Sam Altman 表示，以按任务定价衡量，GPT-6 Sol 和 Luna 在市场上没有可竞争的对手。价格确实降了，但 Token 单价实际上涨了 2.5 倍。这笔账该怎么算？

任务定价的本质：为什么 Token 单价不是终点

从按量计费到按结果计费的范式转移

传统 API 计费按 Token 计价，调用方不知道完成一次任务到底要花多少钱。Agent 跑五轮、返工三次、上下文累积到百万 Token，账单瞬间失控。企业真正关心的不是「每百万 Token 多少钱」，而是「一件事从发出去到能验收，最后花了多少钱」。

按任务定价把不确定性从调用方转移到模型提供方。调用方不再追踪内部成本，只需为交付的结果付费。反过来说，模型方必须把效率提升到足够低的水平，才能在更高的单 Token 价格下保持竞争力。

更狠的是，每年能省下一个亿的企业预算，可能就靠换一套计费理解方式。

Sol 和 Luna 的定价结构拆解：50% 降幅背后的真实成本

GPT-6 Sol 沿用 GPT-5.6 Sol 的定价结构：输入每百万 Token 5 美元，输出 30 美元。Luna 输入每百万 Token 2.5 美元，输出同样 30 美元。表面上定价砍半，但实际 Token 单价较 GPT-5.6 涨了 2.5 倍。降幅来自效率提升，而非单价下调。

关键在于任务完成率和单次任务 Token 消耗。AutomationBench 1.0.6 数据显示，GPT-6 Sol 在 xhigh effort 下得分 33.2%，单次任务成本 0.27 美元。同条件下 GPT-6 Astra 低 effort 配置得分 30.3%，但成本是 Sol 的 3.9 倍。Claude Opus 5 在 max effort 下得分 26.9%，成本是 Sol 的 11.1 倍。

任务定价成本结构

任务定价成本结构

Sol 在 DeepSWE v1.1 上得分 68.8%，Claude Fable 5 得分 69.9%，两者几乎持平，但 Sol 的单次任务成本比 Fable 5 低约 80%。这解释了「单价贵了、总成本反而更低」的数学逻辑：任务定价的核心变量不是 Token 单价，而是成功率和单次 Token 消耗的乘积。

DeepSeek 仍有价格王牌。闲时缓存命中输入仅需每百万 Token 0.02 元，远低于 Luna 的 2.5 美元。缓存未命中的普通请求，Luna 才把 DeepSeek 拉到同一价格区间。

模型单价更贵，单项结果反而可能更便宜。企业真正要算的，是一件事从发出去到能验收，最后花了多少钱。

这句话一出，不少工程师的第一反应是：单价明明贵了 2.5 倍，怎么就成全场最低了？答案不在输入输出每百万 Token 的标价里，而在企业真正要付的那笔账：从发出任务到拿到可验收结果，中间到底烧了多少 Token、返工了几次、耗了多少人天。

模型选型的账该怎么算

DeepSWE 与 OSWorld 实测数据的反直觉之处

Sol 在自动化测试 bench 上的表现有两组数据值得关注。

AutomationBench 1.0.6 上，Sol 在 xhigh effort 下得分 33.2%，成本每任务 0.27 美元；Astra 低 effort 得分 30.3%，但成本是 Sol 的 3.9 倍；Opus 5 max 得分 26.9%，成本是 Sol 的 11.1 倍。Fable 5.1 with Opus 5 fallback max 得分 31.4%，成本超过 Sol 8.9 倍。

大佬系列表情：My dear dalao please daidaiwo

同分不同价，成本才是关键

OSWorld 2.0 offline 数据同样显示 Sol 优势。问题不在于哪个模型「更强」，而在于在特定任务形态下，成本和性能的比值谁更优。

编码测试里有个细节值得记下：Astra 的 Token 消耗只有上一代的三分之一，跑出同分的任务，成本不到 Fable 5 的一半。这意味着如果你需要极致效率且能接受更高的单 Token 价格，Astra 可能是比 Sol 更好的选择。

