gpt-5.6-luna стоит на codexkey меньше любой другой модели: 0,1 доллара за миллион токенов и на вход, и на выход. Это втрое дешевле Sonnet и вчетверо дешевле Opus. В каталоге есть и Haiku (claude-haiku-5.5, claude-haiku-4.5), а Luna занимает ту же нишу в линейке GPT: дёшево выполняет механическую работу.
Сразу оговорка: Luna из другого семейства, не из Claude. Запросы она принимает и в формате Anthropic Messages, и в формате OpenAI Chat Completions, но как она отвечает на ваши промпты, нужно проверять отдельно. Промпт, перенесённый с Sonnet один в один, может дать другой результат.
Для каких задач Luna подходит
Массовая классификация. Разложить тикеты по категориям, определить тональность отзыва, отсортировать письма по срочности. Границы у таких задач чёткие, ответ короткий, и на большом объёме Luna тянет там, где цена флагмана разрушила бы юнит-экономику.
Извлечение данных. Достать из письма или документа имя, дату, сумму и статус и сложить в JSON. Формат ответа задан заранее, поэтому модели не нужно рассуждать: найти и переложить.
Парсинг логов. Разобрать строку ошибки на части, найти закономерность в трассировке, привести разнородные логи к единому виду. Работа однотипная и объёмная.
Конвертация форматов. CSV в JSON, YAML в TOML, один диалект markdown в другой. Правила простые, а данных много.
Где Luna слабее
Уровня рассуждений Sonnet или Opus от Luna ждать не стоит. Если нужно построить план из нескольких шагов, отладить незнакомый код или держать в голове сразу несколько противоречащих друг другу требований, Luna теряет нить заметно раньше крупных моделей. Последним звеном цепочки, где всё сводится воедино, её не ставьте. Ставьте туда, где ответ короткий, а правило понятное.
Пример вызова
from openai import OpenAI
client = OpenAI(api_key="sk_cdx_your_key_here", base_url="https://api.codexkey.ru/v1")
resp = client.chat.completions.create(
model="gpt-5.6-luna",
messages=[
{"role": "system", "content": "Classify the ticket into one of: bug, question, feature. Reply with one word."},
{"role": "user", "content": "Кнопка сохранения не работает после обновления."},
],
)
print(resp.choices[0].message.content)
Этот же запрос собирается и в формате Anthropic Messages: ключ и эндпоинт те же, меняется только структура тела запроса.
Сколько это стоит в деньгах
Возьмём классификацию тикетов. 100 000 тикетов в месяц, короткий промпт на 200 токенов и ответ в одно слово на 20 токенов. На вход уйдёт 20 млн токенов, то есть 2 доллара. На выход 2 млн токенов, ещё 0,2 доллара. Итого чуть больше двух долларов в месяц за работу, которую раньше делал человек вручную или не делал никто.
Двухступенчатый пайплайн
Рабочая схема такая: флагман один раз формулирует правило, а Luna применяет его к тысяче элементов. Opus или Sonnet изучают образец и выводят критерий, после чего Luna размечает весь массив за копейки. Дорого вы думаете один раз, а исполнять потом можно дёшево и в любом масштабе.
Как проверить на своих данных
Пропустите одну выборку через Luna и через Sonnet и сверьте точность вручную на сотне примеров. Калькулятор на сайте покажет разницу в счёте при разных объёмах, а статистика по ключам подскажет, сколько стоит конкретный шаг вашего пайплайна.
Коротко
Luna выигрывает на объёме: один вызов стоит копейки, и разница ощущается, когда вызовов тысячи. Классификация, извлечение данных, разбор логов и конвертация форматов обходятся дешевле всего именно на ней. Там, где нужно рассуждать и сводить всё воедино, берите модель классом выше и проверяйте её поведение отдельно: семейство другое.