OpenAI 正式發布 GPT-6 Sol 與 GPT-6 Luna 兩款新模型，兩者均以 GPT-6 Astra 的類似方法訓練，API 價格較 GPT-5.6 促銷定價下降 50%，Sol 主攻高階自動化任務，Luna 主打低成本的日常應用，香港開發者可按工作量與預算直接替換現有模型。
新模型發布重點：一次看懂
OpenAI 在官方公告中宣布推出 GPT-6 Sol 和 GPT-6 Luna，並說明兩款模型以 GPT-6 Astra 的類似方法訓練。這代表兩款新模型共享同一套訓練路線，只是定位不同：Sol 面向需要深度推理的自動化工作，Luna 則針對大量、高頻率的日常請求。
其實對香港用家來說，最直接的影響不是能力名稱，而是帳單。這次兩款模型的 API 價格均較 GPT-5.6 促銷定價降低 50%，降幅相當明顯（OpenAI 官方公告）。
GPT-6 Sol Luna 新模型發布 價格比較
價格是這次發布的核心。坦白說，50% 的降幅在主流模型更新中並不常見，具體數字如下：
| 項目 | 前代 GPT-5.6 定價 | GPT-6 新定價 | 降幅 |
|---|---|---|---|
| Sol 輸入（每百萬 token） | 4 美元 | 2 美元 | 50% |
| Sol 輸出（每百萬 token） | 20 美元 | 10 美元 | 50% |
| Luna 輸入（每百萬 token） | 0.20 美元 | 0.10 美元 | 50% |
| Luna 輸出（每百萬 token） | 1.20 美元 | 0.50 美元 | 58% 以下成本效益另見下文 |
Sol 從輸入 4 美元降至 2 美元、輸出從 20 美元降至 10 美元；Luna 則由輸入 0.20 美元降至 0.10 美元、輸出由 1.20 美元降至 0.50 美元。說實話，Luna 的輸出價格已經低到可以放心放在高流量客服場景，不必逐句計算成本。
Sol 適合誰：自動化與代理任務
Sol 的賣點不在聊天，而在工作。OpenAI 公布的 AutomationBench 測試中，GPT-6 Sol 以 xhigh effort 的表現勝過 Claude Opus 5 的 max effort，而成本僅為後者每任務成本的 9%。換句話說，用不足一成的價錢做到更高水準的結果，這對需要跑大量自動化流程的團隊來說，是結構性的成本優勢。
另一項 Agents’ Last Exam 測試同樣值得留意：GPT-6 Sol 以 max effort 取得 56.4% 分數，高於 Claude Opus 5 的最高分，且每任務成本低 60%。偏偏很多開發者選模型時只看排行榜分數，忽略每任務成本，這次數據把兩個維度放在一起，選擇就清晰得多。
Luna 適合誰：高流量的日常應用
Luna 的定位是「用得多、用得平」。在同一輪 AutomationBench 測試中，GPT-6 Luna 在 high effort 下較其前代提升 5.4 個百分點，且每任務成本低 58%。能力上升、價格下降，兩者同時發生，對每天處理數以萬計請求的產品而言，差距會被規模放大。
其實多數香港中小企業的 AI 應用——回覆查詢、整理文件、摘要報告——根本用不著旗艦級推理，Luna 這種檔位的模型反而更符合實際需求。
AutomationBench 1.0.6 測了什麼
有人會問，這些基準測試到底量度什麼？根據 OpenAI 的說明，AutomationBench 1.0.6 要求 AI 代理在銷售、市場、營運、支援、財務及人力資源六個範疇，使用 47 個工具完成端到端工作流程。這不是簡單的問答測驗，而是模擬真實企業環境中的多步驟任務。
測試橫跨 6 個部門職能、動用 47 個工具，貼近實際營運情境，因此結果對企業採購決策的參考價值，比純學術基準更高。想了解各版本細節差異，可參考這篇 GPT-5.6 Sol vs Terra vs Luna 完整比較：功能差異 + 定價 + 官方基準圖表。
事實性與可靠性：錯誤減半
Sol 在內部事實性評估中，錯誤數量約為其前代的一半。對需要輸出財務摘要、法律文件初稿或客戶合約內容的場景，錯誤率減半意味著人工覆核的工作量相應下降，這是比分數更實在的進步。
不過要補一句：錯誤減半不等於零錯誤，重要業務輸出仍然必須經人手核實，尤其涉及監管要求的行業。
重度用家視角：OpenAI 內部數據的啟示
OpenAI 披露了一組內部編碼使用數據：以 API 價格計算，中位數研究員每日 token 使用量超過 600 美元，第 90 百分位研究員更超過 7,000 美元。這組數字說明兩件事——重度專業用家的消耗量驚人，而價格下調 50% 對這類用戶的年度開支影響，遠比一般用家想像的大。
假如你的團隊也有類似強度的使用習慣，這次換模型的投資回報其實不難計算。
香港開發者應該怎樣選：實用建議
以下是基於官方數據的選型建議（屬一般性建議，並非官方指引）：
- 高頻低成本場景（客服機械人、內容摘要、表單整理）選 Luna，輸出價格 0.50 美元每百萬 token，規模效應明顯
- 多步驟代理任務（流程自動化、跨系統操作）選 Sol，AutomationBench 與 Agents’ Last Exam 的數據均指向其優勢
- 混合部署：以 Luna 處理流量、Sol 處理難題，是最常見的架構安排
明明 Luna 價格低得多，不少團隊卻習慣性把所有請求都送往旗艦模型，結果搞到成本失控。按任務難度分流，才是這次定價結構想鼓勵的用法。
常見問題
GPT-6 Sol 同 Luna 的價格比 GPT-5.6 平多少？
兩款模型 API 價格均較 GPT-5.6 促銷定價降低 50%。Sol 輸入由 4 美元降至 2 美元、輸出由 20 美元降至 10 美元；Luna 輸入由 0.20 美元降至 0.10 美元、輸出由 1.20 美元降至 0.50 美元（每百萬 token 計）。
GPT-6 Sol 與 Claude Opus 5 比較表現如何？
在 AutomationBench 測試中，GPT-6 Sol 以 xhigh effort 勝過 Claude Opus 5 的 max effort，每任務成本僅為後者的 9%；在 Agents’ Last Exam 中，Sol 以 max effort 取得 56.4%，高於對方最高分，成本低 60%。
Luna 適合什麼應用場景？
Luna 在 high effort 下較前代提升 5.4 個百分點且每任務成本低 58%，適合客服、摘要、文件整理等高流量日常應用。
AutomationBench 1.0.6 是什麼測試？
一項要求 AI 代理在銷售、市場、營運、支援、財務及人力資源範疇使用 47 個工具完成端到端工作流程的基準測試。
本文資料來源可靠嗎？
本文數據均引自 OpenAI 官方公告，內容僅供參考，不構成專業意見，採購決策前請以官方最新文件為準。
