今天早上，

我們才剛寫完：

Claude Opus 5.5

把一件 AI 工作的成本往下壓。

到了今晚，

OpenAI 直接把同一場戰爭：

再往前推一步。

OpenAI 美國時間 9 月 22 日正式推出：

GPT-6 Sol

以及：

GPT-6 Luna。

如果只把它理解成：

「GPT-6 Astra 下面又多兩個小模型。」

其實會錯過真正重要的地方。

因為 OpenAI 這次主打的核心，

已經不是：

模型到底有多大。

而是：

同樣一美元，究竟能完成多少真正的工作。

GPT-6 現在正式分成三個層級

最上面仍然是：

GPT-6 Astra。

OpenAI 目前仍把 Astra 定位成：

整個 GPT-6 Family

能力最完整的模型。

真正最困難、

最重要、

最不能妥協的工作，

仍然優先使用 Astra。

但問題是：

不是每封 Email、

每次文件整理、

每個 Bug

都需要：

Astra。

所以 OpenAI 往下補了兩層。

中間：GPT-6 Sol

Sol 的定位是：

複雜日常工作。

例如：

Coding。

企業知識工作。

Computer Use。

跨 App Workflow。

長時間 Agent。

需要 Reasoning、

但又不值得每次都支付 Astra 成本的任務。

你可以把它理解成：

主力工作模型。

再往下：GPT-6 Luna

Luna 則更強調：

速度。

大量。

成本。

例如：

文件摘要。

資料抽取。

分類。

短問題。

大量 Clerical Work。

明確目標的重複任務。

也就是說，

GPT-6 Family 不再只回答：

「最強模型是哪一個？」

而開始回答：

「不同工作到底應該用哪一級能力？」

最直接的變化：Sol API 價格直接砍半

先看價格。

GPT-5.6 Sol：

每 100 萬 Input Tokens：

4 美元。

Output：

20 美元。

GPT-6 Sol：

Input：

2 美元。

Output：

10 美元。

就是：

直接 50% 下修。

而且不是只有：

Input 便宜。

連通常比較昂貴的：

Output

也一起減半。

Luna 更便宜

GPT-5.6 Luna：

Input：

0.20 美元。

Output：

1.20 美元。

到了 GPT-6 Luna：

Input：

0.10 美元。

Output：

0.50 美元。

也就是說，

大量簡單工作開始掉到：

非常低的 Token Cost。

這代表什麼？

不是：

聊天變便宜一點。

而是原本企業可能覺得：

「這件工作每天跑幾萬次，用 AI 太貴。」

現在可能需要：

重新算一次。

OpenAI 為什麼能再降價？

官方提到兩個重要方向：

Inference Efficiency

以及：

Caching。

也就是：

不是單純把模型價格表打折。

而是底層 Serving

也在努力讓：

同一份 Compute

處理更多工作。

Prompt 裡已經處理過的 Context，

如果能更有效：

重複使用，

就不用每一次 Request

都重新算完整前綴。

這和今天 Claude Opus 5.5 講的：

Prompt Cache

其實指向同一場戰爭。

AI 公司現在都開始發現：Context 重複計算太貴

Agent 工作愈來愈長。

一個 Agent 可能：

先讀公司規則。

再讀文件。

開網站。

做修改。

看結果。

重新修改。

每一輪都帶著之前的 Context。

如果每一輪：

全部從頭計算，

成本很快爆掉。

所以：

Cache

已經不再只是 API 工程師才會在意的小功能。

它正在變成：

AI Agent 能不能大規模商業化的核心。

OpenAI 甚至把 Benchmark 改成直接看 Cost per Task

這是今天最值得注意的地方。

以前模型發布最常看到：

Accuracy。

Score。

Pass Rate。

現在 OpenAI 開始直接告訴你：

這一件工作完成到底多少錢。

例如官方公布的：

AutomationBench。

這個測試讓 AI Agent

跨：

Sales。

Marketing。

Operations。

Customer Support。

Finance。

HR

等實際企業工作，

使用：

47 種工具

完成 End-to-end Workflow。

GPT-6 Sol xhigh：一件任務約 0.27 美元

OpenAI 公布的結果中，

GPT-6 Sol：

xhigh Effort

在 AutomationBench 得分：

33.2%。

