出品 | 网易智能
作者 | 小小
编辑 | 王凤枝
一夜之间，OpenAI 和 Anthropic 连发三款模型。
北京时间 9 月 23 日凌晨，Anthropic 先发布 Claude Opus 5.5，称典型工作负载的运行成本较上一代下降约 40%。几个小时后，OpenAI 推出 GPT-6 Sol 和 GPT-6 Luna，API 输入、输出单价较 GPT-5.6 当时的促销价降低 50% 或更多。
两家公司都把“更便宜”放在发布核心，竞争点也从谁更强，扩展到谁能以更低成本完成工作。Anthropic 拿旗舰降价，OpenAI 则为 GPT-6 补上两档更便宜的模型。
OpenAI 称，两款新模型沿用了旗舰 Astra 的训练方法，将专业工作、事实性、编程、计算机使用和对齐方面的改进带到了更便宜的档位。
不过，两家公司公布的降价百分比并不是同一套口径。模型如果输出更长、反复调用工具，或者几次失败后才完成工作，最终账单也可能增加。哪款模型更划算，还得把这笔账拆开来看。
发布当天，OpenAI CEO 山姆·奥特曼（Sam Altman）把降价解释为扩大 AI 使用规模的一步。他表示，希望 AI 被更广泛地使用，推动一场新的文艺复兴。
01 便宜多少，开始按任务算
先看最直观的 API 价目表。Sol 每百万 Token 输入 2 美元、输出 10 美元，与 Anthropic Claude Sonnet 5 相同。Luna 的输入、输出价格则分别为 0.10 美元和 0.50 美元。OpenAI 表示，两款模型的新价格都是长期定价，不是限时折扣。
Anthropic 同一天公布的 Opus 5.5，输入价从 5 美元降至 4 美元，输出价从 25 美元降至 20 美元，缓存读取价则从 0.50 美元降至 0.20 美元。Anthropic 还称，Opus 5.5 的输出速度较上一代提高 30% 以上，因此将典型工作负载成本降幅估算为 40%。
这个 40% 与 OpenAI 的 50% 以上不能直接比大小。前者是单价、速度和 Token 消耗共同影响的典型工作负载成本，后者首先是 API 单价变化。
Anthropic 列举的早期测试中，有用户称曾在不到一天内让 Opus 5.5 完成 68 万行代码的迁移。这是公司引用的个案，但它与 Opus 5.5 的定价放在一起，已经能看出厂商开始怎样卖模型：不只说智能有多高，还要说一份工作多快、多贵。
科技分析师@kimmonismus 在当天的复盘中也将能力和成本放在一起看。他提到，Luna 在 DeepSWE 上的表现接近 Fable 5 中等推理强度，但 OpenAI 估算的单任务成本低 96%。
近日，xAI 发布 Grok 4.7，小米也推出 MiMo-V2.6 系列。一周之内，从闭源旗舰到开放权重模型，主要厂商的新品接连上线，价格与能力被同时摆到了比较表里。
Box CEO 亚伦·莱维（Aaron Levie）认为，AI 任务成本下降，会扩大能够部署智能体的场景；成本越低，企业和开发者越愿意尝试，新增需求反过来又会推高 AI 使用量。
02 Sol 更便宜，提升却不是每项都有
价格算清以后，还要看 Sol 究竟能接下哪些工作。它位于 Astra 之下，官方公布的多项结果显示，部分高端模型的能力已经被带到更低的价格档。
在 OpenAI 公布的 AutomationBench 对照中，Sol 在 xhigh 推理强度下得分 33.2%，比低推理强度的 Astra 高 2.9 个百分点，单任务成本则只有后者的约四分之一。与最高推理强度的 Claude Opus 5 相比，Sol 得分更高，单任务成本约为其十一分之一。
软件工程测试 DeepSWE v1.1 中，Sol 在 max 推理强度下得分 68.8%，与 Claude Fable 5 在 xhigh 档位的 69.9% 相差 1.1 个百分点，OpenAI 估算其单任务成本低约 80%。
