如果说 Sol 是 GPT-6 家族的「主力」，那 Luna 就是那个悄悄改变成本结构的角色。它和 Sol 同一天发布，同样继承了 GPT-6 Astra 的核心进展，但价格低到几乎不像同一代产品。
一、定价本身就是产品
GPT-6 Luna 的 API 定价：输入每百万 token 0.10 美元，输出 0.50 美元——分别是 GPT-5.6 Luna 的一半。OpenAI 强调，改进后的缓存与推理基础设施让这些模型能以更低成本服务，并把省下来的钱直接让利给用户。
更值得注意的是免费与 Go 用户也能直接使用 Luna。这意味着 GPT-6 一代的能力，第一次真正来到零付费用户面前。对一个内容或数据量巨大的产品而言，这种「可负担的默认模型」往往比任何单点能力提升都更有撬动力。
二、核心功能拆解
1）高吞吐友好。 Luna 的定位天然面向分类、摘要、批处理、抽取这类「量大、单次价值低」的任务。当单次调用成本降到十分之一，很多原本需要抽稀、采样或干脆放弃的处理方式，突然都可以全量运行。
2）继承的可靠性与对齐。 官方表示 Luna 在 high 推理档下较其前代提升 5.4 个百分点，同时单任务成本还低 58%。对流水线式应用而言，准确性每提升一点、成本每降一点，都会直接放大成规模优势。
3）与 Sol 的梯度分工。 OpenAI 的意图很清楚：Luna 处理海量常规，Sol 处理复杂迭代，Astra 处理最关键的深度任务。这是一个可以按预算精细调度的三层结构。
三、实际使用体验
我们把 Luna 放在几个典型的高频任务上：批量文本分类、长文档摘要、结构化信息抽取，以及作为智能体流水线中的「廉价判断层」。
结果是「够用得出乎意料」：分类与抽取的准确率在多数规则清晰的场景下已可直接上线，摘要质量稳定但缺少惊艳，长链推理明显是短板。最有价值的用法，是把它当作智能体的前置筛子——用极低成本过滤掉大部分简单情况，只把真正棘手的样本交给 Sol 或 Astra，整体成本可显著下降。
四、优点与局限
| 维度 | 评价 |
|---|---|
| 成本 | ★★★★★ 低到可以「不假思索地调用」 |
| 常规准确性 | ★★★★☆ 清晰任务稳，模糊任务易失手 |
| 复杂推理 | ★★★☆☆ 不适合长链与关键决策 |
| 接入门槛 | ★★★★★ 免费用户可用 |
需要清醒的是：便宜不等于可以托付。涉及关键判断、长上下文依赖或高风险场景时，Luna 的错误成本会轻易超过省下的钱。它是流水线里的一环，而不是终点。
五、适合谁
- 数据密集型团队：需要对海量内容做分类、抽取、清洗
- 初创与个人开发者：预算极紧但想用上 GPT-6 代能力
- 智能体架构师：需要廉价的初筛层与路由层
六、综合评分
4.7 / 5.0。 Luna 的价值是结构性的：它让「全量处理」从奢侈变成默认，让免费用户跨过门槛，也让智能体架构第一次可以在成本上放开手脚。它不是最强的模型，却可能是这一代里被调用次数最多的那个。