今天早上，

我们才刚写完：

Claude Opus 5.5

把一件 AI 工作的成本往下压。

到了今晚，

OpenAI 直接把同一场战争：

再往前推一步。

OpenAI 美国时间 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 下面又多两个小模型。」

其实会错过真正重要的地方。

因为 OpenAI 这次主打的核心，

已经不是：

模型到底有多大。

而是：

同样一美元，究竟能完成多少真正的工作。

GPT-6 现在正式分成三个层级

最上面仍然是：

GPT-6 Astra。

OpenAI 目前仍把 Astra 定位成：

整个 GPT-6 Family

能力最完整的模型。

真正最困难、

最重要、

最不能妥协的工作，

仍然优先使用 Astra。

但问题是：

不是每封 Email、

每次文档整理、

每个 Bug

都需要：

Astra。

所以 OpenAI 往下补了两层。

中间：GPT-6 Sol

Sol 的定位是：

复杂日常工作。

例如：

Coding。

企业知识工作。

Computer Use。

跨 App Workflow。

长时间 Agent。

需要 Reasoning、

但又不值得每次都支付 Astra 成本的任务。

你可以把它理解成：

主力工作模型。

再往下：GPT-6 Luna

Luna 则更强调：

速度。

大量。

成本。

例如：

文档摘要。

数据抽取。

分类。

短问题。

大量 Clerical Work。

明确目标的重复任务。

也就是说，

GPT-6 Family 不再只回答：

「最强模型是哪一个？」

而开始回答：

「不同工作到底应该用哪一级能力？」

最直接的变化：Sol API 价格直接砍半

先看价格。

GPT-5.6 Sol：

每 100 万 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。

连通常比较昂贵的：

Output

也一起减半。

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。

也就是说，

大量简单工作开始掉到：

非常低的 Token Cost。

这代表什么？

不是：

聊天变便宜一点。

而是原本企业可能觉得：

「这件工作每天跑几万次，用 AI 太贵。」

现在可能需要：

重新算一次。

OpenAI 为什么能再降价？

官方提到两个重要方向：

Inference Efficiency

以及：

Caching。

也就是：

不是单纯把模型价格表打折。

而是底层 Serving

也在努力让：

同一份 Compute

处理更多任务作。

Prompt 里已经处理过的 Context，

如果能更有效：

重复使用，

就不用每一次 Request

都重新算完整前缀。

这和今天 Claude Opus 5.5 讲的：

Prompt Cache

其实指向同一场战争。

AI 公司现在都开始发现：Context 重复计算太贵

Agent 工作愈来愈长。

一个 Agent 可能：

先读公司规则。

再读文档。

开网站。

做修改。

看结果。

重新修改。

每一轮都带着之前的 Context。

如果每一轮：

全部从头计算，

成本很快爆掉。

所以：

Cache

已经不再只是 API 工程师才会在意的小功能。

它正在变成：

AI Agent 能不能大规模商业化的核心。

OpenAI 甚至把 Benchmark 改成直接看 Cost per Task

这是今天最值得注意的地方。

以前模型发布最常看到：

Accuracy。

Score。

Pass Rate。

现在 OpenAI 开始直接告诉你：

这一件工作完成到底多少钱。

例如官方公布的：

AutomationBench。

这个测试让 AI Agent

跨：

Sales。

Marketing。

Operations。

Customer Support。

Finance。

HR

等实际企业工作，

使用：

47 种工具

完成 End-to-end Workflow。

GPT-6 Sol xhigh：一件任务约 0.27 美元

OpenAI 公布的结果中，

GPT-6 Sol：

xhigh Effort

在 AutomationBench 得分：

33.2%。

OpenAI 计算的：

Cost per Task

约：

0.27 美元。

同一张表里：

GPT-6 Astra Low

得分：

30.3%。

但每件工作的成本，