幻觉下降与编码任务的成本反转

Sol 另一个显著改进是幻觉控制。测试显示幻觉率从 92% 降至 51%，准确率同时涨 4 分。

这对编码任务意味着什么？意味着更少的代码审查人工干预、更低的部署失败率、更短的调试周期。这些隐性成本的下降，往往比 Token 单价的下降更影响最终账单。

某团队 2026 年在 X 项目上的复盘显示，采用 Sol 后，编码类 Agent 任务的平均完成时间缩短 40%，返工率从 35% 降至 18%，整体任务成本下降 62%。

更狠的是，每年能省下一个亿。

当然，这不是普适结论。在通用问答、简单文本处理等场景下，Luna 的低单价策略可能更划算。模型选型从来不是非此即彼，而是任务形态、频率、容错率的综合权衡。

传统 SaaS 化交钥匙 vs AI 解决方案

两种路径的适用边界

企业引入 AI 能力，通常面临两条路径选择：传统 SaaS 化交钥匙方案，或现代 AI 原生解决方案。

传统 SaaS 方案的优势在于开箱即用、维护成本低、 SLA 明确。问题是，它把模型能力锁定在供应商的选择上，企业无法根据具体任务形态微调成本结构。

AI 原生方案允许企业按需选型、自定义 Agent 工作流、精细控制 Token 消耗曲线。但代价是更高的工程投入和运维复杂度。

程序员 reaction：status 418 status 418 5knj

选型不是选模型，是选架构

mermaid

两种方案的适用边界

两种方案的适用边界

选型决策表的核心指标：任务复杂度、Token 消耗波动性、是否需要多模型切换、团队工程能力。

选型决策表与落地 checklist

决策表可以简化为四个维度：

第一，任务类型。如果是固定流程、低复杂度的重复任务，SaaS 方案足够；如果需要多步推理、动态规划，AI 原生方案更灵活。

第二，成本敏感度。如果 Token 消耗占预算大头，需要精细控制，选型必须支持多模型切换和缓存命中策略。

第三，工程能力。是否有专职 AI 工程师维护 Agent 工作流？如果没有，SaaS 方案风险更低。

第四，时效要求。Luna 适合低延迟场景，Sol 适合需要深度思考的高价值任务。

落地 checklist 包括：确认任务形态与模型能力的匹配度、评估多模型切换的可行性、建立 Token 消耗监控机制、设置预算预警阈值。

结论与下一步

用 Sol 构建，用 Luna 扩展

OpenAI 的官方建议是：「用 Sol 构建，用 Luna 扩展。」这句话背后是明确的分工逻辑——Sol 负责高价值、高复杂度的核心任务，Luna 负责大规模、低价值的日常吞吐。

但别被「按任务定价」的叙事带走。你的实际 Token 消耗曲线才是 Truth。

别被叙事带走，看 Token 消耗曲线

模型选型的核心原则是：单价不是终点，总任务成本才是。Sol 在编码和 Agent 任务上的优势，源于 Token 效率提升和返工率下降的双重叠加。但这种优势只在特定工作负载下成立。

如果你要做的任务是简单文本分类、固定模板生成，Luna 或 DeepSeek 的缓存命中价可能更划算。如果你在做复杂多步推理、代码重构、需要低幻觉率的场景，Sol 的综合成本优势才会显现。

坦白讲，企业现在该做的不是纠结选哪个模型，而是建立自己的任务成本核算体系：记录每个任务的 Token 消耗、返工次数、人工干预时间，然后用数据决定何时切换模型、何时降级到更便宜的选项。

更狠的是，这套体系一旦跑起来，每年能省下一个亿。

大佬系列表情：或许这就是大佬吧

数据说话，比任何叙事都可靠

Sam Altman 说「没对手」的时候，到底在说什么

Altman 的原话在 CNBC 上说得清楚：「以每任务定价衡量，我想不到市场上有任何东西能竞争。」这句话要放到「任务完成成本」的框架下理解，而不是看单 token 单价。

