GPT-6 Sol、Luna 深度解析：便宜一半，不代表更強（2026）

2026 年 9 月 22 日，Artificial Analysis 在官網發布〈GPT-6 Sol and Luna push the cost efficiency frontier〉，把 GPT-6 Sol、GPT-6 Luna 放進自家的能力、Coding Agent、知識可靠度與成本評測。最值得注意的結論不是「新一代全面變強」，而是 API 單價大幅下降後，兩款模型用接近前代的綜合能力，把每題成本往下推了一截；同一份報告也記錄了知識工作退步與更常拒答的代價。

這篇會先忠實整理原文，再用 OpenAI 的發表文、模型文件與定價頁逐一核對，最後回答一個實際問題：當 Token 變便宜、分數沒有同步上升時，什麼情況值得換模型，什麼情況只是把失敗做得更便宜？

原文的核心主張：這是成本曲線前移，不是能力全面跳級

Artificial Analysis 的主張可以濃縮成兩句話。第一，GPT-6 Sol、Luna 的標準 API 單價大約降到前代的一半；第二，在它的 Intelligence Index 與 Coding Agent Index 裡，總體能力沒有出現同幅度躍升，而是有進步、有持平，也有退步。

“This is driven by the price cut, as both models use slightly more output tokens per task.”

中文：這主要由降價推動，因為兩款模型每題其實都使用了稍多的輸出 Token。

Artificial Analysis

這句話把新聞的本質講得很準：效率改善主要來自價格，不是模型突然用更少 Token 完成工作。Sol 每題平均輸出約 31k Token，前代約 29k；Luna 約 51k，前代約 41k。單次任務變便宜是真的，但原因和「推理更精簡」不同。

價格先核對：2／10 美元與 0.10／0.50 美元是真的

OpenAI 的官方 API 定價頁與兩張模型卡都能交叉確認短上下文標準價。每百萬 Token：

模型	輸入	快取輸入	輸出	相較前代
GPT-6 Sol	US$2.00	US$0.20	US$10.00	輸入、輸出皆降 50%
GPT-5.6 Sol	US$4.00	US$0.40	US$20.00	比較基準
GPT-6 Luna	US$0.10	US$0.01	US$0.50	輸入降 50%，輸出降約 58%
GPT-5.6 Luna	US$0.20	US$0.02	US$1.20	比較基準

不過「2／10」與「0.10／0.50」不是所有請求的單一價格。GPT-6 Sol 與 GPT-6 Luna 模型頁都寫明：輸入超過 272k Token 時，整個請求的輸入與快取費率變成 2 倍，輸出變成 1.5 倍；Batch／Flex 是標準價的一半，Fast mode 則是適用價格的 2 倍。只看發表文裡最醒目的兩個數字，會低估長上下文 Agent 的真實帳單。

每題成本下降多少？Sol 約省 47%，Luna 約省 61%

在 Artificial Analysis Intelligence Index v4.3.2 的 max effort 設定中，GPT-6 Sol 每題成本是 US$1.06，GPT-5.6 Sol 是 US$1.99，約下降 47%；GPT-6 Luna 是 US$0.07，前代是 US$0.18，約下降 61%。這是原評測團隊在指定任務、指定 effort 與當時 API 價格下觀察到的結果，不是任何工作負載都會自動得到的固定折扣。

能力端的變化小得多：Sol 的整數顯示值由 47 到 48，Luna 維持 37。Artificial Analysis 的方法頁指出，v4.3.2 把十項評測加權成一個總分，並估計整體指數的 95% 信賴區間小於 ±1%。因此，Sol 的一分差距更適合讀成「大致同一級、成本更低」，而不是確定的世代飛躍。

Coding Agent：Sol 小升，Luna 反而退兩分

同一份報告在 OpenAI Codex harness 下測 Coding Agent Index。GPT-6 Sol max 得 57 分，GPT-5.6 Sol max 是 55；GPT-6 Luna max 得 41，前代是 43。換句話說，Sol 在這組 coding 任務小幅前進，Luna 則沒有守住前代分數。

這裡最容易犯的錯，是把「更便宜」和「更適合」合成同一個結論。若一個 Luna 任務本來就能穩定通過驗收，成本下降非常有價值；但若少兩分剛好落在你的關鍵失敗型態上，節省的 API 費可能被重試、人工接手與錯誤修復吃掉。真正該比較的不是單次呼叫，而是每次驗收通過的總成本。

幻覺率看似大降，其實有一部分是「更願意說不知道」

AA-Omniscience 是這次最值得慢讀的一組結果。Artificial Analysis 報告稱，Sol max 的幻覺率由 92% 降到 60%，Luna 由 93% 降到 77%。但它的「幻覺率」不是日常對話中所有回答的錯誤率，而是該評測定義下，在非正確回答中有多少屬於錯答，而不是拒答。

AA-Omniscience 方法對拒答不扣分。Sol 回答題目的比例由 99% 降到 83%，因此錯答少了，但整體準確率也由 59% 降到 54%；Luna 的準確率則由 43% 到 44%，大致持平。這不代表改善是假的，而是改善包含一個產品取捨：少猜一點，少答一點，可靠度指數更好，但覆蓋率也下降。

知識工作退步：短回答可能省 Token，也可能漏掉交付要求

原文最不利於「全面升級」敘事的證據，來自 GDPval-AA v2.1 與 AA-Briefcase v1.1。Artificial Analysis 觀察到，Sol 在 GDPval-AA 約下降 100 Elo，Luna 約下降 75；Luna 在 AA-Briefcase 另降約 45 Elo，Sol 大致持平。團隊表示，人工檢查數百份輸出後，退步常與呈現品質下降、交付物漏掉 rubric 項目有關。

