Pathways 150M-modell koster en ellevtedel av GPT-5.6 Luna per oppgave

34,2 mot 29,5 prosent, men til elleve ganger prisen. Det er sammenligningen Pathway la fram 11. august mellom OpenAIs GPT-5.6 Luna i Low-modus og sin egen BDH-CQ, en resonneringsmodell på 150 millioner parametere. Luna scorer høyest på det offentlige evalueringssettet til ARC-AGI-1, men koster 0,008 dollar per oppgave mot BDH-CQs 0,0007. Prissammenligningen tar allerede høyde for at OpenAI kuttet Luna-prisen med 80 prosent 30. juli.

Forskjellen ligger i hvor resonneringen skjer. Transformer-baserte modeller skriver tankerekken ut som tokens og mater den tilbake inn i neste steg, så både kostnad og forsinkelse vokser med lengden på sporet. BDH-CQ holder arbeidet i en rekurrent latent tilstand og produserer aldri et mellomliggende tekstspor.

«Today's AI pays a steep token cost for reasoning, but that cost is imposed by architecture, not by any law of intelligence» — Zuzanna Stamirowska, administrerende direktør og medgrunnlegger i Pathway

Resultatet er reprodusert av to utenforstående. Łukasz Kaiser, medforfatter av Transformer-artikkelen fra 2017, sier han har replikert ARC-AGI-1-resultatene selv, og NYU-forskeren Richard Zhong har gjort det samme. Pathway oppgir at deres egen kostnad er regnet ut fra målt maskinvaretid, mens sammenligningstallene er hentet fra ARC Prize Foundations offentlige tavle per juli 2026 og kan reflektere API-priser.

Det finnes verken vekter eller et API å prøve i dag. Pathway sier de nå vil skalere arkitekturen mot matematisk resonnering, ARC-AGI-2 og ARC-AGI-3, og at tidlige eksperimenter viser transformerlignende skaleringslover fra 1 til 600 milliarder parametere. Holder effektiviteten ved den skalaen, er prisen per resonneringssteg den ene variabelen som avgjør hvilke agenter det faktisk går an å kjøre i produksjon.