OpenAI 計算的：

Cost per Task

約：

0.27 美元。

同一張表裡：

GPT-6 Astra Low

得分：

30.3%。

但每件工作的成本，

約為 Sol 的：

3.9 倍。

這並不是說：

Sol 全面比 Astra 強。

因為：

Effort Level 不同。

Benchmark 只代表：

這一組特定工作。

Astra 在其他最困難任務仍然是 OpenAI 的最高階模型。

但這個結果透露了一個很重要的產品策略：

不是每件工作都需要 Astra。

OpenAI 甚至直接拿 Claude 比

同一項 AutomationBench 中，

OpenAI 引用公開數據比較：

Claude Opus 5 Max：

26.9%。

成本約為 GPT-6 Sol xhigh：

11.1 倍。

Claude Fable 5.1

搭配 Opus 5 Fallback：

31.4%。

官方表示其成本：

超過 Sol 的：

8.9 倍。

但這裡一定要非常小心。

這是：

OpenAI 自己發布的 Benchmark。

而且競品：

模型版本。

Effort。

Fallback。

計費方式

都可能不同。

所以不能拿這張圖直接下結論：

GPT-6 Sol 全面打敗 Claude。

真正值得看的只是：

OpenAI 已經公開把競爭單位從：

Benchmark Score

拉向：

Score ÷ Cost。

早上的 Anthropic 其實也正在做完全相同的事

Claude Opus 5.5 今天最大的賣點之一，

就是：

典型工作負載成本

比 Opus 5 約降低：

40%。

Anthropic 甚至一直提醒：

不要只看：

Cost per Million Tokens。

要看：

Cost per Completed Task。

幾個小時後，

OpenAI 也把：

Cost per Task

放進 GPT-6 的發布核心。

兩家幾乎同時傳出：

同一個訊號。

AI 的下一場模型戰，開始變成經濟學。

Coding 也開始比「能不能 Merge＋要花多少錢」

OpenAI 新增的一項重點測試是：

FrontierCode。

它不是只問：

Code 能不能跑。

還會看：

Tests。

Scope Discipline。

Code Style。

Codebase Standards。

以及最後：

是不是接近：

可以 Merge。

因為真正企業 Coding Agent

最怕的不是：

AI 完全不會寫。

而是：

Code 看起來可以，

結果人工還要花大量時間修。

如果模型便宜，

但每次都要 Senior Engineer

再花一小時，

仍然不便宜。

DeepSWE 上 Sol 已經逼近最高階 Claude

在 OpenAI 公布的：

DeepSWE 1.1

測試裡，

GPT-6 Sol Max：

68.8%。

Claude Fable 5 xhigh：

69.9%。

差：

1.1 Percentage Points。

OpenAI 計算，

Sol 的 Cost per Task

約低：

80%。

同樣，

這是 OpenAI 依公開競品結果做出的比較，

不能直接推成：

所有 Coding Workload 都便宜 80%。

但它說明：

「較便宜模型只能做簡單工作」

這個假設正在快速失效。

Luna 更有意思

GPT-6 Luna Max

在同一項 DeepSWE：

66.6%。

OpenAI 表示，

已經接近：

Claude Opus 5

與：

Claude Fable 5

部分 Medium Effort 表現。

但 Cost per Task

比 Opus 5：

低約 93%。

比 Fable 5：

低約 96%。

如果未來第三方測試能證明：

這類差距在真實工作也存在，

它的衝擊可能非常大。

因為大量公司真正需要的，

根本不是：

「世界最強 Coding Model。」

而是：

「每天能便宜跑 1,000 次，而且大部分都夠好。」

Computer Use 也進入價格戰

GPT-6 Astra

目前仍然是 OpenAI 最強的：

Computer Use Model。

但是在：

OSWorld 2.0 Offline

這類模擬電腦操作測試裡，

GPT-6 Sol xhigh：

60.5%。

Claude Opus 5 Medium：

60.3%。

OpenAI 表示，

Sol 每件任務成本大約低：

80%。

而 GPT-6 Luna Max

則能超過：

GPT-5.6 Sol Medium，

成本只有大約：

十分之一。

這表示未來 Computer Use

