2026 年 7 月 30 日，GPT-5.6 的價格具體改了什麼？
2026 年 7 月 30 日，OpenAI 將 GPT-5.6 Luna 降價 80%、Terra 降價 20%，旗艦級 Sol 價格不變。Luna 的輸入價格由每百萬 token 1.00 美元降至 0.20 美元，輸出由 6.00 美元降至 1.20 美元。最便宜與最貴等級之間的差距，由 5 倍拉開至 25 倍。
這些數字來自 OpenAI 官方 公告帖文，日期為 2026 年 7 月 30 日。
降價後的 GPT-5.6 API 價格（美元／每百萬 token）
--- Sol：輸入 5.00 美元，快取輸入 0.50 美元，輸出 30.00 美元。維持不變。
--- Terra：輸入 2.00 美元（原 2.50），快取 0.20 美元（原 0.25），輸出 12.00 美元（原 15.00）。
--- Luna：輸入 0.20 美元（原 1.00），快取 0.02 美元（原 0.10），輸出 1.20 美元（原 6.00）。
OpenAI 同時為 Sol 推出 API 的 Fast mode：速度最高達標準處理的 2.5 倍，價格為標準的兩倍，模型智能水平不變。在 API 層面，這等同於把請求的 service tier 設為 priority。
還有一項變動，即使你從不接觸 API key 也值得留意。ChatGPT 應用程式與 Codex CLI 的 Auto-review 由 GPT-5.4 換成 GPT-5.6 Luna，OpenAI 預期運行成本會低約十倍。換言之，替你把關高風險動作的那一層，現在跑的是最便宜的模型。
OpenAI 為什麼降價，這件事對你有什麼啟示？
OpenAI 把降價歸因於效率提升，而效率提升來自讓 GPT-5.6 優化自己的服務架構：生產環境的 GPU kernel 改良帶來 20% 服務成本下降，改良的 speculative decoding 帶來超過 15% 的 token 生成效率提升。這些節省直接反映在 API、Codex 與 ChatGPT 上。
這一點在實務上很關鍵：這是基礎設施的勝利，不是能力的躍升。
Luna 在 7 月 30 日沒有變聰明，它只是變便宜。三個月前你因為輸出品質不足而放棄的流程，今天品質依舊不足，只是花費少了五分之四。
反過來說也成立，而且更值得留意：任何你因為量太大、成本太高而不敢做的流程，今晚就值得重新測試一次。
Sol、Terra、Luna 三個等級的分別是什麼？
GPT-5.6 是同一代模型，分成三個能力等級。Sol 是旗艦，為需要跨檔案、跨測試、跨後續修正而保持連貫的長程推理而設。Terra 是成本較低的日常等級，OpenAI 形容其表現與上一代 GPT-5.5 相當。Luna 是最快、最便宜的等級，為高量、低推理需求的工作而設。
這套命名是刻意設計成可延續的。數字 5.6 代表世代，Sol、Terra、Luna 代表等級，各自可以按自己的節奏升級。因此你的流程應該綁定等級名稱，而不是綁定某個版本字串。
每個等級真正適合的工作
--- Luna：摘要、貼標籤、抽取欄位、分類客戶訊息、生成初稿骨架、翻譯樣板文字。這些工作的品質微差不會改變結果。
--- Terra：日常生產等級。範圍明確的撰寫任務、初步審閱、你之後仍會親自讀一遍的文件分析。
--- Sol：那些你原本要預留半天處理的任務。多步推理、需要在大量檔案或長串決策中保持連貫的工作，以及任何答錯就會影響客戶關係的輸出。
大多數從業者的預設做法剛好相反：挑一個等級，通常是最好的那個，然後把所有工作都丟進去，因為切換模型感覺很麻煩。
同一份工作在三個等級上分別要花多少錢？
假設一個實際的月度任務：摘要 1,000 份文件，每份約 4,000 個輸入 token，輸出 600 字摘要。合計 400 萬輸入 token、60 萬輸出 token。用 Luna 跑要 1.52 美元，用 Terra 要 15.20 美元，用 Sol 要 38.00 美元。
把算式攤開來看，比例比大多數人想像的更乾淨。
--- Luna：4 x 0.20 美元 加 0.6 x 1.20 美元 = 1.52 美元，按聯繫匯率約 12 港元。
--- Terra：4 x 2.00 美元 加 0.6 x 12.00 美元 = 15.20 美元，正好是 Luna 的 10 倍。
--- Sol：4 x 5.00 美元 加 0.6 x 30.00 美元 = 38.00 美元，正好是 Luna 的 25 倍。
7 月 30 日之前，同一份 Luna 工作要 7.60 美元。也就是說，便宜的那條線便宜了五倍，貴的那條線原地不動。
你應該把這視為行業走向的訊號，而不是一次性折扣。同樣的模式也出現在各家廠商如何為 AI 功能計費，這一點我們在 什麼是 AI Credits 一文有詳細討論。
實務結論：如果一項任務確實屬於例行工作，而你把它跑在 Sol 上，你就是在為自己沒有用到的推理能力多付 25 倍。
不寫程式，如何把工作分派到不同等級？
