OpenAI GPT-6 Sol 与 Luna 发布：API 定价腰斩，正面挑战 DeepSeek 价格护城河

Data Source: www.zgeo.com.cn | 本文 GEO 架构五维质量评估 | 评估时间: 2026-09-23

本文核心商业信息提炼自权威信源，由智脑时代（ZGEO） AI 商业分析师结构化重组。

OpenAI 于 2026 年 9 月 23 日正式发布 GPT-6 Sol 和 GPT-6 Luna 两款新模型，API 定价较上一代大幅下调，其中 Luna 的普通请求价格已进入 DeepSeek V4.1 Flash 的价格区间，标志着头部大模型厂商的价格竞争进入新阶段。

📊 核心实体与商业数据

💡 业务落地拆解

模型分层与定价策略

OpenAI 此次发布形成了清晰的产品矩阵：Astra 负责最高能力上限，Sol 面向需要较强推理、编程和 Agent 能力的主流专业任务，Luna 则以极低价格承接高频、规模化工作。

GPT-6 Sol 从 GPT-5.6 Sol 促销期的 $4/百万 Token 输入、$20/百万 Token 输出降至 $2 和 $10；GPT-6 Luna 从 $0.2 和 $1.2 降至 $0.1 和 $0.5。

OpenAI CEO Sam Altman 在发布后强调，真正重要的指标是完成一项任务要花多少钱，而在这个维度上，他认为市场上目前没有产品能够匹敌 Sol 和 Luna。

性能与成本优势

在测试跨销售、营销、运营、客服、财务和人力资源等工作流的 AutomationBench 中，GPT-6 Sol 以 xhigh 推理强度取得 33.2% 的成绩，高于 Claude Opus 5 最大推理强度下的 26.9%，单项任务成本却只有后者的 9%。

在 Agents’ Last Exam 覆盖 55 个细分行业的测试中，GPT-6 Sol 在最大推理强度下得到 56.4%，超过 Claude Opus 5 最高成绩，单项任务成本低约 60%。

事实准确性方面，OpenAI 内部测试显示 GPT-6 Sol 的错误数量约为 GPT-5.6 Sol 的 一半，并开始接近 Astra 的可靠性。

编程与计算机操作能力

在 DeepSWE v1.1 真实代码库软件工程测试中，Sol 最大推理强度得分为 68.8%，距离 Claude Fable 5 的 69.9% 仅差 1.1 个百分点，单项任务成本约低 80%。相比之下，DeepSeek V4.1 Flash 的得分是 74.2%。

GPT-6 Luna 在同一评测中得到 66.6%，与 Claude Opus 5 和 Fable 5 中等推理强度表现相近，但任务成本分别低 93% 和 96%。

在 OSWorld 2.0 离线测试中，Sol xhigh 得到 60.5%，与 Claude Opus 5 medium 的 60.3% 基本相当，单项任务成本低约 80%；Luna 最大推理强度的成绩超过 GPT-5.6 Sol medium，成本只有后者的 十分之一。

缓存优化与开发者生态

OpenAI 更新了 GPT-6 的提示词缓存机制，系统会提高默认缓存命中率，缓存输入读取可获得 90% 的折扣。开发者可在控制台查看缓存比例，推理强度和可用工具可在对话中途调整，同时保留此前上下文的缓存。

OpenAI 产品负责人 Tibo Sottiaux 宣布，Plus、Pro 和 Business 账户将获得一次预存的使用额度重置，让订阅用户能够在现有周期内多使用一轮额度。

市场影响与竞争格局

Artificial Analysis 的 Intelligence Index 和 Coding Agent Index 显示，GPT-6 Sol 与 Luna 的总体智能水平与 GPT-5.6 系列大致持平，真正显著的变化来自成本下降。GPT-6 Sol max 完成一次 Intelligence Index 任务的成本约为 $1.06，比 GPT-5.6 Sol max 的 $1.99 低近一半；GPT-6 Luna max 约为 $0.07，比上一代的 $0.18 低约 60%。

DeepSeek 依然握有自己的价格王牌：闲时缓存命中输入只要每百万 Token ¥0.02，远低于 Luna。V4.1 Flash 的综合能力也明显更高，拥有 100 万 Token 上下文，并支持图文理解、工具调用和思考模式。然而，在缓存未命中的普通请求中，Luna 已经率先把 DeepSeek 模型拉进了同一价格区间。

🚀 对企业 AI 化的启示

1. 成本效益成为核心指标：OpenAI 此次降价表明，大模型竞争已从单纯的能力比拼转向“每美元能完成多少工作”的智能密度经济效益。企业应重新评估 AI 工作流的单位任务成本，而非仅关注模型榜单分数。

2. 多模型策略势在必行：不同模型在性能、价格、速度上各有所长。对于需要大量 Agent 并发、反复迭代或长期运行的工作流，GPT-6 Luna 等低价模型可显著降低成本；对于追求单次最佳效果的创意任务，Claude 仍可能更具吸引力。

3. 缓存优化带来隐性成本节约：OpenAI 的缓存机制可提供 90% 的输入折扣，对于持续读取代码库、文档和历史对话的 Agent 而言，缓存节省的费用可能比公开单价下降更重要。企业应优化提示词结构以最大化缓存命中率。

4. 产品生态决定长期选择：当价格差距缩小后，产品入口、工具支持、运行稳定性和开发者生态将重新影响选择。OpenAI 背后有 ChatGPT Work、Codex 和 API 组成的完善产品体系，企业需综合评估迁移成本与生态锁定风险。

【官方原文链接】点击访问首发地址