能力 vs 帳單
指數 66.6 對應 Σ $0.6／MTok，Value 111.02。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-1.3Paretoknowledge
GPT-6 Luna
GPT-6 Luna 定位為「效率前沿」：Cheese Index 66.6（#18）。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「成本優先」。
2026-09-23 快照。 OpenAI · 2 路交叉訊號 · Pareto · 最佳 Fit 成本優先 · OpenAI
CHEESE INDEX
56.1#54
DEPTH
68.8
OPS
—
VALUE
93.47
BALANCE
—
CONSENSUS
79.1
Σ COST
$0.6
LATENCY
—
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 100.0，交叉訊號分歧較小。
- 專長「coding」相對群體抬升 +15.4。
- 場景 Fit 首選「成本優先」（63.7）。
風險與缺口
- 尚無部署體感訊號，上線前請補延遲／吞吐實測。
- 長程軸覆蓋不足，長 horizon 任務勿只看總指數。
- 深度維度覆蓋偏低，專長判斷可信度有限。
深度雷達
實線＝本模型 · 虛線＝群體中位
芝士軸
coding
場景 Fit
★ 成本優先
均衡穩健
編碼代理
生成原型
長程任務
關鍵取捨
專長對齊
相對群體在「coding」抬升 +15.4。任務面不匹配時，抬升無法兌換成產品價值。
部署體感
Ops—
Latency—
Throughput—
I / O$0.1 / $0.5
尚無 Ops 訊號：上線前請補延遲與吞吐實測。
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
coding ★
knowledge ★
multimodal ★
reasoning ★