降價五成對上成本省四成：GPT-6 Sol 與 Claude Opus 5.5 同日上陣，這次比的是帳單

9月23日，OpenAI 與 Anthropic 幾乎在同一時間推出新模型。OpenAI 發表 GPT-6 Sol 與 GPT-6 Luna，Anthropic 則端出 Claude Opus 5.5。表面上是兩家公司的例行更新，但把兩邊的新聞稿並排讀，會發現真正的主戰場已經換了位置：模型聰明不聰明是上一輪的題目，這一輪比的是每完成一件工作要花多少錢。

產品線分工：旗艦探路，輕量版鋪路

OpenAI 這次的說法很清楚。本月初發表的 GPT-6 Astra 負責能力探索，Sol 與 Luna 則是把 Astra 的核心推理與多模態能力，重構成更輕量、吞吐量更高的版本，負責規模化應用。用日常一點的比喻：Astra 是旗艦店的招牌菜，主廚研發到極致；Sol 和 Luna 則是中央廚房版本，口味留住八成，但能一次出幾千份，單價壓到人人點得起。

價格確實壓得很直接。相較 GPT-5.6 的促銷價，兩款新模型直接砍半：Sol 輸入從每百萬 token 4 美元降到 2 美元，輸出從 20 美元降到 10 美元；Luna 更激進，輸入每百萬 token 0.10 美元，輸出 0.50 美元。Luna 這個價位已經進入「可以放心讓 agent 大量呼叫、跑整夜也不心痛」的區間，這對 coding agent 這類需要反覆重試、長時間運行的場景，影響最實在。

Sam Altman 在社交平臺的說法把這步棋的方向講白了：以單任務成本來比較，目前市場上沒有產品具備真正競爭力，而 OpenAI 希望人們大量使用 AI。這段話的關鍵詞不是「智慧」，是「大量」。

Anthropic 的回應：不比 token 單價，比總帳

同一天，Anthropic 發表 Claude Opus 5.5。作為 Claude 系列的高性能型號，Opus 5.5 維持該公司在複雜任務、程式碼生成與企業工作流的布局重點，官方數據是典型任務成本降低約四成，輸出速度提升超過三成。

兩邊的敘事策略值得對照。OpenAI 談的是 token 單價腰斬，Anthropic 談的是典型任務的總成本下降。這個差別對採購方很實際：token 單價降一半，如果你的任務需要的 token 量翻倍，帳單沒變；反之，速度提升與重試次數減少，才是讓總花費真正下降的因素。企業實際在意的從來是「做完一件事多少錢」，兩家公司顯然都知道，只是各自挑了對自己有利的角度說。

效能數據怎麼讀

OpenAI 給出的幾組數據，方向一致但需要看清楚測試條件。在 AutomationBench（評估跨應用企業工作流的測試）中，GPT-6 Sol 在最高推理強度下超過 Claude Opus 5 的最高強度表現，而每個任務成本只有對方的百分之九。在基於匿名真實用戶對話的內部事實準確性測試中，Sol 的錯誤數量約為上一代的一半，接近 Astra 級別的可靠性。Luna 則能在更高推理強度下，以約百分之一的成本達到 GPT-5.6 Sol 的水平。

這些數字的共同邏輯是：能力維持在第一梯隊，成本降到原來的一小部分。這也正是模型選單變長之後最實際的問題，開發者現在要在 Astra、Sol、Luna 之間分配工作，而不是預設都用旗艦。我們先前在模型選單變長之後的工作分配一文提過，任務可驗證性與重試成本會決定該用哪個等級的模型；Sol 與 Luna 的出現，等於把這個分配題的中低階選項又拉低了一個檔次，能交給便宜模型的自動化工作範圍明顯擴大。

所以呢：三個實際影響

對開發團隊，最大的變化是實驗成本大幅下降。過去讓 agent 跑一整輪複雜任務前要先算預算，Luna 這個價位讓「先跑再說」變成合理策略，測試空間變大，敢上線的應用類型也會變多。

對企業採購，模型之間的比較基準正在從跑分轉向單任務成本。供應商自己都開始用這個指標打廣告，採購方更應該要求供應商提供自家工作負載的實測數據，而不是只看 benchmark 分數。

對競爭格局，價格戰打到這個程度，代表單純賣模型存取的利潤空間被快速壓縮。差異化會往兩端移動：往上是被視為能力天花板的旗艦模型，往下是與工具鏈、企業流程綁定的整體方案。附帶一提，投資方對被投 AI 公司的使用限制也在浮上檯面，金主開始算 AI 支出的帳，這與終端市場的降價壓力是同一股力量的兩面。

下一步看什麼

OpenAI 把降價包裝成「智慧普及化」的必經之路，這類宣言該當成商業策略來讀，而非技術裏程碑。真正值得追蹤的訊號有兩個：一是 Google 等其他供應商是否跟進降價，決定這是行業性的成本下移還是單一公司的掠奪式定價；二是 coding agent 的使用量是否在降價後出現明顯跳升，那才是「大量使用」從口號變成營收的證據。模型越來越便宜已經是趨勢，接下來的差別在於，誰能把便宜的模型包進別人換不掉的工作流裡。