Die Preistabelle vom 22.09.2026 zeichnet ein offensichtliches Muster. Setze GPT-6 Luna für 0,10 $ pro Million Input-Tokens auf die Arbeit, die niemand gerne macht, und Claude Opus 5.5 für 4 $ auf den Agent, der sie prüft – und du behältst den größten Teil des Durchsatzes für einen Bruchteil der Rechnung. Viele Teams richten das gerade diese Woche ein, und die meisten werden etwas bauen, das wie Review aussieht und keiner ist.
Das Scheitern liegt nicht in einem der beiden Modelle. Es liegt darin, was die Lücke zwischen ihnen überquert. Ein Reviewer, der die Zusammenfassung eines Workers über seine eigene Arbeit liest, liest eine Behauptung, und alles, was er zurückgeben kann, ist ein Urteil über eine Behauptung. Der Diff ist durchgelaufen, sagt der Worker. Sieht gut aus, sagt der Reviewer. Ein Mensch genehmigt es, weil zwei Modelle übereinstimmten – die am wenigsten informative Art von Übereinstimmung, die es gibt.
Die interessante Frage in einer Mixed-Model-Crew ist also nicht, welches Modell wohin gehört. Sie lautet, was der Handoff mit sich tragen muss.
Was eine Mixed-Model-Crew ist
Eine Mixed-Model-Crew ist eine Gruppe von Agents, bei der die Runtime pro Rolle statt pro Team gewählt wird und mindestens eine Rolle nur dazu existiert, die Ausgabe der anderen zu prüfen.
Ein Reviewer-Agent ist keine Genehmigung. Er ist eine zweite Meinung mit Kosten, erstellt, bevor ein Mensch hinschaut, damit der Mensch eine kürzere Liste liest. Agents recherchieren, führen aus, testen und berichten. Menschen geben die Richtung vor, erteilen Befugnisse und nehmen das Ergebnis ab. Ein teures Modell in die Mitte dieses Satzes zu setzen, verschiebt den letzten Teilsatz nicht.
Die drei Stufen, wie die Anbieter sie veröffentlicht haben
| Claude Opus 5.5 | GPT-6 Sol | GPT-6 Luna | |
|---|---|---|---|
| API-ID | claude-opus-5-5 |
gpt-6-sol |
gpt-6-luna |
| Input / Output pro 1 Mio. | 4 $ / 20 $ | 2 $ / 10 $ | 0,10 $ / 0,50 $ |
| Gecachter Input | 0,20 $ Lesen, 5 $ Schreiben | 90 % Rabatt auf Lesezugriffe | 90 % Rabatt auf Lesezugriffe |
| Kontext | 1M | 872k | 1M |
OpenAI beschreibt Sol und Luna als 50 % günstiger als die Promotionspreise von GPT-5.6, und „Promotion" ist hier das entscheidende Wort: Der Ausgangswert ist ein rabattierter Preis. OpenAI sagt außerdem, GPT-6 Astra „sei weiterhin über alle Bereiche hinweg unser bestes Modell".
Eine Warnung, bevor jemand eine Rangfolge in diese Aufteilung hineinliest. Der Launch-Post von OpenAI vergleicht Sol und Luna mit Claude Opus 5, weil Opus 5.5 zum Zeitpunkt des Schreibens noch nicht existierte und erst Stunden später erschien – nach Anthropics eigener Aussage 40 % günstiger im Betrieb als Opus 5. Niemand hat diesen Vergleich erneut durchgeführt, und die beiden Anbieter nutzen kein gemeinsames Harness. Wähle die Rollen nach dem Preis und nach dem beobachteten Verhalten in deinem eigenen Repository.
Was jeder Anbieter tatsächlich über sein eigenes Modell sagt, reicht aus, um Rollen zuzuweisen. Für Luna meldet OpenAI 66,6 % auf DeepSWE 1.1 bei maximaler Reasoning-Anstrengung, 93 % günstiger pro Task als Claude Opus 5 und 96 % günstiger als Fable 5, und bei höherer Anstrengung ein Factuality-Ergebnis, das GPT-5.6 Sol entspricht, zu etwa einem Hundertstel der Kosten. Das ist ein Modell, das man auf Volumen ansetzen kann. Für Opus 5.5 meldet Anthropic 66,4 % auf Terminal-Bench 4.0, 54,4 % auf FrontierCode v1.1, 81,8 % auf OSWorld 2.0, 128k maximale Ausgabe und eine Verweildauer bei der Aufgabe von 18 Stunden oder mehr. Das ist ein Modell, das man auf Urteilsvermögen ansetzen kann.
Lesen ist die günstige Hälfte eines teuren Modells
Der Grund, warum dieses Muster den Kontakt mit einer Rechnung übersteht, ist Caching – und die Asymmetrie entscheidet über das Design.
