9 月 22 日OpenAI 发布了 GPT-6 家族的两款新模型GPT-6 Sol 和 GPT-6 Luna。据多家媒体报道这一轮最受关注的不是跑分而是价格——两款模型的 API 单价相比上一代 GPT-5.6 的促销价直接降了大约一半。同一时间Anthropic 也发布了 Claude Opus 5.5。两家几乎背靠背出手大模型的价格战又升温了一档。这次到底变了什么先把价格摆出来。按 OpenAI 官方口径计价单位是每百万 token模型输入价输出价GPT-6 Astra上个月发布10 美元50 美元GPT-6 Sol2 美元10 美元GPT-6 Luna0.10 美元0.50 美元GPT-5.6 Sol上一代4 美元20 美元GPT-5.6 Luna上一代0.20 美元1.20 美元据外媒报道OpenAI 方面表示这次降价来自缓存和推理效率的优化而且新价格是长期有效的不是限时促销。这一点其实比数字本身更值得注意——它意味着这套价位会长期压缩竞争对手的定价空间。能力方面官方说法是 Sol 和 Luna 沿用了 Astra 的训练方法把专业工作、事实准确性、编程和计算机操作等能力下放到了更便宜的产品层级。据媒体报道在一个基于用户反馈构建的内部事实准确性测试里Sol 出错次数约为上一代的一半Luna 在高推理档位下可以达到 GPT-5.6 Sol 的水平而单项任务成本约为后者的百分之一。不过第三方机构 Artificial Analysis 的观察更克制Sol 和 Luna 的整体智能水平与 GPT-5.6 系列大致持平有项目进步、也有项目回退真正明显的变化是成本下降。按它的测算Sol 完成一次 Intelligence Index 任务成本约 1.06 美元上一代是 1.99 美元Luna 约 0.07 美元上一代是 0.18 美元。另外两款模型的输出 token 用量反而略有增加只是价格降幅抵消了用量的上涨。把这两组信息放在一起看技术本质就清楚了这一轮的竞争重点从谁的模型更强转到了完成同一件事要花多少钱。支撑降价的不是模型出现了代际跃迁而是缓存复用prompt caching、推理效率优化、以及同一模型不同推理档位这类工程手段——把一个模型切成几个价格档卖。便宜了账单不一定会降对开发者来说单价的直接影响是Agent 可以更频繁地重试、验证、多轮迭代而不必为每次调用心疼。但要提醒一句单价下降不等于总支出下降。据海外媒体引述Gartner 和牛津大学的研究人员就认为更便宜的 token 未必会让企业的 AI 总支出减少反而可能刺激更多使用量把账单推得更高。这在工程上很好理解——成本降了你会顺手把重试次数从 2 次调到 5 次把日志摘要、二次校验这些原本舍不得开的环节都打开。另外输出价普遍是输入价的 5 到 50 倍。长文本生成、长代码补全这类输出密集的任务成本的绝对大头在输出侧压输出的长度往往比压输入更有效。实用选型时怎么算这笔账第一按任务成本而不是单价做决策。同一个任务模型 A 便宜但要多轮才能做对模型 B 贵但一轮搞定B 可能反而更省。写个小脚本把这笔账算清楚比拍脑袋靠谱# 按每百万 token 单价粗略估算一次任务的成本单位美元PRICING{# 模型: (输入价/1M token, 输出价/1M token)sol:(2.00,10.00),luna:(0.10,0.50),astra:(10.00,50.00),}deftask_cost(model,in_tokens,out_tokens):pin,poutPRICING[model]returnin_tokens/1_000_000*pinout_tokens/1_000_000*pout# 例一次代码改写输入 30k token输出 4k tokenprint(round(task_cost(sol,30_000,4_000),4))# 0.1print(round(task_cost(luna,30_000,4_000),4))# 0.005print(round(task_cost(astra,30_000,4_000),4))# 0.5第二做分层路由。简单任务分类、抽取、格式转换走 Luna复杂任务多步推理、长流程 Agent走 Sol只有高价值难题才上 Astra。一个if就能省下大部分钱defpick_model(task:dict)-str:# 按任务复杂度做路由别一刀切用最贵的iftask[complexity]highandtask[value]high:returnsol# 需要强推理、业务价值高iftask[complexity]low:returnluna# 常规批处理returnsol 第三**注意缓存命中率**。缓存命中的部分通常按大幅折扣计价而未命中的部分按标准价。把 prompt 的固定前缀系统提示、工具说明放在前面、把多变内容放在后面能明显提高命中率。有厂商还提供了缓存仪表盘之类的工具来观测这一点。 第四**给 Agent 设预算上限**。流水线里加一个累计花费的熔断避免一次失控的循环把额度刷爆 pythonclassBudget:def__init__(self,limit_usd:float):self.limitlimit_usd self.used0.0defspend(self,amount:float):ifself.usedamountself.limit:raiseRuntimeError(f预算超限已用{self.used:.2f}美元)self.usedamount ## 小结这一轮发布最实在的信息是 API 成本被压到了一个新的区间而且被描述为长期定价。对做应用的人来说值得顺手重算一遍自己项目的成本模型而不是沿用上个月的数字。至于便宜会不会带来更多浪费那就是另一个话题了。 你现在做项目会按任务成本选模型还是继续认准一个模型用到底评论区聊聊。