科技 · 2026-09-23 · AI 模型 · 阅读 0

GPT-6 Sol 与 Luna 上线，便宜模型也要按完整任务算账

OpenAI API 更新日志确认，GPT-6 Sol 与 GPT-6 Luna 于9月22日发布。两者接收文字和图像、输出文字，分别面向复杂编程与 Agent 工作，以及对成本敏感的高频任务。

作者：林岚｜OC 开发者生态编辑

一句话结论：新模型扩大了不同预算的选择，接入时仍要核对推理档位、接口能力和完整任务成本。

在不超过272K输入 token 的标准处理档位，每百万输入／输出 token，Sol 为2／10美元，Luna 为0.10／0.50美元。缓存读取另有低价，长输入和其他处理档位也有不同费率。这些是单价，不是完成一项工作的报价。

Sol与Luna的模型页还揭示了容易漏掉的接口区别：内置工具应通过 Responses API 使用；Chat Completions 的函数调用仅在关闭推理的指定设置下支持。更换模型名之前，要先确认原有工具链走的是哪种接口。

任务分配、模型路由、验证与成本分别记录（AI 生成示意）

OC 认为，低成本模型最适合从验收条件清楚的任务进入工作流，例如分类、提取或有测试覆盖的局部修改。难题可以再升级给更强模型，但升级规则应记录下来，不能让系统反复尝试却没有停止条件。

一次请求便宜，并不保证一项任务便宜。重试、长输出、外部工具和人工修补都会进入最终账单。团队需要用相同输入与验收标准比较成功率，同时观察错误能否被及时发现。把所有任务一股脑切到最低价型号，只是把判断推迟到了出错以后。

关键事实

发布时间：9月22日，API 标识为 gpt-6-sol 与 gpt-6-luna。
短输入标准单价：Sol 每百万输入2美元、输出10美元；Luna 为0.10美元、0.50美元。
接入边界：价格档位与接口支持需分别核对，不能只替换模型名。

OC 判断

模型分层正在成为工程设计的一部分。值得优化的是“花多少钱得到一份可接受结果”，而不是让每条请求都使用最便宜或最强的模型。能追踪失败、升级和人工复核成本的团队，才更容易判断降价带来的实际收益。

为什么重要

对开发者：迁移前核对工具调用接口，并保留可比较的真实任务集。
对团队：把重试与人工修补纳入成本，按任务风险决定模型和验收方式。

参考来源

发表评论

继续看看 OC 用户围绕这个话题说了什么、做了什么。

相关帖子

你们的Codex额度提前耗完了没？戒断反应如何？

<p>我在第三天就消耗了只剩1%，忍了一天，然后今天干脆用这最后的1%，开着5.6 Sol 极高强推我一个提示词笔记本应用的功能落地。最终用时3小时，居然还是跑完了。但是现在还是出现一些戒断反应，感觉啥也做不了，就无精打采的，困。</p> <p>我做了一个Prompt Notebook，专门用来收藏或者记录自己手搓的生图提示词。带Chrome一键收藏插件。支持AI优化提示词。支持提示词中提取常用字段作为提示词百科词汇。也自带生图功能用来测提示词。但是要搭配Cloudflare R2+Worker的图床。</p> <p>今天主要是做一个AI模特的资产库。将常用的AI模特固定下来，进行身份设定，以及模特的一些角色定妆图。之后生图可以直接调用AI模特自动作为垫图。</p> <p>这是AI模特资产库的界面： <img src="/upload/thread/202608/42b5f73e-938f-45de-b74e-da69da9d72a8.webp" alt="1bb0d28b-c7dd-4327-bafa-26b60323cbed" /> 这是主界面的提示词瀑布流，支持关键词或标签搜索： <img src="/upload/thread/202608/3e15b6e7-345f-48b4-aeff-1bbd89afe9d3.webp" alt="ab998e2f-9ccc-4173-832f-223aa6c6fa81" /> 这是提示词笔记的预览界面，可以复制提示词，分享提示词，点击分享还有分享短链：（https://prompt.jintao.co.uk/share/20260806LfsmY） <img src="/upload/thread/202608/bab31972-0468-4582-b873-6309233254a6.webp" alt="20260806-201213" /> 可惜现在没额度了，我又不想换模型折腾。现在还有些界面细节和小功能需要落地完善，可能还要虫子要抓。弄好了，打算放GitHub开源。</p> <p>有朋友想试试的么？</p>

