2026 年 9 月 29 日更新： 了解 OpenAI 最新模型： GPT‑6 .1 Sol。
本月早些时候，我们推出了GPT‑6 Astra，这是全球最智能、对齐程度最高的模型。最苛刻、最重要的项目仍然需要 Astra 的全部能力，但工作有不同的规模、节奏和预算。
因此，我们通过 GPT‑6 Sol 和 GPT‑6 Luna 扩展 GPT‑6 家族。GPT‑6 Astra 带来了新一代智能，而这两款模型则通过推进成本效率的前沿，帮助更广泛地分享这种智能带来的好处。我们采用与 GPT‑6 Astra 相似的方法训练 GPT‑6 Sol 和 Luna，把 Astra 在专业工作、事实性、编码、计算机使用和对齐方面达到业界最先进水平背后的进步，带到更快、更实惠的模型上。
GPT‑6 系列模型在成本与智能的曲线上处于领先地位，在每个档位都兼具出色的能力，并配以能高效大规模提供这些能力的基础设施。缓存和推理方面的改进，使我们能以更低的成本提供这些模型，我们将这些节省直接让利给用户和客户：与 GPT‑5.6 的促销价相比，Sol 和 Luna 的 API 价格下调 50%。这些改进共同使先进 AI 能够大规模地用于更多日常任务和应用。
GPT‑6 API 定价
| 模型 | 输入 | 输出 | 降价幅度 |
|---|---|---|---|
| GPT‑5.6 Sol → GPT‑6 Sol | $4 → $2 | $20 → $10 | 便宜 50% |
| GPT‑5.6 Luna → GPT‑6 Luna | $0.20 → $0.10 | $1.20 → $0.50 | 便宜 50% |
价格按每 100 万 token 计。
GPT‑6 Astra 仍然是我们全面领先的最佳模型。当你想要最好的结果和毫不妥协的体验时，请选择它。
整个模型家族全面升级
GPT‑6 Sol 和 Luna 为你熟悉并正在使用的模型带来智能升级和成本效率，覆盖最有助于完成复杂工作的各项能力。
专业工作
GPT‑6 Sol 能够胜任困难的工作任务，同时以更高的用量上限和更低的成本为你留出更多迭代空间，与价格相近的竞品模型相比，它提供更高的智能和更好的结果。
在 AutomationBench（一项跨应用的业务工作流测试）上，xhigh 强度的 GPT‑6 Sol 表现优于 max 强度的 Claude Opus 5，而每项任务的成本仅为 Opus 5 的 9%。在 high 强度下，GPT‑6 Luna 比上一代提升了 5.4 个百分点，每项任务成本降低 58%。
在 AutomationBench 1.0.6中，AI 智能体接受端到端工作流测试，涉及销售、营销、运营、支持、财务和人力资源领域的 47 种工具。Claude Fable 5.1 的数据点低估了其实际成本，因为它未计入 Opus 5 回退的成本，而回退发生在约 40% 的任务中。
GPT‑6 Sol 还以低得多的成本超过了 Claude Fable 5.1，甚至胜过低强度的 GPT‑6 Astra。
| 模型（及强度） | 得分 | 每项任务成本 |
|---|---|---|
| GPT‑6 Sol (xhigh) | 33.2% | $0.27 |
| GPT‑6 Astra (low) | 30.3% | 3.9 倍 GPT‑6 Sol |
| Claude Opus 5 (max) | 26.9% | 11.1 倍 GPT‑6 Sol |
| Claude Fable 5.1 w/ Opus 5 Fallback (max) | 31.4% | >8.9 倍 GPT‑6 Sol （未报告回退成本） |
在评估智能体处理复杂专业工作流能力的 Agents’ Last Exam 上，max 强度的 GPT‑6 Sol 得分为 56.4%，超过 Claude Opus 5 在该评估中的最高得分，而每项任务成本低 60%。
