OpenAI 这次放出 GPT-6 Sol 和 GPT-6 Luna，最扎眼的不是榜单，是价目表。Sol 的输入从每百万 token 4 美元砍到 2 美元，输出从 20 美元压到 10 美元；Luna 更狠，输入 0.20 美元变 0.10 美元，输出 1.20 美元变 0.50 美元——全部是在 GPT-5.6 促销价的基础上再降一半。GPT-6 Sol 和 GPT-6 Luna 这对组合真正值得聊的地方，不在于它们比上一代聪明多少，而在于 OpenAI 把 GPT-6 Astra 的训练方法拆开、压扁，塞进了两条更便宜的推理管道。这是一次典型的"技术下放换市场份额"。
价格腰斩之后，模型分层变成了明牌
Sol 站在主力位
输入 2 美元、输出 10 美元，这个价位落在今天市场的什么位置？答案是"能干重活、财务又不会皱眉"的那一档。编码、多步推理、Agent 的长链路调用，基本都归它管。OpenAI 把 Sol 摆在这个位置，意思很直白：它是给生产环境用的，不是给人做 demo 用的。
输出价格正好是输入的 5 倍，这个比例本身就是个信号。官方默认你会大量喂上下文、少量要结果——这是典型的 Agent 和检索增强场景的用量画像，而不是聊天窗口的画像。
Luna 把地板又往下拽了
0.10 美元输入、0.50 美元输出。这个数字放在两年前，大概只够跑一个规则分类器。今天它能承载的东西多得多：批量信息抽取、意图路由、日志清洗、内容打标，这些高频但价值密度低的活，全都适合丢给 Luna。
更值得注意的是 Luna 和 Sol 之间 20 倍的输入价差。它把"这一步到底该用哪个模型"从模糊的工程直觉，变成了一道可以写进代码里的成本判断。
两档之间留了多大的空
这个空档比很多人想象的要大。中间没有过渡档位，意味着团队要么在 Luna 上跑完全程、接受一定的失败率，要么直接上 Sol、把成本拉高一个量级。于是级联调用会变得普遍：Luna 先跑一遍，置信度不够的样本往上抛给 Sol 重做。
这种做法在 GPT-5.6 时代就有人试，但当时两档差价没这么夸张，漏斗结构算下来省不了多少钱。现在价差拉大，级联才第一次在经济上真正成立。
Astra 的方法论下放，才是这次的技术主线
贵的模型不再只是用来干活的
过去一年，前沿模型有个隐藏角色：数据工厂。它生成高质量的推理轨迹、评判输出、构造训练样本，然后这些东西被拿去喂更小的模型。GPT-6 Astra 就是这台工厂，而 Sol 和 Luna 是流水线上下来、贴着价签的成品。
官方这次明说了，Sol 和 Luna 用的是 Astra 的训练方法。翻译一下：能力不需要原样搬过来，搬的是"怎么把能力做出来"的那套流程。这才是这次发布里技术含量最高的部分。
配方比参数更值钱
把训练配方下放到小模型上，效果不是线性打折的。很多能力——指令遵循、工具调用格式、多步推理的自洽性——对参数规模的敏感度远低于对训练数据质量的敏感度。同样的配方喂给更小的底座，掉得最多的是知识广度和长尾推理，而最常用的那部分能力反而保住了。
这就解释了为什么 Luna 敢定到 0.10 美元。它不是"缩水版 Sol"，它是"另一种取舍下的 Sol"。
一次发布暴露了路线图
Sol 和 Luna 同时上线，Astra 却按着不动，这个节奏很有讲究。OpenAI 显然想把"最强"和"最便宜"这两件事放在两条不同的产品线上卖，中间留给对手的空间被压缩得很薄。
对开发者来说，这意味着模型选型不再是"等下一代"的游戏，而是"现在就按成本分档"的游戏。
缓存的账，比单价更影响总成本