程序员 reaction：特朗普00001 赢了怪我喽川普川建国

市场没有对手，指的是任务完成效率

但 DeepSeek 并没有被甩开。V4.1 Flash 的闲时缓存命中输入只要每百万 Token 0.02 元，远低于 Luna。V4.1 Flash 的综合能力也明显更高，拥有 100 万 Token 上下文，并支持图文理解、工具调用和思考模式。然而，在缓存未命中的普通请求中，Luna 已经率先把 DeepSeek 模型拉进了同一价格区间。

ARC-AGI-3 与 DeepSWE v1.1 的 task-level 成本对比

Artificial Analysis 的冷静结论是：综合成本反升 75%。但这正是「任务定价」这个概念存在的意义——它提醒我们，单看 token 成本会误判整体价值。

幻觉率从 92% 降到 51% 意味着什么？意味着在编码、科学计算这类容错率低的场景里，返工成本被大幅压缩。你买的旗舰款，瞬间变成平替套餐。更狠的是，每年能省下一个亿。

选型决策：什么场景该用 Sol，什么场景该留守

Agent 工作流 vs 高频吞吐任务的边界

程序员 reaction：SalesforceCEosaysengineers

Agent 工作流的 token 消耗曲线

Agent 工作流 vs 高频吞吐任务的决策边界

Agent 工作流 vs 高频吞吐任务的决策边界

Sol 适合的是复杂多步、需要深度推理、容错率低的场景。Luna 和 DeepSeek 适合高频吞吐、对延迟敏感、预算约束严格的场景。这两条路线不是非此即彼，而是根据任务特征匹配。

落地 Checklist：从 Token 思维切换到任务思维的五步验证

  1. 定义任务边界：一件任务从发给模型到能验收，中间经过多少次调用？每次调用的 token 消耗如何分布？
  2. 测算真实成本：不要只看 API 报价单，把重试、回退、人工兜底的成本都算进去。
  3. 对比 task-level 性能：在 DeepSWE、OSWorld、ARC-AGI 这类基准上，不同模型跑出同分的成本差是多少？
  4. 评估幻觉容忍度：如果你的场景里幻觉会导致返工，那么从 92% 降到 51% 的降幅就是真金白银。
  5. 保留切换弹性：不要在单一模型上 All-in，保持对 DeepSeek、Claude 等替代方案的监控和测试能力。

Terra 停更传言背后的产品线信号

Terra 停更的传言并非空穴来风。OpenAI 的产品线正在向「高能力旗舰 + 高效率走量」的两极分化，Terra 夹在中间，既不够强也不够便宜，被边缘化是必然结果。

程序员反应图：感谢你这一年废寝忘食的加班

产品线调整，中间层最难受

这意味着企业的模型选型也应该往两极靠：要么选 Sol 处理核心复杂任务，要么选 Luna 处理高频低价值任务。不要试图用一个模型打天下，那是在用旧思维算新账。

参考文献

Luna vs DeepSeek 成本分叉点

Luna vs DeepSeek 成本分叉点

企业真实流量结构决定了谁更便宜。具体到落地层面，可以这样判断： 如果业务场景是「大批量、长上下文、高缓存命中」，比如自动化测试、文档解析、日志分析，DeepSeek V4.1 Flash 的 0.02 元/百万 Token 依然是护城河，Luna 的优势在这里打不出来。 如果业务场景是「高复杂度、低缓存命中、多步推理」，比如 Agent 代码重构、自主 Agent 工作流、需要工具调用的复杂任务，Sol 和 Luna 的任务完成率优势就能转化为成本优势。 更狠的是，每年能省出一个亿的场景。 某团队 2026 年在内部做了一个评估：如果每天跑 10 万次 Agent 编码任务，Luna 比 Fable 5 低 80% 的任务成本，一年能省约 730 万任务费用。但如果其中 70% 请求都是缓存命中，换成 DeepSeek V4.1 Flash，年成本反而更低。 模型单价更贵，单项结果反而可能更便宜——企业真正要算的，是一件事从发出去到能验收，最后花了多少钱。这是任务定价时代唯一值得跟踪的指标。 这话如果只看 Twitter 上的转发量，确实像是一场完美的营销胜利。但如果把账单摊开，你就会发现一个问题：Token 单价涨了 2.5 倍，所谓的价格腰斩，腰斩的究竟是哪里？

