GPT-6 Sol 降價 50% 的秘密：消失的 Terra，一場模型梯隊平移

本文作者： 高允毅 2026-09-23 20:47 導語：奧聖上臺，梁聖危機了麼？奧聖上臺，梁聖危機了麼？作者丨高允毅 編輯丨岑 峰 OpenAI 也走性價比路線了？別被它的“偷樑換柱”給騙了。今早，硅谷又熱鬧了，迎來雙雄對決。Anthropic 推出 Claude Opus 5.5，OpenAI 緊接著推出 GPT-6 Sol 與 Luna。和以往模型更新不同的是，行業的討論點聚焦到了“大家怎麼都變便宜了”。Claude Opus 5.5 較上一代 Opus 5，成本降低 40% ，擁有 Fable 級性能。而 GPT-6 Sol 降得更狠，性能持平 GPT-5.

6 Sol，價格直接腰斬，每百萬 Token，輸入 2 美元，輸出 10 美元，性價比看似要一步踩進 DeepSeek 的腹地。但如果仔細對照，就會發現 OpenAI 所謂腰斬，是抹掉了一個型號 Terra。我們都知道，OpenAI之前的模型檔位是：旗艦 Sol、中端 Terra、輕量 Luna。現在變成了 Astra、Sol、 Luna。Terra 哪去了？網友戲稱變成 Sol了，把整個梯隊往上提了一格。再重新對比一下 GPT-5.6 Terra，每百萬 Token 輸入 2 美元、輸出 12 美元，和 GPT-6 Sol 對照看，幾乎沒什麼變化。這波降價潮的真相，也就不言自明瞭。

01三家賬本攤開看，誰在真降價？當下AI賽道價格戰白熱化，各大廠商紛紛下調模型定價，但降價的成色、邏輯和含金量天差地別。Anthropic 降價最有誠意，DeepSeek 仍有絕對的成本優勢，但差距在縮小，OpenAI 更像是商業定價敘事為主，工程優化為輔的策略型降價。先說 Anthropic。Anthropic 走的是“強模型，真降價”。Claude Fable 5.1 本來定位就是模型天花板，專攻高價值複雜推理場景。而 Claude Opus 5.5在大多數日常任務，性能與之相當，僅在極深度邏輯推導、超大規模代碼工程等高難度場景存在差距。相當於用 40% 價格保留 80% 核心能力。

Claude Opus 5.5真正厲害的是，它解決了長任務裡最燒錢的隱形開銷——思維鏈。在大廠的不少工作場景中，像處理長文檔分析、多輪工具調用等任務，會讓模型會在自我糾錯和深度推導中燒掉預算。Opus 5.5 不只把基礎價格降了，更將核心的‘緩存讀取’費用降了 60%。這樣一來，長任務裡“深度思考”的總成本少了近六成，開發者敢頻繁調用高階推理了。而 DeepSeek 的絕對成本優勢仍在。在閒時，還能減半。如果把 DeepSeek 與 OpenAI 的中端模型進行對比的話，可以看出 OpenAI 已經在努力向DeepSeek靠攏了。

再看輕量級戰場，不少人會困惑，似乎賬面上看，OpenAI 好像是更便宜的那個。單看高峰時段標價，DeepSeek-V4.1-Flash 的輸入費是 GPT-6 Luna 的 1.5 到 3 倍，輸出費是 1.2 到 2.4 倍。不過這兩者在性能和體量是不能放一起比較的。GPT-6 Luna 是一個真正意義上的“小模型”，體積可能只有十幾 B 參數，專門用來處理極其簡單的短文本過濾、分類。DeepSeek-V4.1-Flash 表面上叫 Flash，但它的底層是一個總參數高達 552B 的重型混合專家模型，它在編程、長文本推理、多步邏輯上的智商，相當於前沿的中端大模型。

在這樣的智商碾壓下，它只比 Luna 貴一點點，這本身就是技術上的奇蹟。DeepSeek 之所以敢把一個 552B 的模型賣到三毛錢，完全是靠它的非對稱因果編解碼（CED）架構，只激活了 16B 的專家參數，算力損耗極低，且調用量越大、調度優化越充分，成本優勢越明顯。不過，DeepSeek 的低價有自己的“特殊門檻”，受制於錯峰機制，還高度依賴高前綴重複度。而 Luna 的低價沒有門檻，這種“省心價”對中小開發者而言反倒成了感知上的優勢。相較而言，OpenAI 更像是用“商業套路”、長文本加價和緩存命中折扣，實現了價格跳水。GPT-6 Sol 的 “價格腰斬”，本質是一次非常高明的定價敘事。

