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】
