ARTICLE · 1313492
AI 圈最卷的一对:都是 8 块 5,选 DeepSeek 还是 GPT-5.6 Luna?
AI 圈最卷的一对：都是 8 块 5，选 DeepSeek 还是 GPT-5.6 Luna？
输出价一分不差的两款模型，输入价、缓存价和账单结构完全不同，能力还差着 12 分。我把三笔账算给你看，最后给出我的选择，以及什么情况下我会反悔。
第三方 API 聚合平台 OpenRouter 公布了 10 月统计：调用量榜首是 DeepSeek V4.1 Flash。
前 22 天，它跑了 102.2 万亿 token。
这个数字把所有闭源旗舰甩在了身后。
它最直接的对手，是 OpenAI 的 GPT-5.6 Luna。把两家的官方价目表并排放，能看到一个少见的巧合。
输出价一分不差，都是 1.20 美元每百万 token，按汇率折合 8 块 5。
同样 8 块 5，买到的不是一个东西。这篇把价格、账单、能力三层拆开算，最后给出我的选择。
01 先说我的选择
只让我推荐一个默认选项，我选 GPT-5.6 Luna。
理由一句话：同样的输出价，它更聪明，输入还便宜三分之一，而且不分时段、不用调参数，拿来就用。
但有两种活儿，我会换成 DeepSeek V4.1 Flash。
一是能挪到晚上和周末跑的批量任务，二是缓存命中率高的 Agent 工作流。这两种场景下，账单能便宜三到五成。
还有一种需求只有 DeepSeek 能满足：模型权重按 MIT 协议开放，552B 总参数随便下载自部署。Luna 是闭源的，这条路没得谈。
先别急着反驳，账在下面，一层层算。
02 价格：同价是巧合，差别藏在另外两行
单位统一用人民币，每百万 token，按 1 美元兑 7.1 元换算。两家官方定价页，2026-11-05 查询。
这张表里藏了三个信息。
输出价确实打平，这是巧合也是现状。但输入价 Luna 便宜三分之一：1.4 对 2.1。
缓存命中差 7 倍：0.04 对 0.14。按各自未命中价折算，DeepSeek 的缓存输入便宜了 98%，Luna 便宜 90%。
差 8 个百分点，在 Agent 场景会被放大很多倍。
峰谷定价是 DeepSeek 独有的变量：工作日 9 点到 12 点、下午 2 点到 6 点（北京时间）按高峰价，其余时间含周末全部半价。
Luna 全球统一价，没有时段。
按「3 份输入配 1 份输出」的常见比例算混合单价：白天 DeepSeek 约 5 毛 3，Luna 约 4 毛 5，Luna 便宜 15%。
晚上 DeepSeek 约 2 毛 6，反超，便宜 42%。
03 算三笔账：各有各的主场
单价不等于账单。我按官方价算了三种典型任务，单位是元，保留两位小数。
场景 A，日常问答：输入 10 万，输出 5 万，白天跑。
场景 B，代码 Agent 反复读同一个仓库：输入 200 万，其中 180 万命中缓存，输出 20 万。
场景 C，批量处理：输入 100 万，输出 100 万，挪到周末空闲时段跑。
规律很清楚：轻输入重输出的任务，Luna 靠便宜的输入小胜，场景 A 里它便宜 11%。
缓存命中率越高、越能挪到空闲时段，DeepSeek 赢得越多。场景 B 高峰期两家打平，挪到空闲直接省一半。
你的活儿越像 B 和 C，越该认真看 DeepSeek；越像 A，越不用纠结，哪个顺手用哪个。
04 能力：价差没了，差距在别处
价格打平之后，能力就是剩下的全部变量。
Artificial Analysis 的智能指数（Max 思考档）里，Luna 约 51 到 52 分。
DeepSeek V4.1 Flash 约 39 到 40 分。这是第三方评测机构 Artificial Analysis 的口径。
不同时点的榜单数字略有出入，但 12 分上下的差距是稳定的。这是同价之下最刺眼的一个数字。
编码方向要分开说。DeepSeek 官方自报的成绩不差：Terminal-Bench 2.1 拿 90.6 分，DeepSWE v1.1 解决率 74.2%。
但要注明，这是官方自测、Max 档、自家脚手架，换一套框架分数会缩水。
缩水后的成绩第三方也测了。Artificial Analysis 跑 Terminal-Bench 4.0，V4.1 Flash 只有 26.8%。
SuperCLUE 用 Claude Code 做统一框架的中文终端编程测评里，它拿 50.51 分，成本 1.86 元一题，时间效率是全场亮点。
Luna 没有官方自报的编码基准，第三方给它的编码 Agent 指数是 74.6，也是 Artificial Analysis 口径。
两边分数口径不同，不能直接横比，但方向一致：高难度任务 Luna 更稳，中文终端活儿 DeepSeek 能打。
速度是反过来的。OpenRouter 聚合多家供应商的实测里，V4.1 Flash 输出中位数 287 token 每秒，首字延迟 0.26 秒。
Luna 在 Artificial Analysis 的测试里输出约 106 token 每秒，思考档开到 Max 时，等第一个字要等几十秒。
两边统计口径不同，仅供参考，但 DeepSeek 快得多这个方向没有争议。
05 各自的坑
先看 DeepSeek V4.1 Flash。
高峰时段恰好是上班时间。9 到 12 点、14 到 18 点，打工人的任务高峰撞上它的高峰定价。想省钱，得把任务排进晚上和周末。
输出偏啰嗦。Artificial Analysis 的智能指数任务里，它每题花 0.27 美元，比上一代还高一点。
降下来的单价，一部分被更长的输出吃掉了。
长上下文检索不稳。字节跳动 Seed 团队的论文测出，分块缓存压缩会引入相位敏感性，长文档检索准确率在不同位置能差出 40 个百分点。
整本书当知识库丢进去之前，先小规模验证。
再看 GPT-5.6 Luna。
长上下文要加钱。请求超过 27.2 万 token 后，输入按 2 倍、输出按 1.5 倍计费。
加价后的输入价比 DeepSeek 还贵，长文档场景优势会翻转。
思考档是隐形成本。推理过程按输出 token 计费，档位开得越高，账单和首字延迟一起涨。
版本换代快。一年之内发了 GPT-5.4、5.5、5.6 三代，生产系统里写死模型名的，要留好迁移预案。
权重不开放。没法自部署，没法迁到别的云，数据合规有特殊要求的场景直接出局。
06 我的完整答案
分三层，对号入座。
默认选 Luna：日常问答、混合负载、不想管时段和档位、要接图像输入，闭眼用它，8 块 5 买 51 分的智能指数，值。
这两类活换 DeepSeek：一是缓存命中率高的 Agent 工作流，比如代码 Agent 反复读同一个仓库。
二是能排进晚上和周末的批量任务，半价不是折扣话术，是官方明牌。
只有 DeepSeek 能干的活：要自部署、要改权重、数据不能出内网。MIT 协议加 552B 权重全开放，这是 Luna 永远给不了的选项。
什么情况下我会反悔：如果 Luna 哪天把价格提回去，我立刻改推 DeepSeek。它 7 月底刚从输出 6 美元降到 1.2 美元，降得下去就涨得回来。
反过来，如果你的用量输出占大头、又全挤在白天跑，上面推荐 DeepSeek 的两条对你不成立，直接选 Luna 别犹豫。