而隱藏在低價背後的兩大規則設計，才是OpenAI真正的佈局。一方面，它還把緩存命中輸入價格直接給到1折，每百萬Token價格是 0.20美元。從工程落地的角度看，這是一個高明的生態策略。對於大廠的複雜長程 Agent 任務，其系統前綴 Prompt 往往非常龐大。開發者一旦為了享受這 1 折優惠，把海量的企業基礎數據固定掛載在 OpenAI 的緩存裡，企業的遷移成本就會高到無法承受。這就像用便宜價格建了一道很難翻出去的牆。另一方面，GPT-6系列在長本文上全量加價，只要輸入超過 272K Token，整筆請求的輸入費直接翻倍，輸出費也漲 1.5 倍，本質是用價格槓桿調節需求。

這也暴露了OpenAI 在長文本上效率不夠，它缺少更強的壓縮技術，只能靠漲價限制高消耗場景。02降價背後，DeepSeek 和 OpenAI 的不同在降本這條路上，DeepSeek 和 OpenAI 走了兩條完全不同的路。DeepSeek 最早靠 V2 的 MoE 思路出圈，專家不一定要大，可以拆小，按需激活。這樣哪怕總參數很大，每次推理可以只跑一小部分。在最新的 DeepSeek-V4.1-Flash 中，這套激活思路到了登峰造極的境界，它的因果編解碼架構（CED），預填充和解碼用不同模塊非對稱激活，讓實際激活參數量不過 8B 到 16B 左右。

Kimi 大神蘇劍林曾點透其中的邏輯，大模型讀取提示詞時，只有最後一個 Token 用來預測下一個詞，前面的內容主要用來生成 KV 緩存。傳統模型裡，前面的 Token 雖然不用算輸出頭，但最後一層 MLP 依然會完整計算，省的算力微乎其微；而 DeepSeek 用 YOCO “只緩存一次” 的思路，讓預填充階段只負責生成全局緩存，生成完就停止，後續解碼階段直接複用，把原本不起眼的邊角優化放大成了核心成本優勢。而在 KV 緩存壓縮這件事上，DeepSeek 在迭代過程中把體積壓到了極致。

早在 V2 版本，DeepSeek 就提出 MLA 多頭潛在注意力，實現了 KV 緩存的低秩壓縮，相當於把完整的緩存拆成內容與位置兩部分分別精簡存儲。到 V4 版本，這套思路進化為壓縮稀疏注意力，疊加稀疏編碼、全局摘要、低精度存儲多重優化，把 KV 緩存降到了每 Token 約 3560 字節。到了 V4 版本，這套思路進化為壓縮稀疏注意力。在壓縮的基礎上，只存有效信息、用摘要代替全量數據、用更緊湊的精度格式存數據路等優化方式。把 KV 緩存的體積降到了每 Token 約 3560 字節。V4.

1 版本的第二代壓縮稀疏注意力（CSA2），則從三個維度再擠水分：一是不同網絡層之間共享中間特徵，不用每層都單獨存一份完整緩存，減少重複存儲；二是全量落地 FP4 極限精度存儲，進一步壓縮數據體積；三是搭配滑動窗口注意力的邊界重放機制，不用每次都從慢速存儲裡讀取完整緩存，只調用需要的片段即可。幾層技術疊加下來，全局 KV 緩存最終降到了每 Token 約 890 字節，體積僅相當於標準 Transformer 架構的 2% 左右。如果把標準 Transformer 的緩存比作一沓 A4 紙，那 DeepSeek 現在不僅把它壓縮成了一張便籤的大小，還把這張便籤反覆使用。

在萬卡級的大集群調度上，DeepSeek 直接把 GPU 的 “閒置時間” 和 “閒置空間” 幾乎榨乾，連主機內存、數據總線這些周邊硬件都被拉進算力流水線協同幹活，把整臺服務器的顯卡、內存、總線、網絡當成一整臺精密機器來擰效率。和 DeepSeek 的極客風格不同，GPT-6 Sol 走的是一條 “務實路線”，儘量不動核心模型架構，主要靠工程優化挖效率、用商業規則控成本。架構層面，它沒有跟進細粒度 MoE 拆分，這會打破它已經規模化、高穩定性的訓練計算圖體系。

