昂贵的人工智能时代终结了吗？OpenAI 的价格冲击：为什么 GPT-6 Sol 和 Luna 正在颠覆人工智能市场？

对 Anthropic 的攻击：OpenAI 利用 GPT-6 Sol & Luna 颠覆了现有的定价逻辑

以超低价格获得智能：GPT-6 如何改变人工智能的经济格局

随着GPT-6 Sol和GPT-6 Luna模型的突然发布，OpenAI正在开启人工智能竞争的新纪元。该公司并未仅仅展示其顶尖的性能，而是从大众最关心的价格层面向竞争对手——尤其是Anthropic——发起了猛烈攻击。与上一代产品相比，GPT-6 Sol和GPT-6 Luna的使用成本大幅降低了一半，人工智能终于从昂贵的奢侈品转变为无处不在的基础设施。然而，这些全新的、极其经济实惠的定价模式也带来了一个战略陷阱：自动化成本骤降至以往的几分之一，为业务流程带来了巨大的机遇，但同时也可能因为新的应用场景而导致整体消费的快速增长。想要在这个全新的人工智能经济中脱颖而出，不能盲目追求最低的价格，而必须懂得如何巧妙地规划未来的模型布局。.

OpenAI 的价格攻势：GPT-6 Sol 和 Luna 改变了人工智能的经济格局

廉价情报将成为所有仍然从稀缺性中获利的人的问题。

OpenAI 在 GPT-5.6 系列正式发布不到三个月后，推出了两款全新模型：GPT-6 Sol 和 GPT-6 Luna，旨在标志着人工智能大众市场迈入新的阶段。其核心信息在经济层面和技术层面同样重要：性能的提升不应以更高的价格为代价，而应以更低的使用成本为代价。GPT-6 Sol 通过 API 提供，每百万输入代币的价格为 2 美元，每百万输出代币的价格为 10 美元。GPT-6 Luna 的输入价格为 10 美分，输出价格为 50 美分。与 GPT-5.6 系列模型最近的促销价格相比，OpenAI 的价格大约降低了一半，其中 Luna 的输出代币降幅甚至超过 58%。.

此次价格变动并非普通的产品更新。它表明，主流人工智能供应商之间的竞争正日益从单纯追求顶级性能转向更高层次：决定性因素在于，在既定成本下，模型能够产生多少经济效益可观的性能。这正是 Sol 和 Luna 的优势所在。Sol 旨在以以往中端模型的成本，处理高要求的知识工作、软件开发和基于代理的流程。而 Luna 则致力于以极高的成本效益执行常规任务，从而使人工智能能够应用于以往自动化成本过高的业务流程中。.

因此，一种颇具争议的解读是，OpenAI 不仅仅是在以更低的价格出售更优质的模型，而是在试图颠覆现有的市场定价逻辑。如果高质量的模型不再必然意味着高昂的可变成本，那么高价的合理性就会大打折扣。与此同时，竞争对手面临的压力也越来越大，他们要么需要降低模型价格，要么需要更清晰地展示其附加值。对于企业而言，这一发展开辟了新的应用前景。然而，这也带来了一定的风险：单位成本的下降可能会导致使用量的无序扩张，最终导致总体支出增加。.

两种不同的价值创造模式

Sol 和 Luna 的名称体现了模型组合的功能划分。GPT-6 Sol 是性能更高的主流模型，定位低于顶级的 GPT-6 Astra。它专为那些对准确性、多级推理、可靠的工具使用以及处理较长工作流程的能力要求较高的任务而设计，例如复杂分析、高要求的编程任务、自动化研究、数字应用程序控制以及专业知识支持。另一方面，GPT-6 Luna 则定位为一款性价比极高、速度极快的模型，适用于高容量任务。它尤其适合分类、提取、摘要、简单编码任务、初步检查和标准化通信。.

