GPT-6 Sol และ GPT-6 Luna: โทเค็นที่ถูกกว่าไม่ได้หมายความว่างานจะถูกกว่าอยู่เสมอ

ผู้ขายได้เปิดตัว GPT-6 Sol และ GPT-6 Luna เมื่อวันที่ 22 กันยายน 2026 และพาดหัวข่าวทุกสำนักคือราคา: Sol อยู่ที่ $2.00 ต่อล้านโทเคนอินพุตและ $10.00 เอาต์พุต Luna อยู่ที่ $0.10 และ $0.50 ทั้งคู่มีราคาประมาณครึ่งหนึ่งของสิ่งที่ GPT-5.6 Sol และ GPT-5.6 Luna เรียกเก็บภายใต้อัตราโปรโมชันปัจจุบัน และทั้งคู่อยู่ต่ำกว่ารุ่นเรือธง GPT-6 Astra ที่ $10.00/$50.00 อย่างมาก ประกาศของผู้ขายเองขึ้นต้นด้วย "เรายังทำให้แคชชิ่งและการอนุมานมีประสิทธิภาพมากขึ้นด้วย" ปัญหาของการมองสิ่งนั้นเป็นเรื่องเล่าส่วนลดคือ หน่วยที่ลงในใบแจ้งหนี้ของคุณจริง ๆ ไม่ใช่โทเคน มันคืองาน และผลการวัดอิสระครั้งแรกที่เผยแพร่ในวันเดียวกันแสดงให้เห็นว่าโมเดลใหม่ทั้งสองเคลื่อนไปในทิศทางตรงกันข้ามในหน่วยนั้นพอดี — โดย GPT-6 Luna ซึ่งถูกกว่าอีกตัวหนึ่งถึงยี่สิบเท่าในด้านอินพุต กลับเป็นตัวที่ทำได้แย่กว่าเมื่อเทียบกับรุ่นก่อนหน้าของตัวเอง หนึ่งในโมเดลเหล่านี้คือการอัปเกรดตรง ๆ และอีกหนึ่งคือการแลกเปลี่ยนจริง ๆ และประกาศของผู้ขายไม่ได้แยกความแตกต่างระหว่างสองสิ่งนั้น

ก่อนจะถึงตัวเลข กฎการอ้างอิงแหล่งที่มาสำหรับบทความนี้ เพราะหลักฐานสองกองนี้สมควรได้รับน้ำหนักที่ต่างกันมาก ราคา หน้าต่างบริบท อัตราแคช และจุดตัดความรู้ มาจากเอกสาร API และตารางราคาของ OpenAI เอง ซึ่งอ่านเมื่อวันที่ 23 กันยายน 2026 โดยบรรทัดระดับบริการและ cache-write ได้รับการยืนยันเทียบกับตัวติดตามต้นทุนของบุคคลที่สาม แทนที่จะนำมาจากประกาศเพียงอย่างเดียว ตารางเกณฑ์มาตรฐานของ OpenAI — AutomationBench, DeepSWE 1.1, OSWorld 2.0, Agents' Last Exam และการประเมินความถูกต้องตามข้อเท็จจริงภายใน — เป็นข้อมูลที่ผู้ขายรายงานเองและยังไม่ได้ทำซ้ำ และตัวเลขทุกตัวที่ดึงมาจากตารางเหล่านั้นด้านล่างจะถูกกำกับว่าเป็นเช่นนั้น ตัวเลขอิสระมาจาก Artificial Analysis ซึ่งรันโมเดลทั้งสองบน Intelligence Index และ Coding Agent Index ในวันเปิดตัว ตัวเลขเหล่านั้นคือชุดที่ควรเชื่อถือเมื่อต้องตัดสินใจ เมื่อทั้งสองชุดขัดแย้งกัน บทความจะบอกเช่นนั้นแทนที่จะเฉลี่ยเข้าด้วยกัน

