GPT-5.6 Luna 降价80%、Terra 降价20%：OpenAI 终于也加入了价格战

7 月 30 日，OpenAI 把 GPT-5.6 系列的价格表又改了一版。Luna 输入 token 从每百万 1 美元降到 0.2 美元，输出 token 从 6 美元降到 1.2 美元；Terra 输入从 2.5 美元降到 2 美元，输出从 15 美元降到 12 美元。 flagship 的 Sol 纹丝不动，但多了一个 Fast mode，速度最高 2.5 倍，价格翻倍。

消息出来，我第一反应不是欢呼，而是打开账单系统的条件反射：先别管模型厉不厉害，这波降价足够让很多内部项目的 ROI 从“算账”变成“闭眼开”。

一、降价本身：数字不复杂，但信号很强

先放事实。

• GPT-5.6 Luna：降价 80%。新价格是 $0.20 / $1.20（每百万输入/输出 token）。
• GPT-5.6 Terra：降价 20%。新价格是 $2 / $12。
• GPT-5.6 Sol：价格不变，$5 / $30，但新增 Fast mode，$10 / $60，速度提升最多 2.5 倍。
• ChatGPT Work 和 Codex 的订阅费用不变，但 Luna/Terra 的用量现在按新价格折算，等于同样的额度能跑更多任务。

光从数字看，Luna 的降幅是恐怖的。发布会价格是 $1/$6，现在变成 $0.2/$1.2，等于综合成本砍到原来的两成。这还没算 Batch/Flex 处理、缓存输入这些折扣。按 Unite.AI 的整理，Luna 在 Batch 模式下输入最低能到 $0.10，缓存输入读只要 $0.02。OpenAI 官方甚至说 Auto-review 功能从 GPT-5.4 切到 Luna 之后，成本直接降到约十分之一。

Terra 的 20% 看起来没 Luna 刺激，但它是日常生产的主力档。Sol 不动也合理，因为旗舰端目前还不需要靠价格抢市场，Fast mode 是卖“时间”而不是卖“便宜”。

二、为什么能降？模型自己给自己打工

这次降价不是简单的促销清库存。OpenAI 在 7 月 29 日先发了一篇技术文章，讲 GPT-5.6 Sol 怎么用 Codex 接入生产推理栈，自己优化自己：重写线上 GPU 内核、改进负载均衡、升级推测解码和 KV 缓存管理。结果是服务成本降 20%，token 生成效率提升超过 15%。第二天，这些省下来的成本就被直接转成了价格。

36氪的报道用了个很形象的标题：AI 开始给自己写代码了。这话说得夸张一点，但核心没错。过去做大模型降价，通常靠算力卡更新、模型压缩、量化；这次 OpenAI 直接让模型去优化运行自己的代码，相当于把“模型迭代”和“工程优化”合并成一条递归下降的曲线。这个路径如果能持续，后面每次模型能力提升，可能一并带来成本下降，而不是相反。

更耐人寻味的是 OpenAI 内部的 RSI Index（递归自我改进指数）。据说 GPT-5.6 Sol 在这项指标上比 GPT-5.5 高出 16.2 分，而且 Luna 也受过 Sol 的后训练指导。换句话说，最先进的模型在教便宜模型怎么变聪明，也让便宜模型怎么跑得更省。这个逻辑一旦跑通，价格战就不仅是商业决策，更是技术能力的自然外溢。

三、价格战背后：中国模型已经把火烧到门口

OpenAI 当然不会轻易让利。CNBC 和多家媒体的分析都指向一个背景：企业客户对 AI 账单越来越敏感，而中国厂商的开源/低价模型追得很快。

VentureBeat 列了一张表，很有意思。降价后 Luna 的综合输入+输出成本是 $1.4 / 百万 token，已经低于 Google Gemini 3.5 Flash-Lite 的 $2.8，也低于 MiniMax-M3、LongCat-2.0 标准版等。DeepSeek、小米 MiMo、阿里巴巴 Qwen 的低价档还在更下面，但 Luna 已经进入了“低价区”而不是过去那种高高在上的“OpenAI 区”。

这背后的竞争格局很清楚：推理成本正在以快于预期的速度下降。过去大家比的是谁的模型在 benchmark 上更高，现在比的是同样的 benchmark 分数要花多少美元。OpenAI 如果还端着，很多企业会毫不犹豫地把非核心任务切到国产或开源模型上。所以 Luna 这次降价，既是给开发者发糖，也是把竞争对手的低价优势提前稀释掉。

