能力 vs 帳單
指數 67.2 對應 Σ $1.4／MTok，Value 47.99。高指數不自動等於該買——看任務失敗成本是否撐得住溢價。
效率前沿CF-1.3math
GPT-5.6 Luna
GPT-5.6 Luna 定位為「效率前沿」：Cheese Index 67.2（#6）。在能力與成本之間不可被支配，適合短名單第一輪。場景上最貼近「長程任務」。
2026-08-01 快照。 openai · 6 路交叉訊號 · Pareto · Ops 73.0 · 最佳 Fit 長程任務 · openai
CHEESE INDEX
62.3#21
DEPTH
73.6
OPS
62.3
VALUE
8.90
BALANCE
85.6
CONSENSUS
79.2
Σ COST
$7.0
LATENCY
2789 ms
優勢訊號
- 落在成本－能力 Pareto 前沿：同成本難找到明顯更強、同能力難找到明顯更便宜。
- 多軸共識 84.0，交叉訊號分歧較小。
- 部署體感 Ops 73.0（延遲約 4364.0 ms），適合延遲敏感路徑。
- 專長「math」相對群體抬升 +39.1。
- 場景 Fit 首選「長程任務」（73.6）。
風險與缺口
- 未見明顯紅旗；仍建議用 3–5 個自家任務做最後驗證。
深度雷達
實線＝本模型 · 虛線＝群體中位
芝士軸
coding
agent
horizon
場景 Fit
★ 長程任務
成本優先
均衡穩健
編碼代理
生成原型
關鍵取捨
指數 vs 體感
Ops 73.0 與 Index 67.2 是否同向？若指數高但延遲差，適合作離線／批次，而非同步對話主路徑。
均衡 vs 尖峰
三軸平衡 88.0。分歧小，適合通用預設。
專長對齊
相對群體在「math」抬升 +39.1。任務面不匹配時，抬升無法兌換成產品價值。
部署體感
Ops62.3
Latency2789 ms
Throughput193.4
I / O$0.2 / $1.2
體感中段或偏弱：可作批次／離線，或搭配更快的分流模型。
驗證清單
- 用 3–5 個自家真實任務（含失敗案例）跑 A/B，勿只看排行分數。
- 記錄延遲 p50／p95、錯誤率與單位任務成本，對齊 Ops／Value 敘事。
- 若作預設模型：設好降級備援（更便宜或更快的分流模型）。
- 上線後追 7 日指數波動與產品 KPI，決定是否留在短名單。
能力細節
gpqa ★
coding ★
agent
math ★
knowledge ★
multimodal
reasoning