การเปิดตัว ในหนึ่งย่อหน้า

Sol และ Luna เป็นสมาชิกกลุ่มระดับกลางและระดับล่างของตระกูล GPT-6 ฝึกด้วยวิธีการที่อยู่เบื้องหลัง GPT-6 Astra และถูกวางตำแหน่งเป็นวิธีที่เร็วกว่าและถูกกว่าในการเข้าถึงความสามารถส่วนใหญ่ของมัน กรอบการนำเสนอของ OpenAI คือต้นทุนต่องานมากกว่าความสามารถดิบ: ระบุว่า GPT-6 Sol ทำผิดพลาดประมาณครึ่งหนึ่งของ GPT-5.6 Sol ในการประเมินความถูกต้องตามข้อเท็จจริงภายในของตน และ GPT-6 Luna ที่ใช้ความพยายามในการให้เหตุผลสูงขึ้นมีความถูกต้องตามข้อเท็จจริงเทียบเท่า GPT-5.6 Sol ที่ต้นทุนต่องานประมาณหนึ่งในร้อย ทั้งสองรับอินพุตข้อความและภาพ และสร้างข้อความ ทั้งสองมีหน้าต่างบริบท 1,050,000 โทเคน พร้อมเพดานเอาต์พุต 128K — Artificial Analysis ระบุ 872k สำหรับโมเดลเดียวกัน ดังนั้นให้ถือว่าปลายบนของหน้าต่างนั้นเป็นตัวเลขที่ผู้ขายระบุ — และทั้งสองเปิดให้ใช้ระดับความพยายามในการให้เหตุผลตั้งแต่ none ถึง max ซึ่งเป็นระดับที่ GPT-6 Astra ไม่มีให้ เพราะ Astra ไม่มี none รหัสโมเดลคือ gpt-6-sol และ gpt-6-luna การพร้อมใช้งานมีผ่าน API ผ่าน ChatGPT Work และ Codex สำหรับบัญชี Plus, Pro, Business, Enterprise และ Edu และผ่าน Amazon Bedrock ซึ่งประกาศความพร้อมใช้งานทั่วไปของทั้งสองโมเดลในวันเดียวกัน ผู้ใช้ Free และ Go ได้ Luna ในแอปเดสก์ท็อป ทั้งสองโมเดลยังไม่มีในโหมด Chat ธรรมดา

สิ่งที่ตัวเลขอิสระทั้งสี่บอก และเหตุใดจึงไม่ตรงกัน

เริ่มจาก GPT-6 Sol ก่อน เพราะเรื่องราวของมันเรียบง่าย Artificial Analysis ให้คะแนนมัน 48 บน Intelligence Index เป็นอันดับที่ 18 จาก 212 โมเดลที่วัด โดยอยู่ที่ 1.06 ดอลลาร์ต่อหนึ่งงานในดัชนี เทียบกับ 1.99 ดอลลาร์สำหรับ GPT-5.6 Sol — ประมาณครึ่งหนึ่งของต้นทุนสำหรับคะแนนดัชนีระดับเดียวกัน และเป็นการปรับปรุงต้นทุนต่องานที่ยั่งยืนแทนที่จะเลือนหายไป Coding Agent Index ของมันเพิ่มขึ้นเป็น 57 จาก 55 โดย Terminal-Bench 4.0 ขยับจาก 37% เป็น 43% และ SWE-Atlas-QnA จาก 54% เป็น 58% ที่ต้นทุน 2.99 ดอลลาร์ต่องานบนเส้นพรมแดน Pareto อัตราการสร้างข้อมูลเท็จ (hallucination) ลดลงจาก 92% เหลือ 60% และพฤติกรรมการงดตอบเปลี่ยนรูปไปโดยสิ้นเชิง: ตอนนี้มันตอบ 83% ของคำถาม ซึ่งรุ่นก่อนหน้าตอบถึง 99% และแลกมาด้วยคำตอบผิดที่ลดลงหนึ่งในสี่ โดยความแม่นยำลดลงจาก 59% เป็น 54% นั่นคือโมเดลที่ถูกสอนให้หุบปากเมื่อมันไม่รู้ และ AA-Omniscience Index ที่ขยับจาก 22 เป็น 27 ก็คือข้อเท็จจริงเดียวกันนั้นในรูปของคะแนน

