Claude Sonnet 5.5 vs GPT-6 Luna vs Gemini 4 Argon

Claude Sonnet 5.5, GPT-6 Luna oder Gemini 4 Argon

Zum Preisstand vom 29. Oktober 2026 mit 2,000 Eingabe- und 500 Ausgabetokens kostet GPT-6 Luna bei Orux AI je 1,000 Anfragen 24.3 Credits ($0.122), Gemini 4 Argon 594 Credits ($2.97) und Claude Sonnet 5.5 855 Credits ($4.275). Offiziell im Standardtarif sind es $0.45, $9.00 und $9.00. Argons offizieller Preis verdoppelt sich am 1. Dezember 2026.

Luna wird für eng umrissene häufige Aufgaben wie Klassifikation und Extraktion positioniert, Sonnet und Argon für breiteres Schlussfolgern und Schreiben. Prüfe, ob deine Aufgabe den höheren Preis rechtfertigt. Der Preis belegt keine Qualität. Dies ist ein historischer Vergleich dreier Kandidaten, keine Rangliste des heutigen Gesamtkatalogs.

Schnellvergleich

Horizontal wischen, um die ganze Tabelle zu sehen.

Die Positionierungszeile stammt aus den vom Original zitierten Orux-Beschreibungen. Sie ist kein gemessenes Qualitätsranking. „Aktueller offizieller Preis“ bezeichnet in dieser Tabelle den 29. Oktober 2026.

Preise im Detail

Preise je Million Tokens, geprüft am 29. Oktober 2026. Hauptabrechnungseinheit bei Orux ist Credits: 1 Credit=$0.005. Dollarbeträge sind Umrechnungen.

Horizontal wischen, um die ganze Tabelle zu sehen.

Drei Grenzen sind wichtig:

• Luna wechselt bei Orux ab 270K Eingabe in die höhere Staffel. Das Original nannte für OpenAI 272K und $0.20/$0.75 und verglich deshalb 270K–272K. Diese historischen Angaben wurden am 1. November 2026 auf den aktuellen offiziellen Seiten nicht erneut bestätigt. Sie bleiben als historische Aufzeichnung erhalten, ohne heutige Preisunterschiede zu garantieren. Orux 270K und 20/80 Credits sind anhand der aktuellen Konfiguration geprüft.
• Sonnet-Cache-Schreiben kostet zusätzlich: 237.5 Credits je Million für fünf Minuten, das 1.25-Fache der Eingabe; 380 für eine Stunde, das Doppelte. Lesen kostet 12 Credits. Ersparnis entsteht bei tatsächlichen Treffern, Schreiben ist nicht kostenlos.
• Argon offiziell verdoppelt sich am 1. Dezember 2026. Orux-Änderungen stehen auf der Modellseite; eine entsprechende Erhöhung wird nicht unterstellt. Der Gemini-API-Preisleitfaden, auf Englisch, zeigt den Zeitplan.

Kosten je Aufgabe: drei Arbeitslasten

Um Tokenpreise in Budgets umzusetzen, berechnen wir drei Eingabe-/Ausgabeformen je 1,000 Anfragen.

Horizontal wischen, um die ganze Tabelle zu sehen.

Mit den zitierten offiziellen Standardtarifen kosten Sonnet und Argon gleich viel. Bei Orux sind Argons Eingabe und Ausgabe jeweils etwa 69.5% von Sonnet. Solange diese festen Tarife ohne weitere Gebührenfaktoren gelten, kostet Argon bei jedem Verhältnis ungefähr 30% weniger. Das vergleicht weder Qualität noch Wiederholungen.

Wenn Luna deine Prüfung nicht schafft und Sonnet das Budget überschreitet, ist Claude Haiku 5.5 preislich ein mittlerer Kandidat: 10.8/54 Credits je Million bis 100K Eingabe, also 48.6 Credits je 1,000 Referenzanfragen. Die ursprüngliche Liste von 14 Kandidaten steht unter günstige LLM-APIs, auf Englisch; sie umfasst nicht den heutigen Gesamtkatalog.

Ein Prompt, drei Modelle: verfügbare Belege

Dieser Artikel veröffentlicht keine Qualitätsresultate aller drei Modelle. Gezeigt werden ein historischer Sonnet-Aufruf und Kostenrechnungen derselben Tokenzahl mit anderen Tarifen, keine tatsächlichen drei Ausgaben im Vergleich.

