OpenAI卷入价格战！GPT-6 Sol与Luna实战能力评测

作者｜沙丘智库研究团队

来源｜沙丘社区（www.shaqiu.cn）

OpenAI也开始认真卷价格了。

9月22日，OpenAI发布GPT-6 Sol和GPT-6 Luna。两款模型采用与Astra相近的训练方法，主打更低的使用成本。Sol每百万Token的输入、输出价格分别为2美元、10美元；Luna更低，只需0.1美元、0.5美元。按照官方的说法，缓存和推理效率的改善，为这轮降价提供了条件。

官方公布的成绩也不错。在复杂软件工程测试DeepSWE v1.1中，Sol和Luna的Max配置分别取得68.8%和66.6%。在业务工作流测试AutomationBench中，Sol的xhigh配置取得33.2%，高于Astra的low配置30.3%，任务成本也更低。

沙丘社区也已完成两款模型的SQBench实战能力评测，成绩现已上线。GPT-6 Sol（Max）的SQBench得分为52.13%，GPT-6 Luna（Max）为43.73%。截至9月23日，二者分别位列45个已发布模型中的第11位和第34位。

图1：SQBench官网截图，OpenAI近期发布的系列模型评测结果

价格确实降下来了，但Sol和Luna与Astra还差多少？面对已经很便宜的国产模型，它们又有多大胜算？

01

对比Astra：价格降下来了，能力到底行不行？

先把三款模型放在同一张表里。

三款均为Max配置，分项数字为通过任务数/任务总数。

Sol比Astra低12.14个百分点，Luna则低20.54个百分点。L1、L2、L3三个层级的通过数也都少于Astra，综合能力仍有差距。

分项来看，Sol的代码逻辑和办公协作表现较好，Luna的软件工程成绩也不错。

代码逻辑是最明显的一项。在L1动态代码逻辑的25项任务中，Sol与Astra均全部通过，Luna也通过23项，通过率达到92%。在这组测试中，Sol用更低的费用追平了Astra的成绩。

L2复合技能更接近实际工作，四个分项的结果如下。

Sol在办公协作中通过11项，比Astra多1项；Luna在软件工程中通过11项，比Sol多1项。虽然只差一道题，还不足以判断谁能稳定领先，但这也说明，便宜的模型并非每一项都弱。如果工作主要集中在这些任务上，可以先测试低价模型能否胜任，再决定是否需要为旗舰多花钱。

Astra在数据分析和深度研究上仍然领先。尤其是Luna，软件工程通过了11项，深度研究却只通过3项。同一款模型，在不同任务上的表现可以相差很大，不能根据代码成绩判断它是否适合做研究。

长文本推理的成绩更低：Astra通过10/25，Sol为4/25，Luna为5/25。三款模型在这项测试上都还有不足。上下文窗口再长，模型也可能漏掉材料中的关键条件，或无法正确关联分散的证据。

L3行业业务任务也拉开了差距。60项任务中，Astra通过23项，Sol为16项，Luna为13项。其中，Sol的金融任务仅通过1/15；Luna的15项工业任务均未完整通过，虽然完成了部分要求，但还没有达到通过标准。

从这些结果看，Sol和Luna可以作为部分日常任务的低价选择，但用于复杂研究和行业业务时，还需要逐项验证。省下调用费之后，如果又增加了大量人工检查和返工，就未必划算。

与上一代相比，新Sol也没有在本轮测试中取得更高的总分。GPT-5.6 Sol（Max）的成绩为54.60%，新Sol为52.13%，但整轮费用比旧记录低约65.5%。单轮测试还不能据此判断新模型全面退步，不过，这次Sol最明显的改善是费用下降，综合成绩并未提高。

02

OpenAI加入价格战，能打过千问、DeepSeek和智谱吗？

与Astra相比，两款模型便宜了很多。Sol的输入、输出单价均比Astra低80%，Luna则均低99%。

在SQBench的完整测试中，Sol和Luna的费用分别比Astra低约79.0%和98.4%。对于已经使用OpenAI模型的团队，如果日常任务用Sol或Luna就能完成，调用费用便有大幅下降的空间。

不过，判断性价比，还得和同样便宜的国产模型比一比。

Sol比千问略占优势，但还有更便宜、得分更高的国产模型。

Sol比Qwen3.8-Max高0.80个百分点，整轮费用也略低。在这两个已测配置之间，Sol确实做到了分数更高、费用更低。

但与智谱的模型相比，Sol就没有这种优势了。GLM-5.3得分更高、费用更低；FlashX同样得分更高，而Sol的评测费用是它的约6.3倍。DeepSeek-V4-Pro-0813虽然比Sol低0.73个百分点，费用却不到Sol的三成。

所以，Sol能给千问带来竞争压力，但还谈不上在性价比上领先这些国产对手。

Luna已经很便宜，但国产模型还能做到费用更低、得分更高。

以上两表均为SQBench已发布配置的测试记录，保留各自推理档位；它们反映具体配置的实测结果，不代表各模型的全部可选档位。费用比较分别以Sol、Luna为基准，按各次运行的记录计算，并非按今天的价格重新计费。

Luna的得分和费用同样优于Qwen3.8-Flash，但GLM-5.3-Flash和DeepSeek-V4-Flash的High配置都比Luna得分高。费用上，Luna分别是这两款配置的约1.2倍和2.4倍。这里也列出了DeepSeek-V4-Flash的Max成绩：它反而低于High配置。这说明，实际选型时还要比较推理档位，不能默认开到最高档就能得到更好的结果。

图2：SQBench官网截图。

从本轮测试看，Sol和Luna都能与国产模型比较性价比了。其中，千问面临直接压力；智谱和DeepSeek则仍各有优势。OpenAI的降价增加了选择，国产模型的费用优势也仍然存在。

企业还需要关注模型在完成任务时到底用了多少Token。

这次Luna消耗约3071万Token，比Sol的约2294万多33.9%，最后的费用却低得多。因此，比较费用时，既要看Token单价，也要看消耗量和缓存使用情况。实际业务还会产生重试、人工验收和返工成本，只有把这些算在一起，才能判断换用便宜模型究竟省了多少钱。

Astra、Sol和Luna正好呈现了这种分工：Astra的综合成绩更高，Sol和Luna以较低费用完成其中一部分工作。国产模型也在争夺这些日常调用需求。OpenAI这次降价后，国产厂商需要继续提高同等预算下的任务表现，OpenAI也得证明自己的低价模型足够好用。

同等能力越来越便宜，已经是大模型市场的持续变化。这轮价格竞争对用户最直接的好处，是日常工作有了更多便宜的模型可选。选模型时，最终要比较的是完成同一项工作需要花多少钱、返工多少次。Sol和Luna已经有资格参与这场竞争，但从SQBench的评测结果看，国产模型仍然很能打。

更多AI研究内容可前往【沙丘智库小程序】搜索查阅