大模型不再只争“最强”，而是开始为不同任务明确分工

9月22日，OpenAI推出GPT-6 Sol和GPT-6 Luna，与9月3日发布的旗舰模型Astra形成三层分工：Astra继续负责能力上限，Sol和Luna则补齐更实用的两档，一个面向复杂工作，一个面向快速、重复和大批量任务。

如果说Astra代表“把能力上限推到最高”，那么Sol和Luna更像是把这套能力带进日常工作。OpenAI给出的方向很明确：大多数人不需要每次都调用最昂贵、最强大的模型，而是需要一个能在质量、速度和成本之间做出合适选择的AI系统。

GPT-6开始像一个分工明确的团队

GPT-6家族现在形成了三层结构。Astra负责最困难、最开放的问题，例如复杂研究、跨软件操作和高难度工程任务；Sol面向编程、智能体和需要判断力的日常工作；Luna则针对边界清晰、数量庞大、需要快速完成的任务。

这种设计很像一个团队：最复杂的决策交给资深专家，重要但高频的工作交给主力成员，规则明确的批量任务则交给执行速度更快的成员。目标不是让所有任务都使用同一颗“大脑”，而是把合适的能力放到合适的位置。

Sol是日常主力，重点在复杂工作

OpenAI将Sol定位为复杂编程和智能体工作流的主力模型。它不仅能回答问题，还能调用搜索、文件、代码解释器、终端、电脑操作和MCP等工具，适合处理需要连续执行多个步骤的任务。

Sol支持文字和图片输入，拥有105万Token上下文窗口，单次最多可输出12.8万Token。从规格上看，它可以一次容纳大型代码库、长篇报告或大量项目资料，为后续修改、检查和交付提供更完整的上下文。

更值得注意的是，它支持从“无需深度思考”到更高强度推理的多档设置。面对简单修改时可以快速执行，遇到复杂规划、调试或研究任务时再增加推理投入，不必让每个问题都以最高成本运行。

Luna不是“缩水版”，而是批量工作的效率工具

Luna同样拥有105万Token上下文和完整的工具能力，但定位更偏向聚焦、重复、高频。例如资料分类、信息提取、批量检查、固定格式写作、客服分流和自动化流程，都不一定需要旗舰模型从头深度推理。

在这些场景里，真正重要的是响应快、成本低、能够稳定重复。单次任务节省一点看起来不多，但当企业每天要执行几万甚至几十万次调用时，差距会迅速放大。

新模型的重点，不只是单价下降

按照OpenAI公布的信息，Sol和Luna改进了缓存与推理效率，相比GPT-5.6同期促销定价降低约一半。API标准计费中，Sol每百万Token输入为2美元、输出为10美元；Luna输入为0.1美元、输出为0.5美元。

但这次更新真正重要的，不是简单地“便宜了”。当模型能够根据任务难度进行分工，AI产品就不必在质量和成本之间二选一：复杂环节交给Sol，明确的小任务交给Luna，最困难的工作再升级到Astra。

这会直接影响AI产品的设计。未来一个自动化系统可能同时使用多种模型：Luna先整理材料、筛选任务，Sol负责分析和执行，只有极少数高难度问题才交给Astra。用户看到的是一个完整助手，背后却是一支按需协作的模型团队。

普通用户什么时候能用到？

Sol和Luna已经进入API，并在ChatGPT Work和Codex中向符合条件的Plus、Pro、Business、Enterprise和Edu用户推出。免费版和Go用户可以在ChatGPT桌面应用中交互式体验Luna，但这不等同于获得免费API额度，程序化调用仍按Token计费。

需要区分的是，它们目前主要服务于Work和Codex，并不是普通Chat聊天界面中同名模型的简单替换。不同账户能够看到的模型、用量和工具也可能有所不同。

大模型竞争正在从“谁有一个最强模型”，转向“谁能让不同模型像团队一样分工”。

模型价格、开放范围和使用额度可能随产品与账户类型调整。实际选择时，不应只看单次Token价格，还要结合任务成功率、运行时间、工具调用次数和人工复核成本。

GPT-6 Sol和Luna释放的信号很清楚：AI走向大规模使用后，最强并不是唯一答案。能够用合适的能力、合适的速度和合适的成本，把任务稳定做完，才是下一阶段真正的竞争力。