OpenAI 把 GPT-6.2 Astra 的 API 價格往下調了兩成,同一天 Sol 的價目表一個字都沒動。降價會不會反映到你的帳單,取決於你買的是詞元,還是完成的工作。
GPT-6.2 Astra 的降價落在哪三個數字
OpenAI 在 11 月 17 日公布 GPT-6.2 Astra 與 GPT-6.2 Sol,兩款同時上線。這次動到的是 Astra 的價目表,而且只動價格,沒有改模型的定位。
每百萬輸入詞元 8 美元,快取輸入 0.4 美元。輸出端是 40 美元。公司說這比 GPT-6 Astra 低兩成,快取輸入的折扣則到六成。對長期跑大批次的人,這三個數字就是新合約的起點。
Sol 沒有跟著降。它沿用 GPT-6.1 Sol 的價格,輸入 2 美元、快取輸入 0.1 美元、輸出 10 美元。同一個家族裡最貴與最便宜的兩款,單價差還是 20 倍。
Astra API pricing 的變化,對輸入量大的工作最直接。以一份十萬字的合約審閱來說,輸入端省下的兩成是固定的,快取命中率高的話再省一截。麻煩在輸出,Astra 的輸出單價仍是 Sol 的四倍,而輸出量通常由任務難度決定,不是使用者能壓的。
項目 | GPT-6.2 Astra | GPT-6.2 Sol |
|---|---|---|
輸入(每百萬詞元) | 8 美元 | 2 美元 |
快取輸入 | 0.4 美元 | 0.1 美元 |
輸出 | 40 美元 | 10 美元 |
相對上一代 | 降 20% | 不變 |
Astra API pricing 之外,每任務成本才是真帳單
單價只是第一層。真正決定預算的是跑完一個任務要燒多少詞元,這一層的差距比價目表小得多。
Vals AI 的量測把這件事攤開。Astra 平均每個任務要吐出約 91,000 個輸出詞元,換算下來每任務 10.68 美元。Sol 每任務 3.18 美元。單價差 20 倍,每任務成本只差約 3.4 倍。
原因不複雜。Sol 也會燒詞元,只是每一步都比較省,累積起來把差距拉近。對走 API 的團隊,該看的是每任務成本;對按月訂閱的人,該看的是方案裡的額度與 Ultrafast 的使用權。
這裡也藏著一個採購陷阱。用單價去比較兩款模型,會得到「Astra 貴 20 倍」的結論;用每任務成本去比,結論會變成「Astra 貴 3 倍多,但完成的工作不一樣」。兩個數字都對,決策要用第二個。
還有一個變數是重試。長篇任務失敗一次就要從頭再跑,重試成本會落在輸出端,也就是單價最貴的那一段。Astra 的長處正好在這裡:一次做對的機率如果比較高,重試次數就下降,實際帳單會比用單價推算的低。
GPT-6.2 Sol 維持原價的理由
Sol 的定位沒有改。它負責日常與代理型的重複工作,回應快、單價低,適合把流程拆成很多小步驟去跑。這類工作量大,單價的每一分錢都會被放大。
Astra 則對準長篇的專業工作:簡報、試算表、法律與財務文件、CAD 圖、前端程式碼。這些任務的共同點是輸出長、容錯低,出錯一次的成本遠高於詞元費用。
供應範圍一起公布。Plus、Pro、Enterprise 與 Edu 使用者可以在 ChatGPT Work 與 Codex 用到兩款模型。Pro 500 兩種模型都能開 Ultrafast,Pro 200 首次拿到 Ultrafast,先從 Sol 開始。開發者透過 API 取得 gpt-6.2-astra 與 gpt-6.2-sol,上線當天就有 Ultrafast。
OpenAI new model 的成績單,先看歸屬
OpenAI 給的對比數字不少,全部屬於廠商自測。閱讀時先確認這一點,後面的獨立排名才看得懂落差在哪。
Agents' Last Exam 上,Astra 比 GPT-6 Astra 高 5.2 分,成本不到三分之一。對 Claude Fable 5.2 則是高 5.5 分,成本約 5%。法律與財務那組由 Harvey 的 LAB-AA v1.1 測試,OpenAI 說通過率是 Claude Fable 5.2 的兩倍以上,成本約六分之一。
GDPval v2 高 6.2 分,輸出詞元少 22%。3D 生成的 AA-3D 由 Astra 以 1,318 Elo 排第一,Claude Fable 5.2 是 1,271,GPT-6.2 Sol 是 1,259。這些是同一家公司挑的題目與比較基準,能說明方向,不能當成獨立結論。
Vals Index 與 Epoch 看到的 GPT-6.2 Astra
獨立評測的畫面比較雜,而且和廠商的敘事不完全一致。
Vals Index 把 Astra 排在第七,Sol 第九,兩者只差 1.6 分。Epoch AI 的能力指數給 Astra 174 分,與 Claude Fable 5.2 並列。但在 Epoch 自己的真實研究任務上,Astra 相對 GPT-6 Astra 幾乎沒有進步,這一點比總分更值得注意。
法律是明顯的弱項。Vals 的 HLAB 把 Astra 放在第 11、Sol 第 21;Legal Research 更是第 30 與第 52。OpenAI 的行銷素材把法律列為主打場景,獨立排名沒有配合。做合約比對與判例檢索的人,換模型之前最好先自己抽樣測一輪。
幻覺率也值得看一眼。Artificial Analysis 在它最難的事實題組、最高推理設定下,量到 Astra 59%、Sol 55% 的幻覺率。這不是日常閒聊的出錯率,題目本身就刻意刁鑽,但兩個數字都偏高。
Claude Fable 5.2 並列之後,誰該換、誰該等
先講安全,因為它會影響能不能用。兩款模型都達到 OpenAI 的網路安全 Critical 門檻,生物與化學能力列為 High。Astra 是第一個對外釋出、在 AI 自我改進上被列為 High 的模型。護欄因此收緊,部分合法的漏洞研究會受到限制。
回到採購。大量處理文件、簡報與試算表的人,換到 Astra 有機會同時省錢與省時間。做法律研究的人先別動,第 30 名不是行銷話術能補的。把流程拆成大量小步驟的代理迴圈,繼續用 Sol 更划算。
台灣的接案工作室與香港的中小型事務所,通常同時跑這兩種工作。比較務實的做法是分開計算:文件產出走 Astra,批次整理與客服回覆走 Sol,然後用一週的實際帳單驗證預估。這種做法比看榜單可靠,因為帳單會把快取命中率與重試次數一起算進去。
還有一個容易被忽略的成本:遷移。把一個已經調好的提示流程換到新模型,通常要重寫系統提示、重測工具呼叫、重新校正輸出格式。這部分的人力不會出現在 API 帳單上,卻往往比省下的詞元費用高。
接下來要觀察的是每任務優勢能不能撐過第二輪獨立重跑。降價是既成事實,效率是不是真的提升,評測榜下一次更新就會給答案。






