GPT-6 Sol：OpenAI 中端 GPT-6 完整参考

GPT-6 Sol 是该系列中的中端层级——介于其上方旗舰级的 GPT-6 Astra 与下方廉价、快速的 GPT-6 Luna 之间的模型，于 2026 年 9 月 22 日发布，定价为每百万输入 token 2.00 美元、每百万输出 token 10.00 美元。这一价格是 GPT-5.6 Sol 的一半，而厂商在其自有文档中将该模型描述为“为驱动复杂编码与智能体工作流而打造”：1,050,000 token 的上下文窗口、128,000 token 的输出上限、文本与图像输入，以及从 none 到 max。

本页是那款模型的参考页——也就是你输入其名称后会落到的那一个。它刻意不是第二份发布公告。这里的发布日期用于给模型标注时间，而不是报道某个事件：这款模型如今已是上线、正式可用的 API 产品，而读者到达本页后需要的是价目表、范围边界、清晰标注的供应商说法，以及独立评估者实际测得的结果。日期时间锚点是 2026 年 9 月 22 日，即本页撰写之前的六天，所以这次发布也处在七天新鲜度窗口之内；你正在阅读的这一节，正是本页属于参考页而非新闻条目的原因。它之所以存在，完全是因为本站在第一方数据中衡量到的搜索需求：人们会输入这款模型自己的名称，而围绕该名称的松散流量完全呈“对阵”形态，并且已由我们单独发布的对决页面承接。

GPT-6 Sol 在 GPT-6 技术栈中的位置

OpenAI 自己的文档列出了三款 GPT-6 模型，并为每一款都分配了定位。GPT-6 Astra 是旗舰——公司自家指南称其为最智能的模型，面向计算机使用、浏览、软件工程、科学和文档创建，定价为 $10.00 / $50.00，尚未计入任何层级。GPT-6 Luna 是效率层级，面向定义明确的大批量工作，费用为 $0.10 / $0.50。GPT-6 Sol 居中档：OpenAI 的模型页面用一句话将其描述为专为复杂编码和智能体工作流而构建，而其模型家族指南告诉开发者选择 gpt-6-astra以获得最高级别的能力，gpt-6-sol用于“在要求严苛的任务上进行强推理”，以及gpt-6-luna用于大规模的高效、可重复工作。

有两个事实让这一层级名副其实，而不只是一个定价标签。Sol 拥有与 Astra 相同的 1,050,000 token 窗口和 128,000 token 输出上限——中间层级并不是更小的窗口，而是每 token 的能力预算更少。并且 Sol 支持一项 Astra 不支持的推理设置：reasoning.effort 接受 none 在 Sol 上，因此模型可以完全不在推理环节运行；而 Astra 的推理力度阶梯开始于 low。除此之外，推理力度阶梯完全相同——none、low、medium（默认）、high、xhigh、max。

Artificial Analysis 将 GPT-6 Astra 的日期定为 2026 年 9 月 3 日，将 GPT-6 Sol 和 Luna 定为 2026 年 9 月 22 日——这三周时间，正是该旗舰代际首个版本与其更便宜的兄弟型号之间的间隔。请注意，我们自己的目录中 GPT-6 Astra 一行的目录日期为 9 月 4 日；那是目录造成的偏差，而独立追踪机构给出的 9 月 3 日才是我们在此采用的发布日期。

费率卡，完整版

本节中的每个数字均来自 OpenAI 自家的定价文档和 GPT-6 Sol 模型页面，二者均于 2026 年 9 月 28 日查阅，且均以美元/每百万 token 为单位。

• 标准版，最高 272,000 输入 token —— 输入 $2.00，缓存输入 $0.20，缓存写入 $2.50，输出 $10.00。

• 缓存输入比率 —— OpenAI 对缓存输入的计费为未缓存费率的 10%，相当于 90% 的折扣，并表示缓存写入按未缓存输入费率的 1.25 倍计费。GPT-6 的发布还消除了一个过去会悄然产生费用的摩擦点：更改推理强度或工具可用性不再会使缓存失效。

