GPT-6 Sol、Luna 能力与成本评测：接近哪些旗舰，做完工作能省多少？

Sol 和 Luna 值不值得用，不能只看价目表，也不能只看一个总分。OpenAI 将 Sol 放在能力与成本的平衡位置，将 Luna 面向成本敏感的大批量任务；真正需要判断的是，它们能否把代码改好、把资料读明白，以及省下的钱会不会又花在等待和返工上。OpenAI 当前模型目录

本文按 2026 年 9 月 28 日的官方供售资料与公开评测更新。两张主表采用同一组 14 个当前可选型号，覆盖 9 家厂商，排除旧代对照、已被替代的接口和未核清对应费率的型号。这里不是销量榜；下面的成绩来自评测机构，费用按官方费率计算，场景取舍则是我们的判断，并非本站调用实测。

当前主流模型能力对比：从高到低

采用 Artificial Analysis 的智能指数 v4.3.2，按综合指数降序排列，不把不同版本的榜单拼在一起。分数相同不代表每项能力相同，也不等于在相同计算预算下打平。当前综合榜及评测口径

max、xhigh、high 是来源中的思考档位标签；没有明确标签的型号不自行补成最高档。Qwen 固定到 0902 版本；MiniMax 使用当前 v4.3.2 分数，而不是发布时旧指数的成绩。综合指数不是正确率，不能用两个分数相除计算“保留了多少旗舰能力”。旗舰配置对照、Qwen 当前版本与MiniMax 当前结果

当前主流模型价格对比：从高到低

输入、输出单价均为美元／每百万 token（模型计量单元，读音 toh-kuhn）。按“10 万非缓存输入＋1 万计费输出”的基础费用降序排列，公式为：0.1×输入单价＋0.01×输出单价。

最后一列是上述假设用量的 API（应用程序接口，读音 ay-pee-eye）费用，不是包月价格，也不是做完一个项目的报价；不含额外缓存写入、存储、工具与税费。模型相同而时段不同的费率分行显示，其他型号与能力表一一对应。

Gemini 优惠截至 2026 年 12 月 31 日。DeepSeek 高峰为非中国法定节假日的周一至周五，UTC+8 的 09:00—12:00、14:00—18:00，其余时间为非高峰；本文只比较官方当前推荐的 deepseek-flash 所对应的 V4.1 Flash，不再把旧兼容接口当成另一款独立在售模型。Qwen 使用新加坡国际部署美元价，MiniMax 已是折扣后的标准价。长上下文、加速档和其他地区不能直接套用这张表。DeepSeek 型号迁移公告

总分之外，四种实际表现更值得看

编程与工具执行：会写代码，不等于能把活干完

修改一个原型页面，生成代码只是开头，还要找到相关文件、处理报错、运行检查。终端任务评测考察的正是这类执行能力，而不只是能否写出一段看起来正确的答案。在 Terminal-Bench 4.0（终端任务评测，读音 ter-muh-nuhl bench）中，Astra max 为 59%，Sol max 为 44%，GLM-5.3 max 为 42%，GLM-5.3-Flash 为 33%，Luna max 为 13%。Sol 与 Astra 分项、GLM 分项及Luna 分项

业务自动化的差距又不一样：Sol 与 GLM-5.3 在 AutomationBench-AA 中均为 62%，Luna 为 53%。因此我们的倾向是：让 Sol、GLM-5.3 先承担需要连续使用工具的工作，难题再升级；Luna 可以从结果易核对的步骤开始，而不是因为单价低就接管整个代码仓库。这里给的是试用顺序，不是保证一次完成。自动化分项对照与Luna 自动化结果

长文档：放得进去，与读得准确是两回事

读长需求文档时，Luna 未必像综合分差距表现得那么弱。AA-LCR v1.1 长上下文推理中，Sol、Luna、Astra 分别为 84%、83%、81%。这说明 Luna 值得进入长文处理候选名单，但 1～3 个百分点的小差距不足以宣布谁稳定领先。这项测试使用约 1 万到 10 万 token 的文档，也不能证明将百万级上下文装满后仍然同样可靠。长文分项结果、Astra 对照与文档长度及方法

