OpenAI 正将 GPT-6 Sol 和 GPT-6 Luna 定位为更实惠的 GPT-6 系列模型，可用于日常专业工作。该公司表示，这两款模型采用了与 GPT-6 Astra 类似的方法，并将其应用于编码、事实准确性、计算机操作和智能体对齐等领域。这是 OpenAI 的产品主张，并非独立研究结论；公告并未证明任一模型在所有任务上都能达到 Astra 的水平。
置于 Sol 与 Luna 的介绍之后，并用于说明文章对 OpenAI 产品主张与独立研究发现所作的区分。来源：OpenAI。
最具体的变化是价格。OpenAI 列出的 Sol API 输入和输出价格分别为每百万令牌 2 美元和 10 美元，低于 GPT-5.6 Sol 的 4 美元和 20 美元。Luna 的价格则从 0.20 美元和 1.20 美元降至 0.10 美元和 0.50 美元。这些是名义 API 价格，并不保证实际应用成本：缓存、重试、工具调用以及推理用量都会影响最终账单。OpenAI 还表示，缓存输入读取可享受 90% 的折扣，而且较新的缓存机制会在推理投入程度或工具可用性发生变化时保留上下文。
置于有关缓存折扣、上下文保留、缓存仪表板以及减少全新令牌处理的讨论之后。来源：OpenAI。
这一缓存机制对智能体和长时间运行的编码会话尤为重要，因为相同的指令和代码仓库上下文可能会在多个回合中反复使用。OpenAI 表示，开发者可以在仪表板中查看缓存使用情况、诊断未命中缓存的机会，并选择明确的缓存断点前缀。该公司还援引 GitHub 的报告称，近期改进使数十亿次 OpenAI 模型请求中需要全新处理的提示词令牌占比下降了 50% 以上。GitHub 的这份声明是一份独立运营报告，但它并不能独立证明 OpenAI 关于模型质量的论断，也不保证每款应用都能获得同样的节省。
读者最应该提出的关键问题，并不是标题中的分数是否更高，而是某款模型能否足够可靠地完成真实工作流，从而证明其成本合理。OpenAI 提到了 AutomationBench：在 xhigh 推理投入下，GPT-6 Sol 的得分为 33.2%，每项任务成本为 0.27 美元。由 Zapier 独立运营的基准测试页面列出了相同的分数和成本，并介绍了一项留出的端到端测试，涵盖销售、营销、运营、支持、财务和人力资源领域的 47 种模拟工具。该页面表示，系统会依据固定标准检查最终环境状态，而不是由另一款语言模型进行评判。
这种比较仍不足以支持普遍性的结论。AutomationBench 的严格指标要求每一项计分断言都通过，其页面还报告称，不同运行之间的差异通常在 1% 以内。页面也指出，Claude Fable 5.1 搭配 Opus 5 回退机制的一项结果低估了显示成本，因为回退模型处理了约 40% 的任务。因此，读者应将这项基准测试视为针对特定多应用工作流类别的证据，而不是工作场所生产力或普遍优越性的证明。
编码结果也需要谨慎解读。OpenAI 表示，GPT-6 Sol 在最高推理投入下于 DeepSWE v1.1 获得 68.8% 的分数，比最高的 Claude Fable 5 结果低 1.1 个百分点，但每项任务的成本约低 80%。该公司报告称，GPT-6 Luna 的得分为 66.6%，每项任务的成本远低于所引用的 Claude 配置。这些数字比较的是特定推理投入程度和基准测试报告的成本，并不能说明每个代码仓库、每种编程语言或每个工程团队都会得到相同的排名。由 Cognition 运营的 FrontierCode 独立介绍了其自身的可合并标准——正确性、测试、范围控制、风格以及对代码仓库惯例的遵循——并表示会检测使用互联网寻找答案的行为，并将相关结果计为零分。其 9 月 22 日的更新日志记录了 GPT-6 Sol 和 Luna 的加入，这证实两款模型已经进入该基准测试生态系统；但所提供的 FrontierCode 文本没有给出完整的 Sol 与 Luna 排行榜数字，因而无法独立复现 OpenAI 的编码比较。
OpenAI 还报告称，事实准确性和计算机操作能力有所提升，同时明确警告，其内部事实准确性测试使用的是用户已经标记出错误的对话。这些对话不能代表普通使用情况；OpenAI 表示，在普通使用中错误更为少见。其 OSWorld 2.0 离线结果比较了采用 xhigh 推理投入的 Sol 与采用 medium 推理投入的 Claude Opus 5，因此，表面上的成本优势取决于所选设置和基准测试版本，而不是对所有计算机操作任务都成立的笼统结论。
可用性是另一个实际限制。OpenAI 表示，Plus、Pro、Business、Enterprise 和 Edu 用户可在 ChatGPT Work 和 Codex 中使用 Sol 与 Luna，而 Free 和 Go 用户可在桌面应用中访问 Luna。该公司表示，这些模型当时还无法在 Chat 中使用，并计划逐步推出，以确保稳定性。API 用户应使用 gpt-6-sol 和 gpt-6-luna 模型名称。评估生产系统的购买者应测试实际产品界面、使用限制、延迟和总成本，而不是根据公告或排行榜进行推断。
现有证据支持一个审慎的结论：Sol 和 Luna 提供了价格更低的 GPT-6 层级，而且至少部分基准测试结果和缓存主张在 OpenAI 的公告之外也有记录。现有证据并不能证明任一模型普遍更优秀，不能证明基准测试中的节省会直接转化为更低的账单，也不能证明模拟工作流中的表现能够预测其在特定组织中的成功。下一步更有效的测试，是采用一项规模较小但具有代表性的工作负载，设定固定的成功标准，进行多次运行，并在成本计算中纳入缓存命中、失败和重试。