• 长上下文，输入超过 272,000 个 token — 输入 $4.00，缓存输入 $0.40，缓存写入 $5.00，输出 $15.00。阈值为 272K，而且它是在 OpenAI 的 GPT-6 Sol 模型页面上说明的，并非借用 Astra 页面，尽管后者标有相同数字。同一页面用一句话说明了重新定价规则：输入超过 272K 个 token 的提示词，输入和缓存费率按 2 倍计，输出按 1.5 倍计 针对完整请求。这并不是对超出部分收取的超额费用。一个 300,000 token 的请求会将全部 300,000 个 token 都按长上下文费率计费，因此跨过这条线的成本是阶跃式变化，而不是斜坡式变化——而且这个阶跃点落在一个大多数长文档流水线都会意外越过的边界上。

• Batch 和 Flex——两者的定价均为适用标准费率的 50%，因此在 Sol 上，Batch 和 Flex 的短上下文为 $1.00 / $5.00，长上下文为 $2.00 / $7.50，缓存输入则分别为 $0.10 和 $0.20。

• 快速模式 —— 按适用费率的 2 倍计费，即短上下文为 $4.00 / $20.00，长上下文为 $8.00 / $30.00。OpenAI 于 2026 年 7 月 30 日将 priority processing 更名为 Fast mode，并同时接受 service_tier: "priority" 或 "fast"。

• 两项值得了解的加价 — 区域处理端点对 2026 年 3 月 5 日及之后发布的模型加收 10% 的费用，FedRAMP 端点在标准费率基础上加收 10%。对于 GPT-6 Sol 和 Luna，欧盟数据驻留仅在使用标准处理时可用。

• 价格背景——OpenAI 的价格表上，GPT-5.6 Sol 仍标价为 $4.00 / $20.00，并注明促销价格至少持续到 2026 年 11 月 21 日。Sol 的 $2.00 / $10.00 相较其直接前代在两端均下调了 50%，而 OpenAI 向记者表示，新价格是永久性的，而非促销价。这是发言人的说法，而非价格表上的书面承诺，因此宜将其视为厂商声明，而非合同事实。

信封

• 上下文与输出——1,050,000 token 的上下文窗口、922,000 最大输入 token、128,000 最大输出 token。1,050,000 这个数字出自 OpenAI 自己；Artificial Analysis 在其针对同一模型的规格表中列出的是 872,000，而该页面上的 FAQ 则写着 870k。应把厂商给出的数字视为约定值，而把追踪方给出的数字视为对某一特定服务配置的实测结果。

• 模态——根据 OpenAI 的模型页面，输入为文本和图像，输出为文本。我们自己的模型目录行中，除文本和图像外还列出了一个文件输入，而 OpenAI 的页面则没有。以供应商页面为准，因此就目前而言，对该模型如实的解读是：输入为文本和图像。

• 知识截止日期——2026年4月20日。GPT-6 Luna 的是2026年5月18日，Astra 的是2026年4月30日，因此该系列中的三个模型并不共享同一截止日期。

• 端点 — 同时支持 Chat Completions 和 Responses，并支持 Batch。Realtime、Realtime 翻译与转写、Assistants、微调、嵌入、图像生成与编辑、语音、音频转写与翻译、审核，以及旧版 Completions 路由均不受支持。

• 工具与结构化输出——流式传输、结构化输出、函数调用、文件搜索、图像输入、网络搜索和提示词缓存均已列出。有一点需要特别注意：在 Chat Completions 上，函数调用仅当reasoning_effort为none时才可用。结合工具进行推理需要使用 Responses API。

• 启用推理时不支持的参数 — 当推理强度设置不为 none 时，请移除 temperature、top_p 和 top_logprobs；在 Chat Completions 上还需移除 logprobs。

