本周，OpenAI不再单纯强调下一代模型的智力上限，转而推销更廉价的思考能力。周二，该公司正式推出GPT-6 Sol和GPT-6 Luna两款新模型，定位均低于上月发布的旗舰产品GPT-6 Astra。尽管技术叙事并无新意，但其商业策略却极具攻击性：API价格较前身GPT-5.6的促销价直接减半，且这并非限时优惠，而是新的标准定价。
具体而言，GPT-6 Sol的输入价格为每百万Token 2美元，输出价格为10美元；GPT-6 Luna则更为低廉，输入仅需0.10美元，输出为0.50美元，其中输出成本降幅接近58%。OpenAI CEO Sam Altman直言，这些模型实现了“每Token半价，甚至每项任务成本更低”。这一动作时机微妙，恰逢Anthropic发布Claude Opus 5.5并同步降价。行业共识认为，竞争焦点已从突破智能天花板转向压低代理（Agent）的运行成本底线。
三级梯队：从昂贵专家到海量数据处理
GPT-6家族现已形成清晰的三级梯队。GPT-6 Sol作为主力机型，专为复杂编码、长期运行的代理任务、调试及数据分析设计；GPT-6 Luna则定位为处理海量数据的“机器”，适用于摘要、提取、分类及简短问答；而GPT-6 Astra仍作为昂贵的专家模型，处理最高难度的多模态和科学工作。
TechRepublic指出，这种划分直击工程痛点：更低的模型和缓存成本，使得让代理持有更多上下文、运行更长时间并在发票成为限制前尝试更多步骤变得切实可行。长期以来，高昂的Token消耗是代理项目的“无声杀手”，团队往往因重试成本过高而非模型愚蠢放弃项目。半价策略虽未根除这一问题，但显著移动了成本红线。
定价陷阱：27.2万Token的断崖效应
headline中的低价背后隐藏着复杂的计费逻辑。在GPT-6系列中，输出价格通常是输入价格的五倍，且缓存读取成本仅为新输入率的10%。然而，所有三款模型均存在一个关键的“断崖点”：一旦输入超过27.2万个Token，整个请求将重新定价，输入和缓存费率翻倍，输出价格上涨50%。
FinOps LLM的分析显示，当输入从27万Token增至30万Token（增幅11%）时，成本可能激增74%。对于不加监控任由历史记录增长的代理，这一红线极易触发。在实际对比中，一步包含20万输入Token（90%缓存）和2万输出Token的操作，Luna成本约0.014美元，Sol约0.276美元，而Astra高达1.38美元。若运行一万步，Luna总成本仅138美元，Sol为2,760美元，Astra则达13,800美元。相比之下，Claude Opus 5.5每步成本约0.52美元。这种算术差异使得模型路由成为关键的产品决策。
性能与争议：半价是否等于更高性价比？
OpenAI声称GitHub已通过更好的缓存机制获益，Copilot在处理数十亿次请求时，超半数提示词Token无需重新处理。在基准测试方面，OpenAI数据显示GPT-6 Sol在AutomationBench和Agents’ Last Exam中，以更低的成本击败了Claude Opus 5。例如在DeepSWE v1.1中，Sol得分68.8%，略低于Claude Fable 5的69.9%，但成本低约80%。
然而，独立测试结果更为复杂。Artificial Analysis发现，Sol和Luna的智能指数大致维持GPT-5.6水平，成本分别降低约50%和60%，但这主要源于价格下调而非效率提升。事实上，两模型每项任务产生的输出略多，且在部分知识工作集（GDPval-AA）上出现性能下滑，表现为交付物缩短。ZDNET亦指出，OpenAI常将新模型的最大努力状态与对手的温和设置对比，存在“赛马”嫌疑。Sol在全力冲刺下仅勉强匹敌以一半努力运行的旧版Opus 5，其核心优势在于用五分之一的钱完成类似工作。
在事实准确性和对齐性方面，OpenAI称GPT-6 Sol的错误率约为GPT-5.6 Sol的一半，Luna在较高努力下以极低成本匹配了前代可靠性。对齐性测试显示，Sol执行未经授权行动的比例从52%降至11%，Luna试图绕过限制的行为率从77%降至42%。尽管有所改善，但部署至生产环境仍需人工介入。
市场影响：杰文斯悖论与预算现实
GPT-6 Sol和Luna正逐步向Plus、Pro及企业级用户开放，免费用户可在桌面应用中使用Luna。AWS Bedrock也同步上线这两款模型，定价与OpenAI直接费率一致。值得注意的是，原GPT-5.6中的中间层模型Terra暂时缺席，其负载可直接迁移至成本更低的Sol。
这场价格战并非孤立事件。Anthropic、xAi及中国实验室均在推出廉价智能模型。Ramp首席经济学家Ara Kharazian指出，这是一场双线价格战：中间层模型更便宜，高端模型直接降价。Citadel Securities报告称，Token成本下降足以推动用量增加，从而提升整体AI支出。这意味着期望AI预算减半的企业可能会失望：单位价格下降，但工作量扩大，总预算可能保持不变甚至上升，这正是数据中心里的“杰文斯悖论”。
对于开发团队而言，策略应转向衡量“每个接受结果的成本”而非“每百万Token成本”。建议将Luna用于提取和路由，Sol作为默认编码代理，仅在Sol失败时启用Astra。同时，必须将缓存优化作为首要设计选择，并密切关注27.2万Token的定价界限。
GPT-6家族的发布标志着一个文化转变：行业争论的焦点已从“代理是否准备好”转向“犯错的成本”。半价并未让工作免费，而是让工作变得连续。未来一年的竞争，不在于谁能思考得更艰难，而在于谁能思考得足够便宜，以至于企业停止关闭代理。
【星途科讯 图文丨周鑫雨 首发于ZAKER科技，转载请注明出处】