企业用AI开始按任务分档。OpenAI同时推出GPT-6 Sol与GPT-6 Luna，重点不是让所有请求都使用最强模型，而是让复杂任务与高频任务采用不同的能力和成本配置。

9月22日，OpenAI发布GPT-6 Sol与GPT-6 Luna，并在API、Codex和ChatGPT Work等产品中陆续提供。两款模型延续GPT-6系列能力，但定位不同：Sol面向要求较高的推理、编程与多步骤任务，Luna面向抽取、分类、摘要和大规模重复处理。

一个处理复杂问题，一个承担高频工作

OpenAI的模型指引建议，GPT-6 Sol用于需要较强推理的困难任务，GPT-6 Luna则用于强调效率和规模的重复工作。二者都可接收文本与图像输入并输出文本，支持Responses API和Chat Completions API。

推理强度可以按请求调整，默认均为medium。开发者可根据任务难度在质量、延迟和Token消耗之间选择；不过，OpenAI文档特别提示，Sol与Luna在Chat Completions中只有推理强度设为none时才支持函数调用，复杂工具工作流更适合使用Responses API。

价格差异让模型路由更有意义

OpenAI开发者更新显示，在输入不超过27.2万Token的标准定价下，GPT-6 Sol每百万输入Token为2美元、缓存输入0.2美元、输出10美元；GPT-6 Luna对应为0.1美元、0.01美元和0.5美元。长提示词、缓存写入及其他处理档位可能采用不同价格。

这意味着，同一应用可以先让Luna完成分类、格式转换和简单检索，再把少量复杂案例升级给Sol或更高能力模型。提示缓存则适合重复使用政策、工具定义、代码库规则和抽取模板的场景。

编辑观察：模型路由需要用业务结果校准

模型更便宜并不自动等于整体成本更低。如果低价模型导致更多重试、人工返工或错误升级，单次Token费用的优势可能被抵消。团队应围绕“完成一个合格任务”的总成本测试，而不是只比较每百万Token价格。

较稳妥的做法是建立三级任务清单：规则明确、可自动检查的任务优先使用高效率模型；需要多步骤推理但风险可控的任务使用Sol；涉及财务、法律、安全或不可逆操作时，增加人工审批与独立验证。模型分档的价值，在于把算力和判断力放到真正需要的位置。

配图为AIcent原创AI生成实景风格示意图，非官方新闻现场照片，不使用第三方新闻图片。

参考来源：OpenAI开发者文档（2026年9月22日）。正文为基于官方消息的中文整理，编辑观察与事实披露分开呈现。