GPT-6 Luna vs GPT-6 Sol: Hai bảng giá cùng hình dạng và một con số gấp hai mươi lần

GPT-6 Luna có giá 0,10 USD cho mỗi triệu token đầu vào và 0,50 USD cho mỗi triệu token đầu ra. GPT-6 Sol có giá 2,00 USD và 10,00 USD. Nhà cung cấp đã phát hành cả hai vào ngày 22 tháng 9 năm 2026, như hai bậc thấp hơn của thế hệ GPT-6 dưới mẫu chủ lực GPT-6 Astra, và khoảng cách gấp hai mươi lần giữa chúng là điều đầu tiên bất kỳ ai đọc được trên trang. Điều khó thấy hơn, và hữu ích hơn, là có rất ít thứ khác phân biệt chúng. Cùng cửa sổ ngữ cảnh 1.050.000 token. Cùng đầu vào tối đa 922.000 token. Cùng mức trần đầu ra 128.000 token. Cùng thang suy luận từ none qua low, medium, high, xhigh và max, với medium là mặc định. Cùng nhóm thời điểm cắt kiến thức, cách nhau một tháng. Cùng điều khoản tính lại giá toàn bộ yêu cầu một khi nó vượt qua 272.000 token đầu vào.

Hai mô hình chia sẻ mọi dòng cấu trúc của một bảng giá thì không được phân biệt bằng các tính năng. Chúng được phân biệt bằng điểm số, và bằng cái giá bạn phải trả để đạt được điểm số đó. Trên bảng xếp hạng độc lập đo cả hai, GPT-6 Sol cao hơn GPT-6 Luna mười một điểm ở cùng mức nỗ lực tối đa và tốn chi phí gấp khoảng mười lăm lần để hoàn thành cùng một bài đánh giá. Mười một điểm và gấp mười lăm lần là một câu khác với gấp hai mươi lần, và sự khác biệt giữa hai câu đó chính là nơi phép so sánh này thực sự nằm.

Mỗi cái trong hai cái này dùng để làm gì

GPT-6 Sol là lựa chọn dùng hằng ngày trong dòng sản phẩm — phân khúc mà OpenAI định vị cho lập trình phức tạp, quy trình tác tử và công việc chuyên môn mà con người sẽ đọc. Nó nhận văn bản và hình ảnh, tạo ra văn bản, và bất kỳ ai có khóa API đều có thể truy cập. Đây là mô hình mà hầu hết các nhóm sẽ mặc định tìm đến khi muốn năng lực đẳng cấp GPT-6 mà không phải chịu bảng giá hay cổng truy cập của mẫu flagship.

GPT-6 Luna là phân khúc khối lượng lớn. Mô tả của chính OpenAI thì hẹp và cố tình không hào nhoáng: mẫu hiệu quả nhất cho các tác vụ tập trung, khối lượng lớn. Tóm tắt, trích xuất, phân loại, định tuyến, vòng lặp bên trong của một agent thực hiện hàng nghìn lời gọi nhỏ trên đường tới một tác vụ. Cùng cửa sổ, cùng giới hạn đầu ra, cùng nấc điều chỉnh nỗ lực — một động cơ rẻ hơn trong khung gầm y hệt.

Cả hai đều được huấn luyện bằng các phương pháp bắt nguồn từ GPT-6 Astra, chứ không phải được xây dựng như một dòng riêng, đó là lý do các bảng thông số kỹ thuật khớp nhau chính xác đến vậy. Giá là điểm duy nhất mà hai mẫu này khác biệt theo thiết kế.

Bảng giá, từng dòng một

Mỗi chiều một dòng, cả hai mặt trên mỗi dòng:

• Đầu vào mỗi 1M — GPT-6 Luna $0.10 so với GPT-6 Sol $2.00

• Đầu ra trên mỗi 1M — GPT-6 Luna $0,50 so với GPT-6 Sol $10,00

• Input đã cache trên mỗi 1M — GPT-6 Luna $0.01 so với GPT-6 Sol $0.20; cả hai đều bằng một phần mười mức giá input chưa cache của chính chúng, nên tỷ lệ gấp hai mươi lần vẫn nguyên vẹn sau ưu đãi.

