GPT-6 Sol和Luna降价一半，为何榜单没涨？

降价一半，分数却没大涨

OpenAI这次对GPT-6家族中的Sol和Luna两款模型进行了大幅调价，价格几乎砍到上一代促销价的一半。按标准API的短上下文价格计算，Sol每百万输入和输出词元约为2美元和10美元，Luna则低至0.1美元和0.5美元。这个降幅足够抢眼，但问题在于——综合榜单分数几乎没动。

据B站菜花睡前AI播客的分析，这次最明显的变化是「变便宜」，而能力进步则要按具体任务分开来看。换句话说，Sol和Luna的最大新闻不是它们冲上了总榜第一，而是把大规模使用的成本压了下来。

从产品定位上看，三款模型各有分工：Astra仍是OpenAI最强的那一档；Sol面向较复杂的编程和智能体任务；Luna则瞄准便宜、快速、需要大量重复处理的工作。这种分层意味着，用一把「综合指数」的尺子去量所有模型，本身就容易得出误导性的结论。

榜单数字背后：进步藏在任务细节里

在Artificial Analysis的综合指数中，同一天发布的对比格外扎眼：新出的Opus 5.5拿到58分，Sol是48分，Luna是37分。Opus的高分很醒目，相比之下Sol和Luna像是「原地踏步」。

但把48分和37分直接解读成「基本没进步」并不准确。综合指数把十种测试揉在一起，适合看全貌，却不适合替你决定每一项具体工作。评测机构的观察更细致：Sol在编程智能体指数上小涨了两分，Luna反而降了两分；在一些自动化和终端任务上有进步，而知识工作的交付物却更容易在细节上露怯。

这不是一个简单的「升级」或「倒退」，而是不同任务给出不同答案。有知乎用户提到OpenAI和Anthropic似乎走上了两条路：一条继续冲刺最高能力上限，一条则把重心放在让更多人用得起。从这次发布的反差来看，这种感觉确实有其依据。

Artificial Analysis的综合指数是业内常用的模型横向比较工具，它将编程、数学推理、知识问答、指令遵从等约十项基准测试的得分加权合并为一个数字，方便跨模型、跨厂商的快速对比。这种设计的优点是直观，缺点同样明显：一旦某款模型在某几项任务上大幅提升、在另几项上原地踏步，综合分数的变化就会被"平均"掉，无法反映真实的任务级能力差异。此外，不同测试的权重设置本身也会影响最终排名——一个偏重数学推理的权重体系，可能让擅长代码生成的模型显得"不温不火"。这正是为什么同一批评测数据，对日常做文字处理的用户和对天天写代码的开发者，可以得出截然不同的选型结论。

别只看一个总分

一个核心观点值得反复强调：不要只凭一个综合排名去判断最前沿的模型。如果你天天用模型改代码，真正该关心的是它提交的改动能不能直接合并；如果你让它做研究，就该看报告有没有漏掉关键要求。

至于外界猜测OpenAI是不是「故意不重视某个榜单」，目前并没有证据替公司下这样的结论。能确定的事实只有一个：它把Astra留在最高能力档，而Sol和Luna则明确瞄准了更多人用得起的日常任务。降价一半，本质上卖的是大规模使用时的性价比，而不是让这两款模型去抢总榜第一。

降价一半，对开发者意味着什么

对经常调用接口的人来说，降价最直接的好处是——同样的预算可以多跑几轮。一个实用的组合思路是：把简单的分类、资料整理交给便宜的Luna，再把需要连续推理的部分交给Sol，整体成本可能比所有步骤都用大模型要低得多。

不过这只是选型方向，并不等于自动省钱。完整任务要把失败重试、人工检查和等待时间都算进账本，不能只盯着每百万次调用的标价。便宜的模型如果反复返工，算总账未必划算。

知乎上的评价也印证了这种任务依赖性：有人夸Sol回答干脆、做事快；也有人反映它做复杂项目容易「走偏」，在长任务里会忘记原先的流程，需要人来推动。这些看似矛盾的反馈，其实说的是不同任务下的不同结论——早期个案都值得听，但不能拿一次成功或失败给模型盖棺定论。

API定价中的"每百万词元"（per million tokens）是当前大模型计费的标准单位，输入词元和输出词元通常分开计价，因为生成文本比处理输入消耗更多算力，所以输出价格普遍高于输入价格。以Luna为例，0.1美元/百万输入词元和0.5美元/百万输出词元，意味着一次包含约750个汉字输入和3750个汉字输出的对话，成本不到0.001美元。这个价格对单次调用几乎可以忽略，但当一个自动化流水线每天跑数百万次任务时，输入输出的比例结构、重试次数和提示词长度就会对月度账单产生数量级的影响。因此，在做成本估算时，除了对比标价，还需要实测自己典型任务的平均输入输出比，才能得出真实的单任务成本。

怎么选才不被榜单带着跑

把Sol、Luna和前一天发布的Opus 5.5放在一起，到底该怎么选？这里有一个不被榜单牵着走的实用方法：拿你真实会做的三件事——一件简单重复、一件稍长的编程、一件需要完整交付的文稿，用相同要求分别测试，记录能否做成、要改几轮、花多久、总共多少钱。

Luna、Sol、Opus甚至Astra，都在这样一本「账本」上竞争。最高分和最适合日常使用，往往不是同一个答案。

所以这次真正的变化，并不是又换了一个模型名字。竞争正在从「谁把总榜刷得最高」，扩大到「谁能让更多工作以更低成本完成」。Sol和Luna降价一半冲击力十足，但榜单持平也在提醒我们：省钱不等于每项能力都升级。别急着宣判赢家，把自己的任务跑完再决定要不要换。