Opus 5.5 liest gecachten Input für 0,20 $ pro Million. Das ist ein Zwanzigstel seines eigenen ungecachten Input-Preises und doppelt so viel wie Lunas ungecachter Preis. Seine Ausgabe kostet 20 $ pro Million, vierzigmal so viel wie Lunas 0,50 $. Ein Reviewer, der gewaltige Mengen liest und zwanzig Zeilen schreibt, ist also nahezu kostenlos – einer, der ausgiebig erzählt, nicht.
Das ergibt eine Regel mit einem Beleg dahinter: Der Reviewer liest alles und sagt fast nichts. Gib ihm das Repository-Präfix, die Konventionen, den Diff und das folgende Paket – und begrenze, was er zurückgibt.
Auch die Worker-Seite cached. GPT-6 erhöht die Trefferraten standardmäßig mit 90 % Rabatt auf gecachte Input-Lesezugriffe, fügt explizite Breakpoints hinzu, sodass du wählst, wo ein gecachtes Präfix endet, und invalidiert den Cache nicht mehr, wenn du die Reasoning-Anstrengung oder die Verfügbarkeit von Tools änderst. GitHub meldet über 50 % weniger Prompt-Tokens, die über Milliarden von Anfragen hinweg neu verarbeitet werden müssen. Für eine Flotte von Luna-Workern, die den ganzen Tag dasselbe Repository immer wieder lesen, ist das der größte Teil der Rechnung.
Was der Handoff mit sich tragen muss
Hier ist das Artefakt, eine Handoff-Vorlage, die auf einen Leser in Form eines Modells zugeschnitten ist. Ein Worker gibt sie an den Task zurück, wenn er stoppt, und der Reviewer liest nur diese plus den Diff.
SH-312 Add retry with backoff to the webhook sender
Worker: Agent "backend-worker" - Runtime Codex on gpt-6-luna
Attempts: 2 (attempt 1 failed on lint)
Diff: 4 files, +118 / -12 (worktree sh-312, commit a91f4c2)
Commands run, verbatim:
$ pnpm lint exit 0
$ pnpm typecheck exit 0
$ pnpm test -- sender exit 0 14 passed, 0 failed, 3 skipped
$ pnpm build exit 0
Not done:
- The 3 skipped tests need a live webhook endpoint. Not run.
- Did not touch the queue consumer, which has the same bug.
Assumptions made:
- Max 5 retries, ceiling 30s. No spec said. Copied the values
already used in payments/retry.ts.
Stopped because: acceptance criteria met.
Vier Eigenschaften machen dieses Paket seine Tokens wert.
Es sind Artefakte, keine Erzählung. Befehle und Exit-Codes kann man erneut ausführen. „Ich habe das Verhalten verifiziert" kann niemand überprüfen.
Es benennt, was nicht getan wurde. Die übersprungenen Tests und der unangetastete Consumer sind genau die zwei Dinge, die eine Zusammenfassung weggelassen hätte – und die zwei Dinge, die ein Reviewer am dringendsten braucht. Verlange ausdrücklich, dass Auslassungen genannt werden, sonst enthält eine aufgeräumte Zusammenfassung sie nicht.
Es hält Annahmen fest. Jeder abgegrenzte Task enthält eine Entscheidung, die die Spezifikation nicht getroffen hat. Aufgeschrieben ist sie ein Review-Punkt. Weggelassen ist sie einen Monat später eine Überraschung in der Produktion.
Es nennt einen Stopp-Grund. Fertig, blockiert, Budget ausgeschöpft und zweimal fehlgeschlagen sehen im Repository identisch aus und bedeuten auf einem Board Unterschiedliches.
Was der Reviewer zurückgibt
REVIEWER Agent "review" - Runtime Claude Code on claude-opus-5-5
Reads: repository prefix (cached), the packet, the full diff
Writes: at most 20 lines
VERDICT changes requested
CHECKED 4 commands re-run, all exit 0. Backoff ceiling honoured.
UNVERIFIED 3 skipped tests. No evidence the retry path ever runs.
BLOCKING Retry wraps the 4xx branch. A 422 will be retried 5 times.
FOR A PERSON Queue consumer has the same bug and is out of scope.
Split SH-312, or widen it?
Die UNVERIFIED-Zeile ist es, die dem Reviewer seinen Preis einbringt. Ein günstiger Worker wird dir nicht sagen, welche seiner Behauptungen auf nichts fußen – teils, weil er es selbst nicht weiß. Ein teures Modell, das ein strukturiertes Paket liest, kann trennen, was es bestätigt hat, von dem, was es auf Treu und Glauben angenommen hat, und diese Trennung ist das Produkt des Review-Schritts. Die FOR-A-PERSON-Zeile ist die andere Hälfte: Der Reviewer entscheidet nicht über den Umfang, er gibt die Frage an den Task zurück.