• Ghi cache trên mỗi 1M — GPT-6 Luna $0.125 so với GPT-6 Sol $2.50, cao hơn 25% so với mức giá đầu vào trong cả hai trường hợp

• Bậc ngữ cảnh dài — điều khoản giống hệt trên cả hai thẻ: khi vượt 272.000 token đầu vào, toàn bộ yêu cầu được tính phí gấp 2 lần đối với đầu vào và bộ nhớ đệm, gấp 1,5 lần đối với đầu ra, đưa GPT-6 Luna lên $0,20 và $0,75, cùng GPT-6 Sol lên $4,00 và $15,00

• Cửa sổ ngữ cảnh — 1.050.000 token cho cả hai, với đầu vào tối đa 922.000 token và giới hạn đầu ra 128.000 token

• Nỗ lực suy luận — không, thấp, trung bình (mặc định), cao, xhigh, tối đa cho cả hai; núm điều chỉnh là cùng một thành phần ở cả hai mô hình

• Các cấp dịch vụ — Flex giảm một nửa hóa đơn và Priority tăng gấp đôi trên cả hai thẻ, được chọn thông qua cùng service_tiertham số

• Mốc kiến thức — GPT-6 Luna ngày 18 tháng 5 năm 2026 so với GPT-6 Sol ngày 20 tháng 4 năm 2026, cách nhau một tháng trong cùng một dòng mô hình và điều này đáng để biết trước khi giả định rằng cả hai có chung một góc nhìn về thế giới

• Chỉ số Trí tuệ, độc lập — GPT-6 Luna 37 ở mức nỗ lực tối đa so với GPT-6 Sol 48 ở mức nỗ lực tối đa, cùng phiên bản chỉ số

• Điểm nỗ lực mặc định — GPT-6 Luna 29 ở mức medium mặc định của nó so với GPT-6 Sol 48 ở mức max, thiết lập mà Artificial Analysis đã dùng để đo nó

• Chi phí cho mỗi tác vụ Index, độc lập — GPT-6 Luna khoảng $0,07 so với GPT-6 Sol $1,06

• Token đầu ra trong lần chạy index — GPT-6 Luna 150M so với GPT-6 Sol 77M, đối chiếu với mức trung vị của bảng là 88M

• Coding Agent Index, độc lập — GPT-6 Luna 41, giảm hai điểm so với GPT-5.6 Luna; so với GPT-6 Sol 57, tăng hai điểm so với GPT-5.6 Sol

• Tỷ lệ ảo giác trên AA-Omniscience — GPT-6 Luna 77%, giảm từ 93%, so với GPT-6 Sol 60%, giảm từ 92%; cả hai mô hình trở nên sẵn sàng từ chối hơn thay vì hiểu biết hơn, và Sol còn tiến xa hơn

• Trên OrcaRouter — cả GPT-6 Luna và GPT-6 Sol đều không có trong danh mục của chúng tôi tại thời điểm viết bài này; cả hai đều được truy cập thông qua API riêng của OpenAI

Núm điều chỉnh nỗ lực là cùng một bộ phận ở cả hai mẫu, và điều đó thay đổi bài toán

Vì thang suy luận là giống hệt nhau, các con số chỉ số nổi bật của cả hai mô hình đều là các con số ở mức nỗ lực tối đa. 37 của GPT-6 Luna là điểm mà nó đạt được khi được phép suy nghĩ bao lâu tùy thích. Mặc định của nó là medium, ở đó nó đạt 29. 48 của GPT-6 Sol cũng là một con số ở mức nỗ lực tối đa, và đó là cài đặt mà hội đồng độc lập đã chạy nó.

Điều này ở đây quan trọng hơn so với hầu hết các so sánh, vì nó có nghĩa là hai mô hình đang được lấy ở cùng một nấc. Một nhóm triển khai GPT-6 Luna và không thay đổi gì thì không phải đang chạy 37 đối đầu với 48; mà là đang chạy 29 đối đầu với 48. Đó là khoảng cách mười chín điểm chứ không phải mười một điểm, và độ lớn của nó là một thuộc tính của mặc định, không phải của mô hình.

Cùng một núm điều chỉnh đó cũng là cách tối ưu hóa rẻ nhất có sẵn trên cả hai card, và nó hoạt động theo cả hai chiều. Hạ GPT-6 Sol từ max xuống medium đối với công việc mà con người kiểm duyệt tiết kiệm nhiều hơn so với việc chuyển một phần nhỏ lưu lượng của bạn từ Sol sang Luna, và chỉ tốn một thay đổi tham số thay vì một cuộc di trú. Nâng GPT-6 Luna lên xhigh ở lệnh gọi duy nhất mỗi tác vụ, lệnh gọi thực sự quyết định kết quả, là một sai số làm tròn so với tổng thể. Núm điều chỉnh tồn tại trên cả hai mô hình chính là để lựa chọn hạng và lựa chọn mức nỗ lực có thể được đưa ra riêng biệt, và hầu hết các đội chỉ thực hiện một trong hai.