缓存命中率决定了真实账单
官方这次把缓存改进的数据一并放了出来，很多人扫一眼就跳过去了。错了。在 Agent 场景下，单价只是账单的一部分，缓存才是决定性的那一部分。
一个典型的多轮 Agent 调用里，系统提示词、工具定义、历史轨迹会反复出现在每一轮请求中。如果这些内容能命中缓存并按折扣价计费，实际成本可能比标价低一个数量级。反过来，缓存穿透的调用会把单价优势迅速吃光。
Agent 对价格最不宽容
Agent 是 token 消耗最凶的形态。一次任务可能触发几十次模型调用，每次都要重新带上越来越长的上下文。输入侧的成本会随轮次滚雪球，而输出侧相对稳定。
所以 Sol 的定价结构对 Agent 开发者格外友好——输入便宜，意味着长上下文和工具定义不再那么肉疼。这也从侧面说明，OpenAI 这次的价格设计是冲着 Agent 工作负载去的，不是冲着聊天窗口去的。
长上下文是双刃剑
上下文越长，能力越强，账单也越吓人。真正成熟的团队会在中间做取舍：哪些历史必须留、哪些可以摘要、哪些干脆丢掉重新检索。
这类工程优化在单价高的时候不划算，因为省下来的钱不够填人力成本。当输入价降到 2 美元甚至 0.10 美元每百万 token，优化的边际收益反而变得更值得算——因为分母变小了，每一分浪费都更显眼。
对手也在动，价格战已经变成工程战
Opus 5.5 把成本压了 40%
Anthropic 那边刚发完 Claude Opus 5.5，运行成本比 Opus 5 低了 40%，性能对标 Fable 5.1。两家几乎在同一时间点做同一件事：用工程手段把单位能力的成本压下去。
这不是巧合。模型能力进入平台期之后，竞争焦点必然从"谁更聪明"转向"谁更便宜、谁更稳、谁更适合塞进生产链路"。
降价空间到底从哪来
模型降价通常有三个来源：硬件效率、推理优化、以及产品线的重新切分。这次三者都有份，但最关键的还是第三个——把 Astra 训练方法迁移到更小的模型上，等于从根上降低了每次推理需要消耗的算力。
换句话说，这不是促销，是重定价。促销会结束，重定价不会。
采购视角：怎么把这三档用起来
先分清哪些 token 值得花大钱
把工作负载拆开看，大致分三类。第一类是决定性判断：最终答案的生成、复杂代码的修改、高风险决策，这些交给 Sol，别省。第二类是量大但简单的处理：分类、抽取、格式化、路由，交给 Luna。第三类是可以被缓存的部分：系统提示、工具定义、静态知识库，想办法让它们重复命中缓存。
别拿单价做决策
单价乘以 token 数才等于成本，而 token 数取决于模型的输出效率。一个模型如果输出啰嗦、反复自我纠正，单价再低也可能更贵。Sol 和 Luna 的定价之所以有吸引力，部分原因就在于它们继承了 Astra 那套训练方法，输出更简洁、格式更稳定。
评估时最好拿真实流量跑一轮，而不是拿公开榜单当依据。
下一轮变量在哪
Arena 评分公布之后
Arena 已经上线了 GPT-6 Sol 和 GPT-6 Luna 的测试，评分即将公布。真实的对比数据出来之后，Sol 和 Luna 之间、以及它们与 Opus 5.5 之间的性价比曲线才会清晰。
到时候会有一批团队重新做选型，这几乎是必然的。
Astra 什么时候自己出手
真正悬着的问题是：Astra 什么时候开放。Sol 和 Luna 已经把中低端价位锁死，Astra 一旦上线，对应的很可能是最贵的那一档。
OpenAI 现在的做法是先用便宜的模型圈住开发者，等生态黏性建立起来，再往上卖。这套打法在 GPT-5.6 时代已经验证过一次，这次只是把节奏加快了。