OpenAI 声称了什么，以及这是一种什么样的声称

OpenAI 为 GPT-6 Sol 发布的材料——据 The Decoder 在发布当天的报道——最好被理解为一种成本持平论证，而不是能力宣称。以下数字由厂商报告，未经独立复现，并且是 OpenAI 选择公布的形态；基准测试集比通常的阵容更窄，同一篇报道也指出了这一点——GDPval 和 Terminal-Bench 4.0 不在其中。

• FrontierCode 1.1，厂商报告 — GPT-6 Sol 在最大努力模式下得分 49.3%，每任务成本 2.14 美元。OpenAI 将其大致视为与 Claude Fable 5.1 相当，后者在最大努力模式下得分 50.3%，而按 OpenAI 自己的比较，其每任务成本为 12.83 美元。

• DeepSWE v1.1，厂商报告数据 — GPT-6 Sol 在最大努力程度下达到 68.8%，与 Claude Fable 5 公布的最佳成绩 69.9% 仅差 1.1 个百分点，并领先于 OpenAI 自家的 GPT-6 Luna；OpenAI 表示，Luna 在 xhigh 下即可与 Sol 媲美，而成本要低得多。

• AutomationBench 与 OSWorld 2.0，厂商报告数据 — OpenAI 报告称，GPT-6 Sol 在最大努力模式下，于商业工作流基准测试中以每任务仅 9% 的成本击败了同样处于最大努力模式的 Claude Opus 5；并称 GPT-6 在计算机使用方面的表现与 Claude Opus 5 相当，而成本约低 80%，其中 GPT-6 Astra 在 OpenAI 自家产品系列中仍领先该类别。

要看这些句子的形态，而不是只盯着数字。每一句都把与竞争对手接近的得分，与仅相当于其零头的成本配在一起。这是一种“同等水平、成本更低”的主张，而不是“全面胜出”的主张；与“最佳模型”相比，它在实质上要弱得多——而“最佳模型”正是 OpenAI 专门留给 Astra 的说法。这里厂商宣称的是中端层级已经弥合了价格差距；并没有说它已经弥合了能力差距。

独立阅读

Artificial Analysis 在最高推理强度下评估了 GPT-6 Sol，并在发布当天公布了结果。其数据独立，构成了对上一段的制衡。

• Intelligence Index — 在 Artificial Analysis Intelligence Index v4.3.2 上得分为 48，该指数纳入了十项评估，包括 AA-Briefcase v1.1、GDPval-AA v2.1、AutomationBench-AA、Terminal-Bench 4.0、SciCode、Humanity's Last Exam、GDP.pdf、CritPt、AA-Omniscience 和 AA-LCR v1.1。该页面在比较类别中将其排在 211 个模型中的第 18 位——而这个分母会随着追踪器新增模型而变化。

• 每任务成本 — 在 Artificial Analysis 的 7:2:1 缓存命中/输入/输出配比下，每百万 token 的混合费率为 1.54 美元，而每项 Intelligence Index 任务为 1.06 美元。在本次指数运行期间，该模型生成了 7700 万个输出 token，而同价位推理模型的中位数为 8800 万个，因此它在简洁性上并不占优。

• 速度与延迟 — 通过 OpenAI 的 API 测得每秒输出 88.7 个 token，高于追踪器中同类推理模型 82.6 的中位数；首 token 时间为 138.06 秒，而中位数为 3.79 秒。这两个数字道出了其中的取舍：模型一旦启动就很快，但启动很慢，而这正是长推理过程的预期表现。

• 哪里出现了倒退——The Decoder 对 Artificial Analysis 结果的解读报告称，相较于上一代，在两项知识工作评估上出现了退步：在 GDPval-AA v2.1 上损失约 100 Elo 分，在 Luna 上约 75 分，人工检查将下降主要归因于呈现质量和结果不完整。据报道，Artificial Analysis 自己的总结是，每任务成本大约减半，而智能分数保持在 GPT-5.6 水平，在一些评估上有提升，在另一些上则有退步。

