Sam Altman 又在 X 上丢了一句话。GPT-6 Sol 和 Luna，按任务定价，市面上找不到能对打的。这种话他以前也说过，但这次的重点不在模型多强，而在后半句——价格。每 token 砍一半，按任务算还能更低。如果你只看到"降价"两个字，那大概会错过这条推文里最锋利的部分。
按任务定价，才是这次真正的新闻
token 腰斩只是明面上的数字
每 token 减半，这个数字好传播，也好记。但它不是最关键的。真正有意思的是 Altman 把按任务定价摆到最前面当论据。Token 是模型的成本单位，任务才是用户的成本单位。这两者之间，隔着一段巨大的不确定性。
过去两年 API 定价基本跟着 token 走，逻辑是让开发者自己算账：一次调用多少输入、多少输出、折合多少钱。聊天场景里这套算法还能用，进了 agent 和自动化流程就彻底失灵——你根本不知道一个任务要烧掉多少轮推理、多少次工具调用、多少次失败重试。
从卖字到卖活，计价单位换了
卖 token 是按字数收费，卖任务是按活收费。前者关心模型说了多少，后者关心活干完没有。商业上这完全不是一回事。
一个任务如果三次调用就能搞定，按 token 收费对 OpenAI 是亏的；如果三十次才搞定，按任务收费对客户是赚的。谁承担波动的风险，谁就在定义规则。OpenAI 现在选择自己扛这个波动。这背后既是对模型稳定性的信心，也是一种抢地盘的姿态——尤其当对手还在拿 token 报价的时候。
五个能力词里，藏着产品方向
推文里列了五个维度：智能、对齐、工作产出、编码、计算机使用。顺序和用词，都不是随手写的。
对齐被摆到了性能旁边
在模型发布的语境里，"对齐"通常是个安全话题，出现在论文和政策文件里，很少出现在定价推文里。这次它和智能并列，说明 OpenAI 想把对齐当成产品能力来卖，而不只是合规成本。
这个转变有很实际的原因。企业客户把模型接进生产流程时，最怕的不是模型不够聪明，而是它自作主张。一个能稳定执行、不乱加戏的模型，哪怕智商低一点，也比一个聪明但不可控的模型好用。对齐从研究议题变成商业卖点，是 agent 时代迟早要发生的事。
编码和计算机使用，是 agent 的两条腿
编码能力决定模型能不能写工具、改代码、修 bug；计算机使用决定它能不能真的去点鼠标、填表单、走流程。这两件事分开看都是老话题，合起来看才是完整的 agent。
没有编码能力，agent 只能调用别人写好的接口；没有计算机使用，agent 只能活在浏览器之外的沙盒里。两个都有，模型才有可能替代掉一部分真实岗位上的重复操作。Altman 把它们并列提，等于在告诉市场：GPT-6 这一代是拿来干活的，不是拿来聊天的。
便宜到一定程度，用法就变了
价格从来不只是价格。它决定了一件事能不能被规模化地做。
开发者不再数着 token 写代码
当 token 贵的时候，工程师会做很多反直觉的优化：压缩 prompt、限制上下文、把一次复杂推理拆成多次简单调用。这些优化消耗的是人的时间，省下的是机器的钱。
一旦价格腰斩再腰斩，这笔账就翻过来了。让模型多想几轮、多读几遍上下文、多试几次，可能比工程师花两天调 prompt 更划算。使用习惯的改变，往往发生在价格跨过某个阈值之后，而不是渐变。按任务定价恰好就是在加速跨过那个阈值。
"复兴"这个词不是随便挑的
Altman 说希望人们大量使用 AI，"这对探索眼前的新复兴很重要"。复兴这个词很重。他没有说增长，没有说效率，说的是复兴。
这话听起来有点大，但放在语境里不算离谱。当单位成本低到可以忽略，实验的成本也就低到可以忽略。一个人可以同时跑十个项目，一家小公司可以试五种产品方向。真正稀缺的从来不是想法，而是把想法试一遍的钱和时间。降价省下来的，正是后者。
没人能对标，还是没人愿意跟
"没有可竞争的对手"这句话，得拆开看。
价格战打到了成本结构上
降价有两种打法。一种是自己亏钱补贴，靠融资撑；另一种是成本结构真的降下来了，降完还有利润。前者能撑一时，后者能撑很久。
如果 GPT-6 的推理成本确实比上一代低，那按 token 减半、按任务更低就不是促销，而是重新划线。对手要跟，就得跟到同样的成本结构，否则每卖一单亏一单。跟不动的，只能退到细分场景里去。
领先者也有领先者的麻烦
领先的代价是没人给你指路。定价按任务算，意味着 OpenAI 要自己定义什么叫"一个任务"、边界在哪、超出部分怎么计费。这些规则一旦定得不好，客户会跑；定得太保守，自己会亏。
更麻烦的是预期管理。用户会拿按任务的价格去对比按 token 的价格，然后得出各种结论。今天没有对手，不代表永远没有。真正决定这场仗走向的，不是现在谁便宜，而是谁能在便宜的同时把体验做稳。
至于 GPT-6 Sol 和 Luna 到底能不能撑住这句话，等真实的工作负载跑起来才有答案。定价可以一夜之间改，稳定性不行。