四、作为一个产品经理，我看到的三点影响

我在银行做支付产品，日常工作离大模型训练很远，但离“这东西到底能不能上线”很近。这次降价让我想到三个直接影响。

第一，内部工具从 POC 走向量产的门槛大幅降低。

很多我们之前只能用少量样本试水的场景，比如对账单分类、客服会话摘要、合同条款初筛、代码 review 辅助，现在用 Luna 跑几乎不会触发预算审批。过去一个内部项目要先论证“用 AI 省了多少钱”，现在可以反过来问“这点成本我们能试多少东西”。这种心理门槛的转变，比价格数字本身更重要。

第二，模型分层成为产品设计的必要能力。

OpenAI 现在把产品线切成 Sol/Terra/Luna 三档，其实就是在告诉用户：别指望一个模型干所有活。产品经理接下来要做的，不是选“用不用 GPT”，而是设计“哪一步用哪档、怎么路由、错了怎么降级”。这很像支付系统里的风控分层：高价值交易上强校验，低风险交易走快速通道。AI 应用也会变成类似的“智能路由”架构。

第三，低价不等于无脑用，质量和可控性仍然决定生死。

Luna 便宜到接近“按量不计费”，这对金融业务并不全是好消息。支付行业对错误率、可解释性、数据安全的要求极高，一个便宜但会胡说的模型，省下来的 API 费用可能不够赔一次客诉。所以我的判断是：80% 的常规文本处理任务可以放心交给 Luna，但涉及资金、合规、客户承诺的环节，必须 Sol 或者人类兜底。便宜不是免罪金牌，只是扩大了试错空间。

五、这不是终点，而是新规则的起点

Sam Altman 在 X 上发了一条状态，说“major price cuts today”。这话说得轻松，但行业影响不会小。我倾向于把这次降价看成 AI 商业化从“能力竞赛”转向“效率竞赛”的标志。未来的领先指标，不再是某个模型在某项考试上高几分，而是完成同样工作要花多少 token、多少秒、多少美元。

对开发者来说，这是利好。对企业来说，这是压力：如果你还在用统一的高价模型处理所有请求，成本很快会被竞争对手拉开。对 OpenAI 自己来说，这是一次防御性的进攻——用 Luna 的低价绑定大量中长尾用量，再靠 Sol 守住高端市场。

不过我还是想提醒一句：价格降了，不代表幻觉消失了，不代表数据安全默认解决了，也不代表所有任务都能用 Luna 凑合。真正的赢家，不是最便宜用模型的人，而是最清楚“什么任务配什么模型”的人。

六、几条实操建议

说点能直接上手的。

• 马上查一下帐单分层。如果你的产品仍然一梢外部模型混用，就在路由层加个简单判断：低优先级/高并发的走 Luna，高准确度/需要多步推理的走 Terra，极端任务用 Sol，Fast mode 留给真正不能等的场景。
• 跑一轮基准测试。同样的一批问题分别用 Luna/Terra/Sol 跑，统计成本、正确率、延迟。很快你会发现，很多任务的“必须上大模型”只是习惯，并非事实。
• 不要因为便宜就放弃安全边界。特别是处理客户数据、金融交易、合同审核时，便宜模型也得经过质量门径、中间件记录和人类回退机制。简单说，减少成本不能减少责任。
• 把省下来的预算投到评测和观测上。价格低了以后，流量会涨，你得知道系统在具体什么时候失准、什么时候丢上下文。否则，便宜只是从 API 账单转移到后端维护账单。

这次降价给我的感觉很像第一次用平价高铁座次干身：不是每个人都需要买头等舱，但买对座次以后，世界变得更平等了一点。

参考来源

1. OpenAI 官方公告：Advancing the price-performance frontier with GPT-5.6（2026-07-30）
2. CNBC：OpenAI cuts prices for two of its AI models as cost worries mount（2026-07-30）
3. VentureBeat：AI price wars: OpenAI cuts GPT-5.6 Luna prices by 80%（2026-07-30）
4. Neowin：OpenAI takes on Chinese models by reducing prices for GPT-5.6 Luna by 80% and Terra by 20%（2026-07-30）
5. 36氪：AI开始给自己写代码了，GPT-5.6重写内核，服务成本直降20%（2026-07-31）