OpenAI 同日双发 GPT-6 Sol 和 Luna：API 价格再砍 50%，把旗舰能力蒸进便宜档位

一句话结论：9 月 22 日美东时间，OpenAI 推出 GPT-6 Sol（中端档，$2/$10 每百万 token）和 GPT-6 Luna（轻量档，$0.10/$0.50），API 价格较上一代促销定价再降 50%，且明确这是常规定价而非限时折扣——这是 OpenAI 把旗舰能力蒸进便宜档、第一次在同一代产品线里做「三档并行」（Astra / Sol / Luna）的尝试。

AI 摘要

• 发生了什么：美东时间 9 月 22 日 OpenAI 推出 GPT-6 Sol 和 GPT-6 Luna 两款新模型，API 输入/输出单价较 GPT-5.6 对应档位的促销定价降 50%。
• 核心变化：Sol（$2/$10）介于 Astra 和 5.6 Sol 之间；Luna（$0.10/$0.50）针对高频、目标明确任务；提示缓存读取价降至未缓存输入价的 10%。
• 影响对象：用 OpenAI API 跑生产 Agent 的开发者、关注 token 成本结构的产品经理、做大模型选型对比的工程师。
• 下一步观察：Sol/Luna 在 ChatGPT、Codex、API 端的逐步推送节奏，以及 Sonnet 5.5 / Haiku 5.5 发布后整个中端市场的价格重置。

这是一次「三档并行」的明确表态

OpenAI 现在把 GPT-6 系列做成了三个明确档位：Astra（旗舰）、Sol（中端）、Luna（轻量）。从这次发布会开始，企业可以按任务难度、延迟容忍度和出错代价把不同环节分给不同档位，而不是把所有请求都堆给旗舰。

| 档位 | 用途 | 输入 / 输出价格（每百万 token）| 缓存读取 | | — | — | — | — | | GPT-6 Astra | 综合最强 | $10 / $50 | $1 | | GPT-6 Sol | 高难度日常工作 | $2 / $10 | $0.20 | | GPT-6 Luna | 高频、目标明确任务 | $0.10 / $0.50 | $0.01 |

这次定价不是限时促销——OpenAI 明确说「这是长期定价」。开发者因此可以直接用这组价格重新设计生产环境的模型分配逻辑，不用担心哪天涨价被打回原形。

真正值得看的不是价格，是「能力蒸进便宜档」

价格只是表层。Sol 在 OpenAI 公开的 AutomationBench 对照里，xhigh 推理强度下得分 33.2%，比低推理强度的 Astra 高 2.9 个百分点，单任务成本只有后者的约四分之一。在 DeepSWE v 1.1 的 max 档位中 Sol 拿到 68.8%，与 Claude Fable 5 在 xhigh 档的 69.9% 只差 1.1 个百分点，但 OpenAI 估算单任务成本低约 80%。

这件事的含义比表面更大：一部分原本必须跑旗舰的能力，现在可以用 Sol 跑到 90% 的水准、成本只有 11%。这呼应了站内 Claude Opus 5.5 那篇观察到的同一件事——前沿模型的竞争已经从「刷分」转到了「单位成本换智能」。

Luna 把价格压得更狠：$0.10 / $0.50 的输入/输出、$0.01 的缓存读取。对比小米的 MiMo-V 2.6-Flash（$0.14 / $0.28 / $0.0028），Luna 的常规定价已经逼近国产开源阵营的价位区间。这呼应了国产大模型选型决策树里反复强调的「开源和闭源的价差正在快速压缩」。

缓存机制是关键工程改造

这次发布另一个工程重点是提示缓存的升级。Sol 和 Luna 的缓存读取 token 都按未缓存输入价的 10% 计费（10% 的折扣比率与过去一致）。但 OpenAI 给开发者两个新能力：

• 可以在不破坏已有缓存的情况下调整推理强度和工具配置
• 可以明确指定缓存前缀在何处结束

第二点解决了过去开发者最头疼的问题——只要 prompt 开头有一点微调，整个缓存就失效。新机制让缓存的复用粒度更细、命中率更高。

OpenAI 透露了一个数字：过去几个月 GitHub Copilot 持续优化提示缓存，在数十亿次请求中需要重新计算的提示 token 比例已经下降。但具体比例没公开。对长上下文 Agent 来说，缓存命中率每提升一个点，开销就会再降一截——这跟 Opus 5.5 缓存读取降 60% 是同一个方向的工程动作。

