周三下午，一个工程师对着API文档陷入了沉思——GPT-5.6突然变成Sol、Terra、Luna三款，该调哪个？直觉是“选最强的那一款”，但价格差了整整5倍。这不是一道单选题，而是一道路由题。OpenAI把同一个模型拆成三档，不是营销套路，而是把成本优化的决定权直接交到了开发者手里。
过去的纠结是“要不要为高级模型付费”，现在的问题更尖锐：针对眼前这个具体的请求，能完成任务的最便宜一档是什么？往贵了选，简单请求烧给旗舰版，白花钱；往便宜了选，关键任务输出质量崩塌，用户受损。找到那个刚好能胜任的层级，才是技术活。
先说最快上手的策略：把Terra设成默认选项，碰到真正困难、自主代理、高风险的任务才升级到Sol，大批量、时延敏感或预算吃紧的路径直接降到Luna。实践证明，这个简单的规则在“每成功任务成本”这个唯一重要的指标上，同时碾压“永远用最贵”和“永远用最便宜”两种粗暴思路。
三条线的简明分工
- Terra：价格是Sol的一半，保留完整的1,050,000个token上下文窗口，能力足以应付绝大多数生产任务。
- Sol：专攻复杂、Agent化、高风险的场景——编码代理、深度研究、安全审查。它的Artificial Analysis编码代理指数拿了80分，而且完成同样任务消耗的token少得多，这在一定程度上抵销了它更高的单价。
- Luna：面向高吞吐、低延迟或严格成本上限的路径。它的定价是每百万输入$1/输出$6，比Sol便宜5倍，却依然比上一代旗舰模型能打。
单看每个token的价格，Sol是Terra的2倍、是Luna的5倍。但只看标价很容易掉进陷阱。OpenAI披露，Sol在编码任务上的token效率大约提升了54%，输出用的token量不到同类前沿模型的一半。所以在一次完整任务里，Sol和Terra之间的有效成本差距远小于2倍——尤其在长链Agent执行中，Sol可能少走好几步就收工了。
定价的数学很干净：数字呈整齐的整数倍。Terra正好比Sol便宜一半，Luna比Sol便宜五分之四。这种倍数关系让决策变得异常简单，把一次请求从Sol挪到Terra，token成本立刻减半。反过来，搞清楚更难：Sol用更“省”的方式完成任务，所以不能拿token单价直接算总账。
真正的度量标准是每次成功任务的成本，而不是每token成本。一个单价贵但只用一半token、一半重试次数就搞定的模型，最终可能更省钱。“Sol价格是Terra的2倍，所以永远选Terra”这种简单化的推演，恰恰是忽略效率的陷阱。
热门跟贴