在 Agents’ Last Exam V1中，AI 智能体接受长周期、具有经济价值的任务评估，涵盖 55 个细分行业，覆盖了在计算机上完成的大多数主要专业工作领域。
事实性
答案是否有用，取决于事实是否正确，我们在事实可靠性方面持续取得进展。在我们内部的事实性评估中（该评估基于经过去标识化处理的真实对话，用户在这些对话中标记了我们模型的错误），GPT‑6 Sol 的错误数约为上一代的一半，以低得多的成本接近 Astra 级别的可靠性。GPT‑6 Luna 也有显著提升；在较高强度下，它与 GPT‑5.6 Sol 持平，而成本约为后者的百分之一。
这里我们在经过去标识化的 ChatGPT 对话上评估事实性，这些对话中用户曾标记了先前模型的事实错误。这些容易引发错误的对话并不代表典型使用情况，实际中事实错误更为少见。得分未对长度加以控制；不过，我们的冗长度扫描显示，得分几乎不依赖于回答长度。
编码
今年，编码智能体已开始处理比以往更复杂、范围更大、耗时更长的任务。在 OpenAI 内部，使用量呈指数级增长。按 API 价格计算，研究人员每日 token 使用量的中位数已超过 600 美元，第 90 百分位的研究人员则超过 7,000 美元（研究加速：OpenAI 内部视角）。随着编码智能体承担更长、要求更高的任务，持续使用的成本变得更加重要。GPT‑6 Sol 和 Luna 将强劲的编码性能与更低的 API 价格结合在一起，让开发者有更多迭代空间，也让团队更有信心，对交给 Codex 的任务提出更高的要求。
在评估编码智能体能否产出可合并到真实代码库的变更的 FrontierCode 上，GPT‑6 Sol 比 GPT‑5.6 Sol 有大幅提升，并能以低得多的成本与 xhigh 强度的 Claude Fable 5.1 持平。
在 FrontierCode 1.1 Main中，AI 智能体编写的代码不仅按正确性评分，还按“可合并性”评分，例如测试质量、范围把控、代码风格以及对代码库规范的遵循。
在测试真实代码库中复杂软件工程任务表现的 DeepSWE v1.1 上，max 强度的 GPT‑6 Sol 得分为 68.8%，与 Claude Fable 5 在该评估中的最高得分（xhigh 强度下的 69.9%）相差不到 1.1 个百分点，而每项任务成本约低 80%。
max 强度的 GPT‑6 Luna 得分为 66.6%，与 medium 强度的 Claude Opus 5 和 Fable 5 相当。在这些对比中，Luna 每项任务的成本比 Opus 5 低 93%，比 Fable 5 低 96%。
在 DeepSWE 1.1中，AI 智能体解决原创的长周期软件工程任务。
计算机使用
GPT‑6 Astra 仍是全球计算机使用能力最强的模型，而 GPT‑6 Sol 和 Luna 则比各自的前代提供了更具成本效益的性能。在 OSWorld 2.0 offline 上，xhigh 强度的 GPT‑6 Sol 取得了与 medium 强度的 Claude Opus 5 相近的得分——60.5% 对 60.3%——而每项任务成本约低 80%。GPT‑6 Luna (max) 能以十分之一的成本超过 GPT‑5.6 Sol (medium)。
在 OSWorld 2.0中，AI 智能体尝试涵盖日常和专业任务的长周期计算机使用工作流。我们报告的是 v2026.08.08 版本 offline 集上的部分奖励得分。
协作风格
我们还把 GPT‑6 Astra 改进后的沟通风格带到了 Sol 和 Luna 上，我们认为这在技术和编码对话中会尤为明显。你会看到更清晰的表达、更少的行话、更少古怪的措辞、更少低价值的细节，整体回答略短，但不损失实质内容。
提示词
网站看起来很清爽！我们能不能用 Bento Box 设计风格，并在右上角的页面之间加一个滑块？你可能需要深入改一下 React..
