OpenAI发布GPT-6 Sol与Luna：大幅降价直击DeepSeek价格腹地

事件概述

OpenAI正式推出GPT-6系列中的两个新模型：GPT-6 Sol 和 GPT-6 Luna。这两款模型沿用了此前发布的顶级模型 GPT-6 Astra 的训练方法，旨在将高能力的推理、编程和对齐技术下沉至更快速、更低成本的层级。此次发布的核心策略是通过基础设施优化和缓存效率提升，实现API价格的显著下降，直接挑战以低价著称的竞争对手（如 DeepSeek）。

核心信息

1. 定价策略与市场冲击

• GPT-6 Luna：每百万 Token 输入 0.1 美元（约0.7元人民币），输出 0.5 美元（约3.5元人民币）。这一价格在普通请求（缓存未命中）场景下，已与 DeepSeek V4.1 Flash 的闲时价格区间重叠。
• GPT-6 Sol：每百万 Token 输入 2 美元，输出 10 美元。相比促销期的 GPT-5.6 Sol，价格减半。
• 对比 DeepSeek：虽然 DeepSeek V4.1 Flash 在缓存命中时拥有极低价格（输入0.02元/百万Token），且具备100万Token上下文、图文理解及思考模式等综合能力优势，但在非缓存的高频普通请求中，Luna 的价格已无显著劣势。这打破了 DeepSeek 长期持有的“绝对低价”标签。

2. 性能表现与基准测试

• 专业工作流 (AutomationBench)：GPT-6 Sol 在高推理强度下取得 33.2% 的成绩，优于 Claude Opus 5 (26.9%)，且单项任务成本仅为后者的 9%。
• 长链路任务 (Agents’ Last Exam)：GPT-6 Sol 得分 56.4%，超越 Claude Opus 5 的最高成绩，且成本低约 60%。
• 事实准确性：内部测试显示，GPT-6 Sol 的事实错误率约为 GPT-5.6 Sol 的一半，可靠性接近 Astra 水平。
• 编程能力 (FrontierCode & DeepSWE v1.1)：
  • GPT-6 Sol 在 DeepSWE v1.1 测试中得分为 68.8%，略低于 Claude Fable 5 (69.9%)，但成本低约 80%；相比之下，DeepSeek V4.1 Flash 得分为 74.2%。
  • GPT-6 Luna 在该测试中得分为 66.6%，虽不及 DeepSeek，但其任务成本比 Claude Opus 5 和 Fable 5 分别低 93% 和 96%。
• 计算机操作 (OSWorld 2.0)：GPT-6 Sol 得分 60.5%，与 Claude Opus 5 中等推理强度相当，成本低约 80%；Luna 最大推理强度表现优于 GPT-5.6 Sol，成本仅为十分之一。

3. 技术优化与用户体验

• 输出风格调整：继承自 Astra 的调整，减少术语和冗余细节，回答更简洁，并明确说明检查范围，以提升连续协作（如编程）中的可靠性。
• 缓存机制升级：默认缓存命中率提高，缓存输入读取可获得 90% 折扣。开发者可在控制台查看缓存比例，支持中途调整推理强度和工具调用而不丢失上下文缓存，以及设置显式断点以优化复用范围。
• 实际效能反馈：部分开发者实测显示，复杂任务完成时间从约1小时缩短至20分钟，Token消耗减半。但在视觉生成质量（如Three.js场景构建）方面，部分评测认为其视觉效果略逊于 Claude Opus 5.5，不过考虑到巨大的成本差异，性价比依然突出。

4. 产品部署与访问权限

• API 调用：即日起通过 gpt-6-sol 和 gpt-6-luna 接口开放。
• ChatGPT 端：
  • Plus、Pro、Business、Enterprise 和 Edu 用户可在 ChatGPT Work 与 Codex 中使用。
  • Free 和 Go 用户可在桌面应用中使用 GPT-6 Luna。
  • 普通 Chat 对话功能将逐步开放，Codex 优先。
• 用户福利：Plus、Pro 和 Business 账户获得预存额度重置，允许在当前周期内多使用一轮额度。

值得关注

• 行业格局变化：OpenAI 不再仅追求榜单上的最高分，而是转向“智能密度的经济效益”。随着 Luna 进入 DeepSeek 的价格腹地，低价将成为所有头部模型的必答题，竞争焦点从单一的价格战转向“价格+生态+稳定性”的综合较量。
• Agent 经济模型重构：对于需要大量并发 Agent、反复迭代或长期运行的工作流，OpenAI 的成本优势将迅速累积。缓存技术的优化使得持续读取代码库和文档的场景费用大幅降低，可能比公开单价下降更具商业价值。
• DeepSeek 的挑战：尽管面临价格压力，DeepSeek 仍保留缓存命中时的极致低价和更强的综合上下文处理能力。未来竞争将取决于双方如何在保持高性能的同时，进一步压缩推理成本并优化缓存利用率。