GPT-6 Luna 评测：定价、应用场景、API 限制及最佳用途

快速回答： GPT-6 Luna 是 OpenAI 专为高吞吐量任务设计的模型。 官方 API 显示，标准费率下每 100 万输入令牌消耗 $0.10，每 100 万输出令牌消耗 $0.50，上下文窗口为 105 万令牌，最大输出为 12.8 万令牌。 GlobalGPT 当前列出的为 GPT-5.6 Sol 和 GPT-5.6 Luna，而非精确的 GPT-6 路径，因此必须通过 OpenAI 的 API 模型 ID 单独核对平台命名。.

OpenAI 将 GPT-6 Luna 描述为其用于专注型、高吞吐量任务的最高效模型。这一表述属于供应商的定位宣传，并非经过测量的质量评分。本评测将已发布的规格转化为采购和架构决策，并附有出处地记录了公众的反应。 我们还针对该模型ID、路径、提示词集、原始输出及使用方式进行了范围限定兼容性API测试。下文展示的任务结果仅为一次观测到的运行结果，并非官方基准测试。.

简评

最有用的区分并非仅仅在于“智能”与“快速”之间，而是工作负载的形态。GPT-6 Luna 与其同系列产品拥有相同的标称上下文处理能力与输出上限，但其定位和定价使得选择不同的运行点更为合理。对比更广泛的 AI模型选择指南 和 最适合编码的人工智能模型 当任务涉及多个提供商时，请参考本指南。.

GPT-6 Luna 概览

下表遵循当前的 GPT-6 Luna 官方模型页面. 上下文容量与推荐的提示词长度并不相同，且最大输入量与标题上下文窗口是分开的。.

这两款姊妹模型均在文档中列出的功能集内支持结构化输出、函数调用、流式处理、提示词缓存、图像输入、文件搜索和网页搜索。工具的具体行为仍取决于端点、账户和请求配置；请勿仅根据功能复选框的存在就推断工具运行成功。.

就家庭层面而言，该 GPT-6 Astra 评测 展示了相关的一篇 GPT-6 文章是如何将服务提供商文档、平台路径和归因反应区分开来的。.

GPT-6 Luna 的定价与“27.2K 规则”

按标准费率计算，该 OpenAI 定价页面 列出了每100万个令牌的$0.10输入、$0.01缓存输入、$0.125缓存写入以及$0.50输出。缓存写入量为未缓存输入量的1.25倍。 Batch 和 Flex 的定价为 50%（标准模式），Fast 模式的费率为适用费率的 2 倍，若区域处理可用，则额外增加 10%。.

“长上下文”列是根据 OpenAI 的规则计算得出的：当输入量超过 272K 时，输入速率和缓存速率翻倍，且整个请求的输出量乘以 1.5。这并非混合速率计费。 作为实际预算基准，100K 输入加上 10K 输出大约需要 $0.015 在工具或区域提升之前；一个30万输入加2万输出的示例大约需要 $0.075 按长上下文费率计算。.

GPT-6 Luna API 的适配、工具和限制

OpenAI 建议在内置工具和函数调用中使用 Responses API。Chat Completions 仅在以下情况下支持函数调用： 推理_努力 已设置为 无. 这是一个在迁移前值得注意的实现细节：一个请求在语法上可能有效，却可能与您当前集成所期望的工具行为不符。.

当前的速率限制表列出了以下标准层级。RPM 表示每分钟请求数，TPM 表示每分钟令牌数，而队列值即为批次令牌上限。.

在正式上线之前，请在您自己的账户中验证确切的层级、端点、流式传输模式和工具契约。该 《法典》使用限制指南 这有助于解释为何模型的公布上限与账户的实际可用额度并不一致。.

GPT-6 Luna 的规格意味着什么

这是一张拟合图，而非基准图。请使用 一体化 AI 模型工作流指南 当你真正需要决定的是如何在一个可重复的流程中切换模型，而不是哪个单一模型听起来最有力时。.