GPT-5.6 Sol
没问题。我可以做出 bento 的感觉和右上角滑动的页面切换器，而不必引入 React——这个交互足够小，在现有网站里也能保持快速流畅。我现在正围绕这套体系重新调整全部四个页面。
完成——请打开线上站点查看。
现在四个页面都采用了色彩丰富的 bento-box 布局，右上角还有带动画的 Home / Play / Place / Taste 滑块。不需要 React；原生页面过渡让它保持轻量流畅。
食物插画由内置的图像工具生成。提示词：“一幅充满活力的水粉加墨水风格的编辑插画，庆祝饺子和辣面，色彩明亮，有蒸汽和香料，不含文字或标志。”
GPT-6 Sol
我会把页面改成 bento 网格，并把右上角的链接变成滑动的页面切换器。我会保留现有网站，并在改动其配置之前先检查这个交互是否需要 React。
更新后的网站已上线。现在每个页面都采用了活泼的 bento 布局，右上角的页面切换器会在各个板块之间滑动。我在桌面和窄屏手机上都检查过，包括浏览器后退导航。现有网站并不需要 React 来实现这一点。
虽然风格见仁见智，但我们更喜欢 GPT‑6 Sol 在这里的回复。它不会那么快下结论，花更少的篇幅重复提问者可能已经清楚的细节（例如网站有四个页面），用语更不含糊（例如“bento 的感觉”“围绕这套体系重新调整”），对自己做了什么、没检查什么说得更坦率，也不会无谓地分享其图像工具提示词之类的实现细节。
改进智能体和长对话的缓存
在降低 token 价格的同时，我们还帮助基于 GPT‑6 构建应用的开发者，在应用重复使用的上下文上节省更多成本。我们改进了 GPT‑6 的提示缓存，默认即可实现更高的缓存命中率，让智能体复用更多上下文、响应更快，并对缓存的输入 token 读取享受 90% 的折扣。
开发者还有更多方式来衡量和优化缓存性能：
- 监控与诊断。提示缓存仪表板展示有多少输入被缓存，以及这一比例如何随时间变化。诊断工具则帮助解释哪些缓存机会被错过，以及应当如何修复。
- 调整推理强度和工具可用性，而不破坏缓存。处理较难的任务时可提高推理强度，处理较简单的后续任务时可降低；随着智能体需求变化，还可以启用或停用工具。这两种控制现在都会保留先前的上下文，以便缓存复用。
- 优化缓存哪些前缀。显式断点让开发者可以选择缓存的提示前缀在何处结束。这让开发者对缓存复用有更多控制，并有可能提升性能。
GitHub 报告称，在过去几个月里，这些改进使其发往 OpenAI 模型的数十亿次请求中，需要重新处理的提示 token 占比下降了 50% 以上，帮助 Copilot 更快响应。
持续改进对齐
GPT‑6 Sol 和 Luna 建立在 Astra 所引入的对齐工作之上，Astra 是我们迄今对齐程度最高的模型。在我们的对齐评估中，Sol 和 Luna 都比各自对应的 GPT‑5.6 模型有所改进，包括对其编码工作做出误导性陈述的比例更低。
下列评估有意测试具有挑战性的情形，并不衡量典型使用场景下的失败率。完整结果请参阅系统卡。
在我们内部的编码欺骗评估中，AI 智能体被赋予的任务是特意挑选出来诱发不诚实行为的。在典型使用中，欺骗要罕见得多。欺骗率衡量的是检测到任何欺骗行为的回答所占的比例。推理强度设为最高。
可用性
GPT‑6 Sol 和 GPT‑6 Luna 即日起在 ChatGPT Work 和 Codex 中向所有 Plus、Pro、Business、Enterprise 和 Edu 用户开放。免费版和 Go 用户可在桌面应用中使用 GPT‑6 Luna。这些模型暂未在 Chat 中提供。在 OpenAI API 中，它们的模型名称分别为 gpt-6-sol 和 gpt-6-luna。
为了保证所有人的服务稳定，我们计划在当天逐步在 ChatGPT 中推出这些模型。如果你在 ChatGPT Work 或 Codex 中暂时看不到新模型，请稍后再试。
对 GPT 的评估在我们的研究环境中或通过 API 进行，由于系统提示词、可用工具等方面的差异，其输出可能与生产环境中的 ChatGPT 略有不同。对竞争对手模型的评估取自公开报告。在 Claude Fable 5.1 的分数不可用时，采用了 Claude Fable 5 的分数。