這一段必須保留邊界。GDPval-AA 與 AA-Briefcase 含私有任務、模型評審與版本化方法，外部讀者無法只靠文章重現完整結果；本文也沒有把它改寫成 AlphaLab 實測。它能支持的，是「Artificial Analysis 在指定設定下量到退步」；不能直接推出「所有報告、簡報、法律或研究任務都會變差」。

OpenAI 的發表為什麼看起來更樂觀？兩邊測的不是同一組工作

OpenAI 的官方發表文把這次定位為整個家族的能力與成本效率升級，列出 AutomationBench、Agents’ Last Exam、FrontierCode、DeepSWE 與 OSWorld 等結果；其中既有外部 benchmark，也有 OpenAI 自己的 factuality 與 alignment 評測。

“Together, these improvements make advanced AI practical for more everyday tasks and applications at scale.”

中文：這些改善合在一起，讓進階 AI 更適合日常任務與大規模應用。

OpenAI

官方數據和 Artificial Analysis 不必互相否定。它們的任務、harness、effort、評分方式與成本計算都不同；OpenAI 的結果可以支持「某些 Agent、coding 與電腦操作設定進步」，AA 的結果則支持「跨十項評測的總分大致持平，部分知識工作退步」。把任何一張表當成模型的永久身分證，才是錯誤的讀法。若想先補足榜單的判讀方法，可搭配 AI 模型排行榜交叉判讀。

AlphaLab 的判讀：GPT-6 Sol、Luna 真正改變的是選型門檻

1. 我同意：這是一個重要的經濟性更新

當模型已經達到任務需要的最低品質，價格下降會直接擴大可行工作量。批次分類、資料抽取、初稿生成、低風險程式維護與大規模 Agent 子任務，可能不需要 Astra 等級的最高能力；Sol 或 Luna 只要通過相同驗收，就能讓更多迭代進入預算。

2. 我存疑：不能把 Pareto frontier 寫成全面能力突破

Pareto frontier 的意思，是在某個品質水準下沒有更便宜的選項，或在某個成本下沒有更高分的選項；它不是「所有能力最強」。這次最穩健的結論是價格／能力組合變好，而不是底層模型在每一種工作都勝過前代。想看「同分不等於同能力輪廓」的完整例子，可延伸讀 Fable 5.1 vs GPT-6 Astra 雙榜比較。

3. 單價、每題成本、每次成功成本，是三個不同問題

API 單價只告訴你每個 Token 多貴；每題成本還會受到輸入長度、輸出長度、推理 effort、快取命中與工具迴圈影響；每次成功成本則要再把失敗與重跑算進去。最有用的分母是：

每次驗收通過成本 ＝ 全部測試花費 ÷ 通過驗收的任務數

如果一個模型便宜 60%，卻讓通過率由 95% 掉到 70%，它不一定更省；反過來，如果品質守住，降價就是實質進步。

4. 「少說」可能同時降低幻覺與交付完整度

Sol 在 AA-Omniscience 更常拒答，知識可靠度指數因此改善；但知識工作評測又出現較短、漏項的交付物。兩者指向同一個可能的產品性格：更克制的回答在事實問答可能是優點，在需要完整清單、長報告或多項交付的任務卻可能變成缺口。評估時不能只看平均分，要特別檢查漏項率。

實際怎麼選：用 30 題影子評測決定是否切換

1. 抽 30 個真實任務：包含最常見、最昂貴、最容易出錯的三類，不要只挑模型擅長的題目。
2. 凍結輸入與驗收：同一 prompt、工具、資料、effort、timeout、rubric 與隱藏測試，舊模型和新模型各跑多次。
3. 同時記錄四項：通過率、漏項率、人工修正時間、總 Token／總成本。長上下文請另開一組，避免把 272k 以上的費率混進一般請求。
4. 先設品質底線：只有新模型達到底線，才比較每次驗收通過成本；低於底線就不因單價便宜而上線。
5. 分層路由：可重試、低風險、高量任務先測 Luna；複雜 coding／Agent 任務先測 Sol；高風險或最高品質需求保留更強模型，再以真實結果調整。

若團隊已經有正式服務，不要直接全量替換。先讓 GPT-6 Sol 或 Luna 在旁路處理同一批請求，不影響使用者，再用既有輸出做盲評。遇到模型分數突然變動，也可用 AI 模型 Shadow Eval 的方法拆開模型回歸、harness 變更與路由漂移。

常見問題

GPT-6 Sol 比 GPT-5.6 Sol 強嗎？

不能用一句話概括。Artificial Analysis 的綜合指數是 48 對 47、Coding Agent Index 是 57 對 55，但 GDPval-AA 約退 100 Elo。比較穩健的說法是：部分 Agent／coding 指標進步，總體接近前代，知識工作有退步訊號。

GPT-6 Luna 適合取代所有小模型嗎？

不適合直接這樣推論。它的價格極低，但 Coding Agent Index 比前代低兩分，輸出 Token 也更多。高量、可驗收、低風險任務值得優先測；缺少明確驗收的高風險工作，不應只靠單價決定。

為什麼「幻覺率下降」不等於「準確率上升」？

因為 AA-Omniscience 對拒答不扣分。Sol 更常選擇不答，錯答比例下降，但所有題目的正確率反而由 59% 降到 54%。可靠度、準確率與回答覆蓋率必須一起看。

API 帳單真的會直接減半嗎？

不一定。標準短上下文單價大致減半，但實際帳單還取決於 Token 用量、長上下文倍率、快取、effort、工具呼叫與重試。Artificial Analysis 的每題成本確實下降約 47%／61%，但那是指定評測配置的結果。