OpenAI、Anthropic凌晨开打！一夜三款新模型，AI价格战再升级

出品 | 网易智能

作者 | 小小

编辑 | 王凤枝

一夜之间，OpenAI和Anthropic连发三款模型。

北京时间9月23日凌晨，Anthropic先发布Claude Opus 5.5，称典型工作负载的运行成本较上一代下降约40%。几个小时后，OpenAI推出GPT-6 Sol和GPT-6 Luna，API输入、输出单价较GPT-5.6当时的促销价降低50%或更多。

两家公司都把“更便宜”放在发布核心，竞争点也从谁更强，扩展到谁能以更低成本完成工作。Anthropic拿旗舰降价，OpenAI则为GPT-6补上两档更便宜的模型。

OpenAI称，两款新模型沿用了旗舰Astra的训练方法，将专业工作、事实性、编程、计算机使用和对齐方面的改进带到了更便宜的档位。

不过，两家公司公布的降价百分比并不是同一套口径。模型如果输出更长、反复调用工具，或者几次失败后才完成工作，最终账单也可能增加。哪款模型更划算，还得把这笔账拆开来看。

发布当天，OpenAI CEO山姆·奥特曼（Sam Altman）把降价解释为扩大AI使用规模的一步。他表示，希望AI被更广泛地使用，推动一场新的文艺复兴。

便宜多少

开始按任务算

先看最直观的API价目表。Sol每百万Token输入2美元、输出10美元，与Anthropic Claude Sonnet 5相同。Luna的输入、输出价格则分别为0.10美元和0.50美元。OpenAI表示，两款模型的新价格都是长期定价，不是限时折扣。

Anthropic同一天公布的Opus 5.5，输入价从5美元降至4美元，输出价从25美元降至20美元，缓存读取价则从0.50美元降至0.20美元。Anthropic还称，Opus 5.5的输出速度较上一代提高30%以上，因此将典型工作负载成本降幅估算为40%。

这个40%与OpenAI的50%以上不能直接比大小。前者是单价、速度和Token消耗共同影响的典型工作负载成本，后者首先是API单价变化。

Anthropic列举的早期测试中，有用户称曾在不到一天内让Opus 5.5完成68万行代码的迁移。这是公司引用的个案，但它与Opus 5.5的定价放在一起，已经能看出厂商开始怎样卖模型：不只说智能有多高，还要说一份工作多快、多贵。

科技分析师@kimmonismus在当天的复盘中也将能力和成本放在一起看。他提到，Luna在DeepSWE上的表现接近Fable 5中等推理强度，但OpenAI估算的单任务成本低96%。

近日，xAI发布Grok 4.7，小米也推出MiMo-V2.6系列。一周之内，从闭源旗舰到开放权重模型，主要厂商的新品接连上线，价格与能力被同时摆到了比较表里。

Box CEO亚伦·莱维（Aaron Levie）认为，AI任务成本下降，会扩大能够部署智能体的场景；成本越低，企业和开发者越愿意尝试，新增需求反过来又会推高AI使用量。

Sol更便宜

提升却不是每项都有

价格算清以后，还要看Sol究竟能接下哪些工作。它位于Astra之下，官方公布的多项结果显示，部分高端模型的能力已经被带到更低的价格档。

在OpenAI公布的AutomationBench对照中，Sol在xhigh推理强度下得分33.2%，比低推理强度的Astra高2.9个百分点，单任务成本则只有后者的约四分之一。与最高推理强度的Claude Opus 5相比，Sol得分更高，单任务成本约为其十一分之一。

软件工程测试DeepSWE v1.1中，Sol在max推理强度下得分68.8%，与Claude Fable 5在xhigh档位的69.9%相差1.1个百分点，OpenAI估算其单任务成本低约80%。

OpenAI在OSWorld 2.0离线集中列出的，是不同推理档位下的结果：Sol在xhigh档位得分60.5%，Claude Opus 5在medium档位得分60.3%；按OpenAI估算，前者的单任务成本低约80%。

事实性的变化更复杂。OpenAI的内部测试显示，Sol的事实错误率大约只有上一代的一半。第三方评测机构Artificial Analysis的AA-Omniscience结果则显示，Sol的幻觉率从92%降至60%，同时回答率从99%降至83%，正确率也从59%降至54%。它更少给出错误答案，但也更频繁地选择不回答。

Artificial Analysis给Sol的编程智能体指数打57分，比上一代高2分，Terminal-Bench 4.0和SWE-Atlas-QnA等项目有所提高。按该机构估算，Sol每项任务约2.99美元，较上一代下降约一半。

知识工作则没有展现出同样的趋势。Sol在GDPval-AA v2.1中比上一代低约100个Elo分，AA-Briefcase v1.1基本持平。后者涉及跨多周的知识工作项目和数千份输入文件，专门考察模型持续处理复杂信息的能力。

Luna把输入价压到0.10美元

相比Sol，Luna把价格压到了另一个区间：每百万Token的未缓存输入价为0.10美元，输出价为0.50美元，缓存读取价为0.01美元。小米MiMo-V2.6-Flash的三项价格分别为0.14美元、0.28美元和0.0028美元。

新输入占比高时，Luna更便宜；输出较多或大量命中缓存时，MiMo-V2.6-Flash的价格反而更低。两款模型的实际账单，要看输入、输出和缓存读取各占多大比例。

AI基准测试机构Bridgebench还进行了一次3D场景演示。这次测试只统计了运行时间和费用，没有统一披露四个结果的功能完成度：Luna用时不到1分钟，费用不到1美分；Sol用时约1分钟，费用0.11美元；Grok 4.7用时11分钟，费用0.29美元；Claude Opus 5.5用时12分钟，费用1.52美元。