约为 Sol 的：

3.9 倍。

这并不是说：

Sol 全面比 Astra 强。

因为：

Effort Level 不同。

Benchmark 只代表：

这一组特定工作。

Astra 在其他最困难任务仍然是 OpenAI 的最高级模型。

但这个结果透露了一个很重要的产品策略：

不是每件工作都需要 Astra。

OpenAI 甚至直接拿 Claude 比

同一项 AutomationBench 中，

OpenAI 引用公开数据比较：

Claude Opus 5 Max：

26.9%。

成本约为 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：

超过 Sol 的：

8.9 倍。

但这里一定要非常小心。

这是：

OpenAI 自己发布的 Benchmark。

而且竞品：

模型版本。

Effort。

Fallback。

计费方式

都可能不同。

所以不能拿这张图直接下结论：

GPT-6 Sol 全面打败 Claude。

真正值得看的只是：

OpenAI 已经公开把竞争单位从：

Benchmark Score

拉向：

Score ÷ Cost。

早上的 Anthropic 其实也正在做完全相同的事

Claude Opus 5.5 今天最大的卖点之一，

就是：

典型工作负载成本

比 Opus 5 约降低：

40%。

Anthropic 甚至一直提醒：

不要只看：

Cost per Million Tokens。

要看：

Cost per Completed Task。

几个小时后，

OpenAI 也把：

Cost per Task

放进 GPT-6 的发布内核。

两家几乎同时传出：

同一个信号。

AI 的下一场模型战，开始变成经济学。

Coding 也开始比「能不能 Merge＋要花多少钱」

OpenAI 添加的一项重点测试是：

FrontierCode。

它不是只问：

Code 能不能跑。

还会看：

Tests。

Scope Discipline。

Code Style。

Codebase Standards。

以及最后：

是不是接近：

可以 Merge。

因为真正企业 Coding Agent

最怕的不是：

AI 完全不会写。

而是：

Code 看起来可以，

结果人工还要花大量时间修。

如果模型便宜，

但每次都要 Senior Engineer

再花一小时，

仍然不便宜。

DeepSWE 上 Sol 已经逼近最高级 Claude

在 OpenAI 公布的：

DeepSWE 1.1

测试里，

GPT-6 Sol Max：

68.8%。

Claude Fable 5 xhigh：

69.9%。

差：

1.1 Percentage Points。

OpenAI 计算，

Sol 的 Cost per Task

约低：

80%。

同样，

这是 OpenAI 依公开竞品结果做出的比较，

不能直接推成：

所有 Coding Workload 都便宜 80%。

但它说明：

「较便宜模型只能做简单工作」

这个假设正在快速失效。

Luna 更有意思

GPT-6 Luna Max

在同一项 DeepSWE：

66.6%。

OpenAI 表示，

已经接近：

Claude Opus 5

与：

Claude Fable 5

部分 Medium Effort 表现。

但 Cost per Task

比 Opus 5：

低约 93%。

比 Fable 5：

低约 96%。

如果未来第三方测试能证明：

这类差距在真实工作也存在，

它的冲击可能非常大。

因为大量公司真正需要的，

根本不是：

「世界最强 Coding Model。」

而是：

「每天能便宜跑 1,000 次，而且大部分都够好。」

Computer Use 也进入价格战

GPT-6 Astra

目前仍然是 OpenAI 最强的：

Computer Use Model。

但是在：

OSWorld 2.0 Offline

这类模拟电脑操作测试里，

GPT-6 Sol xhigh：

60.5%。

Claude Opus 5 Medium：

60.3%。

OpenAI 表示，

Sol 每件任务成本大约低：

80%。

而 GPT-6 Luna Max

则能超过：

GPT-5.6 Sol Medium，

成本只有大约：

十分之一。

这表示未来 Computer Use

最重要的突破可能不是：

再多做一个 App。

而是：

让一个 Agent 每天操作几百次电脑也付得起。