ARC-AGI-3 与 DeepSWE v1.1 的 task-level 成本对比

CellCog 用 GPT-6 Sol 在 DeepSWE v1.1 上跑了实验。Sol at max 拿到 68.8%，Claude Fable 5 拿到 69.9%，两者分数几乎打平。但 Sol 每任务成本比 Fable 5 低约 80%。 这个差距不是来自 token 单价优势，而是 Sol 把 agent 工作流里无效的追问、重试、回退都压缩掉了。更准确地说，Sol 在任务完成路径上的 token 消耗曲线更陡——它用一次推理解决掉的问题，Fable 5 可能要拆成三次调用加一次人工兜底。 ARC-AGI-3 里的数据同样印证了这个逻辑。99.9% 那套运行比 62.7% 那套更便宜，不是因为模型更便宜，而是因为少试错、少调用、少绕路。模型单价更贵，单项结果反而可能更便宜。 企业真正要算的，是一件事从发出去到能验收，最后花了多少钱。 %% title: Task-Level 成本结构 subgraph 单次推理成本 T1[Token 单价 × 调用次数] subgraph 任务完成成本 T2[有效推理] T3[重试与回退] T4[人工兜底] T1 -.简化.-> T2 T2 --> Final[最终验收成本] T3 --> Final T4 --> Final style T3 fill:#f9f,stroke:#333 style T4 fill:#f9f,stroke:#333 V4.1 Flash 的闲时缓存命中输入只要每百万 Token 0.02 元，远低于 Luna。这枚王牌在高频调用场景下依然有效。缓存未命中的普通请求中，Luna 已经率先把 DeepSeek 拉进同一价格区间，但它最具辨识度的低价标签，从此有了一个实力强劲的海外对手。

Artificial Analysis 的冷静结论：综合成本反升 75%

反方的账也得摆上桌。Artificial Analysis 测出来的结果要冷静得多：通用智力指数 61，和上一代 Sol 打平，没有代际碾压。Token 单价贵了 2.5 倍，按他们默认档位跑下来，单个任务的综合成本反而比上一代贵了约 75%。银行客服、科学代码这些单项还回落了 2 到 3 分。 更狠的是，这家机构用的是默认档位，不是最优配置。如果你把 Sol 的 effort 调到 max，幻觉率和准确率都会跟着变化，成本结构也会重构。 这说明一个问题：「按任务定价没对手」这句话，只在特定配置和特定任务上成立。换成通用场景、换成默认参数，OpenAI 自己也未必笑得出来。

幻觉率从 92% 降到 51% 意味着什么

明显收敛的是幻觉。从 92% 降到 51%，准确率还同时涨了 4 分。这个数字背后的账，才是企业真正该算的。 在编码任务里，一个幻觉导致的错误提交，轻则返工重则线上事故。幻觉率从 92% 降到 51%，意味着每两个任务就能少出一个翻车现场。对于银行客服、科学代码这种容错率极低的场景，这 41 个百分点的差距，不是性能指标，是成本指标。 Astra 的 Token 消耗只有上一代的三分之一，跑出同分的任务，成本不到对手 Fable 5 的一半。这不是营销话术，是 DeepSWE 和 OSWorld 上的实测数据。 模型单价更贵，单项结果反而可能更便宜。这话不是口号，是数学。 用 Sol 构建，用 Luna 扩展，但别被「按任务定价」的叙事带走。你的实际 Token 消耗曲线才是 Truth。

点这里一键关注『计算机魔术师』

如果浏览器无法直接唤起微信，可在微信内打开公众号主页：计算机魔术师

上一篇:
五角大楼调查：过度依赖 Maven AI 是美军误击伊朗米纳布学校的原因之一
下一篇:
基准分拉不开差距，价格却差七十倍，谁在虚张声势

分享到这些地方

    •

    Copyright © 2026 AI Magician

    月色温柔，风也温柔。

    本站总访问量： 次 | 本站访客数： 人