shynloc 2 4

做 AI 语音产品时，授权、撤回和审计日志应该怎么落地？

<p>最近看到越来越多关于声音授权的讨论。对开发者来说，真正麻烦的往往不是“模型能不能模仿”，而是授权如何进入系统、生成结果如何追溯，以及授权撤回后该怎么办。</p> <p>我们在做 FlowSpeech 时也碰到过类似问题。我的体会是，不要把“用户勾选过同意”当成一个布尔字段，而应该把它做成一组可以审计的业务对象。</p> <h2>1. 把声音资产和授权分开</h2> <p>声音文件只描述技术属性，例如哈希、上传者、存储位置和创建时间。授权记录则至少要包含授权主体、用途范围、地域、有效期、来源证据和当前状态。这样同一份声音用于个人试听、商业广告、公开播客时，可以绑定不同的授权，而不是共用一个模糊的 consent=true。</p> <h2>2. 每次生成都保存授权快照</h2> <p>生成任务不要只引用当前授权 ID。授权内容以后可能变更，如果任务只查最新状态，历史结果就无法解释。更稳妥的做法是在任务创建时保存授权版本、文本哈希、声音版本、模型版本和操作者。生成出的音频再记录 artifact_id，并反向关联任务。</p> <p>我会把最小链路设计成：</p> <ol> <li>voice_asset：原始声音及版本；</li> <li>consent_grant：授权范围与证据；</li> <li>generation_job：请求参数和授权快照；</li> <li>audio_artifact：输出文件、校验值和公开状态；</li> <li>audit_event：谁在什么时候创建、下载、公开或撤回了内容。</li> </ol> <h2>3. 撤回不是简单删除一行</h2> <p>授权撤回后，系统至少要阻止新任务，并把相关公开音频进入下架队列。已经交付给客户的文件是否能删除，要按照合同和产品能力区分，不能在界面上承诺技术上做不到的“全球删除”。更现实的状态机是 active、suspended、revoked、expired，并明确每个状态允许哪些动作。</p> <h2>4. 对外展示也要可验证</h2> <p>除了后台日志，公开音频最好带上来源标记或可查询的生成记录。水印不是万能方案，但“可识别的音频 + 可验证的元数据 + 清晰的举报入口”组合起来，比一句“AI 生成”更有用。</p> <p>我们现在做的 <a href="https://flowspeech.io/zh">FlowSpeech</a> 主要解决上下文感知、情绪和停顿控制。越往产品化走，越觉得声音效果只是前半程，权限边界和可追溯性才决定这类工具能不能长期使用。</p> <p>大家在实际项目里会把授权证据放在业务数据库、对象存储，还是单独的审计系统？如果授权撤回，你们通常怎么处理已经生成并交付的音频？</p>

FlowSpeech 0 1

一个体会，Codex 这种现代 Agent，每天一个变，几天不用就有新惊喜

<p>当然我说的也包括 Claude Code，新功能日新月异，还有就是 AI 能力提升以后，可以做的东西日新月异。还有各种工作流方法日新月异。</p> <p>更好玩的是，我最近经历过很多次，你跟人介绍现在 Codex 可以做到什么样子，他们都觉得很厉害。但是你现场一演示，他们的震撼就更加完全不同了。所以，这种东西，需要大量的 Workshop 去沟通交流，光看文字很难讲清楚，直播、视频也越来越重要了。</p>

tinyfool 1 89

你在用 Codex 的什么套餐，我是100美金的，已经想升级了

<p>你们呢？</p> <p>我最近主要是做了很多 Blender mcp 的事情，感觉效果很好，当然同时也很耗费 Token</p>

tinyfool 6 235

GPT-6 Sol 与 Luna 上线，便宜模型也要按完整任务算账