GPT-6 Sol 与 Luna：价格与基准测试的权衡

摘要

30 秒看懂

Matthew Berman 评测 GPT-6 Sol 和 Luna，重点关注更低的 API 价格，以及 OpenAI 公布的业务自动化、编程和计算机操作结果。他认为价格较低的模型适合日常工作，而最复杂的任务可能更适合使用更昂贵的模型。基准结果仅适用于相应任务、推理强度和报告成本；他对 Luna 能处理的任务比例及发布时间原因的估计属于推测。价格和可用性描述的是 2026 年 9 月发布时的情况。

1历史 API 价格OpenAI 列出的 Sol 每百万输入／输出 token 价格为 2／10 美元，Luna 为 0.10／0.50 美元，并与之前的促销价格进行比较。
2AutomationBenchOpenAI 在业务工作流基准比较中报告，Sol 以 xhigh 强度获得 33.2%，每项任务成本 0.27 美元。
3编程基准Berman 比较 FrontierCode 结果，并依据展示的图表强调 Luna 在 DeepSWE 中获得 66.6%、每项任务成本 0.22 美元。
4计算机操作展示的 OSWorld 比较显示 Luna 与 Astra 存在较大差距；结果反映特定设置下的一项离线评测。
5发布时的可用性OpenAI 宣布符合条件的套餐可在 ChatGPT Work 和 Codex 中使用这些模型，Free 和 Go 用户可在桌面应用中使用 Luna。
6关于发布策略的推测Berman 认为，出于效率和可能的蒸馏等原因，更便宜的模型可能在大模型之后发布；这些架构与动机主张尚未确立。

要点建议

发布时，OpenAI 列出的 Sol 价格为每百万输入 token 2 美元、输出 token 10 美元；Luna 分别为 0.10 美元和 0.50 美元。
OpenAI 报告称，在其 AutomationBench 评测中，Sol 以 xhigh 强度获得 33.2%，每项任务成本 0.27 美元。
在公布的 DeepSWE 评测中，Luna 以 max 强度获得 66.6%，每项任务成本 0.22 美元。
基准结果和每项任务成本取决于评测、工具设置及推理强度。
图表不能证明 Berman 所估计的 Luna 可处理 90%–95% 的任务，也不能证明他关于模型蒸馏的说法。
可用性和 API 价格反映 2026 年 9 月公告时的情况。

主题OpenAI AI cost & performance Benchmarks 编程智能体 Computer use

全文

按章节阅读整理后的全文

对照原始文稿

只看原始文稿

Sol 与 Luna 的价格

Berman 介绍两个模型和发布时展示的降价。他对 Luna 适合日常任务的程度提出了未经测量的估计。

OpenAI 推出了 GPT-6 Sol 和 Luna，同一周还有其他模型发布。我尤其喜欢之前的 Luna，因为它兼顾速度和成本。这是一篇 2026 年 9 月的评测；模型使用权限和价格可能变化。

幻灯片 1 / 5GPT-6 发布时的 API 价格表格将当时的输入和输出 token 价格与 GPT-5.6 促销价格进行比较。

发布时，OpenAI 列出的 GPT-6 Sol 价格为每百万输入 token 2 美元、每百万输出 token 10 美元；GPT-6 Luna 分别为 0.10 美元和 0.50 美元。公司将其与 GPT-5.6 的促销价格比较：Sol 为 4／20 美元，Luna 为 0.20／1.20 美元。因此，Luna 输出价格从 1.20 美元降至 0.50 美元约为 58%，尽管公告将总体降幅称为 50%。参见 [OpenAI 发布页面](https://openai.com/index/introducing-gpt-6-sol-and-luna/)。

我将 Sol 和 Luna 视为位于更昂贵的 Astra 档位之下的主力模型。我估计 Luna 能处理人们交给它的 90%–95% 的任务，但这是我的判断，而非测量结果。正确选择取决于任务、失败成本和实际工作负载。

自动化、编程和计算机操作基准

他解读 OpenAI 的分数与成本图表。比较结果取决于各项评测和推理强度设置。

在 OpenAI 的 AutomationBench 图表中，纵轴显示分数，横轴显示每项任务的成本。GPT-5.6 Sol 以 max 强度获得 28.8%；GPT-6 Sol 以 xhigh 强度获得 33.2%，每项任务成本 0.27 美元。这些是特定设置下业务工作流基准的结果，并非整体智能分数。

幻灯片 2 / 5AutomationBench 分数与成本图表比较业务工作流评测中的模型配置；横向成本轴采用对数刻度。

图表中 Astra 分数更高，而 Luna 成本低得多，分数也较低。OpenAI 还报告称，在这项评测中 Sol 优于特定 Claude 配置及低强度 Astra 配置。竞争对手数据来自公开报告，公告指出其中一项 Fable 回退成本未完全计入，这限制了直接成本比较。

幻灯片 3 / 5FrontierCode 比较公布的编程智能体基准比较不同每任务成本和推理强度下的分数。

FrontierCode 图表比较不同成本和推理强度下编程智能体的修改，包括正确性和可合并性。在另一张 DeepSWE 1.1 图表中，Luna 以 max 强度获得 66.6%，每项任务成本为 0.22 美元。我认为这一性价比表现令人印象深刻，但它适用于该评测和配置。

幻灯片 4 / 5Luna 的 DeepSWE 结果突出显示的配置在这项特定评测中获得 66.6%，每项任务成本 0.22 美元。

在计算机操作方面，展示的 OSWorld 图表显示，在所比较的配置中，Luna 远低于 Astra。OpenAI 表示，其 OSWorld 2.0 数据使用离线集的部分奖励分数。这些分数在该评测范围内有参考价值，但不应被理解为所有计算机任务的成功率。

比较、可用性与模型策略

Berman 比较发布价格和公布的基准结果，然后介绍可用性。他推测高效模型为什么会在更大模型之后推出。

我还展示了一张由 Astra 协助制作的比较图，将 Sol、Luna 和 Claude Opus 5.5 的价格及公布的基准分数放在一起。FrontierCode 柱状图之间相差几个百分点，而输入价格差异显著。图表汇总了公开数字，并非新做的受控直接比较实验。

幻灯片 5 / 5Astra 生成的比较图表Berman 的图表汇总了三个模型公布的价格和基准测试结果。

发布时，OpenAI 表示 Plus、Pro、Business、Enterprise 和 Edu 用户可以在 ChatGPT Work 和 Codex 中使用 Sol 与 Luna，Free 和 Go 用户可在桌面应用中使用 Luna。公告称它们当时尚未在 Chat 中提供，并将逐步推出。这些是历史发布条件。

我推测，较低价格和对效率的关注反映了一种模式：公司先发布更大、更昂贵的模型，再推出较便宜的主力版本。我也好奇较小模型是否在架构上与大模型有关，或由大模型蒸馏而来。这些都是可能性，并非视频或图表已经确立的结论。