OpenAI 的 GPT-6 Sol 与 GPT-6 Luna 详情

9 月 22 日，OpenAI 在 Anthropic 发布 Opus 5.5 后数小时内推出 GPT-6 Sol 与 Luna，API 永久降价 50%，并把竞争单位从「每 token 单价」改为「每任务成本」。

美东时间2026年9月22日，OpenAI正式发布‌GPT-6 Sol‌与‌GPT-6 Luna‌两款新模型，距离旗舰GPT-6 Astra发布仅不到三周，直接补齐了GPT-6家族的中低端高性价比产品线，将旗舰级能力下放到规模化生产场景，API定价较上代GPT-5.6直接腰斩50%。siTe:AID❂eepThink.cn

一、核心定位与能力表现

两款模型均基于GPT-6 Astra同源训练框架，通过蒸馏下放与推理架构优化，在保留核心能力的同时实现极致性价比，定位完全差异化：

1. GPT-6 Sol‌

主要目标：面向复杂任务的主力工程模型，主打深度推理与硬核开发场景
核心性能：DeepSWE v1.1真实代码库测试得分‌68.8%‌，距离Fable 5的历史最高分仅差1.1个百分点；AutomationBench跨应用Agent测试xhigh档位得分33.2%，OSWorld 2.0计算机操作测试得分60.5%，与Claude Opus 5中等强度水平基本持平。siTe:AID❂eepThink.cn
基础规格：105万Token上下文窗口，最大支持128K Token输出，知识截止日期为2026年4月20日，原生支持图文输入、全工具链调用，新增none档位可完全关闭推理进一步压低成本。

2. GPT-6 Luna‌

主要目标：面向高频吞吐的轻量效率模型，主打批量处理与高并发场景
核心性能：DeepSWE v1.1编程测试得分‌66.6%‌，接近Claude Opus 5中等强度水平；OSWorld 2.0测试表现全面超越上一代GPT-5.6 Sol medium档位，AutomationBench得分较GPT-5.6 Luna提升5.4个百分点。
基础规格：同样支持105万Token上下文与128K Token输出，知识截止日期更新至2026年5月18日，比Astra的知识截止时间更晚，适配日常高频信息处理需求。

3. 参数表

项	GPT-6 Sol	GPT-6 Luna
输入 / 输出（$/1M）	$2 / $10	$0.10 / $0.50
前代（GPT-5.6，促销价）	$4 / $20	$0.20 / $1.20
降幅	输入/输出各 -50%	输入 -50%、输出 -58.3%
上下文窗口	1,050,000 token	1,050,000 token
最大输出	128,000 token	128,000 token
缓存输入	$0.20（未缓存的 10%）	$0.01
缓存写入	未缓存输入的 1.25 倍	同
知识截止	2026-04-20	2026-05-18
推理档位	none → max（默认 medium）	同

二、颠覆性定价策略

本次发布最具冲击力的是直接击穿行业底价的定价体系，成本控制能力远超市场预期：

模型	输入价格（每百万Token）	输出价格（每百万Token）	缓存读取价格（每百万Token）
GPT-6 Sol	‌2美元‌	‌10美元‌	0.2美元
GPT-6 Luna	‌0.1美元‌	‌0.5美元‌	0.01美元

对比上代GPT-5.6促销价直接降价50%，Sol的价格仅为Claude Opus 5.5的一半、GPT-6 Astra的五分之一；Luna的价格仅为Astra的1%，单任务处理成本比Claude Opus 5.5低93%，直接杀入DeepSeek等开源替代的价格腹地。
配套升级Prompt Caching机制，默认缓存命中率大幅提升，缓存输入读取直接享受90%折扣，支持动态调整推理强度与显式断点控制，长上下文Agent场景下成本可进一步压缩。
超长上下文规则：单次请求输入超过27.2万Token时，全请求按长上下文规则计费，Sol输入/缓存价格翻倍、输出提价50%，Luna对应调整为0.2美元/0.75美元，兼顾105万Token大窗口能力与常规场景的低成本。

三、落地与使用规则

两款模型首发完全面向生产级工作场景，没有直接开放普通聊天入口：

1. 权限覆盖

Plus、Pro、Business、Enterprise及Edu用户可在ChatGPT Work、Codex中直接使用，同时开放API调用；免费版与Go用户仅能在桌面端应用中体验GPT-6 Luna。

2. 能力对齐

两款模型在事实准确性、代码输出可靠性、人类对齐程度上全面超越GPT-5.6对应版本，大幅降低代码生成幻觉、错误断言等问题，适合直接接入企业生产自动化流程。

3. 产品矩阵

至此OpenAI已形成完整的GPT-6三级梯队——Astra作为旗舰攻坚超高难度任务，Sol作为主力承接复杂开发与Agent工作流，Luna负责海量高频批量任务，实现从峰值性能到规模化落地的全场景覆盖。

四、应用场景与选型建议

把「成本优化」从模型层移到服务层：同样的模型能力，靠缓存命中率与推理调度把边际成本压下去，并以永久价而非限时促销的方式传递给客户：

Sol：面向开发者与知识工作者高频重复执行的复杂任务——功能开发、代码审查、调试、数据分析 siTe:AID❂eepThink.cn
Luna：高吞吐的确定性任务——摘要、抽取、直接问答
Astra：跨模态复杂项目、硬科学/数学问题
分层逻辑对 Agent 经济性的意义在于：一个工作流的成本取决于调用次数 × 上下文重放量 × 是否每一步都需要前沿模型，因此定价分层本身比单点跑分更值得关注。