Vách đá giống hệt nhau, và đó chính là điểm mấu chốt.

Cả hai mô hình đều có cùng điều khoản ngữ cảnh dài, và vì điều khoản này mang tính tỷ lệ nên nó không thu hẹp khoảng cách giữa chúng — mà nhân đôi cả hai phía của khoảng cách đó. Một yêu cầu 300.000 token trên GPT-6 Luna được tính phí $0.20 mỗi triệu token đầu vào cho toàn bộ 300.000 token, chứ không phải cho 28.000 token vượt ngưỡng. Cùng yêu cầu đó trên GPT-6 Sol được tính phí $4.00. Chia bất kỳ tài liệu nào thành hai lời gọi dưới ngưỡng thì chi phí giảm một nửa mà không có thay đổi nào đối với prompt.

Điều mà điều khoản giống hệt đó thực sự thay đổi là quy mô của sai lầm. Ở bậc khối lượng, một yêu cầu sai kích thước tốn một phần năm xu trên mỗi nghìn token. Ở bậc hàng ngày, nó tốn bốn đô-la mỗi triệu. Những nhóm dễ có ngữ cảnh làm việc 300.000 token nhất là những nhóm đang vận hành các pipeline tác tử mà cả hai mô hình đều được bán vào, nghĩa là bậc ít có khả năng gánh chịu sai lầm nhất lại không phải là bậc mắc sai lầm thường xuyên nhất.

Mười một điểm của Sol ở đâu, và ở đâu thì không có chúng

Khoảng cách này là có thật và nó không được phân bổ đồng đều giữa các tác vụ mà bạn có thể chạy.

Các lợi thế của GPT-6 Sol tập trung ở khả năng lập trình và thực thi tác nhân. Chỉ số Coding Agent của nó là 57, cao hơn mười sáu điểm so với mức 41 của GPT-6 Luna, trên một bảng xếp hạng mà các mô hình tương đương của thế hệ trước đạt 55 và 43 — vậy nên cả hai mô hình đã dịch chuyển theo những hướng ngược nhau trên thước đo đó, một điều đáng để biết trước khi mặc định rằng thế hệ mới là một bản nâng cấp toàn diện so với thế hệ cũ. Theo chính những số liệu đã công bố của nhà cung cấp, Sol báo cáo 68,8% trên DeepSWE v1.1 ở mức nỗ lực tối đa, so với 66,6% của Luna, và khoảng 43% trên Terminal-Bench 4.0 so với 37%. Đó là những con số do OpenAI báo cáo và chưa được tái lập, và khoảng cách mà chúng mô tả hẹp hơn so với mức mà khoảng cách chỉ số gợi ý.

Nơi Sol vượt lên là ở những đánh giá thưởng cho một chuỗi dài các quyết định đúng: GPT-6 Sol báo cáo khoảng 62% trên AutomationBench-AA so với 53% của GPT-6 Luna, và tỷ lệ ảo giác là 60% so với 77% trên cùng bảng omniscience. Chênh lệch mười bảy điểm về tần suất một mô hình bịa ra câu trả lời không phải là một khoảng cách năng lực; với bất kỳ thứ gì có bên tiêu thụ ở hạ nguồn, đó chính là toàn bộ quyết định.

Mười một điểm đó không nằm ở công việc văn bản tổng quát. Đối với trích xuất, phân loại, định tuyến và tóm tắt — những tác vụ mà GPT-6 Luna được định giá — cả hai mô hình sẽ tạo ra cùng một câu trả lời hữu ích trong đại đa số trường hợp, và sự khác biệt sẽ không tồn tại khi tiếp xúc với bộ đánh giá của chính bạn. Artificial Analysis đánh dấu một sự thoái lui trên cả hai mô hình ở mức nỗ lực tối đa: GPT-6 Sol mất khoảng 100 Elo trên GDPval-AA v2.1 so với phiên bản tiền nhiệm, và GPT-6 Luna khoảng 75. Nếu công việc của bạn giống như GDPval, thì không bậc nào là bản nâng cấp mà bạn được hứa, và mười một điểm là sự so sánh giữa hai mô hình đều đã thụt lùi.