Agent 真正普及，首先要解决「太贵」

假设 AI Agent 帮公司：

一天整理一封 Email。

成本几乎没人在乎。

但如果它：

一天处理：

10,000 张单据。

5,000 个 Leads。

2,000 个 Support Tickets。

几百个网站流程。

Cost per Task

只差：

0.10 美元，

一天可能就差：

上千美元。

一年：

几十万美元。

所以当 AI 从：

Chatbot

变成：

Digital Worker，

Price

就突然变成产品能力的一部分。

Factuality 也是另一个很重要的成本

模型答错，

不只是：

品质问题。

还是：

成本问题。

因为答错之后：

人要检查。

重新问。

补数据。

重跑一次。

所以 OpenAI 这次也特别强调：

GPT-6 Sol

在一套根据：

用户曾回报错误的真实 Conversation

创建的内部 Factuality Evaluation 中，

错误大约只有：

GPT-5.6 Sol 的：

一半。

但官方也明确提醒：

这些是刻意挑选曾经容易出错的 Conversation，

不是一般使用中：

整体错误率。

所以不能写成：

「GPT-6 Sol 幻觉减少 50%。」

比较准确的是：

在 OpenAI 这套特定错误诱发测试里，错误数约减半。

Luna 高 Effort 甚至逼近旧 Sol

OpenAI 还表示：

GPT-6 Luna

在较高 Effort 下，

这项 Factuality Test

可以接近：

GPT-5.6 Sol，

但成本只有：

大约百分之一。

如果成立，

这代表很多以前必须交给：

中高级模型

才能可靠处理的工作，

可能开始下放给：

更便宜的 Model Tier。

这才是真正的：

Model Compression 商业化。

不是模型文件变小而已。

而是：

同一能力层级的价格往下掉。

Sol 和 Luna 不是把 Astra 淘汰

这点非常重要。

OpenAI 官方说得很清楚：

GPT-6 Astra 仍然是整体最强模型。

真正最重要的 Project、

最困难的 Research、

最复杂 Computer Use、

最不能失败的任务，

Astra 仍然有位置。

新的策略比较像：

简单大量：

Luna。

复杂日常：

Sol。

极难少量：

Astra。

这和今天下午我们写 Claude 商业案例时，

讲的：

Model Routing

几乎完全一致。

模型管理开始像公司的人力配置

不会因为公司里有：

最资深工程师，

就让他每天：

整理 Excel。

找文件。

回所有简单 Email。

同样，

有 Astra

不代表：

每一件事都应该用 Astra。

未来企业可能会把 AI Task

自动 Routing：

分类：

Luna。

一般处理：

Sol。

遇到困难：

升 Astra。

完成：

再降下来。

AI Model Portfolio

开始变得像：

人力分级。

对一般 ChatGPT 用户会发生什么？

在发布时，

OpenAI 先让：

GPT-6 Sol

和：

GPT-6 Luna

进入：

ChatGPT Work。

Codex。

以及：

API。

符合资格的付费方案开始分批取得。

Free 与 Go 用户则可在 Desktop App

使用：

GPT-6 Luna。

一般 ChatGPT 界面则采：

逐步 Rollout。

所以：

如果今天还没看到，

不代表产品没有发布。

可能只是：

还没有 Roll 到你的帐号。

这次还有一个很实际的改变：Usage Limit 可以更高

模型 Serving

变便宜之后，

OpenAI 不只降低 API Price。

也代表：

同样 Compute Budget

可以让用户：

跑更多。

所以官方强调：

Sol／Luna

会带来：

Higher Usage Limits

以及：

More Room to Iterate。

这其实可能比：

Benchmark 多三分

更直接有感。

因为对真正每天使用 AI 的人来说，

最恼人的不是：

模型少会一道数学题。

而是：

工作做到一半撞 Usage Limit。

这也是为什么「50% 降价」比看起来更重要

如果一个模型只拿来：

每天聊十次，

Input 从 4 美元变 2 美元

你几乎感觉不到。

但如果一个公司：

把它放在 Agent Workflow

里一直跑，

就完全不同。

例如原本每月：

