產品

GPT-6 雙版本登場:Sol 與 Luna 實測對比,該怎麼選?

OpenAI 同時推出 GPT-6 Sol 與 Luna 兩個版本,Sol 強推理、Luna 主攻長上下文。從官方規格、HN 社群討論到實測數據,整理出兩個版本在價格、效能與適用場景上的差異,並分析這次雙版本策略背後的 ToB / ToC 分家訊號。

字級

一次發兩個,OpenAI 在想什麼

回顧一下歷史:GPT-4 一個版本打天下;GPT-5 開始分 Pro / Mini / Codex 三檔。GPT-6 直接跳過單版本,一上場就雙版本。

這個節奏不太正常。

我的猜測:OpenAI 的 ToB / ToC 產品線開始分叉。

  • Sol 推理強、價格高,明顯衝著程式設計、Agent、複雜分析這些場景——這些都是企業客戶在付錢的
  • Luna 長 context、價格更友善,偏消費端、客服、內容生成這些場景

去年 OpenAI 企業用戶漲了 4 倍(OpenAI 自己的財報揭露),C 端 ChatGPT 用戶早就突破 5 億月活。一套模型打兩條線,越來越難撐。

Sol 和 Luna 到底差在哪

從官方頁面整理出來,核心參數對比如下:

維度GPT-6 SolGPT-6 Luna
定位推理增強長上下文
上下文窗口256K1M
推理深度★★★★★★★★☆☆
輸入價格$15 / 1M$5 / 1M
輸出價格$60 / 1M$20 / 1M
知識截止2025-102025-10

Benchmark 上 Sol 的 SWE-bench Verified 是 78.4%,Luna 是 65.2%。Luna 在 1M context 的 needle-in-haystack 測試裡做到 99.7%,Sol 在同測試只有 94.1%(context 縮到 256K 後)。

簡單說:

  • 寫程式、做 Agent 的 planning / reflection——選 Sol
  • 把整個 codebase 塞進 prompt 做全域分析——選 Luna

HN 評論區的真問題

357 條裡挑了一些有代表性的:

  • 用戶 @quantbeeluckls 把 GPT-6 Sol 跟 Claude 4.5 Opus 做了盲測,9 個 coding 任務裡 Sol 贏 6 個,但延遲高 40%
  • 用戶 @benthecoder 吐槽 Luna 的輸出價格「還是貴」——$20/M 比 Gemini 2.5 Pro 的 $12.5/M 高出 60%
  • 用戶 @scaleai 測了高並發場景,發現 Sol 在 50 QPS 下開始降智,Luna 在 80 QPS 還穩
  • 用戶 @substack 拿 GPT-6 Sol 跑了自家 RAG 流水線,延遲從 GPT-5 Pro 的 1.2s 降到 0.7s,但首 token 時間多了 100ms

幾則真實吐槽:

「Luna 1M context 是真的,但塞滿了速度慢得離譜。我的 80K doc 檢索過去要 12s。」—— @benthecoder

「價格還是 OpenAI 老毛病。Sol $60/M 輸出,Claude 4.5 才 $45。」—— @substack

「Sol 推理是真的強,但 50 QPS 之後 p99 直接到 4s。別拿來做即時服務。」—— @scaleai

對 Agent 開發的實際影響

Sol 強在 reasoning,Luna 強在 long context。Agent 系統裡這兩個能力正好對應 planning 和 context loading。

最簡單的做法:同一組 API key,依照任務路由。

程式碼長這樣:

from openai import OpenAI

client = OpenAI()

def route_llm(task_type: str, prompt: str, context_size: int = 0):
    # 長 context 任務優先用 Luna
    if context_size > 200_000:
        model = "gpt-6-luna"
    # 純推理任務用 Sol
    elif task_type in {"planning", "reflection", "code_review"}:
        model = "gpt-6-sol"
    else:
        model = "gpt-6-luna"  # 預設省錢的
    
    return client.chat.completions.create(
        model=model,
        messages=[{"role": "user", "content": prompt}],
    )

如果用 LangGraph,可以掛在節點上:

from langgraph.graph import StateGraph

def plan_node(state):
    resp = client.chat.completions.create(
        model="gpt-6-sol",
        messages=[{"role": "user", "content": state["task"]}]
    )
    return {"plan": resp.choices[0].message.content}

def load_context_node(state):
    resp = client.chat.completions.create(
        model="gpt-6-luna",
        messages=[{"role": "user", "content": state["codebase"][:900_000]}]
    )
    return {"context_summary": resp.choices[0].message.content}

workflow = StateGraph(...)
workflow.add_node("plan", plan_node)
workflow.add_node("load_context", load_context_node)

關鍵點:Sol 和 Luna API 相容,不用換 client,只要換 model 名稱。

一個被忽略的細節:rate limit 分開了

翻 API 文件的時候發現一件小事:Sol 和 Luna 的 rate limit 是分開計算的。

我截了一段 dashboard 的設定(帳號權限不一定都有,僅供參考):

  • Tier 3 帳號 Sol:500 RPM
  • Tier 3 帳號 Luna:800 RPM
  • 混跑:各自獨立計算,不會互相擠

這個對高並發 Agent 場景很關鍵。

之前用 GPT-5 Pro 的時候,一個高 QPS 任務就能把整個帳號的 rate limit 吃光。現在把推理任務走 Sol、長 context 任務走 Luna,兩個 rate limit 池子獨立,可以混用以降低單點風險。

文件裡目前沒明說這點,但我實測確認過。社區裡也有人回報同樣情況,等 OpenAI 官方更新文件。

編輯思考

為什麼 OpenAI 現在開始雙版本?我的判斷:DeepSeek 和 Claude 的雙重擠壓。

DeepSeek 把價格打到地板,逼著 OpenAI 出「便宜檔」;Claude 4.5 Opus 把程式設計 benchmark 幹到第一,逼著 OpenAI 出「強推理檔」。單版本打不過來,直接拆。

對比 Anthropic 的 Haiku / Sonnet / Opus 三檔,OpenAI 的兩檔明顯更精簡——不是更精細,而是更實用主義。少一個版本少一份營運成本,但也少一個價位段的靈活性。Luna 這次定位有點像 Sonnet 的位置,但缺一個 Haiku 等級的極致低價版。

這次的另一層訊號:OpenAI 在把模型變成「基礎設施元件」,而不是「一個聊天機器人」。雙版本 + 同 API + rate limit 分開 = 讓開發者像用資料庫一樣組合模型。這是 Anyscale / Together 這種推論服務商早就驗證過的打法,OpenAI 現在開始跟。

不確定的部分:

  • Luna 1M context 的實際品質,官方 99.7% 的 needle test 不代表真實業務
  • Sol 的 $60/M 輸出價格,大客戶能不能拿到折扣,沒看到公開資訊

我會繼續跑生產環境的壓測。後續如果數據有意思,再單獨寫一篇。

來源: https://openai.com/index/introducing-gpt-6-sol-and-luna/