这种分层方法反映了一个日益重要的认识：企业并非每个请求都需要最强大的模型。商业人工智能应用的大部分都是复杂度有限的重复性任务。在这些情况下，一个非常经济的模型就能带来最大的经济效益。只有那些复杂、模糊或高风险的案例才需要交给更强大的模型处理。因此，Sol 和 Luna 支持一种架构，在这种架构中，请求会根据难度、风险和价值进行动态分配。.

对 OpenAI 而言，这种细分策略具有战略意义。价格昂贵的旗舰机型 Astra 可以继续作为技术标杆，而其高昂的价格也不会阻碍其广泛应用。Sol 占据高性能生产系统市场，而 Luna 则覆盖对价格敏感的大众市场。通过这种方式，OpenAI 可以同时在高端市场保持高利润率，在中端市场挑战竞争对手，并在低价市场建立巨大的用户规模。.

然而，从客户的角度来看，这带来了一个新的采购挑战。选择模型不应仅仅基于标价。关键因素包括：特定流程所需的质量等级、模型出错的频率、检测错误的成本以及人工监督所需的工作量。看似便宜的模型，如果其结果需要频繁返工，最终可能会变得成本高昂。反之，如果更稳健的模型能够以更少的迭代次数和更少的监督工作可靠地实现预期结果，则可能更经济。.

价格减半会改变计算方式。

Sol 的价格下降尤其容易理解。GPT-5.6 Sol 近期限时促销，每百万输入代币的价格为 4 美元，每百万输出代币的价格为 20 美元。GPT-6 Sol 将这两个价格分别减半至 2 美元和 10 美元。Luna 的输入价格从 20 美元降至 10 美分，输出价格从 1.20 美元降至 50 美分。因此，笼统地说两个模型的价格都降低了 50% 过于简单化：Luna 的输出价格降幅更大，这对于文本密集型应用尤为重要。.

在许多应用中，输出令牌是成本的主要因素。系统可能接收相对较短的指令，但生成冗长的报告、代码片段或结构化数据集。正是在这种情况下，Luna 输出价格的大幅降低才显得尤为重要。假设输入令牌和输出令牌均为一百万个，Luna 的总成本仅为 60 美分。而在同样的简化假设下，Sol 的成本却高达 12 美元。这两个模型的成本相差 20 倍。这一差距清晰地表明，智能模型选择比简单地选择单一模型更为重要。.

对于一家每月输入 5 亿个代币、输出 1 亿个代币的公司而言，按标准定价，Sol 的成本约为每月 2000 美元。而 Luna 的成本约为每月 100 美元。此模型计算并未包含工具、搜索访问、数据存储、向量数据库、安全审计或开发成本。尽管如此，它仍然能够说明规模：在高交易量的情况下，选择合适的模型可以带来显著的成本差异。如果从缓存中读取重复的上下文信息，则这种差异会更加明显，因为这样只需支付正常输入价格的一小部分。.

新价格同时为市场树立了新的标杆。Claude Opus 5 的输入价格为 5 美元，输出价格为 25 美元；Claude Fable 5.1 的输入价格为 10 美元，输出价格为 50 美元。Sol 的价格远低于这些标价，而 Luna 的价格则完全不同。简单的代币数量比较并不充分，因为不同的模型所需的代币数量和处理步骤各不相同。然而，如果供应商无法在实际应用中证明其产品具有相应的更大优势，那么他们就很难收取比 OpenAI 高出数倍的价格。.

准确性比低代币价格更有价值。

OpenAI 在其公告中强调了事实准确性的提升。根据内部审计，GPT-6 Sol 的事实错误数量约为其前代产品的一半。虽然这一数据具有重要的经济意义，但不能简单地将其解读为总体错误率从 20% 降至 10%。OpenAI 并未公布此类绝对数值。此次审计使用了匿名化的真实对话，这些对话中用户此前曾报告过事实错误。因此，这些案例是故意设置的易出错案例，并非全体用户的代表性样本。.