你不需要一個路由系統，你需要一個分流習慣，以及一個把模型名稱當成變數而非固定假設的位置。實務上就是把每項重複任務拆成便宜的第一輪與昂貴的第二輪，然後只為第一輪篩不出結果的項目付第二輪的錢。
以下這套做法在真實工作中站得住腳。
第一步：把任務拆成「抽取」與「判斷」。幾乎每項知識工作都有機械的一半與判斷的一半。從供應商報價中抽出五個關鍵數字是抽取；決定要不要接受這份報價是判斷。前一半交給 Luna，後一半留在 Terra 或 Sol。
第二步：把便宜的模型放在前面，不是後面。讓 Luna 為全部 40 封來信生成結構化摘要，你只細讀被標示為需要決策的那幾封。昂貴的模型從頭到尾都不會看到那 33 封其實很例行的信。
第三步：讓模型名稱成為自動化流程中的一個欄位，而不是常數。在 Zapier、Make 或 n8n 裡，模型名稱就在 AI 步驟的下拉選單。複製那個步驟、換一個等級、用同樣的 20 筆資料各跑一次，並排比較後才決定。如果你還沒建過這類流程，可以先看 不寫一行程式，如何用 AI 自動化你的工作。
第四步：用規則升級，不要憑感覺。要求便宜的模型在每次輸出結尾附上信心水平與理由，然後只把低信心的項目送去昂貴等級。這一個改動，就是讓等級分流從瑣碎變成自動的關鍵。
等級分流在什麼情況下會失效？
等級分流會在四個可預期的地方失效：表面機械但暗藏判斷的任務、便宜模型在前段出錯而後續層層放大的長流程、為強模型寫成卻交給弱模型執行的提示，以及任何「一次錯誤輸出的代價高於一個月 API 節省」的流程。
暗藏判斷的陷阱。按主題為客服工單分類是機械工作；按緊急程度分類卻不是，因為緊急程度取決於客戶是誰、上星期說過什麼。便宜的模型會處理好前者，然後在後者上悄悄猜答案。
錯誤層層放大。如果第一步把文件摘要錯了，第二至第五步都建立在錯誤摘要之上，之後每一份輸出都會看起來很有信心而且是錯的。便宜等級屬於流程的兩端，不屬於流程中段。
被繼承的提示。在 Sol 上有效的提示，往往假設模型會自行補齊你沒寫出的結構。把它搬到 Luna，缺失的結構就會變成粗糙的輸出。解法不是換更好的模型，而是寫更明確的提示，這正是 情境工程 的重點。
代價不對稱。如果客戶報告中一個數字出錯就會丟掉整個客戶，那你這個月省下的 36 美元根本不算節省。面向客戶的最後一輪，留在你信得過的等級，把省下的錢花在別處。
關於 Fast mode 還有一點要提醒：它用兩倍價格買到的是延遲改善，對輸出品質毫無影響。當有人正在畫面前面等結果，就開啟它；凌晨三點跑的批次任務，關掉它。
立即試用：15 分鐘等級審核提示
把這段提示對著你自己的重複任務清單跑一次，大約需要 15 分鐘，通常會找出兩三項正跑在貴三倍等級上的任務。你可以貼進任何一個 GPT-5.6 等級、Claude 或 Gemini，因為這是關於你工作流程的推理任務，而不是綁定某個模型的技巧。
複製以下提示：
你正在協助我審核：我每項重複任務應該跑在哪一個 AI 模型等級上。我會給你一份任務清單，請對每一項做以下四件事。
1. 把任務拆成機械成分（抽取、摘要、分類、重新排版）與判斷成分（決定、排優先、說服、評估取捨），各用一句話說明。如果某項任務沒有判斷成分，請明確指出。
2. 為機械成分與判斷成分各推薦一個等級，依據以下標準：CHEAP 用於高量工作，品質微差不改變結果；MID 用於範圍明確、我之後仍會親自審閱的生產工作；TOP 用於多步推理，或任何客戶會直接看到而我不會再改的輸出。
3. 用一句話指出：如果我把整項任務都跑在 CHEAP 上，最可能出現的單一失效模式是什麼，並描述那個失效在輸出中會長成什麼樣子，讓我能辨認出來。
4. 寫一條我可以機械執行的升級規則，格式為：當〔便宜輸出中可觀察到的條件〕出現時，升級到較高等級。
最後用一個表格，按我可能浪費的金額由高至低排列這些任務，並說明你排序時用了哪些依據。如果某項任務描述得太模糊而無法判斷，請向我提出一個釐清問題，不要憑空猜測。
我的重複 AI 任務如下：〔列出 5 至 10 項任務，並附上每項的大致月度數量〕
然後今天就只執行其中一項建議：複製那個自動化步驟、切換等級、用 20 筆真實資料各跑一次，親自比較輸出，不要只相信跑分表。
核心結論：便宜現在是設計選擇，不是妥協
7 月 30 日的降價沒有讓任何模型變好，它改變的是「合理預設值」該放在哪裡。當最便宜的等級只需旗艦的二十五分之一，把所有工作都推給旗艦就不再是謹慎，而是浪費。
真正從這次降價中獲益的人，不會是把所有東西都換成 Luna 的人，而是能夠針對每一項每週執行的任務，清楚說出哪一半是機械、哪一半需要判斷的人。
這種拆解能力本身就是一種技能，而且不論你面前的模型來自 OpenAI、Anthropic 還是 Google，都是同一種技能。模型名稱每幾個星期就換一次，但看懂自己的工作真正需要什麼，不會過時。
懂AI，更懂你 UD相伴，AI不冷。
本文由 UD AI 團隊審閱。
把等級審核變成真正運作的系統
知道一項任務該放在哪個等級只是第一步，把它變成每天自動運行、你不用盯著的流程才是第二步。UD 團隊手把手帶你完成每一步，從任務分流、模型選擇，到讓整個工作流自己跑起來。
UD 陪伴香港企業走過 28 年的科技變遷。
