 也文件化了一項重要的端點差異：在 Chat Completions 中，要在 Luna 上使用函式呼叫，必須將 reasoning_effort 設為 none；OpenAI 建議在需要內建工具與函式呼叫時使用 Responses API。
透過 CometAPI 存取 GPT-6 Luna API 的方法
GPT-6 Luna 針對高效、高吞吐的 AI 工作負載而設計。若要透過 CometAPI 存取 GPT-6 Luna，基本整合模式相當簡單：建立 CometAPI API 金鑰、將與 OpenAI 相容的用戶端配置為使用 CometAPI 的 API 基底 URL，並在你的帳戶啟用該模型後選擇 gpt-6-luna 作為模型 ID。
CometAPI 提供與 OpenAI 相容的 API 閘道，讓開發者得以使用熟悉的 OpenAI SDK，同時透過一個 API 存取多家供應商的模型。
步驟 1：建立 CometAPI 帳戶
首先，註冊或登入你的 CometAPI 帳戶。
登入後，開啟 CometAPI 控制台的「API Keys」區段並建立新的 API 金鑰。CometAPI 表示新建立的金鑰使用 sk- 前綴。
請將 API 金鑰保存在伺服器端，並存於環境變數中，而非硬編碼在應用程式原始碼。
步驟 2：設定 CometAPI 基底 URL
CometAPI 目前與 OpenAI 相容的基底 URL 為：
https://api.cometapi.com/v1
這表示使用 OpenAI Python 或 Node.js SDK 的應用程式通常只需更換 API 金鑰與 base_url 即可切換至 CometAPI。
步驟 3：選擇 GPT-6 Luna
CometAPI 模型型錄以以下模型 ID 辨識 GPT-6 Luna：
gpt-6-luna
在佈署至生產前，請確認 gpt-6-luna 目前已啟用，且線上型錄已為你的帳戶提供端點。CometAPI 目前的 GPT-6 Luna 比較頁面列出了模型 ID，但目前尚未填入其端點與定價欄位。
為什麼為 GPT-6 Luna 使用 CometAPI？
主要優勢是統一且與 OpenAI 相容的介面。開發者無需為每個支援的模型供應商各自實作 SDK 與驗證系統，只要使用 CometAPI 的基底 URL，並在不同模型間切換 model 值即可。CometAPI 目前宣稱透過此方式可存取超過 500 個模型。
當你的應用需要嘗試不同模型、維持多模型架構，或在供應商之間遷移而不重寫整套 API 整合時，這會特別有用。