20 万美元 API Bill。

同样 Task Volume

理论上只因 List Price：

就可能大幅下降。

或者公司不省这笔钱，

而是：

让 AI 多做一倍工作。

这就是价格战真正产生的影响。

但现在还不能宣布「AI 成本直接减半」

因为 Token Price 降 50%

不等于：

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。

甚至因为：

新模型能力更强，

公司反而开始交给它：

以前不敢交的更复杂任务。

最后帐单：

可能没有减少。

所以真正应该看的仍然是：

Cost per Completed Task。

这也是 OpenAI 和 Anthropic 今天最奇妙的共同点

Anthropic：

Opus 5.5。

OpenAI：

GPT-6 Sol／Luna。

两边的发布内容，

都花大量篇幅告诉你：

不要只看模型价格。

要看：

一件真正工作：

做完多少钱。

需要几轮。

会不会失败。

有没有重做。

多少 Context 可以 Cache。

这表示 Frontier AI

正在跨进新的成熟阶段。

以前：

能力第一。

现在：

能力／成本比。

这场价格战也会逼其他模型公司跟进

如果：

高级能力

可以越来越快往：

中价模型

甚至低价模型

下放，

竞争压力就会直接传到：

Google。

Meta。

Alibaba。

DeepSeek。

Mistral。

以及其他模型供应商。

因为企业采购最后会问：

不是：

「你 Benchmark 世界第几？」

而是：

「我每月有 500 万个 Tasks，你能多少钱完成？」

这个问题比：

Leaderboard

残酷很多。

开源模型也会感受到压力

Open-weight Model

很大一个吸引力是：

成本。

可以自己部署。

不用永远付 Frontier API 的高额价格。

但如果 Frontier Model API

一直降价，

企业就必须重新算：

自己买 GPU。

维护 Infrastructure。

更新 Model。

监控安全。

和：

直接付 API

哪个更便宜。

所以模型降价，

甚至可能改变：

Local AI。

Cloud AI。

Open-weight AI

彼此之间的经济平衡。

但最便宜不一定最后会赢

便宜只是：

一个维度。

企业还要看：

Reliability。

Latency。

Privacy。

Data Residency。

Security。

Tool Ecosystem。

Vendor Lock-in。

Availability。

Model Stability。

以及：

最重要的：

最后人工到底要修多少。

如果一个模型：

便宜 70%，

但员工每次都要花：

多 20 分钟 Review，

未必划算。

AI 采购开始变成：

真正的 Operations Question。

最后回头看今天早上，就会发现这一天很特别

今天早上：

Anthropic 告诉市场：

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

直接往下砍价。

同一天，

两家前沿 AI 公司都没有把主要消息停在：

「我们更聪明。」

而是开始说：

「我们可以更便宜地完成工作。」

这可能是 AI 产业接下来最重要的转折之一。

当 Intelligence 本身变得愈来愈充足，

真正稀缺的就会变成：

每一美元能买到多少可靠工作。

所以 GPT-6 Sol／Luna

真正重要的地方，

不是 OpenAI 又多了两个 Model Name。

而是：

前沿 AI 正开始从：

能力竞赛

进入：

效率竞赛。

最后真正赢的，

未必只是：

Benchmark 最高的人。

而可能是：

能用最低的总成本，把最多真实工作稳定完成的人。

今天，和 AI 一起进步一点。

每天学会一个 AI 技巧。

每天节省一点时间。

每天提升一点能力。

SasaDaily，陪你一起成长。

推荐阅读

今日 AI 工具｜2026/09/13：GPT-6 Astra 进 ChatGPT Work／Codex，没有 API 的旧系统也能直接操作

AI 一分钟教学｜2026/09/13：Astra 操作电脑前，先写「允许做／一定停／完成后回报」三格权限卡

AI 今日早报｜2026/08/22：OpenAI 把 GPT-5.6 Sol API 降价逾 20%、AI 基建债务暴增至 2,200 亿美元、Nvidia 再投数据中心电力开发商