最重要的突破可能不是：

再多做一個 App。

而是：

讓一個 Agent 每天操作幾百次電腦也付得起。

Agent 真正普及，首先要解決「太貴」

假設 AI Agent 幫公司：

一天整理一封 Email。

成本幾乎沒人在乎。

但如果它：

一天處理：

10,000 張單據。

5,000 個 Leads。

2,000 個 Support Tickets。

幾百個網站流程。

Cost per Task

只差：

0.10 美元，

一天可能就差：

上千美元。

一年：

幾十萬美元。

所以當 AI 從：

Chatbot

變成：

Digital Worker，

Price

就突然變成產品能力的一部分。

Factuality 也是另一個很重要的成本

模型答錯，

不只是：

品質問題。

還是：

成本問題。

因為答錯之後：

人要檢查。

重新問。

補資料。

重跑一次。

所以 OpenAI 這次也特別強調：

GPT-6 Sol

在一套根據：

使用者曾回報錯誤的真實 Conversation

建立的內部 Factuality Evaluation 中，

錯誤大約只有：

GPT-5.6 Sol 的：

一半。

但官方也明確提醒：

這些是刻意挑選曾經容易出錯的 Conversation，

不是一般使用中：

整體錯誤率。

所以不能寫成：

「GPT-6 Sol 幻覺減少 50%。」

比較準確的是：

在 OpenAI 這套特定錯誤誘發測試裡，錯誤數約減半。

Luna 高 Effort 甚至逼近舊 Sol

OpenAI 還表示：

GPT-6 Luna

在較高 Effort 下，

這項 Factuality Test

可以接近：

GPT-5.6 Sol，

但成本只有：

大約百分之一。

如果成立，

這代表很多以前必須交給：

中高階模型

才能可靠處理的工作，

可能開始下放給：

更便宜的 Model Tier。

這才是真正的：

Model Compression 商業化。

不是模型檔案變小而已。

而是：

同一能力層級的價格往下掉。

Sol 和 Luna 不是把 Astra 淘汰

這點非常重要。

OpenAI 官方說得很清楚：

GPT-6 Astra 仍然是整體最強模型。

真正最重要的 Project、

最困難的 Research、

最複雜 Computer Use、

最不能失敗的任務，

Astra 仍然有位置。

新的策略比較像：

簡單大量：

Luna。

複雜日常：

Sol。

極難少量：

Astra。

這和今天下午我們寫 Claude 商業案例時，

講的：

Model Routing

幾乎完全一致。

模型管理開始像公司的人力配置

不會因為公司裡有：

最資深工程師，

就讓他每天：

整理 Excel。

找檔案。

回所有簡單 Email。

同樣，

有 Astra

不代表：

每一件事都應該用 Astra。

未來企業可能會把 AI Task

自動 Routing：

分類：

Luna。

一般處理：

Sol。

遇到困難：

升 Astra。

完成：

再降下來。

AI Model Portfolio

開始變得像：

人力分級。

對一般 ChatGPT 使用者會發生什麼？

在發布時，

OpenAI 先讓：

GPT-6 Sol

和：

GPT-6 Luna

進入：

ChatGPT Work。

Codex。

以及：

API。

符合資格的付費方案開始分批取得。

Free 與 Go 使用者則可在 Desktop App

使用：

GPT-6 Luna。

一般 ChatGPT 介面則採：

逐步 Rollout。

所以：

如果今天還沒看到，

不代表產品沒有發布。

可能只是：

還沒有 Roll 到你的帳號。

這次還有一個很實際的改變：Usage Limit 可以更高

模型 Serving

變便宜之後，

OpenAI 不只降低 API Price。

也代表：

同樣 Compute Budget

可以讓使用者：

跑更多。

所以官方強調：

Sol／Luna

會帶來：

Higher Usage Limits

以及：

More Room to Iterate。

這其實可能比：

Benchmark 多三分

更直接有感。

因為對真正每天使用 AI 的人來說，

最惱人的不是：

模型少會一道數學題。

而是：

工作做到一半撞 Usage Limit。

這也是為什麼「50% 降價」比看起來更重要

如果一個模型只拿來：

每天聊十次，

Input 從 4 美元變 2 美元

你幾乎感覺不到。

但如果一個公司：

把它放在 Agent Workflow

裡一直跑，

就完全不同。

