GPT-6 Luna กับ GPT-6 Sol: ตารางราคาสองชุดที่มีรูปแบบเดียวกันและตัวเลขต่างกันยี่สิบเท่า

GPT-6 Lunaมีราคาอยู่ที่ $0.10 ต่อโทเค็นอินพุตหนึ่งล้านโทเค็น และ $0.50 ต่อโทเค็นเอาต์พุตหนึ่งล้านโทเค็น GPT-6 Solมีราคาอยู่ที่ $2.00 และ $10.00 ผู้จำหน่ายเปิดตัวทั้งสองรุ่นเมื่อวันที่ 22 กันยายน 2026 ในฐานะสองระดับล่างของตระกูล GPT-6 ภายใต้เรือธงอย่าง GPT-6 Astra และช่องว่างยี่สิบเท่าระหว่างทั้งสองรุ่นคือสิ่งแรกที่ใครก็ตามอ่านเห็นจากหน้านั้น สิ่งที่มองเห็นได้ยากกว่าและมีประโยชน์มากกว่าคือมีสิ่งอื่นที่แยกสองรุ่นนี้ออกจากกันเพียงน้อยนิด หน้าต่างบริบทขนาด 1,050,000 โทเค็นเท่ากัน อินพุตสูงสุด 922,000 โทเค็นเท่ากัน เพดานเอาต์พุต 128,000 โทเค็นเท่ากัน บันไดการให้เหตุผลเดียวกันตั้งแต่ none ไปจนถึง low, medium, high, xhigh และ max โดยมี medium เป็นค่าเริ่มต้น ตระกูลวันตัดความรู้เดียวกัน ห่างกันหนึ่งเดือน ข้อกำหนดเดียวกันที่ปรับราคาใหม่ทั้งคำขอเมื่ออินพุตเกิน 272,000 โทเค็น

สองโมเดลที่ใช้โครงสร้างทุกบรรทัดของตารางราคาร่วมกันไม่ได้ถูกแยกความต่างด้วยฟีเจอร์ แต่ถูกแยกความต่างด้วยคะแนน และด้วยสิ่งที่คะแนนนั้นต้องแลกมา บนบอร์ดอิสระที่วัดทั้งสองอย่าง GPT-6 Sol อยู่สูงกว่า GPT-6 Luna อยู่สิบเอ็ดคะแนนเมื่อใช้ความพยายามสูงสุดเท่ากัน และมีค่าใช้จ่ายมากกว่าประมาณสิบห้าเท่าในการทำแบบประเมินเดียวกันให้เสร็จ สิบเอ็ดคะแนนกับสิบห้าเท่าเป็นประโยคที่ต่างจากยี่สิบเท่า และความต่างระหว่างสองประโยคนั้นคือที่ที่การเปรียบเทียบนี้อยู่จริง

ว่าทั้งสองสิ่งนี้มีไว้สำหรับอะไร

GPT-6 Sol คือตัวหลักที่ใช้กันทุกวันในตระกูลนี้ — เป็นระดับที่ OpenAI วางตำแหน่งไว้สำหรับการเขียนโค้ดที่ซับซ้อน เวิร์กโฟลว์แบบเอเจนต์ และงานระดับมืออาชีพที่มนุษย์จะได้อ่านจริง ๆ โดยรับข้อความและรูปภาพเป็นอินพุต ให้ผลลัพธ์เป็นข้อความ และพร้อมใช้งานสำหรับทุกคนที่มี API key เป็นโมเดลที่ทีมส่วนใหญ่จะเลือกใช้เป็นค่าเริ่มต้นเมื่อต้องการความสามารถระดับ GPT-6 โดยไม่ต้องจ่ายตามอัตราค่าบริการของโมเดลเรือธงหรือผ่านด่านการเข้าถึงของมัน

