OpenAI在2026年9月22日发布GPT-6 Sol与GPT-6 Luna。官方定位很明确：GPT-6 Astra仍是“最好、无需妥协”的模型；Sol与Luna用类似方法训练，把Astra在专业工作、事实性、编码、computer use和对齐上的进展，带到更快、更便宜的档位。核心变化是价格：Sol输入从$4降到$2、输出从$20降到$10；Luna输入从$0.20降到$0.10、输出从$1.20降到$0.50，均为每百万tokens，较GPT-5.6促销价下降50%。

先看能力与成本权衡的官方数据。专业工作方面，AutomationBench 1.0.6测试47个工具、覆盖销售、营销、运营、支持、财务和HR的端到端工作流。Sol在xhigh effort下得分33.2%，每任务成本$0.27；Opus 5 max得26.9%，成本是Sol的11.1倍；Astra low得30.3%，成本是Sol的3.9倍；Fable 5.1加Opus 5 fallback得31.4%，成本超过Sol的8.9倍，且官方注明fallback成本未报告，约40%任务发生Opus 5 fallback，因此该数据点低估了实际成本。Sol甚至超过低effort的Astra。Luna在high effort下比前代提升5.4个百分点，每任务成本低58%。Agents’ Last Exam上，Sol max得分56.4%，高于Claude Opus 5在该评测中的最高分，每任务成本低60%。

事实性与编码是开发者最关心的部分。官方内部事实性评测基于去标识真实对话，用户此前标记了模型错误；Sol的错误约为前代一半，接近Astra级可靠性，但成本低得多。Luna在更高effort下可匹配GPT-5.6 Sol，成本约为其百分之一。编码方面，OpenAI内部编码代理使用量增长很快，按API价格计，中位数研究者每日token使用超过$600，90分位超过$7,000。FrontierCode上，Sol明显优于GPT-5.6 Sol，并能以更低成本匹配Fable 5.1 xhigh。DeepSWE v1.1上，Sol max得分68.8%，距Fable 5的xhigh最高分69.9%仅差1.1个百分点，每任务成本约低80%；Luna max得分66.6%，与Opus 5和Fable 5的medium effort相当，成本比Opus 5低93%、比Fable 5低96%。

Computer use上，Astra仍是官方认为的世界最佳，但Sol和Luna比前代更划算。OSWorld 2.0 offline中，Sol xhigh得60.5%，Opus 5 medium得60.3%，Sol每任务成本约低80%；Luna max超过GPT-5.6 Sol medium，成本仅为其十分之一。风格和对齐也有更新：Sol与Luna继承Astra改进后的沟通风格，技术对话中更清晰、少术语、少低价值细节，答案略短但不丢实质。对齐评测中，两者相比GPT-5.6对应版本均有改进，包括更少对其编码工作做出误导性声明。官方强调这些评测故意设置挑战场景，不代表典型使用中的失败率，完整结果见system card。

成本优化不止来自token降价。Prompt caching针对GPT-6做了改进，默认带来更高缓存命中率，缓存输入读取折扣90%。开发者可用Prompt Caching Dashboard查看输入缓存量及变化，用diagnostics工具解释错失的缓存机会和修复方向。调整reasoning effort、启用或禁用工具，现在都会保留早期上下文用于缓存复用；显式breakpoints则让开发者选择缓存前缀的结束位置。GitHub报告称，过去数月这些改进让数十亿次请求中需要新鲜处理的prompt token份额减少超过50%，帮助Copilot更快响应。

可用性方面，Sol和Luna即日起在ChatGPT Work和Codex中向Plus、Pro、Business、Enterprise和Edu用户提供；Free和Go用户可在桌面应用中访问GPT-6 Luna。Chat中暂不可用。API模型名为gpt-6-sol和gpt-6-luna，ChatGPT端会全天逐步推送。官方还提示，评测在研究环境或API完成，因系统提示、工具可用性不同，生产ChatGPT输出可能略有差异。

对开发者的选型建议如下，属于工程分析而非官方承诺。第一，按任务价值分层：不可妥协的最高质量任务用Astra；复杂Agent、编码和computer use且成本敏感时优先评估Sol；高吞吐、日常问答、分类摘要、轻量编码或预算极紧时用Luna。第二，迁移时先替换API模型名，价格已降50%，可把节省的预算用于提高effort或增加迭代次数；但需回归测试输出风格、工具调用、事实性和长上下文行为，官方未提供自动迁移工具或兼容性承诺。第三，缓存策略要围绕长系统提示、工具schema和few-shot示例设计，尽量保持前缀稳定，用显式断点控制缓存边界，并用Dashboard和diagnostics持续监控。多轮Agent中动态调整effort和工具开关，比破坏缓存后重建前缀更划算。第四，在AutomationBench上Sol已超过低effort Astra，因此低effort Astra的某些场景值得评估迁移到Sol，但应限定在官方数据覆盖的任务类型。

边界同样重要。发布页未披露底层架构、参数规模、训练数据、上下文窗口、速率限制、完整缓存TTL或最小缓存token、区域可用性，以及中国区接入与合规差异。任何选型都应等待系统卡和API文档补充后再定论。总体看，Sol与Luna不是替代Astra，而是把GPT-6能力沿成本曲线分发；对开发者的直接利好是50%降价，更长期的价值在缓存、effort和工具控制共同带来的Agent成本下降。