2026 年 7 月 30 日，OpenAI 在官網發布了〈Advancing the price-performance frontier with GPT-5.6〉，宣布這次 GPT-5.6 降價：Luna 的 API 輸入／輸出價格一次下調 80%，Terra 下調 20%；Sol 標準價不動，但 Fast mode 的速度最高提升至 Standard 的 2.5 倍。
社群討論立刻升溫。截至 2026 年 8 月 1 日晚間，OpenAI 官方 X 貼文累積約 960 萬次觀看、1.8 萬個讚；Hacker News 討論來到 600 points、394 則留言。大家興奮的不是一張未來藍圖，而是一個已經生效、會直接進入 API 帳單與 Codex credits 的商業變化。
先把原文放在桌上。點擊下面的截圖，就會在新分頁開啟 OpenAI 公告；接下來我會先忠實整理新價格與原文主張，再逐一查證「模型協助降低自身成本」的證據，最後判斷這次降價究竟改變了什麼。
GPT-5.6 降價多少？先看新舊 API 牌價
這次最硬的事實很簡單：OpenAI 7 月 9 日推出 GPT-5.6 時，Luna 的標準短 context 價格是每百萬輸入／輸出 token 1／6 美元，Terra 是 2.50／15 美元。7 月 30 日起，新價如下：
| 模型 | 原輸入／輸出價 | 新輸入／輸出價 | 變化 |
|---|---|---|---|
| GPT-5.6 Luna | US$1／US$6 | US$0.20／US$1.20 | 下調 80% |
| GPT-5.6 Terra | US$2.50／US$15 | US$2／US$12 | 下調 20% |
| GPT-5.6 Sol | US$5／US$30 | US$5／US$30 | 標準價不變 |
算術完全對得上：Luna 的輸入從 1 美元降到 0.20 美元、輸出從 6 美元降到 1.20 美元，都是少 80%；Terra 的兩端則都少 20%。OpenAI 即時 API 價格表也已更新，Luna／Terra 的 cached input 分別是 0.02／0.20 美元；Batch 與 Flex 又是 Standard 的一半。
但長 context 有一條很容易漏掉的成本線：GPT-5.6 輸入一旦超過 272K token，整筆請求的 input 變成短 context 的 2 倍，output 變成 1.5 倍。長 repo、長對話或把大量工具輸出塞回 context 的 agent，不能拿表格第一列直接乘 token 數就當作最終帳單。
“GPT‑5.6 Luna … will cost 80% less.”
中文：「GPT-5.6 Luna 的價格將降低 80%。」
— OpenAI，〈Advancing the price-performance frontier with GPT-5.6〉
這項改變也延伸到 ChatGPT Work 與 Codex，但要精確理解：訂閱月費與 quota budget 沒有下降，只是 Terra、Luna 現在消耗較少 credits，所以同一份預算能跑更多工作。
Sol 的「2.5×」是速度，不是價格倍數
這次最容易被標題誤讀的，就是 Fast mode。OpenAI 把原本的 Priority Processing 改名為 Fast mode，舊的 service_tier: "priority" 仍相容；真正新增的是 Sol 的速度提升。
“Fast mode now delivers up to 2.5× faster speeds than Standard processing at twice the price.”
