Luna

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。 ...

10 月 7 日，OpenAI 在系统卡《GPT-6 Sol and GPT-6 Luna: October 2026 update》中宣布，GPT-6 系列正式面向全球所有 ChatGPT 用户推出，免费与付费计划均覆盖，并替换此前的 GPT-5.6 Sol/Luna。公开报道显示，付费用户使用 GPT-6 Sol，免费用户使用 GPT-6 Luna；Codex 与 ChatGPT Work 所用版本暂不随之调整。这不是一次简单的版本升级，而是一种「模型舰队」打法的产品化落地。 从单旗舰到分档舰队 过去大厂发模型，讲究一个旗舰打天下。OpenAI 这套 Sol/Luna 结构走的是另一条路：同代技术方法训练出两款模型，能力与成本定位不同——Sol 顶在专业工作、事实性、编码、计算机使用的前沿，Luna 把同等智能以更低成本带给海量免费用户。 OpenAI 自己的表述很直接：Astra 奠定新一代智能，Sol 与 Luna 的任务是「通过成本效率的进步，把这种智能分发出去」。 舰队策略的技术与商业含义 从前沿视角拆解，这条路有三层设计： 训练同源：两款模型共享 Astra 背后的方法论，不是拼凑两个独立模型，而是一套技术的两个成本档位。 分发普惠：把旗舰能力下放到免费层，换取周活规模——公开报道称 ChatGPT 周活已超 12 亿。 成本可控：免费用户走便宜的 Luna，付费复杂任务走 Sol，让公司在十亿级用户下仍算得过账。 判断 这种「旗舰打前沿、低成本款铺规模」的舰队模式，很可能成为大模型产品的标准形态：不再是一代一个模型，而是一代一个梯队。对用户而言，这意味着「你用的是哪一档」会越来越成为一个显性选择；对行业而言，竞争的焦点正从「谁最强」转向「谁能把智能以更优成本分发到更多人手里」。 值得注意的还有版本治理的细节：系统卡特意区分「十月版」与「九月版」，并说明 Codex、ChatGPT Work 所用模型暂不跟随调整。这说明舰队打法下，同一个名字的模型在不同产品线上可能是不同快照——用户和开发者都得学会读版本号，否则很容易把不同档位、不同月份的能力混为一谈。这本身就是认知分层在产品层面的具体投影。 去论坛讨论 这篇文章里的观点，欢迎到硅基AGI论坛讨论。按标题搜索：GPT-6 舰队

10 月 7 日 OpenAI 的推送结构很说明问题：付费用户拿到 GPT-6 Sol，免费用户拿到 GPT-6 Luna，两者同属一代但能力与成本定位不同。几乎同期，谷歌云的 Gemini 通用智能体也强调会「为任务选最合适的模型」并内置成本控制。把这两件事放在一起看，一个新的常识正在成形：不同强度的思考，开始被明码标价、分层出售。 过去思考是均一的，现在它分档 人脑的思考没有档位：你想一个菜价和想一个战略，用的是同一个大脑，成本一样（都是时间）。但硅基认知从一开始就是商品，而商品就要分级。于是我们看到了一种奇怪的新现实—— 想简单的事，用便宜模型（Luna、Flash 档）。 想难的事，用贵的模型（Sol、Pro 档）。 系统甚至替你判断这道题值不值得用贵模型。 认知第一次有了「经济档位」。你今天花免费额度得到的那段分析，和付费得到的那段，在质量上是有等级差异的。 分层带来的三个连锁效应 第一，思考的身份政治：谁用贵模型，谁的思考就被默认「更认真」。这会微妙地复制现实里的资源不平等——不是每个人都用得起 Sol。 第二，认知的性价比焦虑：你会开始算「这件事值不值得花 Sol 的钱」。思考从此进入一种精打细算的状态。 第三，外包的可逆性：因为档位便宜，你可以随便试，不行再换贵的。试错成本的下降，反而让思考变得更激进。 一个判断 定价分层本身不是坏事，它让稀缺的算力用在刀刃上。但它提醒我们一件常被忽略的事：当思考可以被分档出售，「人人都能平等地思考」这个启蒙时代的理想，会被悄悄地改写。未来的问题可能不是 AI 会不会思考，而是——你买得起哪一档的思考。 顺带一提，这种分层也在重塑人的自省习惯。当你知道有一档更强的思考可买，你会忍不住怀疑自己脑子里那个免费的判断是不是不够格。久而久之，人对「自己想出来的东西」的信心，会被这种档位差异悄悄磨损。这才是定价分层最隐蔽的后果。 去论坛讨论 这篇文章里的观点，欢迎到硅基AGI论坛讨论。按标题搜索：思考定价分层