OpenAI 在 OSWorld 2.0 离线集中列出的，是不同推理档位下的结果：Sol 在 xhigh 档位得分 60.5%，Claude Opus 5 在 medium 档位得分 60.3%；按 OpenAI 估算，前者的单任务成本低约 80%。
事实性的变化更复杂。OpenAI 的内部测试显示，Sol 的事实错误率大约只有上一代的一半。第三方评测机构 Artificial Analysis 的 AA-Omniscience 结果则显示，Sol 的幻觉率从 92% 降至 60%，同时回答率从 99% 降至 83%，正确率也从 59% 降至 54%。它更少给出错误答案，但也更频繁地选择不回答。
Artificial Analysis 给 Sol 的编程智能体指数打 57 分，比上一代高 2 分，Terminal-Bench 4.0 和 SWE-Atlas-QnA 等项目有所提高。按该机构估算，Sol 每项任务约 2.99 美元，较上一代下降约一半。
知识工作则没有展现出同样的趋势。Sol 在 GDPval-AA v2.1 中比上一代低约 100 个 Elo 分，AA-Briefcase v1.1 基本持平。后者涉及跨多周的知识工作项目和数千份输入文件，专门考察模型持续处理复杂信息的能力。
03 Luna 把输入价压到 0.10 美元
相比 Sol，Luna 把价格压到了另一个区间：每百万 Token 的未缓存输入价为 0.10 美元，输出价为 0.50 美元，缓存读取价为 0.01 美元。小米 MiMo-V2.6-Flash 的三项价格分别为 0.14 美元、0.28 美元和 0.0028 美元。
新输入占比高时，Luna 更便宜；输出较多或大量命中缓存时，MiMo-V2.6-Flash 的价格反而更低。两款模型的实际账单，要看输入、输出和缓存读取各占多大比例。
AI 基准测试机构 Bridgebench 还进行了一次 3D 场景演示。这次测试只统计了运行时间和费用，没有统一披露四个结果的功能完成度：Luna 用时不到 1 分钟，费用不到 1 美分；Sol 用时约 1 分钟，费用 0.11 美元；Grok 4.7 用时 11 分钟，费用 0.29 美元；Claude Opus 5.5 用时 12 分钟，费用 1.52 美元。
在 DeepSWE v1.1 的 max 档位中，Luna 得分 66.6%，接近 Claude Opus 5 和 Fable 5 在 medium 档位的表现；OpenAI 估算，Luna 的单任务成本分别低 93% 和 96%。在 OpenAI 的事实性测试中，Luna 也可以在较高推理强度下达到 GPT-5.6 Sol 的水平，单任务成本约为后者的百分之一。
Luna 并没有在所有测试中进步。Artificial Analysis 给出的编程智能体指数为 41 分，比上一代低 2 分，SWE-Atlas-QnA 和 DeepSWE v1.1 也出现下降。其幻觉率从 93% 降至 77%，但正确率基本未变，回答率进一步下降。
OpenAI 以 Replit 为例称，此前的降价已经帮助 Replit 向数百万用户提供免费模式。GPT-5.6 Luna 在 7 月降价 80% 后，使用量增长超过 10 倍。
科技博主@MaxForAI 注意到，过去 DeepSeek 长期被视为低价模型的代表，如今 OpenAI 开始主动进入同一价格区间。
在完成质量满足要求的前提下，价格下降会让摘要、信息提取、简单问答和批量分类等任务更容易进入大规模部署。Luna 是否适合这些任务，还要看每个业务对准确率、回答率和人工复核的要求。
04 部分任务缩短至三分之一，前端测试却翻车
跑分与报价之外，几位提前获得权限的开发者给出了更不整齐的答案。
科技分析师弗拉维奥·阿达莫（Flavio Adamo）称，他测试 Sol 时，一些在 GPT-5.6 上需要约 1 小时的任务，缩短到了 20 分钟左右，消耗的 Token 也经常不到原来的一半。他还让模型根据《塞尔达传说：时之笛》预告片，尝试制作一个可运行的塞尔达风格演示。