ตอนนี้ GPT-6 Luna และเรื่องราวก็เปลี่ยนไป Artificial Analysis ให้คะแนนมัน37 บน Intelligence Index — ตัวเลขเดียวกันกับที่ GPT-5.6 Luna ได้ ต้นทุนต่อหนึ่งงานในดัชนีของมันลดลงจาก$0.18 เหลือ $0.07 ต่ำลงประมาณ 60% และการประหยัดนั้นเป็นของจริง แต่Coding Agent Index ของมันลดลง จาก 43 เหลือ 41 โดย SWE-Atlas-QnA ลดลงจาก 49% เหลือ 44% และ DeepSWE 1.1 ลดลงจาก 66% เหลือ 64% อัตราการหลอนของมันดีขึ้นจาก 93% เป็น 77% และพฤติกรรมการงดตอบของมันแทบไม่เปลี่ยน — ความแม่นยำ 44% เทียบกับ 43% AA-Omniscience จาก −10 เป็น 1 เมื่ออ่านรวมกัน: ความฉลาดที่วัดได้เท่าเดิม ด้วยต้นทุนงานประมาณ 40% แต่มี coding agent ที่แย่ลง และคุณภาพคำตอบแทบไม่เปลี่ยนแปลง

นั่นไม่ใช่ความขัดแย้ง และเหตุผลสำคัญ โทเค็นที่ถูกกว่าจะให้ประโยชน์กับคุณน้อยลงก็ต่อเมื่อโมเดลใช้โทเค็นมากขึ้นเพื่อทำงานเดียวกันให้เสร็จ และข้อมูลอิสระบอกว่าโมเดลเหล่านี้ใช้มากขึ้น ไม่ใช่น้อยลง เอาต์พุตต่องานจัดทำดัชนีเพิ่มจาก 29k เป็น 31k โทเค็นสำหรับ Sol และจาก 41k เป็น 51k สำหรับ Luna การประหยัด 60% ของ GPT-6 Luna มาจากการลดราคาทั้งหมด ไม่ได้มาจากการทำงานที่ประหยัดกว่า การเลื่อนไหลของจำนวนโทเค็นต่องานนั้นเล็กพอที่การคำนวณยังเป็นผลดีกับคุณในกรณีนี้ แต่มันไม่เล็กพอที่จะมองข้ามในระดับประเภท เพราะมันคือกลไกที่การลดราคาในอนาคตอาจถูกทำให้เป็นกลางได้โดยโมเดลที่ช่างคุยกว่า กรอบการนำเสนอของ OpenAI เองก็เปลี่ยนไปสู่ต้นทุนต่องานด้วยเหตุผลเดียวกัน

การถดถอยสองรายการตั้งอยู่นอกดัชนีหลักสองตัว และสมควรได้รับการกล่าวถึง เพราะไม่มีรายการใดปรากฏในการประกาศของ OpenAI ใน GDPval-AA v2.1 ซึ่งวัดผลงานส่งมอบด้านงานความรู้ GPT-6 Sol สูญเสียประมาณ 100 Eloเมื่อเทียบกับรุ่นก่อน และ GPT-6 Luna ประมาณ 75 GPT-6 Luna ยังลดลงราว 45 Eloใน AA-Briefcase v1.1 ซึ่ง Sol ทรงตัว — Artificial Analysis มองว่าช่องว่างนี้เกิดจากการนำเสนอที่อ่อนกว่าและรายการเกณฑ์การประเมินที่ขาดหายไป หากการใช้งานของคุณในระดับราคาถูกคือการสรุปข้อมูลแบบจำนวนมาก การสกัดข้อมูล และการจำแนกประเภท ทั้งหมดนั้นไม่ได้กระทบคุณ หากเป็นการร่างสิ่งที่ต้องมีคนลงนามอนุมัติ มันกระทบ

การเปลี่ยนแปลงการแคชคือข่าว API ที่แท้จริง

ซ่อนอยู่ใต้ตารางราคาคือการเปลี่ยนแปลงที่สำคัญต่อบิลการผลิตยิ่งกว่าการลดราคาที่เป็นพาดหัวข่าว และมันคือส่วนหนึ่งของประกาศที่โพสต์ของ OpenAI เองบอกเป็นนัยไว้ด้วยอนุประโยคเพียงหนึ่งเดียว มีสามสิ่งที่เปลี่ยนไป และสิ่งที่สามคือสิ่งที่ต้องอ่านให้ดีสองครั้ง

ประการแรกคือส่วนลดเอง: การอ่านอินพุตที่แคชไว้จะคิดเงินที่ 10% ของอัตราอินพุต ซึ่งเป็นส่วนลด 90% และเป็นเงื่อนไขเดิมที่ตระกูลนี้มีอยู่แล้ว ไม่ใช่เงื่อนไขใหม่ อินพุตที่แคชไว้ของ Sol อยู่ที่ $0.20 ต่อล้าน และของ Luna อยู่ที่ $0.01; การเขียนแคชมีค่าพรีเมียม 1.25 เท่า คือ $2.50 และ $0.125 ตามลำดับ โดยมีอายุการใช้งาน 30 นาทีเพียงครั้งเดียว