在DeepSWE v1.1的max档位中，Luna得分66.6%，接近Claude Opus 5和Fable 5在medium档位的表现；OpenAI估算，Luna的单任务成本分别低93%和96%。在OpenAI的事实性测试中，Luna也可以在较高推理强度下达到GPT-5.6 Sol的水平，单任务成本约为后者的百分之一。

Luna并没有在所有测试中进步。Artificial Analysis给出的编程智能体指数为41分，比上一代低2分，SWE-Atlas-QnA和DeepSWE v1.1也出现下降。其幻觉率从93%降至77%，但正确率基本未变，回答率进一步下降。

OpenAI以Replit为例称，此前的降价已经帮助Replit向数百万用户提供免费模式。GPT-5.6 Luna在7月降价80%后，使用量增长超过10倍。

科技博主@MaxForAI注意到，过去DeepSeek长期被视为低价模型的代表，如今OpenAI开始主动进入同一价格区间。

在完成质量满足要求的前提下，价格下降会让摘要、信息提取、简单问答和批量分类等任务更容易进入大规模部署。Luna是否适合这些任务，还要看每个业务对准确率、回答率和人工复核的要求。

部分任务缩短至三分之一

前端测试却翻车

跑分与报价之外，几位提前获得权限的开发者给出了更不整齐的答案。

科技分析师弗拉维奥·阿达莫（Flavio Adamo）称，他测试Sol时，一些在GPT-5.6上需要约1小时的任务，缩短到了20分钟左右，消耗的Token也经常不到原来的一半。他还让模型根据《塞尔达传说：时之笛》预告片，尝试制作一个可运行的塞尔达风格演示。

投资人马特·舒默（Matt Shumer）的体验更保守。他认为Sol整体可靠，但日常工作仍更倾向于Astra、Fable 5.1或Opus 5.5。对他来说，新模型增加的首先是另一个选项，而不是一个可以替掉所有模型的答案。

前端和Three.js测试的分化更明显。AI资讯账号@aipulseda1ly用同一个纽约城市场景提示对比Sol和Opus 5.5。Opus 5.5生成了包含街头出租车、屋顶、布鲁克林大桥和中央公园等元素的动态场景；Sol最终只生成一个静态画面，无法移动相机，代码也缺少持续运行的渲染循环。

这次纽约场景测试与前面的火箭演示使用了不同提示、功能要求和验收方式，因此不能直接对冲成一个输赢结果。两个案例放在一起，倒是说明了单任务成本为什么必须同时带上完成标准：如果交付的功能不同，费用也就失去了直接比较的意义。

缓存更省

安全改善并不均匀

前面的演示和早期体验，都只覆盖了短期任务。智能体长时间运行时，重复上下文如何计费、模型遇到异常会不会停手，同样影响部署。

GPT-6这次改进了提示缓存。Sol和Luna的缓存读取Token均按未缓存输入价的10%计费；开发者可以在不破坏已有缓存的情况下调整推理强度和工具配置，也能明确指定缓存前缀在何处结束。

长周期运行的编程或业务智能体，往往要反复发送相同的系统提示、文件、工具定义和历史上下文。缓存命中率上升，会同时影响这些任务的费用和响应时间。

OpenAI称，过去几个月里，GitHub Copilot持续优化提示缓存，在数十亿次请求中，需要重新计算的提示Token比例已经减少一半以上，响应速度也随之提升。

对齐测试中，几项已公布的违规比例都比上一代低，但改善幅度差异很大。在编码欺骗测试中，Sol的欺骗率从10.4%降至1.3%，Luna从9.5%降至2.8%。

另一项测试故意向智能体提供已经损坏的搜索工具，观察模型是否主动向用户说明工具发生故障。Sol未告知用户的比例从77.8%降至5.4%，Luna从78.3%降至30.2%。

幅度较小的是“尊重警告”测试。在这组主要涉及低风险情境的对抗任务中，面对“访问被拒绝”等明确提示，Sol仍有64.4%的比例尝试绕过限制，上一代为68.2%；Luna则从76.5%降至42.4%。

OpenAI提醒，这些评测故意设置了更具挑战的情境，也没有启用产品中的全部系统级防护，不应将这些数字理解为真实使用中的失败率。

沟通方式也有调整。OpenAI称，Sol和Luna的回答会更直接，减少术语、奇怪表达和低价值细节，整体稍短，但不刻意牺牲信息量。公司展示的网页设计案例中，GPT-5.6 Sol容易过早宣布完成，还会加入与用户需求关系不大的图片工具提示；GPT-6 Sol则倾向于先说明计划，再汇报完成情况，并告诉用户哪些内容已完成、哪些还没有检查。

三档模型上线

企业开始分配任务

OpenAI给出的基本定位是：Astra仍是综合能力最强的模型；Sol在更低成本下处理高难度日常工作；Luna则用于高频、目标明确的任务。实际工作流未必会整体交给同一个模型，企业可以按难度、时延和出错代价，将不同环节分给不同档位。

目前，Sol和Luna已经上线OpenAI API，模型ID分别为gpt-6-sol和gpt-6-luna。ChatGPT Work和Codex也开始向Plus、Pro、Business、Enterprise和Edu用户逐步推送；免费版和Go版用户可以通过桌面应用使用Luna。两款模型目前尚未在Chat中开放。

VentureBeat在报道中提到，企业下一阶段评估模型时，可能会越来越少地围绕单一跑分或API标价，而是同时核对任务完成率、Token消耗、缓存复用率、响应延迟和人工返工。

OpenAI已明确，Sol和Luna的新价格不是限时促销。开发者因此可以直接用这组价格重新设计生产环境里的模型分配，再把同一批真实任务分别交给Astra、Sol、Luna和竞争模型，核对谁一次完成得更多、谁的缓存复用率更高，以及谁让人少改几次。