Pärast 80-protsendilist hinnalangust maksab GPT-5.6 Luna 0,20 dollarit miljoni sisendtokeni kohta, olles seega odavam kui Google’i Gemini 3.1 Flash-Lite ja viiendik Anthropicu Claude Haiku 4.5 hinnast.
Direct-OPD kannab RL-põhised poliitikanihked nõrgematelt mudelitelt tugevamatele üle, muutes kasutatavaks kaudse tasusignaali, mis tuleneb RL-nihutatud ja algse poliitika log-suhtest.