API 实践测试：三项匹配任务

我们在以下位置通过 Broly Anywhere 兼容性 API 运行了这三个相同的小任务： https://anywhere.broly.ai/v1/chat/completions 使用模型 ID gpt-6-luna：代码审查、长篇决策备忘录以及严格的JSON数据提取。这些是有用的工作流观察结果，并非官方的OpenAI基准测试或通用排名。前两次运行遇到了临时性的HTTP 503超载响应；重试后，三项任务均以HTTP 200状态码完成。.

请像审查生产环境代码库中的代码一样，审查这个简短的 JavaScript 函数。找出其中的错误，解释其失败模式，并提出一个最简补丁以及两个针对性的回归测试。 函数：function uniqueSorted(values) { return [...new Set(values)].sort((a, b) => a - b).filter(Boolean); }

`filter(Boolean)` 会从结果中移除有效的 `0` 值（以及其他被视为假值的值）。将其移除：

```js
function uniqueSorted(values) {
  return [...new Set(values)].sort((a, b) => a - b);
}
```

回归测试：

```js
assert.deepEqual(uniqueSorted([0, 2, 1]), [0, 1, 2]);
assert.deepEqual(uniqueSorted([2, 0, 2]), [0, 2]);
```

将以下三条备注整合成一份简洁的决策备忘录，内容应包括：决策、依据、风险及后续步骤。备注 A：105 万令牌的上下文窗口虽能容纳大量源数据集，但并非每次请求的成本都很低。 备注 B：当输入令牌数超过 272K 时，已记录的输入/缓存速率会增加，且整个请求的输出量会成倍增加。备注 C：检索和缓存复用可降低重复提示的成本，但仍需对验收标准进行测试。.

## 决策
有选择地使用 105 万令牌的上下文窗口；对于重复或超大提示词，优先采用检索和缓存复用策略，但需经测试验证。

## 依据
该窗口可容纳大型源数据集，但容量并不能使每次请求的成本降低。当输入令牌数超过 272K 时，已记录的输入/缓存速率会增加，且整个请求的输出量会成倍增加。检索和缓存复用可能降低重复提示的成本。

## 风险
长上下文请求的成本可能高于预期。只有在满足验收标准后，检索和缓存带来的节省才能得到确认。

## 下一步
针对定义的质量和成本验收标准，测试具有代表性的工作负载，包括超过 272K 令牌的请求和重复提示场景。.

从该简报中提取以下字段，并仅返回包含 customer、priority、deadline 和 unknowns 这四个键的有效 JSON 数据。简报内容：客户：Northwind Labs。优先级：高。截止日期：2026-10-04。负责人未命名，预算未确定。.

{"客户":"Northwind Labs","优先级":"高","截止日期":"2026-10-04","未知信息":["负责人","预算"]}

在编程任务中，GPT-6 Luna 发现了 filter(布尔值) 并提供了一个补丁以及回归覆盖率；此次完整的运行共使用了378个令牌。在长上下文任务中，它在保留决策、证据、风险和下一步结构的同时，将27.2万条定价注意事项延续到了后续处理中；该响应共使用了322个令牌。 在结构化提取任务中，该模型以 JSON 格式返回了要求的客户、优先级、截止日期和未知数字段。这些是该路径下观察到的输出结构，并非证明某个模型普遍更优的证据。.

公众反应能告诉你什么，又不能告诉你什么

以下来源作为注明出处的公众反响被纳入其中，而非作为官方文件或受控基准证据。其标题反映了各创作者选择测试或解释的内容；这些内容并不代表整个市场的结果。.

• Chase AI： GPT 6 Sol & Luna 现已上市（而且比 50% 更便宜！）. 将这种叙事框架和任何表现形式视为该创作者的个人体验，而非放之四海皆准的标准。.
• Rob “AI 专家”： ChatGPT 发布了 GPT-6 Sol 和 GPT-6 Luna（ChatGPT 的新模型与智能代理）. 将这种叙事框架和任何表现形式视为该创作者的个人体验，而非放之四海皆准的标准。.
• 与苏尔亚共话人工智能： GPT-6 Soul 与 Luna 与 Claude Opus 5.5：该选哪一款？. 将这种叙事框架和任何表现形式视为该创作者的个人体验，而非放之四海皆准的标准。.

