GPT6 Sol和Luna价格降一半：Token便宜了，你的账单真的少了吗？

2026年9月22日，OpenAI发布GPT-6 Sol和Luna，API价格较GPT-5.6促销价直降50%——Sol降至$2/$10，Luna降至$0.10/$0.50。GPT6 Sol和Luna价格降一半看似是开发者的普惠时刻，但独立评测揭示了一个值得警惕的事实：Token单价腰斩，任务成本却没有同步下降，部分能力甚至出现倒退。

一个被忽略的算术问题

9月22日，OpenAI发布了GPT-6家族的两款新成员——Sol和Luna。新闻标题整齐划一：价格腰斩。

数字确实漂亮。Sol每百万输入Token从$4降到$2，输出从$20降到$10；Luna输入从$0.20降到$0.10，输出从$1.20降到$0.50。OpenAI官方声明中明确表示，这是永久定价，不是限时促销。

但Artificial Analysis在同一天的独立评测中给出了一个更值得玩味的数字：GPT-6 Sol完成一次Intelligence Index任务的成本约为$1.06，比GPT-5.6 Sol的$1.99低了约47%——低于50%的降价幅度。原因在于，GPT-6 Sol完成同一任务消耗的输出Token从29k增加到了31k。

换句话说，单价降了50%，但用量涨了约7%，净效果打了折扣。Luna的情况更明显：任务成本从$0.18降到$0.07，降幅约61%，优于50%——但这主要是因为Luna的输出Token消耗从41k激增到51k，单价降幅被更大的消耗量部分抵消了。

这是理解GPT6 Sol和Luna价格降一半这件事的第一个关键视角：Token定价是原料价格，任务成本才是出厂价。 原料降了价，如果配方变了，出厂价未必同比例下降。

降价幅度与能力变化的错位

把两款模型放在同一张桌子上对比，会看到一个更复杂的故事。

这张表里藏着两个重要的错位。

第一个错位：Sol和Luna的“进步方向”并不一致。Sol在编码智能体上比前代提升了2分，但Luna反而退步了2分——在SWE-Atlas-QnA上从49%掉到44%，在DeepSWE v1.1上从66%降到64%。Sol是实打实的升级，Luna更像是“降价换能力”的取舍。

第二个错位：计算机操作能力出现了明显回退。GPT-6 Sol在OSWorld 2.0上的得分是60.5%，而GPT-5.6 Sol是65.7%——差了5.2个百分点。一个价格只有前代一半的模型，在最广泛的通用能力测试上表现更差，这不是偶然。OpenAI明显在优化“每任务成本”而非“能力上限”。

还有一个容易被忽略的数据：在GDPval-AA v2.1——一个基于44个职业的经济价值任务基准——Sol的Elo分下降了约100分，Luna下降了约75分。这意味着在真实的知识工作场景中，两款新模型的实际产出质量可能不如前代。评测团队人工检查了数百个模型输出后发现，退步主要体现在“呈现质量下降和遗漏评分标准要素”。

这不是说GPT-6 Sol和Luna不好。而是说，降价的代价被精确地分配在了某些能力维度上。OpenAI选择了一条清晰的产品路线：为高频、规模化的工作流提供极致性价比，而不是为追求最高质量的复杂任务提供最优解。GPT-6 Astra仍然是“最佳效果和无妥协体验”的选择。

缓存不是技术优化，是定价权的转移

OpenAI在公告中把降价的底层原因归结为“缓存和推理效率的改进”。这句话值得拆开看。

提示词缓存不是新技术。它的基本原理是：当系统发现同一段指令已经被处理过，就不再重复计算，直接返回缓存结果。对于高频调用相似场景的企业应用来说，这天然是一个省钱机制。

但GPT-6的缓存改动有一个关键升级：推理强度或可用工具在对话中途改变时，之前的上下文仍然可以作为缓存使用。在此之前，一旦Agent在任务执行过程中调整了推理深度或切换了工具，缓存就会失效，之前积累的上下文需要重新计算。这个限制让缓存在真实的Agent工作流中很难发挥作用——因为Agent的本质就是在执行过程中动态调整策略。

现在这个限制被解除了。OpenAI同时将缓存读取的折扣维持在90%，写入溢价维持在25%。GitHub的报告显示，这些改动让需要重新处理的提示词Token比例下降了超过50%。

但这里有一个被低估的战略含义。缓存的效果取决于调用模式，而调用模式取决于用户积累。 谁拥有更多的高频真实业务场景，谁就能让缓存发挥更大的杠杆效应，形成“用得越多，单位成本越低”的正反馈。OpenAI把Luna的价格压到$0.10，本质上是在赌自己的用户基数足够大、调用模式足够集中，能让缓存效应持续放大。