事实性反而是这次最大的「反直觉信号」

OpenAI 内部测试显示 Sol 的事实错误率大约只有上一代的一半——这是好的。但 Artificial Analysis 独立测评的 AA-Omniscience 结果给了一个更微妙的图景：Sol 的幻觉率从 92% 降到 60%（好），但回答率从 99% 降到 83%（坏），正确率从 59% 降到 54%（坏）。

换句话说：Sol 更少给出错误答案，但也更频繁地选择不回答。这是一个值得注意的「保守化」倾向——模型变得更愿意承认「不知道」。在金融、医疗、法务这些看重事实一致性的场景，这是个改进；但在「必须给答案」的客服或推荐场景，这可能反而影响业务表现。

AA 给 Sol 的编程智能体指数打 57 分，比上一代高 2 分；Terminal-Bench 4.0 和 SWE-Atlas-QnA 等项目有所提高。每项任务约 2.99 美元，较上一代下降约一半。

Sol 和 Luna 实际能接下什么工作？

官方给出的基本定位是：

• Astra 仍是综合能力最强的模型，处理最高难度、需要最强推理的任务
• Sol 在更低成本下处理高难度日常工作——编码、复杂研究、长上下文分析
• Luna 用于高频、目标明确的任务——简单分类、意图识别、批量处理

实际工作流未必整体交给同一个模型，企业可以按难度、延迟、出错代价做组合分配。这种「分档使用」的模式在内部已经持续一段时间了（Anthropic 一直有 Sonnet / Haiku），但 OpenAI 这次正式把架构拉到「三档」水平。

智盒判断

短期看，OpenAI 通过 Sol + Luna 拿下了一次显著的市场份额机会。GPT-6 Astra 发布 19 天后即补齐 Sol 和 Luna，这个节奏比「半年一旗舰」要快得多——说明旗舰下沉已经是 OpenAI 战略级动作，不是临时反应。

中期变量在于 Anthropic 怎么接招。Claude Opus 5.5 是「旗舰降价」（-40% 成本），Sonnet 5.5 / Haiku 5.5 还没发。如果 Sonnet 5.5 价格对标 Sol、Haiku 5.5 对标 Luna，整个中端市场会被重定价。开源模型这一侧要看小米、阶跃星辰、阿里、DeepSeek 怎么应战——MiMo-V 2.6-Flash 已经把价位打到 Luna 区间。

长期看，这次发布让 OpenAI 的产品线结构清晰了：旗舰打上限，中端打规模，轻量打渗透。这个分档架构一旦稳住，其他厂商只能跟进。这也呼应了站内 DeepSeek V 4.1-Flash 和 国产模型周报 里反复出现的话题——大模型的竞争维度从「参数量」彻底转到了「每美元能买到的智能」。

FAQ

我应该立刻把生产环境切到 Sol/Luna 吗？

不建议立刻全切。建议先在自己最常见的 5-10 个任务上跑对照测试，对比 Sol/Astra、Luna/Sonnet 在质量、延迟、成本三个维度的差异。每个任务的「最佳档位」不一样，全切换可能掉质量。

缓存读取 90% 折扣能省多少？

取决于你的缓存命中率。如果你的 prompt 模板稳定、调用模式集中，命中率能到 80%+，缓存读取价基本决定你的实际开销。如果命中率低（每次都是新上下文），缓存收益小很多。建议用 OpenAI 提供的 cache hit 指标自己评估。

Luna 和开源模型价位已经接近，还要选 Luna 吗？

Luna 的优势在于 OpenAI 的工具链稳定性、Codex 集成、长上下文支持（105 万 token）。如果你的应用依赖这些，开源模型的微薄价差不值得冒险。如果只是简单文本分类，开源阵营（MiMo-Flash 等）确实是更经济的选择。

Sol 的「更少回答」会不会影响业务？

要看场景。在需要「宁可不答也不能错」的领域（金融、医疗、法务），Sol 的保守化是改进。在需要「必须给推荐/答案」的场景（客服助手、推荐系统），这种保守化可能让回答率不达标。AA-Omniscience 数据给你一个起点，但还是要回到自己的数据上测。