“错误率减半”指的是在本次特定测试中相对性能的提升。这并不意味着Sol在所有领域的可靠性都提高了一倍。错误率很大程度上取决于主题、信息的时效性、数据访问方式、语言、任务定义以及允许使用的工具。一个模型在掌握广泛通用知识时可能非常可靠，但在处理罕见的行业信息、时事热点或精确数据时却可能失效。因此，企业应将制造商的声明理解为进步的标志，而非保证。.

然而，即使错误率仅降低一半，也蕴含着巨大的经济效益。在许多生产流程中，最大的成本并非来自模型查询，而是来自监控、纠正和责任风险。如果系统每十次响应中只有一次出现问题，而不是每五次响应中就有一次，测试工作量并不会自动减少一半。全面检查仍然必不可少。但是，在不太关键的流程中，可靠性的提高可以促成从纯粹辅助使用向高度自动化处理的过渡。.

尤其值得注意的是 OpenAI 声称，在高计算强度下，GPT-6 Luna 在事实准确性测试中可以达到 GPT-5.6 Sol 的水平，而成本仅为后者的百分之一左右。此声明仅指测试的事实准确性，不应推广至模型的整体性能。Luna 并非在所有分析、每个代码项目或每个基于代理的工作流程中都能自动达到其前代 Sol 的性能水平。尽管如此，这一比较表明，昂贵的高端模型的功能可以多么迅速地迁移到更经济实惠的模型上。.

专业工作正演变成一场性价比之争。

在 AutomationBench 测试中，GPT-6 Sol 在极高的计算强度下取得了 33.2% 的得分。而 Claude Opus 5 在最高设置下仅取得了 26.9% 的得分。两者的差距是 6.3 个百分点，而非 6.3%。相对而言，Sol 的得分比 Claude 高出约 23%。同时，OpenAI 公布 Sol 的单次任务成本为 27 美分，而 Opus 5 在此测试中的成本是其 11.1 倍。因此，Sol 仅以约 9% 的成本就获得了更高的测试分数。.

该基准测试利用 47 种工具，涵盖销售、市场营销、运营、客户服务、财务和人力资源等各个领域，绘制了完整的工作流程图。对于商业应用而言，这比纯粹基于知识的问题更有意义，因为高效的客服人员不仅要生成文本，还要操作系统、处理中间结果，并正确连接多个步骤。与此同时，33.2% 的绝对得分仍然令人担忧。即使是最佳结果也意味着很大一部分任务未能完全完成。进步是显而易见的，但要实现普遍可靠的数字化劳动力，还有很长的路要走。.

在计算强度较高的情况下，GPT-6 Luna 的性能比其前代产品提升了 5.4 个百分点，而单项任务成本则降低了 58%。语言准确度在此同样至关重要。百分比表示两个性能值之间的绝对差异。而 5.4% 的提升则代表相对变化。在评估模型时，尤其是在初始值较低的情况下，这种差异可能非常显著。.

另一项名为“代理的最后考试”（Agents' Last Exam）的测试评估了来自55个子行业的长期且具有经济意义的任务。GPT-6 Sol 在最大计算强度下达到了 56.4% 的完成率，据 OpenAI 称，这一成绩超过了 Claude Opus 5 的最佳成绩，同时每项任务的成本降低了 60%。这既凸显了发展的方向，也暴露了其局限性。略高于 50% 的成功率对于监督式辅助来说很有价值，但对于无监督的核心流程来说往往是不够的。.

编程仍然是竞争最激烈的领域。

在软件开发领域，性能最佳的模型之间的差异较小。在 DeepSWE 测试中，GPT-6 Sol 在最高计算强度下效率达到 68.8%。Claude Fable 5 在极高设置下效率达到 69.9%。因此，Sol 的效率比 Fable 5 低 1.1 个百分点，但据称其完成任务的成本降低了约 80%。GPT-6 Luna 的效率为 66.6%，在中等计算强度下与 Claude Opus 5 和 Claude Fable 5 的性能接近。根据 OpenAI 的数据，Luna 的单次任务成本比 Opus 5 低 93%，比 Fable 5 低 96%。.