GPT-6 Luna คือระดับสำหรับงานปริมาณมาก คำอธิบายของ OpenAI เองนั้นแคบและจงใจไม่หรูหรา: โมเดลที่ประหยัดที่สุดสำหรับงานที่มุ่งเน้นและมีปริมาณสูง การสรุปความ การสกัดข้อมูล การจำแนกประเภท การจัดเส้นทาง ลูปภายในของเอเจนต์ที่เรียกใช้งานเล็ก ๆ นับพันครั้งระหว่างทางไปสู่งานเดียว หน้าต่างบริบทเดียวกัน เพดานเอาต์พุตเดียวกัน ตัวปรับระดับความพยายามเดียวกัน — เครื่องยนต์ที่ถูกกว่าในโครงเดียวกัน

ทั้งสองถูกฝึกด้วยวิธีการที่ได้มาจาก GPT-6 Astra แทนที่จะถูกสร้างเป็นไลน์แยกต่างหาก ซึ่งเป็นเหตุผลว่าทำไมเอกสารสเปกจึงตรงกันอย่างแม่นยำขนาดนี้ ราคาเป็นจุดเดียวที่ทั้งสองแตกต่างกันโดยเจตนา

เรตการ์ด ทีละบรรทัด

หนึ่งบรรทัดต่อมิติ โดยเปิดทั้งสองด้านในแต่ละบรรทัด:

• อินพุตต่อ 1M — GPT-6 Luna $0.10 เทียบกับ GPT-6 Sol $2.00

• เอาต์พุตต่อ 1M — GPT-6 Luna $0.50 เทียบกับ GPT-6 Sol $10.00

• อินพุตที่แคชไว้ต่อ 1M — GPT-6 Luna $0.01 เทียบกับ GPT-6 Sol $0.20; ทั้งคู่มีอัตราเป็นหนึ่งในสิบของอัตราอินพุตแบบไม่แคชของตัวเอง ดังนั้นอัตราส่วนยี่สิบเท่าจึงยังคงเดิมครบถ้วนแม้มีส่วนลด

• การเขียนแคชต่อ 1M — GPT-6 Luna $0.125 เทียบกับ GPT-6 Sol $2.50 โดยทั้งสองกรณีมีส่วนเพิ่ม 25% จากอัตราค่าอินพุต

• ระดับบริบทขนาดยาว — ข้อกำหนดเดียวกันบนการ์ดทั้งสองใบ: เมื่ออินพุตเกิน 272,000 โทเคน คำขอทั้งหมดจะถูกคิดค่าบริการในอัตรา 2 เท่าของอินพุตและแคช และ 1.5 เท่าของเอาต์พุต ทำให้ GPT-6 Luna อยู่ที่ $0.20 และ $0.75 และ GPT-6 Sol อยู่ที่ $4.00 และ $15.00

• หน้าต่างบริบท — 1,050,000 โทเค็นสำหรับทั้งสองโมเดล โดยมีอินพุตสูงสุด 922,000 โทเค็น และเพดานเอาต์พุต 128,000 โทเค็น

• ความพยายามในการให้เหตุผล — none, low, medium (ค่าเริ่มต้น), high, xhigh, max สำหรับทั้งคู่; ปุ่มหมุนเป็นชิ้นส่วนเดียวกันในทั้งสองโมเดล

• ระดับบริการ — Flex ลดบิลลงครึ่งหนึ่ง และ Priority เพิ่มเป็นสองเท่าในบัตรทั้งสองใบ โดยเลือกผ่านservice_tierพารามิเตอร์

• จุดตัดข้อมูลความรู้ — GPT-6 Luna 18 พฤษภาคม 2026 เทียบกับ GPT-6 Sol 20 เมษายน 2026 ซึ่งห่างกันหนึ่งเดือนภายในตระกูลเดียวกัน และเป็นเรื่องที่ควรรู้ก่อนสันนิษฐานว่าทั้งสองมีโลกทัศน์เดียวกัน

• ดัชนี Intelligence Index แบบอิสระ — GPT-6 Luna 37 ที่ความพยายามสูงสุด เทียบกับ GPT-6 Sol 48 ที่ความพยายามสูงสุด ในการปรับปรุงดัชนีฉบับเดียวกัน