ประการที่สองคือการควบคุม การแคชแบบชัดเจนผ่าน prompt_cache_options และ prompt_cache_breakpoint — พารามิเตอร์ที่ให้คุณประกาศได้ว่าคำนำหน้าพรอมป์ที่นำกลับมาใช้ซ้ำได้สิ้นสุดตรงไหน แทนที่จะต้องหวังให้ผู้ให้บริการเดาเอง — ใช้ได้กับทั้งสองโมเดล นี่ไม่ใช่พื้นผิว API ใหม่ สิ่งที่ใหม่คือตอนนี้มันคุ้มค่าที่จะใช้ เพราะอัตราการแคชตรงโดยค่าเริ่มต้นเพิ่มสูงขึ้น

ข้อที่สามคือข้อที่เปลี่ยนสถาปัตยกรรม การเปลี่ยนระดับความพยายามในการใช้เหตุผล หรือการเปิดปิดเครื่องมือไปมา ไม่ทำให้คำนำหน้าที่แคชไว้ใช้ไม่ได้อีกต่อไป ก่อนหน้านี้ ลูปของเอเจนต์ที่ปรับความพยายามขึ้นสำหรับขั้นตอนยากและลดลงสำหรับขั้นตอนง่าย ต้องจ่ายค่าประมวลผลบริบททั้งหมดใหม่ทุกครั้งที่หมุนปรับ และเช่นเดียวกันกับตัวที่เพิ่มหรือลบเครื่องมือระหว่างการสนทนา ภาษีนั้นหายไปแล้วในสองโมเดลนี้ OpenAI อ้างอิง GitHub ซึ่งรายงานว่าการเปลี่ยนแปลงนี้ลดสัดส่วนของโทเคนพรอมป์ที่ต้องประมวลผลใหม่ลงมากกว่าครึ่งในการร้องขอหลายพันล้านครั้ง ให้ถือว่านี่เป็นตัวเลขที่ผู้ขายให้มา — เชื่อถือได้ และไม่ได้ผ่านการตรวจสอบอย่างอิสระ

ลองคิดเลขกับลูปเอเจนต์ที่ยาว ๆ ดู แล้วอันดับของสองประกาศนั้นจะพลิก โลปหนึ่งที่แบกพรอมป์ระบบและสคีมาเครื่องมือขนาด 30,000 โทเคนไปตลอด 200 เทิร์น จะเคลื่อนย้ายบริบทถึง 6 ล้านโทเคน ถ้าไม่ใช้แคช บน GPT-6 Sol นั่นคือค่าอินพุต 12.00 ดอลลาร์ เมื่อแคชพรีฟิกซ์ไว้ที่ 0.20 ดอลลาร์ต่อล้าน โทเคน มันเหลือ 1.20 ดอลลาร์บวกค่าดีดแคชครั้งเดียว ซึ่งต่างกันเป็นสิบเท่า จากการเปลี่ยนพารามิเตอร์ตัวเดียว ก่อนที่การลดราคาจะถูกนำมาใช้ด้วยซ้ำ สิ่งที่ประกาศขายคือการลดราคา แต่พฤติกรรมของแคชต่างหากที่ขยับตัวเลขจริง ๆ และนั่นคือเหตุผลที่อัตราเรตพาดหัว 2.00 ดอลลาร์ทำงานเหมือนสิ่งที่ถูกกว่ามากบนเวิร์กโหลดที่ OpenAI กำลังโปรโมตโมเดลเหล่านี้อยู่

เรทการ์ด รวมถึงส่วนที่ประกาศข้ามไป

อัตราที่โฆษณาไว้ไม่ใช่ตารางราคาทั้งหมด และมีสามระดับที่เปลี่ยนการตัดสินใจสำหรับงานบางประเภทโดยเฉพาะ

• พื้นฐาน — GPT-6 Sol $2.00 อินพุต / $10.00 เอาต์พุต; GPT-6 Luna $0.10 อินพุต / $0.50 เอาต์พุต ต่อ 1 ล้านโทเคน สำหรับพรอมต์ที่มีโทเคนอินพุตไม่เกิน 272K