这意味着一个看似纯粹的技术优化，实际上重新分配了议价权：缓存命中率高的用户获得真实降价，缓存命中率低的用户承受名义降价。 如果你的调用模式天然分散、每次请求的上下文差异大，你拿到的实际折扣远低于50%。

“协调放缓”的终结

把GPT-6 Sol和Luna放在2026年9月的时间轴上，会看到更大的图景。

9月21日，xAI发布Grok 4.7，主打性价比。9月22日，Anthropic在OpenAI发布前90分钟推出Opus 5.5，定价$4/$20，声称典型工作负载成本降低40%。同一天，OpenAI发布Sol和Luna。三家头部实验室在48小时内密集出手。

这不是巧合。Axios的报道指出，行业竞争焦点正在从“性能比拼”转向“成本优化”。更值得关注的是，这种同步降价的节奏表明，此前几家实验室之间某种心照不宣的“协调放缓”已经结束。当一家开始实质性降价，其他家必须在数小时内跟进，否则面临开发者流失的风险。

Forkast的分析用了一个精准的标题：“三层模型家族终结了协调放缓”。GPT-6家族现在的三层结构——Astra $10/$50、Sol $2/$10、Luna $0.10/$0.50——覆盖了从企业级推理到高频文档处理的完整成本谱系。一个开发者在OpenAI生态内就能找到所有价位的选择，离开的动机被大幅削弱。

但这不意味着OpenAI在打一场纯粹的防守战。更准确的理解是：OpenAI正在用Luna的极致低价，把“AI调用成本”这个概念本身变得无关紧要。 当一次文档摘要或数据提取的成本趋近于零时，企业的决策逻辑会从“这件事值不值得用AI做”变成“为什么不用AI做”。这是需求侧的扩容策略，不是供给侧的价格战。

与此同时，缓存机制和三层架构的组合，构建了一道不容易被简单复制的能力壁垒。竞争对手可以匹配Token单价，但很难在短时间内复制一个覆盖全谱系、缓存效率经过大规模调用验证的模型矩阵。

六个你真正需要知道的问题

GPT-6 Sol和Luna的价格确实降了50%吗？

官方定价表显示，Sol从$4/$20降至$2/$10，Luna从$0.20/$1.20降至$0.10/$0.50，降幅精确为50%。但这是永久定价，不是限时促销，与GPT-5.6此前的“促销价”对比的含义需要留意：促销价本身可能已经是折扣后的价格。

为什么单价降了50%，任务成本降幅却不一样？

因为GPT-6 Sol和Luna完成同一任务消耗的输出Token略多于前代。Sol从29k增加到31k，Luna从41k增加到51k。输出Token的增量部分抵消了单价的降幅。

GPT-6 Luna比Sol便宜20倍，它适合什么场景？

Luna定位是“专注、高吞吐量的任务”——文档摘要、信息提取、分类、路由等目的明确、不需要深度推理的工作。它在这些场景下的每任务成本可以低到Sol的十分之一甚至更低。但如果你需要的是复杂代码重构或多步Agent工作流，Luna的能力天花板会成为瓶颈。

GPT-6 Sol和Luna在所有能力上都超过了前代吗？

不是。在OSWorld 2.0计算机操作基准上，Sol的得分从65.7%下降到60.5%。在GDPval-AA v2.1知识工作基准上，Sol的Elo分下降了约100分，Luna下降了约75分。编码和Agent任务上Sol有提升，但通用知识工作的产出质量出现了回退。

缓存到底能帮我省多少？

取决于你的调用模式。如果你的应用涉及大量重复的上下文——比如固定的系统指令、相似的文档结构、迭代式的代码修改——缓存命中率高，实际成本可能远低于标价。但如果每次请求的上下文差异大，缓存效果有限，你拿到的就是标价上的50%降幅。OpenAI提供了90%的缓存读取折扣，但前提是“命中”。

我应该从GPT-5.6切换到GPT-6 Sol或Luna吗？

如果你的工作流以高频、规模化、对单次输出质量容忍度较高为特征，GPT-6 Luna的性价比优势非常显著。如果你需要编码Agent或自动化工作流，GPT-6 Sol在DeepSWE和AutomationBench上的表现值得考虑。但如果你对计算机操作能力或知识工作的产出完整度有较高要求，GPT-5.6 Sol在某些维度上仍然是更稳妥的选择，或者应该考虑GPT-6 Astra。切换之前，建议用你自己的真实任务跑一轮对比，而不是依赖通用基准分数做决定。