代码评审正成为大模型落地的重要场景之一。近日，Entelligence针对两款模型展开了一次横向评测，试图回答一个实际问题：低价模型能否胜任代码评审任务。

评测选取50个公开基准PR作为测试集，采用相同提示词，对比GPT-5.6 Luna与GPT-6 Astra的表现。结果显示，Luna共找到69个经验证bug，Astra则找到92个，两者在检出数量上存在差距。

精度方面，Luna为74%，Astra达到96%。成本差异更为显著：Luna总花费0.20美元，Astra为5.66美元，前者仅为后者的约二十八分之一。

这意味着在预算敏感或对精度要求相对宽松的场景中，低价模型具备一定可用性；而在需要高可靠性的评审流程里，高精度模型仍占据优势。评测数据为开发者在成本与效果之间的权衡提供了量化依据。