OpenAI 本周在同一天推出两款新模型，GPT-6 Sol 与 GPT-6 Luna，并且悄悄把自己的 API 价格下调了近一半。如果你一直把每个提示都发给旗舰模型，只因为从来没认真检查过便宜版本是否一样能胜任，从这周开始，这个习惯会让你多花真金白银。
GPT-6 Sol 和 Luna 到底是什么？
GPT-6 Sol 和 GPT-6 Luna 是 OpenAI 在 2026 年 9 月 22 日发布的两款新模型，训练方法与旗舰版 GPT-6 Astra 相同，但定价低得多。Sol 面向编程和复杂的专业工作；Luna 则面向大量文书类任务，例如摘要、信息提取和回答简单问题。
两款模型同时带来一次永久性（并非限时优惠）的降价，比上一代 GPT-5.6 便宜大约 50%。OpenAI 表示 Sol 的出错率大约只有上一代的一半，可靠程度已经非常接近 Astra，成本却只是零头。
Sol 和 Luna 实际收费多少？
Sol 每百万个输入 token 收费 2 美元，输出 token 收费 10 美元。Luna 每百万个输入 token 只收 0.1 美元，输出收 0.5 美元。旗舰版 Astra 的价格远远高于两者。如果你或你的团队会直接调用 API，或者使用建立在 API 之上的第三方工具，以下是你需要知道的价格明细：
--- GPT-6 Luna：每百万 token 输入 0.1 美元，输出 0.5 美元，适合快速文书工作
--- GPT-6 Sol：每百万 token 输入 2 美元，输出 10 美元，适合编程和复杂推理
--- GPT-6 Astra：按固定用量计算，价格大约是 Sol 的 2.5 倍、Luna 的 47 倍，只保留给风险最高的工作
即使你从来不亲自使用 API 密钥，这件事依然和你有关。许多从业者日常使用的写作、调研和自动化工具，底层其实都建立在 OpenAI 的 API 之上，所以这类降价通常会以"快速版"对"专业版"的切换选项出现在你已经付费的工具里，或者你付费的工具会悄悄变得更便宜。
Sol、Luna 和 Astra，你应该选哪一个？
快速、大量、风险较低的任务交给 Luna 就够了，比如整理客户名单、写一句邮件标题、从合同里提取日期。真正复杂或专业的工作，包括编程，就交给 Sol，能获得接近旗舰模型的判断力，却不用付出旗舰价格。至于 Astra，留给少数答错代价非常高、成本已经不是首要考虑因素的工作。
可靠性数据也支持这个做法。Luna 在 OpenAI 内部最严格的测试中，幻觉率从 93% 降到 77%，是实实在在的进步，但相比 Sol 在同一测试中的表现，仍然明显偏高。这正好解释了为什么 Luna 应该用在低风险、大量的任务上，而 Sol 应该用在任何答错都会拖慢你进度的任务上。
有一点反直觉但值得记住：token 单价本身并不能反映一项任务的真实成本。Astra 虽然每个 token 收费更高，但因为一次就能做对困难的任务，不用反复重试，总成本反而有可能更低。你应该按自己实际的工作衡量"每完成一件事的成本"，而不是只比较每百万 token 的标价。
如何在工作流程中养成模型分流的习惯
模型分流习惯，就是在打开对话窗口之前，先按风险和复杂程度给每项任务分类，然后有意识地把任务交给仍然能够胜任的最便宜模型，而不是默认使用当时打开的那个标签页。对于每天要处理几十项 AI 任务的人来说，这是杠杆最高的一个习惯改变。
养成这个习惯最简单的方法，是直接让 AI 帮你分类。你可以把以下内容粘贴到任何一个你有权限使用的模型里，然后在下面描述你实际的任务：
立即试用这个提示：
你是我的 AI 任务分流助手。我会描述一项任务，请你用以下格式分类：
任务：[一句话描述]
风险程度：[低 / 中 / 高，答错或敷衍的代价有多大？]
复杂程度：[低 / 中 / 高，是否需要多步推理、编程或判断？]
建议使用层级：[快速便宜模型 / 中间层模型 / 旗舰模型]
原因：[一句话]
以下是我的任务：[在此描述你的实际任务]
无论你用哪家厂商的模型层级都适用：OpenAI 的 Sol、Luna 和 Astra，Anthropic 的 Haiku、Sonnet 和 Opus，或者 Google Gemini 的 Flash 和 Pro。即使型号名字每隔几个月就换一次，分类的逻辑本身不会变。
切换到便宜模型时常见的错误
最常见的错误，是把所有任务一律交给最便宜的层级，直到客户或上司指出结果敷衍才发现问题。便宜不是没有代价的，而是你每一次都要有意识做出的取舍。
第二个错误，是以为每百万 token 的标价就是全部成本。一个需要重试三次才能做对的便宜模型，实际花费的时间，随时比一个一次就做对的更贵模型还要多。
第三个错误，是没有测试就把整个现有工作流程换成新模型。针对某一款模型特性调校过的提示词，即使两款模型来自同一家公司，也未必能原封不动地迁移过去。
现在就试试看
找出你今天最后五项 AI 任务，逐一放进上面那个分流提示里试一遍。数一数其中有多少真正属于高风险、复杂到值得用旗舰模型，又有多少其实交给便宜层级也不会有区别。大部分从业者会发现，答案比自己预期的要少得多。
真正值得记住的一件事
像 Sol 和 Luna 这样的型号更新，未来还会每隔几个月出现一次，名字也会不断变化。但不会过时的技能，是懂得按风险和复杂程度给自己的任务分类，并有意识地分流，而不是依赖惯性。这正是"使用 AI"和"高效运作一套 AI 工作流程"之间的区别。
懂AI，更懂你 UD相伴，AI不冷。无论是选对模型处理一项任务，还是为你的企业搭建一支合适的AI团队，UD都愿意陪你一起走过。
准备好用对AI了吗？
模型分流只是其中一个习惯。要搭建一支懂得把任务分派到合适位置的完整AI团队，是更大的项目，而UD的AI Employee Hub正是为此而设。UD团队手把手带你完成每一步，从挑选合适岗位到安全部署进你的工作流程之中。
本文由 UD AI 团队审阅。