• คะแนนที่ความพยายามระดับค่าเริ่มต้น — GPT-6 Luna 29 ที่ระดับกลางตามค่าเริ่มต้น เทียบกับ GPT-6 Sol 48 ที่ระดับสูงสุด ซึ่งเป็นค่าตั้งที่ Artificial Analysis วัดมัน

• ค่าใช้จ่ายต่องาน Index แบบอิสระ — GPT-6 Luna ประมาณ $0.07 เทียบกับ GPT-6 Sol $1.06

• จำนวนโทเคนเอาต์พุตในการรันดัชนี — GPT-6 Luna 150M เทียบกับ GPT-6 Sol 77M เมื่อเทียบกับค่ามัธยฐานของบอร์ดที่ 88M

• ดัชนี Coding Agent แบบอิสระ — GPT-6 Luna 41 ลดลงสองจุดเมื่อเทียบกับ GPT-5.6 Luna ส่วน GPT-6 Sol 57 เพิ่มขึ้นสองจุดเมื่อเทียบกับ GPT-5.6 Sol

• อัตราการหลอนบน AA-Omniscience — GPT-6 Luna 77% ลดลงจาก 93% เทียบกับ GPT-6 Sol 60% ลดลงจาก 92%; ทั้งสองโมเดลมีความเต็มใจที่จะปฏิเสธมากขึ้น มากกว่าที่จะมีความรู้มากขึ้น และ Sol ไปได้ไกลกว่า

• บน OrcaRouter — ณ เวลาที่เขียนนี้ ทั้ง GPT-6 Luna และ GPT-6 Sol ไม่ได้อยู่ในแคตตาล็อกของเรา; ทั้งคู่เข้าถึงได้ผ่าน API ของ OpenAI เอง

ปุ่มปรับระดับความพยายามเป็นชิ้นส่วนเดียวกันในทั้งสองรุ่น และนั่นเปลี่ยนการคำนวณ

เนื่องจากบันไดการใช้เหตุผลเหมือนกัน ตัวเลขดัชนีหลักของทั้งสองโมเดลจึงเป็นตัวเลขที่ได้เมื่อใช้ความพยายามสูงสุด 37 ของ GPT-6 Luna คือคะแนนที่ได้เมื่ออนุญาตให้คิดนานเท่าที่ต้องการ ค่าเริ่มต้นของมันคือระดับกลาง ซึ่งได้ 29 คะแนน 48 ของ GPT-6 Sol ก็เป็นตัวเลขที่ได้เมื่อใช้ความพยายามสูงสุดเช่นกัน และเป็นค่าตั้งที่คณะกรรมการอิสระใช้รันมัน

เรื่องนี้สำคัญตรงนี้มากกว่าในการเปรียบเทียบส่วนใหญ่ เพราะมันหมายความว่าโมเดลทั้งสองกำลังถูกอ้างอิงที่ระดับเดียวกัน ทีมที่นำ GPT-6 Luna ไปใช้งานและไม่แก้อะไรเลย ไม่ได้กำลังรัน 37 เทียบกับ 48 แต่กำลังรัน 29 เทียบกับ 48 นั่นคือช่องว่าง 19 คะแนน ไม่ใช่ 11 คะแนน และขนาดของช่องว่างนี้เป็นคุณสมบัติของค่าเริ่มต้น ไม่ใช่ของโมเดล

ปุ่มปรับเดียวกันนี้ยังเป็นการปรับให้เหมาะสมที่ประหยัดที่สุดที่มีบนการ์ดทั้งสอง และมันใช้ได้ทั้งสองทิศทาง การลด GPT-6 Sol จาก max ลงมาเป็น medium กับงานที่มนุษย์ตรวจสอบจะประหยัดได้มากกว่าการสลับทราฟฟิกเพียงบางส่วนของคุณจาก Sol ไป Luna และเสียแค่การเปลี่ยนพารามิเตอร์หนึ่งตัวแทนที่จะเป็นการโยกย้าย การเพิ่ม GPT-6 Luna ขึ้นเป็น xhigh ในการเรียกหนึ่งครั้งต่องานที่ตัดสินผลลัพธ์จริง ๆ ถือเป็นเพียงความคลาดเคลื่อนจากการปัดเศษเมื่อเทียบกับยอดรวม ปุ่มปรับนี้มีอยู่ในทั้งสองโมเดลโดยเฉพาะเพื่อให้การเลือกระดับและการเลือกความพยายามทำแยกจากกันได้ และทีมส่วนใหญ่เลือกทำเพียงอย่างใดอย่างหนึ่งเท่านั้น