投资人马特·舒默（Matt Shumer）的体验更保守。他认为 Sol 整体可靠，但日常工作仍更倾向于 Astra、Fable 5.1 或 Opus 5.5。对他来说，新模型增加的首先是另一个选项，而不是一个可以替掉所有模型的答案。
前端和 Three.js 测试的分化更明显。AI 资讯账号@aipulseda1ly 用同一个纽约城市场景提示对比 Sol 和 Opus 5.5。Opus 5.5 生成了包含街头出租车、屋顶、布鲁克林大桥和中央公园等元素的动态场景；Sol 最终只生成一个静态画面，无法移动相机，代码也缺少持续运行的渲染循环。
这次纽约场景测试与前面的火箭演示使用了不同提示、功能要求和验收方式，因此不能直接对冲成一个输赢结果。两个案例放在一起，倒是说明了单任务成本为什么必须同时带上完成标准：如果交付的功能不同，费用也就失去了直接比较的意义。
05 缓存更省，安全改善并不均匀
前面的演示和早期体验，都只覆盖了短期任务。智能体长时间运行时，重复上下文如何计费、模型遇到异常会不会停手，同样影响部署。
GPT-6 这次改进了提示缓存。Sol 和 Luna 的缓存读取 Token 均按未缓存输入价的 10% 计费；开发者可以在不破坏已有缓存的情况下调整推理强度和工具配置，也能明确指定缓存前缀在何处结束。
长周期运行的编程或业务智能体，往往要反复发送相同的系统提示、文件、工具定义和历史上下文。缓存命中率上升，会同时影响这些任务的费用和响应时间。
OpenAI 称，过去几个月里，GitHub Copilot 持续优化提示缓存，在数十亿次请求中，需要重新计算的提示 Token 比例已经减少一半以上，响应速度也随之提升。
对齐测试中，几项已公布的违规比例都比上一代低，但改善幅度差异很大。在编码欺骗测试中，Sol 的欺骗率从 10.4% 降至 1.3%，Luna 从 9.5% 降至 2.8%。
另一项测试故意向智能体提供已经损坏的搜索工具，观察模型是否主动向用户说明工具发生故障。Sol 未告知用户的比例从 77.8% 降至 5.4%，Luna 从 78.3% 降至 30.2%。
幅度较小的是“尊重警告”测试。在这组主要涉及低风险情境的对抗任务中，面对“访问被拒绝”等明确提示，Sol 仍有 64.4% 的比例尝试绕过限制，上一代为 68.2%；Luna 则从 76.5% 降至 42.4%。
OpenAI 提醒，这些评测故意设置了更具挑战的情境，也没有启用产品中的全部系统级防护，不应将这些数字理解为真实使用中的失败率。
沟通方式也有调整。OpenAI 称，Sol 和 Luna 的回答会更直接，减少术语、奇怪表达和低价值细节，整体稍短，但不刻意牺牲信息量。公司展示的网页设计案例中，GPT-5.6 Sol 容易过早宣布完成，还会加入与用户需求关系不大的图片工具提示；GPT-6 Sol 则倾向于先说明计划，再汇报完成情况，并告诉用户哪些内容已完成、哪些还没有检查。
06 三档模型上线，企业开始分配任务
OpenAI 给出的基本定位是：Astra 仍是综合能力最强的模型；Sol 在更低成本下处理高难度日常工作；Luna 则用于高频、目标明确的任务。实际工作流未必会整体交给同一个模型，企业可以按难度、时延和出错代价，将不同环节分给不同档位。
目前，Sol 和 Luna 已经上线 OpenAI API，模型 ID 分别为 gpt-6-sol 和 gpt-6-luna。ChatGPT Work 和 Codex 也开始向 Plus、Pro、Business、Enterprise 和 Edu 用户逐步推送；免费版和 Go 版用户可以通过桌面应用使用 Luna。两款模型目前尚未在 Chat 中开放。
VentureBeat 在报道中提到，企业下一阶段评估模型时，可能会越来越少地围绕单一跑分或 API 标价，而是同时核对任务完成率、Token 消耗、缓存复用率、响应延迟和人工返工。
OpenAI 已明确，Sol 和 Luna 的新价格不是限时促销。开发者因此可以直接用这组价格重新设计生产环境里的模型分配，再把同一批真实任务分别交给 Astra、Sol、Luna 和竞争模型，核对谁一次完成得更多、谁的缓存复用率更高，以及谁让人少改几次。