例如原本每月：

20 萬美元 API Bill。

同樣 Task Volume

理論上只因 List Price：

就可能大幅下降。

或者公司不省這筆錢，

而是：

讓 AI 多做一倍工作。

這就是價格戰真正產生的影響。

但現在還不能宣布「AI 成本直接減半」

因為 Token Price 降 50%

不等於：

你的 Final Task Cost

一定降 50%。

模型可能：

Thinking 更多。

Tool Call 更多。

Output 更多。

Workflow 不同。

甚至因為：

新模型能力更強，

公司反而開始交給它：

以前不敢交的更複雜任務。

最後帳單：

可能沒有減少。

所以真正應該看的仍然是：

Cost per Completed Task。

這也是 OpenAI 和 Anthropic 今天最奇妙的共同點

Anthropic：

Opus 5.5。

OpenAI：

GPT-6 Sol／Luna。

兩邊的發布內容，

都花大量篇幅告訴你：

不要只看模型價格。

要看：

一件真正工作：

做完多少錢。

需要幾輪。

會不會失敗。

有沒有重做。

多少 Context 可以 Cache。

這表示 Frontier AI

正在跨進新的成熟階段。

以前：

能力第一。

現在：

能力／成本比。

這場價格戰也會逼其他模型公司跟進

如果：

高階能力

可以越來越快往：

中價模型

甚至低價模型

下放，

競爭壓力就會直接傳到：

Google。

Meta。

Alibaba。

DeepSeek。

Mistral。

以及其他模型供應商。

因為企業採購最後會問：

不是：

「你 Benchmark 世界第幾？」

而是：

「我每月有 500 萬個 Tasks，你能多少錢完成？」

這個問題比：

Leaderboard

殘酷很多。

開源模型也會感受到壓力

Open-weight Model

很大一個吸引力是：

成本。

可以自己部署。

不用永遠付 Frontier API 的高額價格。

但如果 Frontier Model API

一直降價，

企業就必須重新算：

自己買 GPU。

維護 Infrastructure。

更新 Model。

監控安全。

和：

直接付 API

哪個更便宜。

所以模型降價，

甚至可能改變：

Local AI。

Cloud AI。

Open-weight AI

彼此之間的經濟平衡。

但最便宜不一定最後會贏

便宜只是：

一個維度。

企業還要看：

Reliability。

Latency。

Privacy。

Data Residency。

Security。

Tool Ecosystem。

Vendor Lock-in。

Availability。

Model Stability。

以及：

最重要的：

最後人工到底要修多少。

如果一個模型：

便宜 70%，

但員工每次都要花：

多 20 分鐘 Review，

未必划算。

AI 採購開始變成：

真正的 Operations Question。

最後回頭看今天早上，就會發現這一天很特別

今天早上：

Anthropic 告訴市場：

Claude Opus 5.5

每件工作成本可以大幅下降。

今天晚上：

OpenAI 又把：

GPT-6 Sol／Luna

直接往下砍價。

同一天，

兩家前沿 AI 公司都沒有把主要訊息停在：

「我們更聰明。」

而是開始說：

「我們可以更便宜地完成工作。」

這可能是 AI 產業接下來最重要的轉折之一。

當 Intelligence 本身變得愈來愈充足，

真正稀缺的就會變成：

每一美元能買到多少可靠工作。

所以 GPT-6 Sol／Luna

真正重要的地方，

不是 OpenAI 又多了兩個 Model Name。

而是：

前沿 AI 正開始從：

能力競賽

進入：

效率競賽。

最後真正贏的，

未必只是：

Benchmark 最高的人。

而可能是：

能用最低的總成本，把最多真實工作穩定完成的人。

今天，和 AI 一起進步一點。

每天學會一個 AI 技巧。

每天節省一點時間。

每天提升一點能力。

SasaDaily，陪你一起成長。

推薦閱讀

今日 AI 工具｜2026/09/13：GPT-6 Astra 進 ChatGPT Work／Codex，沒有 API 的舊系統也能直接操作

AI 一分鐘教學｜2026/09/13：Astra 操作電腦前，先寫「允許做／一定停／完成後回報」三格權限卡

AI 今日早報｜2026/08/22：OpenAI 把 GPT-5.6 Sol API 降價逾 20%、AI 基建債務暴增至 2,200 億美元、Nvidia 再投資料中心電力開發商