หน้าผาเหมือนกันทุกประการ ซึ่งนั่นแหละคือประเด็น

ทั้งสองโมเดลมีข้อกำหนดเรื่องบริบทยาวเหมือนกัน และเนื่องจากข้อกำหนดนี้เป็นแบบตามสัดส่วน มันจึงไม่ได้ทำให้ช่องว่างระหว่างทั้งสองแคบลง — แต่กลับเพิ่มทั้งสองด้านของช่องว่างนั้นเป็นสองเท่า คำขอขนาด 300,000 โทเคนบน GPT-6 Luna จะคิดค่าบริการในอัตรา $0.20 ต่ออินพุตหนึ่งล้านโทเคนสำหรับทั้ง 300,000 โทเคน ไม่ใช่เฉพาะ 28,000 โทเคนที่เกินเส้น คำขอเดียวกันบน GPT-6 Sol จะคิดค่าบริการที่ $4.00 หากแบ่งเอกสารใดเอกสารหนึ่งออกเป็นสองการเรียกที่ต่ำกว่าเกณฑ์ ค่าใช้จ่ายจะลดลงครึ่งหนึ่งโดยไม่มีการเปลี่ยนแปลงพรอมป์ต์

สิ่งที่ข้อกำหนดเดียวกันนั้นเปลี่ยนไปก็คือขนาดของความผิดพลาด ในระดับปริมาณ คำขอที่กำหนดขนาดผิดมีค่าใช้จ่ายหนึ่งในห้าของหนึ่งเซนต์ต่อหนึ่งพันโทเคน ในระดับรายวันมีค่าใช้จ่ายสี่ดอลลาร์ต่อหนึ่งล้านโทเคน ทีมที่มีแนวโน้มมากที่สุดที่จะมีบริบทการทำงานขนาด 300,000 โทเคน คือทีมที่รันไปป์ไลน์แบบเอเจนต์ที่ทั้งสองโมเดลถูกขายเข้าไป ซึ่งหมายความว่าระดับที่รับความผิดพลาดนี้ได้น้อยที่สุดไม่ใช่ระดับที่ทำผิดพลาดบ่อยที่สุด

จุดทั้งสิบเอ็ดของ Sol อยู่ที่ไหน และไม่อยู่ที่ไหน

ช่องว่างนี้มีอยู่จริง และมันไม่ได้ถูกกระจายอย่างเท่าเทียมกันในงานต่างๆ ที่คุณอาจรัน

ข้อได้เปรียบของ GPT-6 Sol กระจุกตัวอยู่ในด้านการเขียนโค้ดและการทำงานในรูปแบบเอเจนต์ ดัชนี Coding Agent ของอยู่ที่ 57 ซึ่งสูงกว่าของ GPT-6 Luna ที่ 41 อยู่ 16 จุด บนบอร์ดที่รุ่นก่อนหน้าเทียบเท่าอยู่ที่ 55 และ 43 — นั่นหมายความว่าทั้งสองโมเดลเคลื่อนไปคนละทิศทางในตัวชี้วัดนั้น ซึ่งเป็นเรื่องที่ควรรู้ก่อนจะสันนิษฐานว่ารุ่นใหม่ยกระดับขึ้นจากรุ่นเก่าในทุกด้าน จากตัวเลขที่ผู้ขายเผยแพร่เอง Sol รายงาน 68.8% บน DeepSWE v1.1 ที่ความพยายามสูงสุด เทียบกับ 66.6% ของ Luna และราว 43% บน Terminal-Bench 4.0 เทียบกับ 37% ตัวเลขเหล่านี้เป็นการรายงานโดย OpenAI และยังไม่มีการทำซ้ำ และช่องว่างที่ตัวเลขเหล่านี้อธิบายนั้นแคบกว่าที่ช่องว่างของดัชนีบ่งชี้

