GPT-5.6 Luna hat auf 50 öffentlichen Pull Requests 69 verifizierte Bugs gefunden, GPT-6 Astra 92, wie der Vergleich vom 14. September 2026 auf entelligence.ai zeigt. Rechnerisch heißt das: Luna liefert 75 % der Bugs, die Astra findet, für 3,6 % der Kosten.
Reicht das 1,20-Dollar-Modell also für Code-Reviews? Laut diesem Test: für allgemeine Korrektheits-Prüfungen ja, sofern ihr die Fehlalarme anschließend selbst sortieren wollt.
Ich hab da erstmal reingezoomt, weil 28-fach billiger nach Tippfehler klingt. War keiner: Ein einzelnes Review kostete Luna 0,0041 Dollar, Astra 0,113. Auf der Preistabelle steht das auch, 0,20 Dollar pro Million Input-Tokens bei Luna, 10 bei Astra, bei Output 1,20 zu 50. Bevor also ein einziges Token rausfliegt, steht Astra schon eine Größenordnung weiter oben.
Wo hakt es dann bei Luna?
Der Haken sitzt bei der Verifizierung: 24 von Lunas 93 Hinweisen haben die Prüfung nicht bestanden, die anderen 69 schon. Und genau da wird’s interessant, denn wer sortiert die Fehlalarme? Wer schon mal einen Code-Review-Bot begleitet hat, weiß, dass halbfalsche Hinweise oft mehr Arbeit machen als der Bug selbst.
Warum baut Entelligence solche Vergleiche? Weil die Firma einen Modell-Router entwickelt, der jede Coding-Aufgabe zum günstigsten Modell schickt, das sie bewältigen kann. Solche Zahlen sagen ihr, wo genau die Grenze liegt. Und sie legen Daten und Skripte des Tests frei, was bei Benchmark-Artikeln keine Selbstverständlichkeit ist.
Mein Zwischenfazit fällt zweigeteilt aus. Für allgemeine Korrektheits-Prüfungen sieht Luna wirklich stark aus, 75 % der Treffer bei 3,6 % der Kosten kann man schlecht überbieten. Astra findet auf denselben PRs aber 23 verifizierte Bugs mehr, und bei sicherheitsrelevantem Code kann ein falsch gespartes Review schnell teuer werden.
Ob sich das auf eure Codebase überträgt, verrät der Artikel nicht, und das kann er auch nicht, denn jede Repo ist anders. Die Frage, die mir bleibt, ist eine andere: Für welches Viertel der zusätzlichen Bugs zahlt ihr freiwillig das 28-fache?