Die Grenze, die das ehrlich hält: Ein Reviewer-Agent kann Befehle erneut ausführen, den Diff lesen und den Unterschied zwischen Beleg und Behauptung markieren. Er kann dir nicht sagen, ob dies das richtige Feature war. Was ein Review-Agent verifizieren kann und was nicht, ist eine feste Liste, und sie wird kürzer, nicht länger, wenn der Reviewer teuer ist.
Zwei Fehlermodi, auf die du achten solltest
Latenz ist der erste, und sie ist kontraintuitiv. Artificial Analysis, ein Drittanbieter und nicht einer der beiden Anbieter, maß die „max"-Reasoning-Varianten mit 124,23 Sekunden bis zum ersten Token bei Luna und 102,15 Sekunden bei Sol. [VERIFY] Prüfe diese Angaben gegen die aktuelle Auflistung, bevor du dich darauf verlässt. Das Muster zählt mehr als die Ziffern: Bei hoher Reasoning-Anstrengung sind die günstigen Modelle nicht die, die schnell starten, sodass eine Mixed-Model-Crew Worker hat, die hängen zu scheinen, und einen Reviewer, der auf sie wartet. Das ist ein Status-Problem, kein Modell-Problem.
Das Review-Volumen ist der zweite. Zehn Luna-Worker erzeugen zehn Pakete. Wenn der Reviewer neun genehmigt und eines eskaliert, hast du zehn Agent-Durchläufe in eine menschliche Entscheidung umgewandelt – und genau darum geht es. Wenn er sechs eskaliert, hast du für das Review bezahlt und schuldest immer noch sechs Entscheidungen, und die Review-Queue war ohnehin schon der Engpass. Verfolge die Eskalationsrate pro Worker-Agent über einen Sprint. Sie sagt dir, ob das Paket zu dünn oder die Tasks zu groß sind – lange bevor es die Rechnung tut.
Wann du das nicht tun solltest
Nutze ein einziges Modell für alles, wenn eine Person ein oder zwei Agents in einem Repository betreibt. Das Paket ist Overhead, der Reviewer ist eine zweite Rechnung – und der Reviewer bist ohnehin du selbst.
Nutze eine Mixed-Model-Crew, wenn mehrere Agents parallel laufen, wenn mehr als eine Person einen Lauf starten kann oder wenn die fertige Arbeit die Zeit übersteigt, die irgendjemand hat, sie zu lesen.
Und setze das teure Modell nicht fürs Review ein, wenn die Arbeit selbst der schwierige Teil ist. Eine Migration, die stundenlang Kontext halten muss, gehört direkt auf Opus 5.5, mit einem günstigen Agent, der danach das Paket schreibt. Die Wahl pro Rolle bedeutet eine Wahl pro Task, nicht einmal pro Team – deshalb ist die Zuordnung von Modellen zu Agent-Rollen eine Regel, die man aufschreibt, statt einer Gewohnheit, die sechs Personen privat hegen.
Die Zahl, die sich nicht bewegt hat
Die Kosten pro erledigtem Task sind auf beiden Seiten dieses Launches stark gefallen. OpenAI berichtet, dass der Median seiner Researcher über 600 $ pro Tag für Coding-Agents ausgibt, mit dem 90. Perzentil bei über 7.000 $. Teams unterhalb dieser Grenze können sich jetzt ein Vielfaches mehr an Agent-Arbeit leisten als letzte Woche.
Die Reviewer-Stunden sind genau da, wo sie waren. Eine Mixed-Model-Crew verdient sich ihre Daseinsberechtigung, indem sie mehr günstige Ausgabe in weniger menschliche Entscheidungen verwandelt – und das passiert nur, wenn der Handoff Belege statt einer Zusammenfassung trägt. Behalte das Ziel, den Diff, die Befehle, die Blocker, die unverifizierten Behauptungen und das menschliche Review, das vom Request bis zum Release zum Task zurückkehrt – und die Modell-Aufteilung wird zu einer Einstellung, die du im nächsten Quartal ändern kannst, ohne dass sich für irgendjemanden die Arbeitsweise ändert.
Sharkly betreibt das Modell nicht und wählt es nicht für dich aus. Es ist die gemeinsame Task-, Computer-, Kontext- und Review-Ebene um die Tools herum, die das tun – und genau dort muss ein Handoff leben, wenn ein Reviewer und ein Mensch ihn beide lesen sollen. Wenn du bereits mehrere Coding-Agents laufen lässt: Verbinde einen Computer, erstelle einen Worker-Agent und einen Reviewer-Agent und lass den Worker dieses Paket bei etwas Langweiligem zurückgeben.