จุดที่ Sol เหนือกว่าคือการประเมินที่ให้รางวัลกับห่วงโซ่การตัดสินใจที่ถูกต้องยาว ๆ: GPT-6 Sol รายงานประมาณ 62% บน AutomationBench-AA เทียบกับ 53% ของ GPT-6 Luna และอัตราการหลอน 60% เทียบกับ 77% บนบอร์ด omniscience เดียวกัน ความแตกต่าง 17 จุดในความถี่ที่โมเดลกุคำตอบขึ้นมาไม่ใช่ช่องว่างด้านความสามารถ สำหรับสิ่งใดที่มีผู้ใช้ปลายทาง มันคือการตัดสินใจทั้งหมด

จุดที่สิบเอ็ดคะแนนนั้นไม่ได้อยู่คือ งานข้อความทั่วไป ในงานสกัดข้อมูล การจำแนกประเภท การจัดเส้นทาง และการสรุปความ — งานที่ GPT-6 Luna ถูกตั้งราคาไว้สำหรับ — ทั้งสองโมเดลจะให้คำตอบที่ใช้งานได้เหมือนกันในเกือบทุกครั้ง และความแตกต่างนั้นจะไม่รอดเมื่อเจอชุดประเมินของคุณเอง Artificial Analysis ชี้ให้เห็นการถดถอยหนึ่งอย่างในทั้งสองโมเดลเมื่อใช้ความพยายามสูงสุด: GPT-6 Sol สูญเสียประมาณ 100 Elo ใน GDPval-AA v2.1 เมื่อเทียบกับรุ่นก่อน และ GPT-6 Luna ประมาณ 75 ถ้างานของคุณดูคล้าย GDPval ไม่มีระดับใดเลยที่เป็นการอัปเกรดอย่างที่คุณได้รับสัญญาไว้ และสิบเอ็ดคะแนนนั้นเป็นการเปรียบเทียบระหว่างสองโมเดลที่ต่างก็ถอยหลังทั้งคู่

การเลือกระหว่างสองระดับที่คุณมีอยู่แล้ว

สิ่งที่ไม่ปกติเกี่ยวกับการจับคู่นี้คือมันไม่ใช่การตัดสินใจซื้อ โมเดลทั้งสองทำงานบนบัญชีเดียวกัน เอนด์พอยต์เดียวกัน และ SDK เดียวกัน ไม่มีสัญญาฉบับที่สอง ไม่มีการเจรจาอัตราครั้งที่สอง และไม่มีงานผสานระบบเพื่อย้ายทราฟฟิกจากโมเดลหนึ่งไปยังอีกโมเดลหนึ่ง สิ่งนี้ทำให้มันเป็นการตัดสินใจด้านการกำหนดเส้นทาง และการตัดสินใจด้านการกำหนดเส้นทางคือสิ่งที่ควรทำต่อคำขอ แทนที่จะทำเพียงครั้งเดียว

ณ เวลาที่เขียนนี้ ทั้ง GPT-6 Luna และ GPT-6 Sol ไม่ได้อยู่ในแค็ตตาล็อกของเรา — ทั้งคู่เข้าถึงผ่าน API ของ OpenAI เอง ดังนั้นการแยกจึงต้องแสดงออกในแอปพลิเคชันของคุณ ไม่ใช่ในการตั้งค่าเราเตอร์ นั่นเป็นเหตุผลให้ต้องทำอย่างรอบคอบ เพราะค่าใช้จ่ายหากทำผิดคือการแก้โค้ด ไม่ใช่แค่เปลี่ยนการตั้งค่า รูปแบบของการแยกไม่ซับซ้อน: GPT-6 Luna สำหรับการเรียกเล็ก ๆ นับพันครั้งที่เอเจนต์ทำระหว่างทางไปสู่ภารกิจ และ GPT-6 Sol สำหรับการเรียกที่สร้างชิ้นงานซึ่งมนุษย์จะอ่าน ตั้งค่าพารามิเตอร์ effort อย่างชัดเจนทั้งสองฝั่ง เพราะค่าดีฟอลต์คือ medium และตัวเลขที่เผยแพร่ทุกตัวของทั้งสองโมเดลเป็นค่าที่ใช้ความพยายามสูงสุด