• บริบทยาว — เมื่อมีโทเค็นอินพุตเกิน 272K ทั้งคำขอจะถูกคิดค่าบริการในอัตราอินพุต 2 เท่าและเอาต์พุต 1.5 เท่า: $4.00/$15.00 สำหรับ Sol และ $0.20/$0.75 สำหรับ Luna นี่คือหน้าผา ไม่ใช่อัตราส่วนเพิ่ม หากพรอมป์ของคุณยาวถึง 300K โทเค็น คุณกำลังจ่ายเป็นสองเท่าสำหรับทั้งคำขอ ไม่ใช่แค่ 28K ที่เกินเส้น และการแยกเอกสารออกเป็นสองการเรียกที่ต่ำกว่าเกณฑ์มักถูกกว่าการส่งเพียงครั้งเดียวเมื่อเกิน

• ระดับบริการ — Flex ลดค่าใช้จ่ายลงครึ่งหนึ่ง ($1.00/$5.00 สำหรับ Sol, $0.05/$0.25 สำหรับ Luna) เพื่อแลกกับเวลาตอบสนองที่ช้าลง; Priority เพิ่มเป็นสองเท่า ทั้งคู่เลือกได้ผ่าน service_tier พารามิเตอร์ Flex คือที่ที่งานแบบแบตช์ควรอยู่ และแทบไม่เคยอยู่เลย

• อินพุตที่แคชไว้ — $0.20 ต่อล้านบน Sol และ $0.01 บน Luna ซึ่งเป็นส่วนลด 90% โดยมี TTL 30 นาที และค่าเขียนแคชเพิ่ม 1.25 เท่า

• บริบทและเอาต์พุต — หน้าต่าง 1,050,000 โทเคน, เอาต์พุตสูงสุด 128K, อินพุตข้อความและรูปภาพ, เอาต์พุตข้อความ, ความพยายามในการให้เหตุผล ไม่มี ถึง สูงสุด โดยมี ปานกลาง เป็นค่าเริ่มต้น

• ขีดจำกัดความรู้ — วันที่ 20 เมษายน 2026 สำหรับ GPT-6 Sol และวันที่ 18 พฤษภาคม 2026 สำหรับ GPT-6 Luna ซึ่งห่างกันหนึ่งเดือนภายในตระกูลเดียวกัน และเป็นเรื่องที่ควรทราบก่อนที่คุณจะสมมติว่าโมเดลทั้งสองมีมุมมองต่อโลกเหมือนกัน

สิ่งที่ตาราง benchmark ของ OpenAI บอก และสิ่งที่มันไม่ได้บอก

การเปรียบเทียบที่ OpenAI เผยแพร่ล้วนเป็นต้นทุนต่อ作業 ทั้งหมดเป็นการเทียบกับ Anthropic และทั้งหมดดำเนินการโดยผู้ขายเอง บน AutomationBench 1.0.6 ซึ่งเป็นการประเมินแบบเอเจนต์ที่มี 47 เครื่องมือ บริษัทรายงานว่า GPT-6 Sol ที่ระดับความพยายาม xhigh ทำคะแนนได้ 33.2% ด้วยต้นทุน $0.27 ต่องาน เทียบกับ Claude Opus 5 ที่ 26.9% และมีต้นทุนต่องานสูงกว่าประมาณ 11 เท่า บน DeepSWE 1.1 รายงานว่า Sol ที่ระดับความพยายามสูงสุดทำคะแนนได้ 68.8% เทียบกับ Claude Fable 5 ที่ 69.9% — แพ้คะแนนแต่มีต้นทุนต่องานต่ำกว่าประมาณ 80% — และ Luna ที่ 66.6% บน OSWorld 2.0 Sol ทำคะแนนได้ 60.5% ที่ xhigh เทียบกับ 60.3% ของ Opus 5 โดยมีต้นทุนต่องานต่ำกว่าอยู่ที่ราว 80% อีกครั้ง บน Agents' Last Exam Sol ทำได้ 56.4% ซึ่ง OpenAI กล่าวว่าเอาชนะผลลัพธ์ที่ดีที่สุดของ Opus 5 ได้ด้วยต้นทุนต่องานต่ำกว่า 60%