中文：「Fast mode 現在最高可達 Standard 的 2.5 倍速度，價格則是兩倍。」
— OpenAI，〈Advancing the price-performance frontier with GPT-5.6〉
所以 API 的正確換算是：Sol Standard 為 5／30 美元，Fast 為 10／60 美元，收費正好是 2 倍；「最高 2.5×」描述的是速度上限。它適合延遲真的有商業價值的即時工作，不是省錢模式。官方 Fast mode 文件還列出幾個邊界：不支援 long context、fine-tuned models 與 embeddings；流量陡升時，部分請求可能降回 Standard 速度並按 Standard 計費。
若你是在登入 ChatGPT 的 Codex 使用 /fast，官方 Codex Speed 文件列的是約 1.5 倍速度、GPT-5.6 消耗 2.5 倍 credits；用 API key 的 Codex 則回到 API token 價格。把「API 2 倍牌價」「Codex 2.5 倍 credits」與「API Sol 最高 2.5 倍速度」混成同一個數字，會得到完全錯誤的成本估算。
OpenAI 的核心主張：便宜模型開始能做 agent 工作
如果只看 token 單價，這篇公告會很無聊。OpenAI 真正想賣的敘事是：Luna 不再只是便宜的文字分類器，而是能用工具、跑多步驟流程的 agent worker。當廉價模型可以執行規格清楚的實作、測試、分類與背景自動化，昂貴模型就能只處理不確定性與高風險判斷。
OpenAI 在文中示範的路由很合理：讓 Sol 先釐清問題、訂計畫，再讓 Luna 實作明確變更、執行測試與評估結果。這也是為什麼這次 GPT-5.6 降價會直接影響 AI Agent Harness 的設計——模型價格不是只少一筆費用，而是可能改變哪一層負責規劃、哪一層負責大量執行。
這張圖是原文最有用、也最需要小心讀的一張。橫軸不是每百萬 token 價，而是「完成一項評測任務的估算成本」；縱軸才是 Artificial Analysis Intelligence Index。它支持 Luna 的價格效能很強，卻也提醒我們：token 單價與 task cost 從來不是同一個指標。模型若思考更久、輸出更多、重試更多次，便宜 token 仍可能堆出昂貴任務。
HN 討論裡最尖銳的反問也落在這裡：真正困難的是事前路由。如果你無法可靠判斷哪些任務可以交給 Luna，錯誤路由造成的返工、驗證與升級到 Sol，可能把 80% 的牌價降幅吃掉一大塊。
「模型協助降低自身成本」：有具體數字，但仍是 OpenAI 自述
原文把降價連到前一天的工程文章〈How GPT-5.6 fuses frontier intelligence with frontier efficiency〉。OpenAI 表示，在人類主導的工程流程中，GPT-5.6 Sol 透過 Codex 分析 production traffic、測試 routing 策略，並重寫與最佳化 production kernels。
- OpenAI 稱，Sol 參與的 kernel 工作連同更廣泛的改進，讓端到端 serving cost 降低 20%。
- 公司另稱，Sol 為 speculator／draft model 設計並跑了數百次實驗，使 token-generation efficiency 提高 超過 15%。
- OpenAI 明確把它稱為人類主導的流程；這不是模型在無人監督下改寫並部署核心系統的證據。
這兩個數字比一句「AI 開始改進 AI」有價值得多，但證據層級必須說清楚：OpenAI 的兩篇公告只提供結果數字與高階方法，因此本文把它們視為公司自述，而不是獨立審計結果。20% 的 serving cost 與 15% 的生成效率也不能相加，更不能拿來直接解釋 Luna 為什麼能降 80%。
更合理的讀法是：技術效率提供了降價空間，但競爭、規模、硬體利用率、產品分層與毛利策略也可能同時參與。這是根據公開數字做出的推論，不是 OpenAI 已證實的降價因果。想繼續追這條「AI 協助打造下一代 AI」的線，可以接著讀 AlphaLab 的〈當 AI 開始打造 AI〉。
API 成本曲線真的被重設了嗎？把競爭者放回同一張表
答案是「一半是」。Luna 的確把 OpenAI 自己的高能力低價層大幅往下推，但它不是市場絕對最低 token 價。以下是截至 2026 年 8 月 1 日的官方 Standard 牌價快照；Google、Anthropic與DeepSeek的 tokenizer、思考 token、品質與服務條款不同，因此這張表只能比較牌價，不能假裝模型等價。
| 模型 | 輸入／輸出（US$／百萬 token） | 讀法 |
|---|---|---|
| DeepSeek V4 Flash（cache miss） | 0.14／0.28 | 現行文字 token 牌價低於 Luna |
| GPT-5.6 Luna | 0.20／1.20 | 文字 input／output 均比 Gemini 3.1 Flash-Lite 低 20% |
| Gemini 3.1 Flash-Lite | 0.25／1.50 | 同樣定位高量 agent 任務 |
