OpenAI发布GPT-6 Sol与Luna：价格砍半，主打每任务成本

GPT-6家族落地：两款模型瞄准不同场景

OpenAI近日推出了GPT-6家族的两款新成员——GPT-6 Sol与GPT-6 Luna，分别覆盖高端与低端两个档位。Sol定位处理反复出现的复杂任务，Luna则针对高并发的抽取和分类场景。相比上一代产品，两者最大的变化不是性能的激进跃升，而是价格的大幅下调与成本结构的重新定义。

按照官方给出的定价，Sol的输入价格为每百万Token 2美元、输出10美元，相比GPT-5.6 Sol整整便宜了一半。Luna则更为激进，输入价仅0.1美元，输出0.5美元，相较上一代Luna输入便宜50%、输出便宜58.3%。OpenAI特别强调，这是永久价格而非限时促销，这意味着成本下降将直接体现在企业的长期部署预算中。

永久降价背后的信号

大模型行业此前的降价多以促销或阶段性调整形式出现，而OpenAI此次将降价定性为"永久价"，释放出一个明确信号：推理成本的持续下探正在成为竞争的主战场。当模型能力逐渐趋近，谁能用更低的单位成本交付同等质量的结果，谁就更容易赢得规模化部署的客户。

从Token价格到"每任务成本"的叙事转变

这次发布真正值得关注的，是OpenAI刻意强化的"每任务成本"（cost per task）概念。单纯比较每百万Token的价格，往往无法反映模型在实际工作流中的经济性——一个更聪明的模型可能用更少的步骤、更短的推理链就完成任务，从而在总成本上占优。

在Automation Bench这一自动化任务基准上，Sol取得了33.2%的成绩，每任务成本为0.27美元。作为对比，同一榜单上Claude Opus 5（原文作Cloud Opus 5）的每任务成本是Sol的11倍。这个数字差距远大于单纯的Token单价差异，说明OpenAI希望把评估维度从"每Token多少钱"引导到"完成一个任务要花多少钱"。

这种叙事对企业用户尤其有吸引力。在生产环境中，决策者关心的不是抽象的Token计费，而是跑完一批工单、处理一批文档、完成一轮自动化流程的真实开销。

Automation Bench是一个专门用于评估AI模型在真实自动化工作流中表现的基准测试，与MMLU、HumanEval等侧重知识问答或代码生成的传统学术基准不同，它模拟的是企业场景中的多步骤任务完成情况，例如跨系统数据处理、表单填写、流程编排等。评分以任务完成率（%）衡量，同时追踪完成每个任务所消耗的实际API费用。这种设计使其更贴近生产环境的考察维度：一个在Token层面更贵但推理效率更高的模型，完全可能在"每任务成本"上击败表面上更便宜的竞品。OpenAI引用该基准作为主要对比依据，也是在主动将竞争话语权从单纯的定价表迁移到效率比较上。

事实性提升与缓存折扣

除了价格，模型的可靠性也有改善。官方数据显示，Sol的事实性错误约为GPT-5.6 Sol的一半。错误率减半对于需要高准确度的复杂任务来说，意味着更少的人工复核和返工成本，这本身也是"每任务成本"的隐性组成部分。

Luna在使用高推理档时，用大约1%的任务成本就能匹配上一代的事实性水平，这说明低端模型在特定配置下的性价比被进一步放大。此外，缓存输入读取享有90%的折扣——对于那些存在大量重复上下文（如固定提示词、重复文档）的应用场景，这项优惠能显著压低实际开销。

两款模型的分工逻辑

Sol与Luna的定位区隔清晰：Sol负责"反复出现的复杂活"，适合需要多步推理、较高准确度的任务；Luna负责"高并发的抽取和分类"，适合大批量、结构化、对延迟和吞吐敏感的场景。这种高低搭配让企业可以根据任务复杂度灵活分配模型，用合适的工具干合适的活，而不是为所有任务都付高端模型的钱。

缓存输入（Prompt Caching）是大模型API的一种优化机制：当请求中存在与此前相同的前缀内容（如固定的系统提示词、长篇参考文档、重复的上下文），服务端可以复用已计算过的KV缓存，从而跳过这部分Token的重复推理计算。对用户而言，命中缓存的Token以更低价格计费（此次为原价的10%），对服务商而言则节省了GPU算力。这一机制对"高并发+固定上下文"类应用尤为有利，比如在同一个长系统提示下批量处理数百条用户请求，缓存命中率越高，实际账单与标价之间的折扣就越大。

生态落地：已上线Amazon Bedrock

两款模型目前已在Amazon Bedrock正式可用。借助云平台的分发渠道，企业开发者无需单独对接即可在现有的AWS工作流中调用这两款模型，进一步降低了集成门槛。这也反映出OpenAI在扩大商业触点、推动模型进入企业生产环境方面的持续动作。

Amazon Bedrock是AWS推出的托管式基础模型服务平台，允许开发者通过统一API调用来自多个AI公司的模型（包括Anthropic、Meta、Mistral等），而无需自行管理模型部署和推理基础设施。对企业用户而言，在Bedrock上使用模型意味着可以直接复用现有的IAM权限体系、VPC网络隔离、CloudWatch监控以及AWS的合规资质，大幅降低将AI能力嵌入内部系统的工程与合规成本。OpenAI将新模型引入Bedrock，意味着其触达范围扩展到了大量已深度绑定AWS生态的企业客户，这部分客户可能此前因集成复杂度而迟迟未将OpenAI模型纳入生产工作流。

总结观察

GPT-6 Sol与Luna这次更新，核心看点并非能力上限的突破，而是成本结构的系统性优化。永久性降价、每任务成本叙事、事实性提升与缓存折扣，这几条组合拳共同指向同一个目标：让大模型在真实业务场景中更划算。随着模型能力进入平台期，围绕"单位成本效率"的竞争或将成为接下来一段时间行业的主旋律。