2026 年 7 月 30 日，GPT-5.6 的价格具体改了什么？
2026 年 7 月 30 日，OpenAI 将 GPT-5.6 Luna 降价 80%、Terra 降价 20%，旗舰级 Sol 价格不变。Luna 的输入价格由每百万 token 1.00 美元降至 0.20 美元，输出由 6.00 美元降至 1.20 美元。最便宜与最贵等级之间的差距，由 5 倍拉开至 25 倍。
这些数字来自 OpenAI 官方 公告帖文，日期为 2026 年 7 月 30 日。
降价后的 GPT-5.6 API 价格（美元／每百万 token）
--- Sol：输入 5.00 美元，缓存输入 0.50 美元，输出 30.00 美元。维持不变。
--- Terra：输入 2.00 美元（原 2.50），缓存 0.20 美元（原 0.25），输出 12.00 美元（原 15.00）。
--- Luna：输入 0.20 美元（原 1.00），缓存 0.02 美元（原 0.10），输出 1.20 美元（原 6.00）。
OpenAI 同时为 Sol 推出 API 的 Fast mode：速度最高达标准处理的 2.5 倍，价格为标准的两倍，模型智能水平不变。在 API 层面，这等同于把请求的 service tier 设为 priority。
还有一项变动，即使你从不接触 API key 也值得留意。ChatGPT 应用程序与 Codex CLI 的 Auto-review 由 GPT-5.4 换成 GPT-5.6 Luna，OpenAI 预期运行成本会低约十倍。换言之，替你把关高风险动作的那一层，现在跑的是最便宜的模型。
OpenAI 为什么降价，这件事对你有什么启示？
OpenAI 把降价归因于效率提升，而效率提升来自让 GPT-5.6 优化自己的服务架构：生产环境的 GPU kernel 改良带来 20% 服务成本下降，改良的 speculative decoding 带来超过 15% 的 token 生成效率提升。这些节省直接反映在 API、Codex 与 ChatGPT 上。
这一点在实务上很关键：这是基础设施的胜利，不是能力的跃升。
Luna 在 7 月 30 日没有变聪明，它只是变便宜。三个月前你因为输出品质不足而放弃的流程，今天品质依旧不足，只是花费少了五分之四。
反过来说也成立，而且更值得留意：任何你因为量太大、成本太高而不敢做的流程，今晚就值得重新测试一次。
Sol、Terra、Luna 三个等级的分别是什么？
GPT-5.6 是同一代模型，分成三个能力等级。Sol 是旗舰，为需要跨文件、跨测试、跨后续修正而保持连贯的长程推理而设。Terra 是成本较低的日常等级，OpenAI 形容其表现与上一代 GPT-5.5 相当。Luna 是最快、最便宜的等级，为高量、低推理需求的工作而设。
这套命名是刻意设计成可延续的。数字 5.6 代表世代，Sol、Terra、Luna 代表等级，各自可以按自己的节奏升级。因此你的流程应该绑定等级名称，而不是绑定某个版本字符串。
每个等级真正适合的工作
--- Luna：摘要、贴标签、抽取字段、分类客户讯息、生成初稿骨架、翻译样板文字。这些工作的品质微差不会改变结果。
--- Terra：日常生产等级。范围明确的撰写任务、初步审阅、你之后仍会亲自读一遍的文件分析。
--- Sol：那些你原本要预留半天处理的任务。多步推理、需要在大量文件或长串决策中保持连贯的工作，以及任何答错就会影响客户关系的输出。
大多数从业者的预设做法刚好相反：挑一个等级，通常是最好的那个，然后把所有工作都丢进去，因为切换模型感觉很麻烦。
同一份工作在三个等级上分别要花多少钱？
假设一个实际的月度任务：摘要 1,000 份文件，每份约 4,000 个输入 token，输出 600 字摘要。合计 400 万输入 token、60 万输出 token。用 Luna 跑要 1.52 美元，用 Terra 要 15.20 美元，用 Sol 要 38.00 美元。
把算式摊开来看，比例比大多数人想像的更干净。
--- Luna：4 x 0.20 美元 加 0.6 x 1.20 美元 = 1.52 美元，按联系汇率约 12 港元。
--- Terra：4 x 2.00 美元 加 0.6 x 12.00 美元 = 15.20 美元，正好是 Luna 的 10 倍。
--- Sol：4 x 5.00 美元 加 0.6 x 30.00 美元 = 38.00 美元，正好是 Luna 的 25 倍。
7 月 30 日之前，同一份 Luna 工作要 7.60 美元。也就是说，便宜的那条线便宜了五倍，贵的那条线原地不动。
你应该把这视为行业走向的信号，而不是一次性折扣。同样的模式也出现在各家厂商如何为 AI 功能计费，这一点我们在 什么是 AI Credits 一文有详细讨论。
实务结论：如果一项任务确实属于例行工作，而你把它跑在 Sol 上，你就是在为自己没有用到的推理能力多付 25 倍。
不写程序，如何把工作分派到不同等级？