这里还有另一个命名问题：一些公开视频在标题中将“GPT-6”和“GPT-5.6”混用。在复现某项说法时，请确保准确显示模型的ID。该 GPT-6 Astra 与 GPT-5.6 Sol 的对比 这是一个很好的例子，说明了为何应将提供商标识、平台标签和路由分别记录下来。.

关于 GlobalGPT 的访问权限及 GPT-5.6 的命名说明

GlobalGPT 的经过验证的模型目录目前公开了 GPT-5.6 Sol 和 GPT-5.6 Luna. 本文中提到的确切 OpenAI API ID 是 gpt-6-luna 并属于 OpenAI 的官方文档。一个确切的 /home/gpt-6-luna GlobalGPT 路线尚未得到验证，因此本文并不主张该平台路线是 GPT-6 的访问途径。.

关于当前平台的命名及独立署名规则，请参阅 GPT-5.6 定价指南 和 GPT-5.6 模型对比. 这些页面属于平台/编辑背景信息；它们不会覆盖 OpenAI 的 API 定价表。.

哪些人适合选择 GPT-6 Luna？

如果您的备选名单中包含一些价格较低的替代方案，请比较 更全面的型号目录 而不是理所当然地认为最新型号就一定最具性价比。如果您正在评估数据密集型工作，那么 数据分析模型指南 提供了一个独立的工作流视图。.

常见问题

什么是 GPT-6 Luna？

GPT-6 Luna 是 OpenAI 专为高吞吐量任务设计的模型。其官方 API 模型 ID 为 gpt-6-luna。.

GPT-6 Luna 的价格是多少？

OpenAI 显示，GPT-6 Luna 的定价为每 100 万个输入令牌 $0.10，每 100 万个缓存输入令牌 $0.01， 每 100 万次缓存写入为 $0.125，每 100 万个输出令牌为 $0.50（均按标准费率计算）。.

当输入令牌数量超过 272K 时会发生什么？

当请求的输入令牌数超过 272K 时，OpenAI 会对整个请求应用 2 倍的输入速率和缓存速率，以及 1.5 倍的输出速率。.

上下文和输出有什么限制？

GPT-6 Luna 指定的上下文窗口为 1,050,000 个令牌，最大输入为 922,000 个令牌，最大输出为 128,000 个令牌。.

知识截止点是什么？

当前的 OpenAI 模型页面显示，GPT-6 Luna 的知识截止日期为 2026 年 5 月 18 日。.

有哪些推理设置可供选择？

该 API 记录了“无”、“低”、“中”、“高”、“x高”和“最大”这几种推理难度级别，其中“中”为默认值。.

支持哪些 API 端点？

GPT-6 Luna 支持聊天补全、回复和批量处理。该模型页面未将实时处理、助手、音频、视频、图像生成、嵌入、微调、内容审核或旧版补全列为支持的功能。.

GPT-6 Luna 能处理图片吗？

是的。该模型页面列出了文本和图像输入以及文本输出。但这并不意味着它是一个图像生成模型。.

GlobalGPT 支持 GPT-6 Luna 吗？

OpenAI 的官方型号名称为 GPT-6 Luna，但 GlobalGPT 目前显示的是 GPT-5.6 Sol 和 GPT-5.6 Luna 标签。 由于尚未证实通过 GlobalGPT 访问 GPT-6 的具体路径，因此本文并不声称可通过 GlobalGPT 访问 GPT-6。.

这篇文章中包含基准测试吗？

是的，但测试范围较窄：通过 Broly Anywhere 兼容性 API 执行的三项匹配任务。测试结果被记录为一次观察到的运行，并非 OpenAI 的官方基准测试，也不代表其是通用的优胜者。.

最终判决

在官方价格表中，Luna 是最务实的“成本优先”选项：它与 Sol 保持相同的标称背景和输出上限，但收取的代币费率仅为后者的零头。这使其非常适合针对性强、重复频率高的调用，但在未进行受控测试的情况下，低价格并不能证明其延迟更低或质量更优。 发布前，请在发布当天再次核对官方模型和定价页面。.

核查日期：2026年9月23日。官方信息：OpenAI 开发团队。平台路线命名：GlobalGPT。公众反应：仅附有相关创作者和出版物的来源链接，未注明出处。.