gpt-5.6-luna стоит дешевле всех моделей на Claudexia: 0,1 доллара за миллион токенов на вход и на выход. Это втрое дешевле Sonnet и вчетверо дешевле Opus. Тира Haiku у нас нет, и Luna закрывает ту же нишу: дёшево делает механическую работу.
Учтите: Luna принадлежит к другому семейству, не Claude. Она принимает запросы и в формате Anthropic Messages, и в формате OpenAI Chat Completions, но как она отвечает на ваши промпты, стоит проверить отдельно. Скопируете промпт с Sonnet один в один, результат может не повториться.
Где Luna реально хороша
Массовая классификация. Разметить тикеты по категориям, определить тональность отзыва, отсортировать письма по приоритету. Задача с чёткими границами и коротким ответом: Luna справляется на объёме, где цена флагмана убила бы юнит-экономику.
Извлечение данных. Вытащить имя, дату, сумму и статус из письма или документа в JSON. Формат ответа вы задаёте заранее, модели остаётся только найти нужное и переложить, рассуждать не приходится.
Парсинг логов. Разобрать строку ошибки на компоненты, найти паттерн в трассировке, привести разнородные логи к одному формату. Работа однотипная, объёмы обычно большие.
Конвертация форматов. CSV в JSON, YAML в TOML, один диалект markdown в другой. Правила простые, а входа и выхода много.
Где Luna проседает
Не ждите от Luna того уровня рассуждений, что показывают Sonnet или Opus. Когда план строится в несколько шагов, код незнакомый и его приходится отлаживать, или когда нужно одновременно удерживать в голове несколько противоречивых требований, Luna путается заметно раньше крупных моделей. Не ставьте её на последний шаг цепочки, где всё нужно свести воедино, ставьте туда, где ответ короткий и правило понятное.
Пример вызова
from openai import OpenAI
client = OpenAI(api_key="sk_cdx_your_key_here", base_url="https://api.claudexia.tech/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)
Тот же запрос собирается и в формате Anthropic Messages, ключ и эндпоинт не меняются: разница только в структуре тела запроса.
Что это значит в деньгах
Возьмём классификацию тикетов на объёме. 100 000 тикетов в месяц, короткий промпт на 200 токенов и ответ в одно слово на 20 токенов. Вход обойдётся в 20 млн токенов, это 2 доллара. Выход: 2 млн токенов, ещё 0,2 доллара. Итого чуть больше двух долларов в месяц за то, что раньше делал человек руками или не делал никто.
Двухступенчатый пайплайн
Рабочий паттерн: пусть флагман один раз опишет правило, а Luna применит его к тысяче элементов. Opus или Sonnet разбирают образец и формулируют критерий, дальше по этому критерию Luna размечает весь массив за копейки. Думаете дорого один раз, а дальше исполняете дёшево на любом масштабе.
Как оценить на своих данных
Прогоните одну и ту же выборку через Luna и через Sonnet, сравните точность вручную на сотне примеров. Калькулятор на сайте покажет разницу в счёте при разных объёмах, а статистика по ключам даст понять, сколько именно вы тратите на конкретный шаг пайплайна.
Коротко
Luna экономит на объёме: один вызов стоит копейки, а выигрыш заметен, когда вызовов тысячи. Классифицировать, извлекать данные, парсить логи и конвертировать форматы дешевле всего именно на Luna. Там, где нужно рассуждать и сводить всё воедино, берите модель классом выше и проверяйте её поведение отдельно: семейство другое.