| GPT-5.6 Terra | 2／12 | 在 prompts ≤200K 時與 Gemini 3.1 Pro Preview 同價 |
| Claude Sonnet 5 | 2／10 | 導入價至 2026 年 8 月 31 日（含） |
| Gemini 3.1 Pro Preview | 2／12 | prompts ≤200K token |
| GPT-5.6 Sol | 5／30 | 本次標準價未調整 |
| Claude Opus 5 | 5／25 | 相同輸入牌價、較低輸出牌價 |
因此，「OpenAI 重設 API 成本曲線」最準確的範圍是：它把能執行工具、多步驟 agent 工作的 Luna，拉到非常接近純廉價模型的價格帶。Terra 沒有創造新的市場牌價底線，Sol 的旗艦曲線也沒有下移；真正被重畫的，是 OpenAI 生態裡「什麼工作值得交給 agent」的經濟邊界。
AlphaLab 的判讀：這次降價可能帶來四個變化
判讀一：先受益的是既有用戶，不是每一種工作
如果你已在 production 使用 Luna 或 Terra，而且模型、effort、token 用量與工具組合都不變，那 token 費會直接少 80% 或 20%。這是真金白銀，不需要等待 benchmark 兌現。但必須使用 Sol、長 context 或大量付費工具的工作，降幅不會照著公告標題複製。
判讀二：便宜 worker 會讓「多跑幾次」成為合理策略
當 Luna 的模型 token 成本大幅下降，多樣本搜尋、平行 agent、交叉驗證與投票就更容易進入日常產品。這不只是省下原本的帳單，而是讓你能用相同 token 預算換取更多候選答案。代價是 orchestration、觀測與終止條件會變得更重要；沒有Agent Observability，便宜 agent 也可能默默把重試跑成新成本中心。
判讀三：工具費、context 與人類審查會浮上水面
當 Luna 的 input 只要 0.20 美元，web search、container、資料庫查詢、重試與人工 review 的占比反而會變大。接下來真正有競爭力的團隊，不只是挑到便宜模型，而是能用Context Engineering維持 cache 命中、限制工具輸出、避免把已完成工作反覆送回模型。
判讀四：這是價格戰，也是產品架構戰
Luna 的 80% 售價降幅與 OpenAI 自述的 20% serving-cost 改善，模型範圍與成本基礎都未完整揭露，兩者不能直接相比，更不能倒推出降價原因。效率、競爭、規模、硬體利用率與毛利策略都可能參與，但公開資料無法替它們分配權重。可以確定的是：Sol／Terra／Luna 的分層，讓路由與產品設計成為能否吃到降價的關鍵。
我同意的部分：這是一次已落地、會直接降低使用 Luna／Terra 的 agent 與背景工作之 token 或 credits 成本的商業變化；若 Luna 能通過你的 eval，而且重試、工具與人工審查沒有抵銷節省，許多原本不划算的自動化可能因此成立。
我存疑的部分：這兩篇官方文章沒有建立「80% 降價主要來自模型協助改進系統」的可核對因果鏈，也沒有提供足以推導所有工作流 task cost 的資料。把內部工程成果、公開牌價與所有工作流的 ROI 畫成一條直線，證據還不夠。
你現在可以怎麼做：不要只換 model ID
- 先量「每個成功任務成本」：把 token、工具呼叫、重試、延遲、人工審查與成功率放在同一張 dashboard，不要只看每百萬 token。
- 用真實任務做 shadow eval：挑 30–50 個 production 任務，同時跑現有模型與 Luna／Terra，盲評品質，再比較完整帳單。
- 把路由寫成可驗證規則：規格清楚、錯誤可回復的工作交給 Luna；需要整合模糊證據或錯誤成本高的工作升到 Terra／Sol。
- 離線工作分清 Batch 與 Flex：Batch 以最長 24 小時的非同步處理換取半價；Flex 採 Batch 費率，但可能更慢或暫時無資源。延遲敏感工作不要硬塞進去。
- 穩定 prefix、控制 context：在 OpenAI API 的 GPT-5.6 計價中，cache read 是 input 的一成，cache write 是 1.25 倍；Codex credits 另按自己的 rate card。讓不變指令與工具定義留在前面，才吃得到折扣。想系統化執行，可配合Headroom的方法管理 token 與工具輸出。
📚 延伸閱讀
- AI Agent Harness 是什麼？從模型到完整 agent 系統
- Context Engineering：如何讓長任務少浪費 token
- Agent Observability：看懂 agent 成功率、重試與成本
- 當 AI 開始打造 AI：遞迴式自我改進的證據與邊界
- Claude Code vs Codex：模型價格之外，coding agent 真正差在哪
真正值得追蹤的，不是下一次「又降了幾成」，而是你的成功任務成本是否真的下降、廉價 worker 是否能穩定通過 eval，以及省下來的預算能不能換成更高的驗證密度。這三個數字，才會決定 GPT-5.6 降價是一場短期價格戰，還是一條長期被重畫的成本曲線。