对企业而言，这种方案比仅仅依靠一次测试就取得胜利更具经济吸引力。一个能够以极低成本实现几乎相同成功率的模型，可以支持更多的尝试、额外的测试以及自动化交叉验证。系统无需为一次昂贵的迭代付费，而是可以生成多个经济高效的解决方案，进行测试，并从中选择最佳候选方案。因此，更低的单位成本可以间接地提升整个开发流程的质量。.

然而，这种影响不应被过分夸大。重复尝试只有在能够检测到错误的情况下才有意义。对于软件而言，这在一定程度上是可行的，因为编译、自动化测试和静态分析能够提供客观的反馈。但如果存在架构决策、安全问题或需求不完整等情况，评估就会变得更加困难。此外，生成的代码越多，也可能意味着更多的技术债务和额外的测试工作。.

OpenAI 还提到了 FrontierCode，它不仅评估功能正确性，还评估变更的实际可集成性。这包括测试质量、变更范围的限制、编程风格以及对项目特定规则的遵守情况。这些标准在实践中至关重要。一个代码提案可能在形式上是正确的，但仍然不适用，因为它不必要地修改了系统的大部分内容或忽略了操作标准。因此，编程模型的经济价值不在于生成的代码量，而在于每投入一小时的工作量能够产生多少可靠且可集成的变更。.

计算机控制的成本越来越低，但并非没有风险。

在运行图形应用程序时，GPT-6 Sol 在 OSWorld 2.0 的离线部分中，在极高的计算强度下，效率达到了 60.5%。Claude Opus 5 在中等设置下，效率达到了 60.3%。OpenAI 估计 Sol 的单项任务成本大约降低了 80%。Luna 在最高设置下，预计效率将超过 GPT-5.6 Sol 的平均水平，而成本仅为其十分之一。.

这项进展对办公自动化、客户服务和后台流程意义重大。许多公司仍在使用缺乏现代编程接口的旧式应用程序。一种能够理解屏幕内容、操作按钮并在系统间传输信息的模型可以弥合这些差距。这创造了一种比传统基于规则的机器人更灵活的软件自动化形式。.

然而，即使成功率只有 60% 左右，也表明无人值守的计算机控制仍然存在风险。在冗长的流程中，一次误操作就足以导致整个流程失败。支付、访问权限、数据删除以及生产系统的变更尤其关键。因此，分级权限、限制操作范围、日志记录以及在高风险点进行人工审批，在经济上都是合理的。.

真正的进步并非在于Sol已经完全取代了一名员工。更重要的是，实验性自动化的成本正在降低。企业无需通过昂贵的集成项目来实施每个想法，就能测试更多流程。成功的试点项目可以催生标准化代理；不适用的案例可以尽早排除。因此，价格的降低缩短了用户企业的学习曲线。.

“托管式人工智能”开启数字化转型新篇章——平台及B2B解决方案 | Xpert Consulting - 图片来源：Xpert.Digital

在这里，您将了解到您的公司如何快速、安全地实施定制化的人工智能解决方案，且无需承担过高的准入门槛。.

托管式人工智能平台是您实现人工智能的全方位、无忧解决方案。您无需处理复杂的技术、昂贵的基础设施和漫长的开发流程，即可从专业合作伙伴处获得根据您的需求量身定制的现成解决方案——通常只需几天时间。.

主要优势一览：

⚡ 快速实施：从构思到可立即使用的应用，只需几天而非几个月。我们提供切实可行的解决方案，创造即时附加值。.

🔒 最高数据安全保障：您的敏感数据始终由您掌控。我们保证安全合规地处理您的数据，绝不与任何第三方共享。.

💸 无财务风险：您只需为结果付费。完全无需前期投入大量资金用于硬件、软件或人员。.

🎯 专注于您的核心业务：集中精力做好您最擅长的事情。我们将负责您人工智能解决方案的全部技术实施、运营和维护。.

