GPT-6 對比 GPT-6 Luna：百萬 Token 只要一角錢，以及那個對應免費方案的層級

這個比較有一種版本，答案只有一行：你無法呼叫 GPT-6，而你可以呼叫 GPT-6 Luna，每百萬輸入詞元收費十美分。但更有用的版本，是解釋為何 Luna 如今成了大多數人真正用過的模型——OpenAI 在 2026 年 10 月 8 日把它放進 ChatGPT 的 Free 與 Go 等級之後，這讓它成為這一代中最便宜的等級，而且以用戶數來說也是最繁忙的。接下來會一次說清楚這套等級階梯，然後說明每百萬十美分究竟能買到什麼。

這個家庭，以及 Luna 在其中的位置

OpenAI 於 2026 年 9 月 22 日以三個模型 ID 的形式發布 GPT-6 世代，家族名稱背後並無openai/gpt-6端點：

• GPT-6 Astra — 旗艦模型，每百萬個 token 輸入 $10.00／輸出 $50.00，在 OpenAI 的價目表中列為該世代的最頂級
• GPT-6 Sol — 中階層級，$2.00／$10.00，也是 OpenAI 指定在付費 ChatGPT 方案中用於聊天的模型
• GPT-6 Luna — 經濟層級，$0.10／$0.50，也是 OpenAI 指定在 Free 與 Go 方案中使用的模型

最後那一行才是值得好好確認清楚的部分，因為這正是 Luna 的流量會讓家族中其他模型相形見絀的原因。OpenAI 自己針對 10 月 7 至 8 日推出所發布的公告指出：「ChatGPT 中的 GPT-6，在 Plus、Pro、Business 與 Enterprise 方案中由 GPT-6 Sol 驅動，在 Free 與 Go 方案中則由 GPT-6 Luna 驅動。」一個以 $0.10 / $0.50 價格服務免費方案的模型，就是每天回答問題數量超過任何付費方案層級的模型，而且它正是你能透過 API 呼叫的同一個檢查點。消費者端介面是一條散布管道，而不是一個獨立的 SKU。

這裡必須重申一項但書，因為本部落格已經就此發過文：同一份公告說 Free 和 Go 可獲得 GPT-6 Luna，而 OpenAI 在 ChatGPT 中針對 GPT-6 的說明中心頁面，於被讀取當天，卻描述 Free 和 Go 執行的是 GPT-5.6 Luna。這些是關於同一方案、彼此不相容的陳述，OpenAI 尚未說明哪一個才是現行版本；如果你的工作取決於免費方案背後是哪個便宜模型，請把說明中心的條目視為更具體的頁面，並在依據任一方開發之前重新查核。

每百萬十美分究竟能買到什麼

標題數字是 Luna 的卡片上最不有趣的數字。以下是整張卡片，以及其下方的層級步驟：

• 短上下文，最高 272,000 輸入 token — 每百萬輸入 $0.10，每百萬輸出 $0.50
• 超過 272,000 輸入 token — 每百萬輸入 $0.20，每百萬輸出 $0.75，套用於整段請求
• 快取輸入 — 短層級為每百萬 $0.01，等同 90% 折扣；超過門檻則為 $0.02
• 快取寫入 — 短層級為每百萬 $0.125，超過門檻則為 $0.25
• 上下文與輸出 — 輸入 1,050,000 token，輸出 128,000 token
• 輸入模態 — 文字、圖像與檔案，與 Sol 和 Astra 相同的多模態輸入
• 推理 — 可設定的 effort 參數，以及工具、JSON 輸出與種子取樣

隨之而來有兩件事。第一，Luna 並不是精簡版模型。它能接收影像與檔案，提供與兩個較昂貴的同系列兄弟相同的工具呼叫與結構化輸出介面，而在規格表上，它與 Sol 唯一的差別在於深度，而非能力。第二是階梯式定價。當提示超過 272,000 個輸入 token 時，Luna 的輸入費率會加倍，輸出費率則提高一半，而且是針對整個請求計算，而非僅限超出部分。以這樣的價格來說，這是個溫和的級距——一個 300,000 token 的請求，輸入成本約為六美分，而非三美分——因此，對 Astra 而言主導預算規劃、對 Sol 也至關重要的長上下文條款，在這裡幾乎無關緊要。

在大規模下真正會左右成本的數字，是快取讀取。以每百萬一美分計算，若某個工作負載每一輪都重新傳送相同的大型上下文，它為重複部分支付的成本幾乎為零。在一個高流量的擷取或分類管線中，若系統提示與文件都保持穩定，那就是便宜模型與近乎免費模型之間的差別，而這也是 Luna 每個完成答案的實際成本遠低於費率表所示金額的具體原因。

它在能力上讓你付出的代價

Luna 是最便宜的等級，因為它能力最低，而獨立排行榜對它差了多少毫不含糊。請透過 OrcaRouter 目錄中每個模型在 2026 年 10 月 8 日的條目，讀取 Artificial Analysis 的資料：

• AA Intelligence Index — GPT-6 Sol 47.6，排名第 14；GPT-6 Luna 38.1，排名第 37
• Humanity's Last Exam — GPT-6 Sol 47.9 對 GPT-6 Luna 38.5
• SciCode — GPT-6 Sol 57.6 對 GPT-6 Luna 54.6
• 長上下文召回 — GPT-6 Sol 83.7 對 GPT-6 Luna 83.3
• Terminal-Bench 4.0 — GPT-6 Sol 43.9 對 GPT-6 Luna 12.6
• 七天內的流量 — GPT-6 Luna 約 5.74 億個 token；GPT-6 Sol 約 210 萬個
• 首個 token 的中位時間 — GPT-6 Luna 1,494 ms 對 GPT-6 Sol 6,785 ms
• 輸出速度中位數 — GPT-6 Luna 132.9 tokens/s 對 GPT-6 Sol 179.6 tokens/s