Der erste Aufruf des Museumsinventar-JSON-Beispiels vom 29. Oktober 2026 nutzte 402 Eingabe- und 195 Ausgabetokens. Bei der Übersetzungsprüfung am 1. November zeigte der gespeicherte Bericht: Nur die Struktur bestand, der Abgleich mit den Quelldaten scheiterte. „Gallery A/B/D“ war zu „A/B/D“ verkürzt worden. Das „validierte JSON“ des Originals bedeutet also keinen vollständig bestandenen Erstversuch. Der tatsächliche Wiederholungslauf mit korrigierter Anweisung bestand Struktur und Quelldaten mit 446 Eingabe- und 207 Ausgabetokens, entsprechend 0.28139 Credits bei Sonnet. Beides sind historische Aufzeichnungen, keine neuen Aufrufe für diese Übersetzung.

Der Erstversuch kostet 402×190/1M+195×950/1M=0.26163 Credits, in der ursprünglichen Tabelle auf 0.2616 gerundet, etwa $0.0013. Bei gleicher Menge:

Horizontal wischen, um die ganze Tabelle zu sehen.

Modelle verwenden unterschiedliche Tokenizer und Antwortlängen, deshalb unterscheiden sich reale Mengen. Das folgende Skript erfasst usage, Ausgabe und Zeit für eigene Versuche; hier wurde kein Dreiervergleich ausgeführt. Ablauf und Validator stehen im Claude-Sonnet-5.5-API-Leitfaden, auf Englisch.

Kontext und Parameter

Die drei teilen dieselbe OpenAI-kompatible Anfrage mit zwei Unterschieden:

• Luna nutzt max_completion_tokens für sichtbare Ausgabe und Reasoning-Tokens zusammen. Sonnet und Argon nutzen max_tokens.
• Luna bietet reasoning_effort; prüfe die tatsächlichen Optionen des direkten Antwortmodus im Orux-Formular.

Alle drei unterstützen bei Orux Streaming und Kontextcache, aber nicht diesen Batch-Modus. Anthropic direkt bietet Batch zum halben Preis; nutze den als Vergleich für große Offline-Claude-Jobs.

Lunas Mittelwert von 7.8 Sekunden stammt aus fünf abgeschlossenen Anfragen im Oktober 2026. Die kleine unkontrollierte Stichprobe erlaubt keine Geschwindigkeitsrangliste. Das Original hatte keine vergleichbaren Stichproben der anderen zwei; die Momentaufnahme vom 1. November enthält bereits Sonnet-Daten. Die damalige Abwesenheit ist keine heutige Tatsachenbehauptung. Ein Test aller drei unter gleichen Bedingungen wird weiterhin nicht gezeigt.

Verfügbarkeit von GPT-6 Sol und Astra

Das Original vom 29. Oktober nannte Sol und Astra bei Orux nicht verfügbar und Luna das einzige GPT-6. Diese Angabe ist überholt. Am 1. November 2026 wurden die öffentlichen Orux-Modellseiten von GPT-6 Sol, GPT-6 Astra und GPT-6.1 Sol geprüft; entsprechende Modelle stehen im Verkaufskatalog. Die Beschränkung auf drei Kandidaten bedeutet nicht, dass andere unzugänglich wären. Für OpenAI direkt prüfe offizielle Preise und aktuelle Versionen.

Womit anfangen?

Aus Preis und Positionierung allein, mit eigener Qualitätsprüfung:

• Probiere Luna für Klassifikation, Routing, Tags, kurze Extraktion und kleine JSON-Objekte. Die Referenz kostet 24.3 Credits je 1,000 Aufrufe; ein zweiter Luna-Aufruf mit derselben Tokenmenge bleibt unter einem Sonnet. Aber zusätzliche Berechnung, Modellaufrufe oder menschliche Prüfung kosten extra. Nicht jede Validierung ist günstig.
• Wenn Luna nicht genügt, teste Argon als günstigeren der zwei größeren Kandidaten. Bei zusätzlicher Google-Direktnutzung gehört die Änderung vom 1. Dezember ins Budget.
• Ziehe Sonnet für Debugging und mehrstufige Entwürfe in Betracht, wenn eigene Prompts zeigen, dass das Ergebnis den Aufpreis wert ist.

Ein mögliches Muster startet bei Luna und geht bei fehlgeschlagener Prüfung zu Argon oder Sonnet weiter. Endpunkt und Schlüssel sind gleich, doch Annahmekriterien und Ausführungsbudget musst du weiterhin definieren.