📈面向未来且可扩展：您的AI将与您一同成长。我们确保持续优化和可扩展性，并灵活调整模型以适应新的需求。.

更多信息请点击这里：

• 托管式人工智能解决方案——工业人工智能服务：服务业、工业和机械工程领域保持竞争力的关键

中间存储正成为被低估的成本驱动因素。

除了可见的代币价格外，OpenAI 还改进了重复输入的缓存机制。通过所谓的提示缓存，相同的上下文片段无需在每次请求时都重新处理。GPT-6 对先前读取并缓存的输入代币提供 90% 的折扣。这对于智能体、长时间对话以及包含大量系统指令的应用程序尤为重要。.

业务代理在每个步骤中通常都会收到相同的信息：角色描述、安全规则、数据结构、工具定义、手册或之前对话的部分内容。如果没有有效的缓存机制，这些上下文信息将被重复处理，每次处理都会产生全部成本。在多阶段流程中，重复处理的上下文信息所占的成本可能比实际的新请求还要高。因此，高缓存命中率对成本效益的影响远超其标价本身所显示的。.

OpenAI 现在允许开发者在不丢失先前缓存上下文的情况下修改计算强度和可用工具。此外，开发者还可以设置显式断点，指定要重用的输入部分。GitHub 报告称，这些改进在短短几个月内，就将数十亿次 Copilot 请求中需要重新处理的提示符比例降低了 50% 以上。.

从实际角度来看，这引出了一个明确的优先事项：成本优化并非始于模型的选择，它还涵盖输入结构、稳定内容和可变内容的顺序、上下文长度以及不必要的重复次数。设计糟糕的应用程序即使使用低成本模型，也可能成本高昂。相反，精心规划的架构可以在不超出预算的情况下，策略性地运用高质量模型。.

代币价格降低并不意味着纸币面额也会降低。

人工智能推理市场多年来经历了惊人的价格下跌。仅在2022年11月至2024年10月期间，在广泛使用的自然语言理解测试中，达到与GPT-3.5大致相同性能水平的成本就从每百万代币20美元降至7美分。这相当于下降了280多倍。GPT-6 Sol和Luna延续了这一趋势，尽管它们的性能水平更高。.

从经济角度来看，这里存在一种类似于杰文斯悖论的机制。如果某种资源的利用效率更高、成本更低，总体消耗量并不一定会下降。通常情况下，消耗量反而会增加，因为新的应用在经济上变得可行。一家公司之前可能只使用人工智能生成少量高质量文本，而现在它可以分析每个客户请求、对每个文档进行分类，并自动检查许多软件变更，而且成本显著降低。在这种情况下，消耗量的增长速度超过了单位价格的下降速度。.

基于代理的应用会放大这种效应。一个用户查询可能会触发十到二十次模型调用。代理需要进行规划、搜索信息、使用工具、检查中间结果，并在出现错误时重新启动。因此，可见的查询本身并不是合适的成本单位。真正重要的是每次成功完成操作的总成本。.

因此，企业不应只关注哪种模型出售的代币价格最低，而应衡量获得正确、及时且可验证的结果需要多少成本。这项计算涵盖模型调用、搜索和工具成本、基础设施、人工监督、错误纠正以及潜在损失。只有进行这种全面的分析，才能揭示 Sol 和 Luna 哪种模型更经济。.

OpenAI 对 Anthropic 的攻击是有针对性的

公告中多次将 Sol 和 Luna 与 Anthropic 模型进行比较。这并非巧合。在许多公司和开发团队中，Claude 被认为是编程、处理长上下文和高难度知识工作的理想选择。因此，OpenAI 的目标不仅是抽象的峰值性能，还包括 Anthropic 已建立起可靠市场地位的那些应用领域。.

价格差异显而易见。GPT-6 Sol 的购买成本为每百万枚代币 2 美元，发行成本为 10 美元。Claude Opus 5 的购买成本和发行成本分别为 5 美元和 25 美元，而 Claude Fable 5.1 的购买成本和发行成本分别为 10 美元和 50 美元。因此，从账面上看，Sol 的成本比 Opus 5 低 60%，比 Fable 5.1 低 80%。GPT-6 Luna 的价格甚至更低。.