你不需要一个路由系统，你需要一个分流习惯，以及一个把模型名称当成变量而非固定假设的位置。实务上就是把每项重复任务拆成便宜的第一轮与昂贵的第二轮，然后只为第一轮筛不出结果的项目付第二轮的钱。
以下这套做法在真实工作中站得住脚。
第一步：把任务拆成「抽取」与「判断」。几乎每项知识工作都有机械的一半与判断的一半。从供应商报价中抽出五个关键数字是抽取；决定要不要接受这份报价是判断。前一半交给 Luna，后一半留在 Terra 或 Sol。
第二步：把便宜的模型放在前面，不是后面。让 Luna 为全部 40 封来信生成结构化摘要，你只细读被标示为需要决策的那几封。昂贵的模型从头到尾都不会看到那 33 封其实很例行的信。
第三步：让模型名称成为自动化流程中的一个字段，而不是常数。在 Zapier、Make 或 n8n 里，模型名称就在 AI 步骤的下拉选单。复制那个步骤、换一个等级、用同样的 20 笔数据各跑一次，并排比较后才决定。如果你还没建过这类流程，可以先看 不写一行程序，如何用 AI 自动化你的工作。
第四步：用规则升级，不要凭感觉。要求便宜的模型在每次输出结尾附上信心水平与理由，然后只把低信心的项目送去昂贵等级。这一个改动，就是让等级分流从琐碎变成自动的关键。
等级分流在什么情况下会失效？
等级分流会在四个可预期的地方失效：表面机械但暗藏判断的任务、便宜模型在前段出错而后续层层放大的长流程、为强模型写成却交给弱模型执行的提示，以及任何「一次错误输出的代价高于一个月 API 节省」的流程。
暗藏判断的陷阱。按主题为客服工单分类是机械工作；按紧急程度分类却不是，因为紧急程度取决于客户是谁、上星期说过什么。便宜的模型会处理好前者，然后在后者上悄悄猜答案。
错误层层放大。如果第一步把文件摘要错了，第二至第五步都建立在错误摘要之上，之后每一份输出都会看起来很有信心而且是错的。便宜等级属于流程的两端，不属于流程中段。
被继承的提示。在 Sol 上有效的提示，往往假设模型会自行补齐你没写出的结构。把它搬到 Luna，缺失的结构就会变成粗糙的输出。解法不是换更好的模型，而是写更明确的提示，这正是 情境工程 的重点。
代价不对称。如果客户报告中一个数字出错就会丢掉整个客户，那你这个月省下的 36 美元根本不算节省。面向客户的最后一轮，留在你信得过的等级，把省下的钱花在别处。
关于 Fast mode 还有一点要提醒：它用两倍价格买到的是延迟改善，对输出品质毫无影响。当有人正在画面前面等结果，就开启它；凌晨三点跑的批次任务，关掉它。
立即试用：15 分钟等级审核提示
把这段提示对着你自己的重复任务清单跑一次，大约需要 15 分钟，通常会找出两三项正跑在贵三倍等级上的任务。你可以贴进任何一个 GPT-5.6 等级、Claude 或 Gemini，因为这是关于你工作流程的推理任务，而不是绑定某个模型的技巧。
复制以下提示：
你正在协助我审核：我每项重复任务应该跑在哪一个 AI 模型等级上。我会给你一份任务清单，请对每一项做以下四件事。
1. 把任务拆成机械成分（抽取、摘要、分类、重新排版）与判断成分（决定、排优先、说服、评估取舍），各用一句话说明。如果某项任务没有判断成分，请明确指出。
2. 为机械成分与判断成分各推荐一个等级，依据以下标准：CHEAP 用于高量工作，品质微差不改变结果；MID 用于范围明确、我之后仍会亲自审阅的生产工作；TOP 用于多步推理，或任何客户会直接看到而我不会再改的输出。
3. 用一句话指出：如果我把整项任务都跑在 CHEAP 上，最可能出现的单一失效模式是什么，并描述那个失效在输出中会长成什么样子，让我能辨认出来。
4. 写一条我可以机械执行的升级规则，格式为：当〔便宜输出中可观察到的条件〕出现时，升级到较高等级。
最后用一个表格，按我可能浪费的金额由高至低排列这些任务，并说明你排序时用了哪些依据。如果某项任务描述得太模糊而无法判断，请向我提出一个厘清问题，不要凭空猜测。
我的重复 AI 任务如下：〔列出 5 至 10 项任务，并附上每项的大致月度数量〕
然后今天就只执行其中一项建议：复制那个自动化步骤、切换等级、用 20 笔真实数据各跑一次，亲自比较输出，不要只相信跑分表。
核心结论：便宜现在是设计选择，不是妥协
7 月 30 日的降价没有让任何模型变好，它改变的是「合理预设值」该放在哪里。当最便宜的等级只需旗舰的二十五分之一，把所有工作都推给旗舰就不再是谨慎，而是浪费。
真正从这次降价中获益的人，不会是把所有东西都换成 Luna 的人，而是能够针对每一项每周执行的任务，清楚说出哪一半是机械、哪一半需要判断的人。
这种拆解能力本身就是一种技能，而且不论你面前的模型来自 OpenAI、Anthropic 还是 Google，都是同一种技能。模型名称每几个星期就换一次，但看懂自己的工作真正需要什么，不会过时。
懂AI，更懂你 UD相伴，AI不冷。
本文由 UD AI 团队审阅。
把等级审核变成真正运作的系统
知道一项任务该放在哪个等级只是第一步，把它变成每天自动运行、你不用盯着的流程才是第二步。UD 团队手把手带你完成每一步，从任务分流、模型选择，到让整个工作流自己跑起来。
UD 陪伴香港企业走过 28 年的科技变迁。