那個形態比標題數字上的差距更能說明問題。Luna 落後 Sol 9.5 個指數點，而且這個落差不平均分布：長上下文回憶是 0.4 分的平手，而 SciCode——測的是程式碼理解而非程式碼生成——只相差 3 分。真正崩陷的是代理式的多步驟執行：Terminal-Bench 4.0 為 12.6，Sol 則是 43.9。一個能從百萬 token 文件中檢索得幾乎和體型更大的同門模型一樣好、又能寫出稱職單次答案的模型，與一個能把工具迴圈驅動到完成的模型，是截然不同的工具。

兩點但書。這些指數數據來自 Artificial Analysis，而非 OpenAI，而且該評估機構並不保證兩個模型頁面是在同一天、依據同一版指數修訂版本所呈現——請把不到一個百分點的差異視為方向，而非精確數值。至於服務數據，則是我們自己在滾動七日窗口內的推論路由測量值；每次讀取都會有些變動，適合用來看出差異的形態，而不是當作服務等級承諾。

有一個服務指標值得駐足細看。Luna 的首個 token 中位延遲時間為1,494 毫秒，對比 Sol 的 6,785 毫秒——首次生成 token 的速度大約快 4.5 倍——而一旦開始串流輸出，其吞吐量則明顯較低。對於使用者正等待開場第一句話的聊天介面而言，這種反向取捨正是這個層級存在的全部意義，也正是為什麼免費方案即使在執行家族中最便宜的模型時，仍能讓人感覺很快。

家庭內部的新競爭

Luna 在同代產品中的價格優勢自推出以來已經縮小。GPT-6.1 Sol於 9 月 29 日問世，定價依循 Sol 的 $2.00 / $10.00，指數為 51.8，並將快取輸入費率降至每百萬 $0.10。這並未觸及 Luna 的短上下文費率——輸入一角、輸出五角，在輸入方面仍比任何 Sol 便宜二十倍——但這確實意味著 Luna 上一層級在快取流量上的執行成本變低了，而這正是 Luna 優勢最大的工作負載。差距依然很大，但已不再像單看價目表所暗示的那麼大。

在實務上，層級界線落在哪裡

依任務需求分配工作，而不是依哪個模型分數較高。

Luna 是處理大量聊天、分類、擷取、審核，以及長文件摘要的正確選擇——它在檢索上與更大的同系列模型並駕齊驅的那一列，正是決定大型上下文是否可用的那一列。其首個 token 延遲讓它成為任何非推理密集型互動應用的更好選擇。而且以每百萬個快取 token 一美分的價格，穩定上下文的管線在重複部分幾乎免費。

Sol，或者現在叫做 GPT-6.1 Sol，是當任務需要工具迴圈、長程規劃，或一連串必須完成的步驟時的正確選擇。Terminal-Bench 的差距——43.9 對 12.6——是這項比較中最清楚的單一訊號，而它對應到真實的失效模式：一個便宜的模型把第一步答得很好，然後就迷失了方向。effort 參數意味著你可以要求 Luna 提供更多推理，但 effort 增加的是 token 數量，而不是上限；它不會把 12.6 變成 43.9。

而對於只有旗艦模型才能勝任的工作，Astra 依然是答案——以輸入 $10.00、輸出 $50.00 對比 Luna 的 10 美分，這應該是一項你能按每次呼叫、而非按團隊來合理化的決定。

這個選擇的單一 API 版本

三層級系列麻煩的地方在於，層級界線會隨功能而移動，也會隨請求而移動——同一個應用程式通常會在一個端點想用 Luna，而下一個端點想用 Sol。這是路由問題，而不是採購問題。 GPT-6 的三個層級全都列在同一個 OrcaRouter 目錄中，透過一個位於 200 多個模型前方、相容 OpenAI 的 API 來呼叫，並以 0% 加成直接轉嫁供應商的標價，因此任一層級的供應商調價，當天就會在此生效，而不是等到你下次對帳時才反映。路由 DSL 會明確組合這個分流——依請求大小、依端點或依比例——因此分類路徑可以執行 Luna，而代理式路徑則執行 Sol，且 跨供應商的自動容錯移轉會處理降級的路由，而不是讓你等到執行失敗才發現問題。

有一件事它做不到：給你一個行為舉止像 Sol 的 Luna。層級之所以存在，是因為模型各不相同，而上面的數字就是差異的大小。單一金鑰和一條路由規則能帶給你的是，把每個請求放到真正適合它的層級，而不是為了保險起見把所有請求都放在最貴的層級，或為了預算把所有請求都放在最便宜的層級。

答案，取決於唯一重要的問題

如果任務是針對大型文件、聊天或大量文字處理進行「先檢索、後回答」，GPT-6 Luna 就是該選的層級，而十美分方案並非妥協——長上下文召回那一列顯示，它的檢索成效與貴上二十倍的模型一樣好。如果任務需要多步驟代理才能完成，Luna 就是錯誤的層級，誠實的做法是選 GPT-6 Sol 或 GPT-6.1 Sol；其價格以絕對值而言仍然低廉，而且代理評測不再崩跌。

「GPT-6」本身又是什麼，不是你能直接稱呼的東西。它是一個家族名稱，涵蓋三個 id、三個價位，以及三種不同的能力上限，而 Luna 是最底層的那一個——最便宜、最快產生第一個 token、負責回應免費方案，而且一旦任務需要的不只是單一自信答案，它的上限就會立刻顯現。