然而，信息的关键并非“每个令牌更便宜”，而是“每个任务更便宜”。OpenAI 试图证明，即使考虑不同的计算强度、响应长度和工具使用情况，其模型仍然更具成本效益。这正是该公司在 AutomationBench、DeepSWE 和 OSWorld 上公布每个任务成本的原因。这一指标比单纯的标价更有意义。.

然而，这些比较并非完全中立。OpenAI 在其自身的研究环境或通过其 API 进行分析。部分竞争对手的数据取自公开报告，当 Fable 5.1 的数据不可用时，则使用 Claude Fable 5 的数据。此外，由于大约 40% 的任务未包含对 Opus 5 的依赖，因此使用 Fable 5.1 对 AutomationBench 进行的成本分析并不完整。这使得 Anthropic 在比较中更占优势，但也表明实现完全标准化的测量有多么困难。.

制造商的基准测试结果可以提供证据，但不能作为判断依据。

基准测试对于衡量进展至关重要。然而，它们并不能提供客观的总体评分。结果取决于测试版本、系统设置、工具、计算预算、试验次数和评估方法。即使是不同的计算强度设置也会显著改变其价值和成本。在比较不同预算的模型时，表面上的质量差异可能仅仅是由于额外的计算投入造成的。.

对于 GPT-6，值得注意的是，许多关键结论都源自 OpenAI 自身的出版物。该公司对其模型拥有详尽的了解，但同时也存在销售利益。因此，虽然报告的结果值得重视，但也需要通过独立测试加以补充。例如，像 Sol 和 Claude Fable 5 在 DeepSWE 测试中 1.1 个百分点的差异，可能属于实际误差范围之内。.

即使基准测试得分很高，也不能保证在特定组织中表现良好。内部文件、专业术语、过时的软件、特定的合规规则以及不一致的数据都可能对结果产生负面影响。反之，模型在定义明确、文档齐全的流程中可能比在通用测试中表现更好。.

因此，最稳健的采购方法是基于实际任务的专门评估方案。该方案应涵盖常见标准案例、具有挑战性的极端案例以及人为设置的风险情境。评估指标不仅应包括准确性和成本，还应包括处理时间、稳定性、可追溯性以及必要的人工干预。只有当评估结果显示模型变更具有显著优势时，才具有经济合理性。.

更清晰的语言可以降低间接流程成本。

OpenAI不仅承诺进行技术改进，还承诺采用更清晰的沟通方式。Sol和Luna的目标是减少术语、不常见的表述和无关的细节。答案应该更简洁，但又不失实质内容。这种改变乍看之下似乎只是表面功夫，但实际上可能会产生重大的经济影响。.

含糊不清的答案会导致后续问题、误解和额外的处理工作。在软件开发中，模糊的描述会掩盖实际测试的内容。在客户沟通中，不必要的专业术语会降低清晰度。在分析中，冗长但内容空洞的段落会增加测试工作量。因此，精准简洁的沟通不仅能提升用户体验，还能降低流程成本。.

同时，沟通风格仍然是主观的。简短的回答并非一定更好。对于法律、技术或安全关键议题，可能需要详细的解释。因此，公司应制定自身的结构、语气、细节程度和不确定性标注准则。沟通质量取决于模型、系统指令和质量控制三者之间的相互作用。.

另一项改进在于对已执行操作的诚实性。OpenAI 报告称，关于已完成编程任务的误导性陈述发生率有所降低。这对智能体至关重要。如果一个系统声称已运行测试或检查文件，而实际上并未执行，这会造成一种危险的安全感。这方面的改进比单纯的风格润色更为重要。.

安全和责任问题不包含在价格范围内。

OpenAI解释说，与GPT 5.6的前代版本相比，Sol和Luna在对齐和安全性方面均有所改进。这包括检查编程任务中的误导性信息、绕过警告以及未经授权的交互。这些测试故意设置了很高的难度，并不代表典型的使用场景。相反，它们旨在展示模型在特殊情况下的表现。.