ทีมที่จัดเส้นทางข้ามผู้ให้บริการจริง — และส่วนใหญ่ที่เราเห็นก็ทำเช่นนั้น — สามารถใช้ GPT-6 Astra, Grok 4.6, Kimi K3 และ Qwen3.8-Max บนคีย์เดียวผ่าน OrcaRouter ในราคาตามรายการของผู้ให้บริการ โดยมาร์กอัป 0% และมี failover ระหว่างอัปสตรีม การเพิ่ม GPT-6 Luna และ GPT-6 Sol เข้าไปในภาพเดียวกันหมายถึงคีย์ที่สอง ไม่ใช่สถาปัตยกรรมที่สอง ซึ่งเป็นปัญหาที่เล็กกว่าในสองปัญหาที่การจับคู่นี้ก่อขึ้น

อันไหน และเมื่อไหร่

เลือกใช้ GPT-6 Luna ไว้ เว้นแต่คุณจะระบุได้ว่าความสามารถที่คุณกำลังจ่ายด้วยราคาที่ยี่สิบเท่านั้นคืออะไร มันถูกกว่าทุกบรรทัดในตารางราคา รวมถึงอินพุตที่แคชไว้ มีหน้าต่างบริบทเท่ากันและเพดานเอาต์พุตเท่ากัน สั่งให้หยุดใช้การให้เหตุผลได้ทั้งหมด และต้นทุนต่องานที่ทำสำเร็จบนบอร์ดอิสระอยู่ที่ประมาณหนึ่งในสิบห้าของ GPT-6 Sol ตั้งค่า effort อย่างชัดเจน จำกัดการเรียกแบบยาวให้มีอินพุตต่ำกว่า 272,000 โทเคน และตรวจสอบช่องว่าง 16 จุดใน Coding Agent Index เทียบกับรีโพซิทอรีของคุณเองก่อนจะถือว่ามันใช้กับคุณได้

เลือกใช้ GPT-6 Sol เมื่อตัวงานคือตัวผลิตภัณฑ์ และรูปแบบความล้มเหลวคือคำตอบที่ผิดแบบเงียบ ๆ มากกว่าคำตอบที่ช้า เอเจนต์เขียนโค้ดที่ทำงานกับรีโพซิทอรีจริง การวิเคราะห์ระดับมืออาชีพในระยะยาว หรืออะไรก็ตามที่ข้อเท็จจริงที่ถูกกุขึ้นมา (hallucinated) มีต้นทุนสูงกว่าโทเค็นที่ประหยัดได้ จงยอมรับว่าคุณกำลังจ่ายแพงขึ้นสิบห้าเท่าต่องานที่ทำสำเร็จแต่ละงาน เพื่อแลกกับสิบเอ็ดคะแนนดัชนี และส่วนที่มีนัยสำคัญของสิบเอ็ดคะแนนนั้นอยู่ในคอลัมน์การกุเรื่อง (hallucination) มากกว่าคอลัมน์ความสามารถ — ซึ่งสำหรับคู่นี้โดยเฉพาะ นั่นคือครึ่งที่ดีกว่าที่ควรจ่ายเพื่อแลกมา

ข้อผิดพลาดที่ควรหลีกเลี่ยงคือการถือว่าป้ายราคายี่สิบเท่าเป็นคำตอบ มันเป็นคำตอบสำหรับต้นทุนของโทเคนเท่านั้น และไม่ได้บอกอะไรเกี่ยวกับต้นทุนของงานที่เสร็จสมบูรณ์ หรือว่าคำตอบของโมเดลราคาถูกนั้นผิดในแบบที่คุณจะไม่ทันสังเกตบ่อยเพียงใด