OpenAI選擇的是更務實的參數蒸餾與稀疏化重構，把上一代模型裡部分冗餘的稠密層，拆分成更輕量的小 MoE 分支，不用動整體框架，就能大幅降低單 Token 推理的浮點運算量，進而減少一部分成本。面對長上下文場景的顯存壓力，OpenAI 選擇用階梯定價，避免超長文本。它把上下文的節點標註為272K，272K tokens 以內的上下文，靠成熟的類 PagedAttention 虛擬內存技術消化；超過的部分，請求會被強制調度到顯存更大的 B200 節點，計費直接翻倍。而這次大降價真正的核心，其實藏在 Prompt Caching（提示緩存） 的極致優化裡。

如果說 DeepSeek 降本的秘訣是把緩存做小，那麼 OpenAI 的核心策略就是把緩存用滿。為了把緩存的價值榨乾，OpenAI 一邊拼命提升緩存命中率，一邊努力延長緩存壽命。過去，當你把模型從“簡單模式”切換到“深度推理模式”時，之前算好的前綴緩存會直接作廢；而現在它支持動態調檔，舊緩存可以無縫跨模式反覆使用。OpenAI 還把緩存最短有效期拉長到 30 分鐘，只要命中緩存，輸入費用立馬打一折。它還開放了顯式緩存斷點功能，讓開發者可以自己決定哪部分內容進緩存，並配有專門的診斷工具來排查“為什麼沒命中”。最厲害的是它的預熱緩存能力。

用戶請求還沒發過來，系統就提前把固定的系統提示、工具定義、參考文檔的 KV 緩存算好等著。連圖片輸入、工具配置、結構化輸出格式這些內容，只要前綴完全一致就能命中緩存。這種優化效果直接反映在了賬單上。根據頭部 AI 團隊的實測，在 Copilot 交互式代碼場景裡，大批 Token 無需重複計算，需要重新處理的 Token 數量直接砍掉了一半以上；而在更吃資源的企業級 Agent，如 Manus 等團隊的實際落地中，原本 85% 的緩存命中率被硬生生拉高並穩定在 90% 以上。不僅如此，GPT-6底層重構了推理邏輯，支持工具響應等待期間並行處理其他任務，允許用戶中途調整需求。

這套靈活的多任務邏輯，本質都是為了延長高價前綴緩存的生命週期，最大化複用已有算力，減少重複消耗。03性價比內卷，奧聖上位過去兩年，大模型行業性價比敘事，一直屬於DeepSeek。梁文鋒用兩代架構把價格打穿地板，被人們直接封為了“梁聖”。OpenAI 這波降價後，網友開始調侃 “奧聖上位”。只是，這位新晉“奧聖”的上位成色，多少得打個問號。OpenAI講的性價比故事，一半靠換標，一半靠緩存摺扣，二者都建立在“用戶不細看價目表”的前提上。當巨頭的競爭開始比拼價格戰，既沒有萬卡集群也沒有自研架構的玩家，下一輪拿什麼上牌桌？

上車，(公眾號：)帶你看遍全球 AI 頂會精華可獨家暢覽：專家演講PPT大會報告全文熱門論文解讀學術新星訪談掃描上方二維碼或點擊「閱讀原文」關注專區。原創文章，未經授權禁止轉載。詳情見轉載須知。0人收藏 分享： 相關文章 GPT-6 Sol KV 緩存壓縮 OpenAI 獨家丨OpenAI的一款無屏硬件，正在深圳試製 OpenAI：為了不被殺死，Agent 竟學會了靠上下文「轉 ...周鴻禕：不會再投資新能源汽車，已經吃過一次虧；Op ...芯片從業者拆解OpenAI造芯，還能再快3個月？

高允毅 編輯 發私信 當月熱門文章 深度解讀：關於 Jev 的幾大疑問 GPT-6 砍掉思考 Token，俄羅斯人砍掉通信 Token，Token 經濟開始崩了？深度解讀 DeepSeek V4.1 Flash 全新架構，如何成為顯存殺手 打穿 AI 智商測試！GPT-6 Astra 的符號世界模型，是突破還是鈔能力刷分？Anthropic 再定統一標準：MHS，打通 AI 與物理世界的統一接口 最新文章 深度解讀：關於 Jev 的幾大疑問 深度解讀：智譜為什麼要在 Infra 層搞 RSI？工作流可以自我進化了，英偉達開源 SoL-Pi，每小時省13.5刀！深度解讀 DeepSeek V4.

1 Flash 全新架構，如何成為顯存殺手 打穿 AI 智商測試！GPT-6 Astra 的符號世界模型，是突破還是鈔能力刷分？GPT-6 砍掉思考 Token，俄羅斯人砍掉通信 Token，Token 經濟開始崩了？熱門搜索 芯片 DeepMind app Windows GAIR AWS wifi 越獄 數據分析 掃地機器人 yahoo