对于企业而言，更高的安全评分并不意味着可以忽略技术和组织方面的安全保障措施。相关模型要求明确定义权限、建立独立的开发和生产环境、进行日志记录、实施访问控制，并对敏感操作进行审批。在处理个人数据时，还必须考虑数据保护、数据保留策略和区域性处理。在受监管的行业中，结果必须可追溯，责任必须明确界定。.

矛盾的是，低价也可能带来新的风险。如果 Luna 的价格低到足以支持数百万次的自动化决策，那么系统性错误的影响范围就会扩大。一个有缺陷的分类器、一条错误的规则或一个扭曲的数据集都可能影响到大量的案例。虽然每次查询的成本降低了，但潜在的总损失却随着查询量的增加而增加。.

因此，公司不应根据代币价格按比例削减安全和质量预算。恰恰相反：模型规模越大，监控、抽样和关闭机制就越重要。缺乏治理的经济扩张并非高效，而是将成本转移到未来。.

真正的创新之处在于模型的编排。

Sol 和 Luna 代表了一种多层架构。Luna 可以处理大量简单任务，同时评估案例是否不安全或异常。Sol 处理更复杂的异常情况。Astra 则保留用于处理特别困难或对业务至关重要的任务。此外，规则还可以定义何时需要人工干预。.

这种级联方案兼具低平均成本和高峰值性能。然而，其成功与否取决于路由逻辑。如果 Luna 未能识别出疑难案例，就会出现质量问题。如果过多案例被预先路由到 Sol 或 Astra，成本优势就会消失。因此，任务难度分类本身就成为人工智能的核心功能之一。.

不同供应商的模型也可以组合使用。公司不必完全依赖 OpenAI 或 Anthropic，可以根据任务、地区、可用性和价格等因素来分配模型。这种多供应商模式可以减少依赖性，提高可靠性。然而，由于模型具有不同的接口、工具格式和行为，这也增加了集成和测试的工作量。.

从长远来看，竞争不太可能仅仅在单个模型之间展开。能够自动路由请求、监控成本、衡量质量并根据需要交换模型的平台至关重要。Sol 和 Luna 的出现提升了此类系统的优势，因为不同层级之间的价格差异足够大，使得智能分销在经济上具有吸引力。.

新一轮奖金的赢家和输家

人工智能应用开发者，尤其是那些使用量巨大的应用开发者，将首当其冲地受益。文档处理、技术支持、软件开发、数据清洗和研究等服务可以显著降低他们的可变成本。初创企业也能从中获益，因为他们可以用更少的资金开展更多实验。中型企业则获得了以往只有预算充足才能实现的能力。.

专业软件用户也可能从中受益。如果供应商将降低的模型成本转嫁给用户，人工智能功能就可以集成到现有订阅服务中，而无需大幅提高价格。然而，更有可能的情况是，部分节省的成本会作为利润留在软件供应商手中。最终有多少节省下来的成本会真正惠及消费者，将取决于市场竞争情况。.

那些主要依赖转售昂贵模型访问权限来维持商业模式的供应商正面临压力。随着底层技术变得更加便宜和强大，简单的用户界面和可互换的附加功能的价值正在降低。因此，可持续的差异化优势来自于专有数据、深度流程集成、行业知识、安全性和可验证的成果。.

Anthropic 和其他模型提供商也面临着战略抉择。他们可以降低价格、扩展核心功能，或者突出在安全性、易用性和企业部署方面的特定优势。纯粹的价格竞争有利于拥有庞大基础设施、高利用率和充足资金的提供商。规模较小的实验室可以更专注于开放式模型、特定细分市场或自主部署。.