ตัวเลขทั้งหมดเหล่านั้นเป็นข้อมูลที่ผู้ขายรายงานเองและยังไม่มีการทำซ้ำเพื่อยืนยัน และมีข้อควรระวังสองประการที่ควรจดจำไว้ใช้ต่อไปมากกว่าจะเก็บเข้ากรุ ประการแรก OpenAI ทดสอบเทียบกับ Claude Opus 5 ไม่ใช่ Claude Opus 5.5 ที่เปิดตัวเพียงไม่กี่ชั่วโมงก่อนการประกาศ ดังนั้นจึงยังไม่มีการเปรียบเทียบในเงื่อนไขการทดสอบชุดเดียวกันที่จะยืนยันได้ว่าโมเดลใดให้ต้นทุนต่อความสำเร็จของงานต่ำกว่ากันจริง ๆ ประการที่สอง ต้นทุนต่องานไม่ใช่ต้นทุนต่องานที่ตอบถูก โมเดลที่ตอบ 83% ของจำนวนครั้งและงดตอบในส่วนที่เหลือจะดูมีต้นทุนต่องานต่ำบนเกณฑ์การวัดที่นับการงดตอบเป็นงาน ข้อมูลการงดตอบที่เป็นอิสระข้างต้นนี่เองที่ทำให้คุณประเมินต้นทุนนั้นได้อย่างซื่อตรง การที่ GPT-6 Sol ตอบ 83% ของคำถาม ในขณะที่โมเดลเก่าตอบ 99% เป็นการแลกเปลี่ยนที่จงใจ และการแลกเปลี่ยนนั้นจะดีหรือไม่ก็ขึ้นอยู่กับว่าคำตอบที่ผิดมีต้นทุนต่อคุณเท่าใด

OpenAI รายงานว่า GPT-6 Luna ที่ระดับความพยายามสูงขึ้นมีความถูกต้องเชิงข้อเท็จจริงเทียบเท่าของ GPT-5.6 Sol ด้วยต้นทุนต่องานประมาณหนึ่งในร้อย นั่นคือการเปรียบเทียบความถูกต้องเชิงข้อเท็จจริง ไม่ใช่การเปรียบเทียบขีดความสามารถ และ Coding Agent Index ที่เป็นอิสระจัดให้ GPT-6 Luna มีคะแนนสองคะแนนน้อยกว่า GPT-5.6 Luna ยิ่งไม่ต้องพูดถึง GPT-5.6 Sol

สิ่งที่ควรทำจริง ๆ กับสิ่งนี้

GPT-6 Sol เป็นรุ่นที่ตรงไปตรงมา ค่าใช้จ่ายของงานที่ลดลงครึ่งหนึ่งที่คะแนนดัชนีระดับหนึ่ง ตัวแทนเขียนโค้ดที่ดีขึ้น การลดลงอย่างมากของการหลอน และการเปลี่ยนแปลงที่แท้จริงในพฤติกรรมการงดตอบ รวมกันแล้วเป็นการอัปเกรดที่คุณสามารถทำตามกำหนดการได้แทนที่จะเป็นการเสี่ยงโชค หากคุณใช้ GPT-5.6 Sol อยู่ นี่คือการย้ายเวอร์ชัน และคำถามจริงเพียงข้อเดียวคือพรอมป์ตใดของคุณที่ต้องพึ่งพาความยินดีของโมเดลเก่าที่จะตอบทุกอย่าง

GPT-6 Luna คือรุ่นที่ต้องทดสอบก่อนที่คุณจะเปลี่ยนไปใช้ มันไม่ใช่ GPT-5.6 Luna ที่ดีกว่าในทุกด้าน แต่เป็นรุ่นที่มีรูปร่างแตกต่างออกไป — ถูกกว่าต่อภารกิจ ระมัดระวังกว่าว่าจะกล่าวอ้างอะไร และแย่กว่าอย่างวัดได้ในด้านการเขียนโค้ดแบบเอเจนติก สำหรับการจำแนกประเภท การสกัดข้อมูล การกำหนดเส้นทาง และการสรุปแบบปริมาณมาก การแลกเปลี่ยนนี้เกือบจะเป็นเงินฟรี สำหรับอะไรก็ตามที่ป้อนให้เอเจนต์เขียนโค้ด หรือสร้างเอกสารที่คนต้องเซ็นอนุมัติ การถดถอย 2 จุดใน Coding Agent และการลดลงของ GDPval คือเหตุผลที่ควรเก็บ GPT-5.6 Luna ไว้ในเส้นทางจนกว่าคุณจะรันงานของคุณเองผ่านทั้งสองรุ่น

