就在 GPT-6.1 Sol 被骂「涨价」的同一天，OpenAI API 页面上悄悄挂着一个几乎没人吐槽的定价：GPT-6 Luna，每百万 token 输入 0.10 美元、输出 0.50 美元，上下文长度 105 万 token，最大输出 13 万 token。作为对比，旗舰 Astra 是输入 10 美元、输出 50 美元。Luna 的输出价只有 Astra 的百分之一。这个被忽略的「地板价」，可能比 Sol 的三档风波影响更大。
输入 0.10 美元每百万 token，到底意味着什么？
把单位换算一下：处理一百万个 token 的输入，成本是一毛钱。一次普通的客服对话，上下文来回也就几千 token，折人民币不到一分钱。这意味着过去因为成本太高而不敢做的事——全量日志摘要、超长文档初筛、给每个用户画像做每日更新、把整个代码仓库喂进去做归类——现在经济上突然成立了。
过去团队在做产品设计时，第一道砍预算的工序就是「这个调用是不是太贵」。Luna 把这道工序直接抹掉了：不敏感的任务，可以随便调。
便宜模型第一个吃掉谁的生意？
第一类是中间层厂商。过去很多套壳产品的卖点是「我们帮你调好了 Prompt、接好了模型」，赚的是信息差。当底层模型一毛钱一百万 token，这个差价空间被压得极薄，套壳必须往上迁移到工作流和数据层。
第二类是老牌中等模型。Luna 这个价位直接打到了开源模型自托管的成本线附近——自托管一台服务器的折旧加电费，折算下来未必比 0.10 美元便宜。大量「我自己部署更划算」的场景会被反向吸回 API。
第三类是按量计费的 SaaS。当推理成本趋近于零，靠「AI 功能」单独收费的产品会被迫把 AI 能力变成标配，否则用户连付费理由都找不到。
便宜模型是不是就能随便用了？
两个隐藏成本不能忽视。其一，OpenAI 页面注明 0.10 是「上下文低于 27.2 万 token 时的标准价」，一旦长上下文超阈值，价格会上浮。其二，便宜模型的错误率更高，用于分类、提取、初筛没问题，直接面向用户输出就要加一道校验。
聪明的用法是分层：Luna 干脏活累活做预处理和路由，贵模型只在关键决策节点出场。这样一笔订单里 90% 的 token 走 0.10 档，整体账单能压到原来的一个零头。