公司现在应该重点检查哪些方面？

首要任务是按流程而非模型来分解现有的人工智能成本。企业需要了解一个完整流程消耗多少输入、输出和缓冲区令牌。此外，还必须跟踪工具调用次数、重复次数和人工审核时间。如果没有这些数据，就无法可靠地确定切换系统带来的经济效益。.

接下来应该对之前使用的模型 GPT-6 Sol 和 GPT-6 Luna 进行实际对比测试。Luna 非常适合处理海量数据和结构清晰的任务。Sol 则适用于复杂的分析、耗时较长的处理过程以及要求较高的软件应用。对于特别困难的任务，如果顶级模型能够避免重复和错误，仍然可以节省成本。.

仓促完成全面迁移是不明智的。新模型虽然平均性能更高，但可能存在不同的错误情况。输出格式、长度或语气都可能发生变化，从而影响下游系统。因此，建议分阶段实施，并采用并行执行、自动质量检查和明确的备用方案。.

合同和技术架构也应便于模型切换。厂商特有的功能在短期内可能很方便，但会增加后期的切换成本。标准化的数据格式、独立的评估逻辑和集中式日志记录有助于更快地测试新模型。在价格下降、产品周期缩短的市场中，愿意切换模型将成为一种竞争优势。.

向前迈出的一步，却蕴含着令人警醒的意义

GPT-6 Sol 和 Luna 并不能证明人工智能现在已经完全无误、自主运行或具有普遍适用性。已公布的成功率仍然显示出显著的差距。即使是强大的模型，在严苛的专业和技术测试中也经常会失败。因此，这些模型并不能取代清晰的流程、高质量的数据和负责任的监督。.

它们的经济意义体现在其他方面。OpenAI大幅降低了先进人工智能的成本，使得新应用能够盈利，现有系统也能更频繁地使用。Sol以更低的价格提供了强大的智能体和技术能力。Luna则将大量简单到中等规模的任务处理变成了一种面向大众市场的基础设施服务。.

这里最重要的指标并非每百万代币的价格，也不是单一的基准值。真正重要的是可靠解决业务问题的价值。Sol 和 Luna 似乎显著改善了这种关系，但供应商数据需要在真实的商业环境中进行验证。那些仅仅购买价格更低代币的人最终可能会花费更多。相反，那些策略性地使用模型、缓存重复出现的上下文信息并系统地衡量质量的人，可以真正实现生产力的飞跃。.

因此，Sol和Luna的发布与其说是标志着一场技术竞赛的终结，不如说是标志着一场更为激烈的经济竞争的开始。人工智能的成本正在降低，但其成功应用仍然充满挑战。优势正从拥有单一、强大模型的公司转移到那些能够精准协调多个模型、了解其成本并持续管理误差的公司。这正是本文的真正发人深省之处：并非人工智能本身变得稀缺，而是以经济可行的方式组织人工智能的能力变得稀缺。.

准内部解决方案：Xpert.Digital 如何弥合 B2B 营销和销售中的运营差距——智能内容驱动型业务——图片：Xpert.Digital

Xpert.Digital 是一个以数据驱动的 B2B 行业中心，由 Konrad Wolfenstein 领导。该公司为工业合作伙伴提供外部的、准内部解决方案，弥补其在市场营销、内容和销售方面的运营缺口，而无需客户投入额外资源。.

更多信息请点击这里：

• 准内部解决方案：Xpert.Digital 如何弥合 B2B 营销和销售中的运营差距——智能内容驱动型业务

☑️ 我们的业务语言是英语或德语。

☑️ 新增：用您的母语进行通信！

Konrad Wolfenstein

我和我的团队很乐意为您提供私人顾问服务。.

您可以通过填写此处的联系表格联系我[email protected]：，或者直接致电+49 7348 4088 965。我的邮箱地址是

我期待着我们的合作项目。.

☑️ 为中小企业提供战略、咨询、规划和实施方面的支持

☑️ 制定或调整数字化战略和数字化

☑️ 拓展和优化国际销售流程

☑️ 全球及数字化 B2B 交易平台

☑️ 先锋业务拓展/市场营销/公关/展会