Lựa chọn giữa hai gói mà bạn đã có

Điều bất thường ở sự kết hợp này là nó không phải là một quyết định mua hàng. Cả hai mô hình chạy trên cùng một tài khoản, cùng một endpoint và cùng một SDK. Không có hợp đồng thứ hai, không có đàm phán giá thứ hai, và không có công việc tích hợp nào để chuyển lưu lượng từ cái này sang cái kia. Điều đó khiến nó trở thành một quyết định định tuyến, và các quyết định định tuyến là những quyết định đáng đưa ra theo từng yêu cầu thay vì chỉ một lần.

Tính đến thời điểm viết bài này, cả GPT-6 Luna lẫn GPT-6 Sol đều không có trong danh mục của chúng tôi — cả hai đều được truy cập thông qua API riêng của OpenAI, vì vậy sự phân tách phải được thể hiện trong ứng dụng của bạn thay vì trong cấu hình router. Đó là lý do để phải cân nhắc kỹ lưỡng, bởi vì cái giá của việc làm sai là một thay đổi mã nguồn chứ không phải một thay đổi cài đặt. Hình dạng của sự phân tách không phức tạp: GPT-6 Luna cho hàng nghìn lệnh gọi nhỏ mà một agent thực hiện trên đường đến một tác vụ, và GPT-6 Sol cho lệnh gọi tạo ra sản phẩm mà một người sẽ đọc. Hãy đặt tham số effort một cách rõ ràng ở cả hai phía, vì mặc định là medium và mọi con số được công bố cho cả hai mô hình đều là con số ở mức effort tối đa.

Các đội thực sự định tuyến xuyên nhiều nhà cung cấp — và hầu hết những đội chúng tôi thấy đều làm vậy — có thể dùng GPT-6 Astra, Grok 4.6, Kimi K3 và Qwen3.8-Max trên một key thông qua OrcaRouter ở mức giá niêm yết của nhà cung cấp, với 0% markup và chuyển đổi dự phòng giữa các upstream. Việc thêm GPT-6 Luna và GPT-6 Sol vào cùng bức tranh đồng nghĩa với một key thứ hai thay vì một kiến trúc thứ hai, đây là vấn đề nhỏ hơn trong hai vấn đề mà sự kết hợp này tạo ra.

Cái nào, và khi nào

Hãy chọn GPT-6 Luna trừ khi bạn có thể gọi tên năng lực mà bạn đang mua bằng mức gấp hai mươi lần đó. Nó rẻ hơn trên mọi dòng của bảng giá, kể cả đầu vào được lưu đệm, nó có cùng cửa sổ ngữ cảnh và cùng giới hạn đầu ra, có thể được yêu cầu dừng suy luận hoàn toàn, và chi phí cho mỗi tác vụ hoàn thành trên bảng độc lập của nó chỉ khoảng một phần mười lăm so với GPT-6 Sol. Hãy đặt mức nỗ lực một cách rõ ràng, giữ các lệnh gọi dài dưới 272.000 token đầu vào, và kiểm tra khoảng cách mười sáu điểm của Coding Agent Index so với kho lưu trữ của riêng bạn trước khi bạn cho rằng nó áp dụng cho mình.

Hãy chọn GPT-6 Sol khi bản thân tác vụ chính là sản phẩm và kiểu thất bại là một câu trả lời sai một cách âm thầm thay vì chậm. Các agent lập trình đang vận hành một kho mã thực tế, phân tích chuyên môn dài hạn, bất cứ thứ gì mà một thông tin bị ảo giác gây tốn kém hơn số token tiết kiệm được. Hãy chấp nhận rằng bạn đang trả gấp mười lăm lần cho mỗi tác vụ hoàn thành để đổi lấy mười một điểm chỉ số, và rằng một phần đáng kể trong mười một điểm đó nằm ở cột ảo giác chứ không phải cột năng lực — mà với cặp cụ thể này, đó là nửa tốt hơn để trả tiền.

Sai lầm cần tránh là coi nhãn giá gấp hai mươi lần là câu trả lời. Nó là câu trả lời cho việc một token tốn bao nhiêu, chứ chẳng nói gì về việc một tác vụ đã hoàn thành tốn bao nhiêu, hay tần suất câu trả lời của mô hình rẻ sai theo cách bạn sẽ không nhận ra.