Python: Modell wechseln und Nutzung erfassen

Das Skript sendet denselben Prompt mit einem Client an alle drei, behandelt das Ausgabelimit und zeigt Antwort, usage, geschätzte Credits und reale Dauer. Ausführen erzeugt Kosten. Für diese Übersetzung wurden nur Syntax und Rechnungen lokal geprüft, keine API ausgeführt.

# pip install openai
import os, time
from openai import OpenAI

client = OpenAI(base_url="https://orux.top/api/v1", api_key=os.environ["ORUX_API_KEY"])

# Credits per 1M tokens (input, output), checked 2026-10-29. GPT-6 Luna: under-270K tier.
RATES = {
    "claude-sonnet-5-5": (190, 950),
    "gpt-6-luna": (5.4, 27),
    "gemini-4-argon": (132, 660),
}

PROMPT = """Extract every record as a JSON array of objects with keys
id, title, location, estimated_value_usd. Use null when a value is unknown
or conflicting. Return JSON only.

1. ID A-104, "Blue Vase", Gallery A, valued at $1,200
2. ID A-105, "Bronze Bell", Gallery B, valued at $800 or $950 (two appraisals)"""

def ask(model, prompt, limit=600):
    params = {"model": model, "messages": [{"role": "user", "content": prompt}]}
    # The one parameter difference between the three
    params["max_completion_tokens" if model == "gpt-6-luna" else "max_tokens"] = limit
    start = time.perf_counter()
    resp = client.chat.completions.create(**params)
    return resp, time.perf_counter() - start

for model, (rin, rout) in RATES.items():
    resp, secs = ask(model, PROMPT)
    u = resp.usage
    credits = (u.prompt_tokens * rin + u.completion_tokens * rout) / 1e6
    print(f"--- {model}: {u.prompt_tokens}/{u.completion_tokens} tokens, "
          f"≈ {credits:.6f} Credits, {secs:.1f} s, finish={resp.choices[0].finish_reason}")
    print(resp.choices[0].message.content)

Beim Standardaufruf änderst du hauptsächlich model und Lunas Limitnamen. URL, Schlüssel und grundlegende Antwortform sind gleich. Andere Fähigkeiten und Einschränkungen prüfst du im aktuellen Formular. Die Schätzung nutzt ursprüngliche Kurzkontextpreise ohne Cache, Mindestgebühren und Staffelwechsel. Genau ist die tatsächliche Abrechnungshistorie.

Ursprüngliche Preisprüfung: 2026-10-29; ergänzende Prüfung: 2026-11-01. Quellen: Anthropic, OpenAI, Gemini API und verlinkte Orux-Modellseiten. Die Aufschlüsselung mit Opus und Haiku steht unter Claude-API-Preise, auf Englisch.

FAQ

Q.Welches der drei ist am günstigsten?

Bei der kurzen Referenzlast kostet Luna 5.4/27 Credits je Million Eingabe-/Ausgabetokens ($0.027/$0.135), also 24.3 Credits je 1,000 Anfragen. Argon kostet 594 und Sonnet 855. Andere Mengen, Cache und Staffeln benötigen eine neue Rechnung.

Q.Welches ist am besten zum Programmieren?

Ohne Codebenchmark aller drei wird kein Sieger genannt. Sonnet positioniert sich für Debugging und iterative Problemlösung. 3,000/2,000 Tokens kosten etwa 2.47 Credits bei Sonnet, 1.72 bei Argon und 0.07 bei Luna. Das sind Kosten, keine Erfolgsquoten.

Q.Kann ich ohne Codeänderung wechseln?

URL und Schlüssel sind gleich; ändere model. Luna verlangt aber max_completion_tokens, die anderen max_tokens. Prüfe außerdem weitere Parameter je Modell.

Q.Wird Argon teurer?

Google erhöht offiziell am 1. Dezember 2026 von $2/$10 auf $4/$20 je Million. Orux kostete am 29. Oktober 132/660 Credits. Künftige Orux-Tarife richten sich nach den tatsächlichen Veröffentlichungen auf der Modellseite.

Q.Ersetzt Luna Sonnet?

Nicht automatisch. Luna richtet sich an Klassifikation, Extraktion und kurze Antworten, Sonnet an Entwürfe, Debugging und breitere Arbeit. Teste eng umrissene häufige Aufgaben mit Luna und bewerte sie. Rund 35-mal günstiger in der Referenzlast ist ein Testgrund, kein Beleg gleicher Qualität.