นั่นก็เป็นเหตุผลเช่นกันที่ว่าไม่ควรผูกติดกับตัวใดตัวหนึ่งแบบตายตัว ตอนนี้ทั้งสองโมเดลมีให้ใช้เฉพาะบน OpenAI เท่านั้น และภาระงานที่ระดับเหล่านี้รองรับ — การจัดเส้นทาง การสกัดข้อมูล การจำแนกประเภทแบบประหยัด — ก็เป็นงานประเภทที่การมีผู้ให้บริการรายที่สองอยู่เบื้องหลังเอนด์พอยต์เดียวกัน จะเปลี่ยนปัญหาโมเดลถดถอยให้กลายเป็นเรื่องไม่สะเทือนอะไรเลย OrcaRouter ส่งผ่านราคาตามรายการของผู้ให้บริการโดยบวกเพิ่ม0% ดังนั้นเมื่อผู้ขายปรับอัตราค่าใช้จ่าย ฝั่งเราก็ได้รับผลในวันเดียวกับที่ฝั่งผู้ขายได้รับ และrouting DSLช่วยให้คุณวาง GPT-6 Luna ไว้หลังโมเดลที่ถูกกว่าสำหรับทราฟฟิกส่วนที่ง่าย ส่วนที่ยากกว่าจะไปที่ GPT-6 Sol — พร้อมautomatic failoverหากเส้นทางใดเส้นทางหนึ่งมีประสิทธิภาพลดลง คุณไม่จำเป็นต้องเลือกผู้ชนะในวันเปิดตัวเพื่อจะได้ประโยชน์จากการเปิดตัว

ข้อแม้ตามตรง: GPT-6 Sol และ GPT-6 Luna ไม่สามารถกำหนดเส้นทางผ่าน OrcaRouter ได้ ณ วันที่ 23 กันยายน 2026 เรายังไม่ได้โฮสต์โมเดลเหล่านี้ และไม่ควรตีความข้อความใดข้างต้นว่าเราโฮสต์โมเดลเหล่านี้ สิ่งที่อยู่ฝั่งเราวันนี้คือชุดเปรียบเทียบ — GPT-5.6 Sol ที่ $4.00/$20.00, GPT-5.6 Luna ที่ $0.20/$1.20 และ GPT-6 Astra ที่ $10.00/$50.00 — ซึ่งเป็นสิ่งที่คุณต้องใช้พอดีในการประเมินราคาการโยกย้ายก่อนที่คุณจะตัดสินใจดำเนินการ

สิ่งที่ควรดูต่อไป

สามสิ่งที่จะตัดสินได้ว่าการเปิดตัวครั้งนี้แท้จริงแล้วคืออะไร สิ่งแรกคืออัตรา $0.20/$1.20 ของ GPT-5.6 Luna จะอยู่รอดตลอดไตรมาสนี้หรือไม่ เพราะราคาถาวรจากผู้ขายรายเดียวในอดีตมักเป็นไม้เปิดเกมมากกว่าจะเป็นจุดจบ — และการเปิดตัว Claude Opus 5.5 ในวันเดียวกันบ่งชี้ว่าแรงกดดันที่ทำให้เกิดการลดราคานี้ยังไม่หายไป สิ่งที่สองคือการเปลี่ยนไปสู่การงดตอบจะยังคงใช้ได้ผลในภาคสนามหรือไม่: การที่ GPT-6 Sol ปฏิเสธที่จะตอบหนึ่งคำถามในหกคำถาม เป็นการเปลี่ยนแปลงประเภทที่ในห้องแล็บอ่านว่าเป็นพัฒนาการ แต่ในไปป์ไลน์ที่คาดหวังคำตอบกลับอ่านได้ว่าผลิตภัณฑ์เสีย สิ่งที่สามคือพฤติกรรมแคชเป็นจริงกับทราฟฟิกของคุณหรือไม่ ซึ่งวัดได้ในสัปดาห์นี้ และตอบได้ด้วยการวัดเท่านั้น — ส่วนลดนั้นมากพอที่หนึ่งชั่วโมงที่ใช้ในการวัดอัตราการเกิดแคชฮิตบนพรอมป์ที่ยาวที่สุดของคุณจะมีค่ามากกว่าตารางเปรียบเทียบมาตรฐานอีกตารางหนึ่ง