换成专业 PDF 文档推理，结果就变成 Astra 31%、Sol 25%、Luna 20%。GDP.pdf 使用严格的全项通过口径，这不是“只认对了三成文字”的意思，也不能与前面的长文百分比直接横比。对照材料中的条款、核对复杂表格、形成可交付结论，与把长文压缩成摘要不是同一难度；我们的判断是，Luna 可以先做材料整理，重要结论仍需要更强模型或人工复核。PDF 评测定义、Sol 与 Astra及Luna 结果

事实可靠性：答得顺，不代表可以直接引用

写方案、做选题和补充背景知识，还要看模型是否会在不知道时编出一个答案。AA 的知识可靠性指数会奖励正确回答、惩罚错误回答，对拒答不扣分；分数范围为 -100 到 100，并不是幻觉率。知识可靠性评测方法

在这项评测中，Astra max 为 43 分，Sol max 为 27 分，Luna max 为 1 分。这里的 1 分不是“只有 1% 的错误”。我们的判断是：Luna 更适合围绕给定材料做有约束的处理，不宜默认承担需要自行补全大量事实的最终稿；Sol 也仍需对关键数字、引文和外部来源逐项检查。这个知识问答指标不直接等于忠实摘要测试，因此不能反过来断言 Luna 会错误改写所有输入资料。Sol 与 Astra 的可靠性结果及Luna 的可靠性结果

响应速度：输出快，不一定更早拿到答案

查阅时的性能快照中，Luna max 约每秒输出 167 个 token，Sol max 约 89 个；但相应测试的首个答案等待时间分别约为 96 秒和 138 秒。两种数字衡量的不是一件事：一个是开始输出之后的速度，一个包含模型在给出答案之前的等待。输出速度与首答案时间

模型配置也会改变体验。AA 当前对照中，Sol high 的综合指数为 43，而主表使用的是 Sol max 的 48 分，不能把最高档成绩当成所有档位都能达到的能力。我们不建议日常交互默认把思考档拉满：先用适中的档位处理常规工作，遇到困难再升级。上述时间是该评测条件下的快照，不是每次请求的固定耗时；输入、服务状态和部署都会影响结果。Sol 配置与性能对照与速度测量方法

我们的判断：主力看均衡，便宜模型要用在合适的位置

追求能力上限，我们会先试 Opus 5.5，再按具体难题比较 Astra、Fable。Opus 在本组选定配置中的综合成绩更高、基础单价也低于后两者，但这只是优先测试它的理由，不是所有工作都由它胜出的保证。旗舰评测对照

日常开发、需求分析和多步骤执行，我们更看好 Sol 作为主力候选。它不是市场最低价，却在本组综合成绩、终端执行与价格之间形成了较好的平衡。GLM-5.3 和 Qwen3.8-Max（0902）也应该放进同一轮试用，而不是因为 OpenAI 降价就把已经稳定的工作流全部换掉。具体到编程收尾与重要资料判断，本文的分项证据比“只差几个总分”更有参考价值。

压低批量成本时，Luna 是本表最便宜的选项，但我们不建议让它无审核地负责最终事实判断和复杂执行。需要更多工具操作时，我们会把 GLM-5.3-Flash、DeepSeek V4.1 Flash 一起列入候选；MiniMax-M3 则保留为低价接口的实测备选，不因单价相近就假设能力相同。先用一批真实任务检查通过率，再决定是否扩大使用。

一句话概括我们的结论：Sol 值得做主力候选，Luna 值得做低成本助手，但两者都不该只凭总分或单价包办全部工作。模型选型要同时看执行、文档、可靠性和等待时间；少一次返工，有时比再省一点调用费更有价值。