对以上所有内容，都需要加一个说明。{{1}}GPT-6 Sol{{/1}} 和 {{2}}GPT-6 Astra{{/2}} 尚未由任何我们能引用的机构，在匹配的推理努力程度和匹配的评测框架下进行过正面基准测试，而经常被并列引用的两个数字——{{3}}Sol 为 48{{/3}} 和 {{4}}Astra 为 53{{/4}}——来自同一个指数，但不一定来自相同的配置。这一比较的诚实版本很短：在该指数上，{{5}}Astra{{/5}} 的得分高于 {{6}}Sol{{/6}}，而没有任何已发布的运行结果能分离出差距中有多少来自模型、多少来自推理努力设置。

可用性，以及发布后发生变化的那一件事

OpenAI 于 2026 年 9 月 22 日通过自家的 API 同时发布了两款模型，分别为gpt-6-sol 和 gpt-6-luna，并在其发布材料中将它们置于 ChatGPT Work 和 Codex 之中，面向 Plus、Pro、Business、Enterprise 和 Edu 订阅用户开放，而 Free 和 Go 用户则可通过桌面应用使用 GPT-6 Luna。发布之时，这两款模型均未在常规的 ChatGPT Chat 界面中提供——这是 OpenAI 当天的官方说法，而这一细节最有可能让那些在模型选择器中寻找 Sol 却一无所获的读者感到困惑。

对于任何向这个模型输入图像的人来说，真正重要的发布后改动就在 OpenAI 自己的 API 变更日志里，日期为 2026 年 9 月 25 日：OpenAI 修复了一个图像编码缺陷，据其称该缺陷会降低 GPT-6 Sol 和 GPT-6 Luna 的图像理解能力，影响 API 和 Codex 中的视觉任务，包括计算机使用。该变更日志自己的建议是，如果图像输入属于你的使用场景，就重新运行评估，并重试受影响的工作流。这是对一个发布仅六天的模型做出的、已有三天的修复，也正是为什么启动周的一次基准测试运行和本周的一次运行，会在任何视觉相关方面得出不一致结果。

正在 OrcaRouter 上运行 GPT-6 Sol

GPT-6 Sol 在 OrcaRouter 上的路由为 openai/gpt-6-sol on OrcaRouter，采用 OpenAI 自身的标价，供应商标价原样透传，0% 加价，与 openai/gpt-6-astra 和 openai/gpt-6-luna 并列。这三者都位于同一个 OpenAI 兼容端点和同一个 API 密钥之后，这正是让“层级”这个问题可被检验而非停留在理论上的原因：同一份请求体，既可以指向 Sol 用于生产路径，也可以指向它旁边的 Luna 用于批量任务，无需第二份合同，也无需改动代码；而供应商的价格变动当天就能在这里生效，而不是等一个重新定价周期之后。如果你正要把某个工作负载迁移到如此新的模型上，跨供应商的自动故障转移就是论证的另一半——它让你能在真实流量上试用一个才发布六天的模型，而不必把生产路径押在它的头一个月上。

费率卡对一份真实账单所做的两件事，逐一演算如下：

• 一次 900,000 token 的文档分析任务在长上下文模式下，整个请求都按这一档计费：900,000 个输入 token 按每百万 $4.00 计算为 $3.60，再加上输出费用。同样的任务若保持在 272,000 token 以内，则按每百万 $2.00 计费。在这里，把一个超大请求拆成四次低于阈值的调用并不是什么取巧手段；它直接为输入部分省下 2 倍费用。

• 缓存式智能体循环正是 90% 缓存输入折扣发挥作用的地方：一个稳定的前缀被反复读取数百次，在 Sol 上每百万只需 $0.20，而非 $2.00；而且由于更改推理强度不再使缓存失效，可以在同一次对话中逐级走完强度阶梯，而无需为重建前缀付费。

如果你真正想要的其实是那个二选一的抉择——选这款还是选旗舰款——我们已经单独对GPT-6 Sol与GPT-6 Astra做了完整对比，而当时那款尚未发布的机型，其发布前的记录保存在它自己那篇文章里，不在这里重新争论。