GPT-6 Sol 和 Luna 價格約減半,推進成本效率前沿
GPT-6 Sol and Luna push the cost efficiency frontier
Artificial Analysis 的評測指出,GPT-6 Sol 和 Luna 定價約為 GPT-5.6 的一半,Intelligence Index 分數大致持平。
文章並列價格、單項任務成本與多項基準結果,呈現降本幅度與不同能力變化並不一致,並指出 GDPval-AA v2.1 的回退與交付內容縮短相關。
GPT-6 Sol 和 Luna 將成本效益推向新境界,成本比 GPT-5.6 Sol 和 Luna 減半。Intelligence Index 和 Coding Agent Index 分數與 GPT-5.6 持平;部分評估有所進步,另一些則出現退步**

定價約為 GPT-5.6 的一半:Sol 每百萬輸入/輸出 tokens 價格由 $4/$20 降至 $2/$10;Luna 則由 $0.20/$1.20 降至 $0.10/$0.50。快取讀取仍享有相同的 90% 折扣,快取寫入仍加收 25%。
重點摘要:
➤ 每項任務成本減半:GPT-6 Sol (max) 執行 Artificial Analysis Intelligence Index 每項任務成本為 $1.06,比 GPT-5.6 Sol (max) 的 $1.99 低約 50%。GPT-6 Luna (max) 每項任務成本為 $0.07,比 GPT-5.6 Luna (max) 的 $0.18 低約 60%。這主要由減價帶動,因為兩款模型每項任務使用的輸出 tokens 略多(Sol 為 31k 對 29k,Luna 為 51k 對 41k)。這兩款模型讓 OpenAI 在成本效益 Pareto 前沿佔據重要位置。
➤ Coding Agent Index 中 Sol 進步,Luna 退步:在 OpenAI Codex 評估框架中,GPT-6 Sol (max) 的 Artificial Analysis Coding Agent Index 分數為 57,比 GPT-5.6 Sol (max) 高 2 分;Terminal-Bench 4.0(43% 對 37%)和 SWE-Atlas-QnA(58% 對 54%)亦有所提升。每項任務成本為 $2.99,比 GPT-5.6 Sol (max) 低約 50%,並位於 Coding Agent Index 與每項任務成本的 Pareto 前沿。GPT-6 Luna (max) 得分為 41,比 GPT-5.6 Luna (max) 低 2 分;SWE-Atlas-QnA(44% 對 49%)和 DeepSWE v1.1(64% 對 66%)分數較低,每項任務成本則下降約 60%。
➤ 幻覺大幅減少:在我們的知識與幻覺基準測試 AA-Omniscience 中,兩款模型的幻覺都較少。GPT-6 Sol (max) 的幻覺率由 92% 降至 60%,GPT-6 Luna (max) 則由 93% 降至 77%。Sol 的改善來自更常拒絕回答:它嘗試回答 83% 的問題,而 GPT-5.6 Sol (max) 為 99%;錯誤答案減少約四分之一,但準確率亦由 59% 下跌 5 分至 54%。Luna 回答的問題較少,但準確率大致不變,為 44% 對 43%。在 AA-Omniscience Index 中,Sol 由 22 升至 27,Luna 則由 -10 升至 1。
➤ 各項評估有升有跌:除 AA-Omniscience 外,兩款模型在 AutomationBench-AA(Sol 62% 對 60%,Luna 53% 對 50%)和 Terminal-Bench 4.0(Sol 44% 對 40%,Luna 13% 對 12%)均有進步。不過,在兩項重要知識工作評估中,我們亦觀察到退步。在 GDPval-AA v2.1 這項基準測試中,Sol 下跌約 100 Elo 分,Luna 下跌約 75 分;該測試改編自 OpenAI 涵蓋 44 個職業、評估具經濟價值任務的資料集。Luna 在 AA-Briefcase v1.1 亦下跌約 45 Elo 分,Sol 則持平。AA-Briefcase v1.1 是一項私人評估,涵蓋跨越數星期的知識工作項目和數千個輸入檔案。團隊已人工檢查數百項模型輸出;退步通常源於呈現質素下降,以及交付內容遺漏評分準則要求的要素。

在 Artificial Analysis Coding Agent Index 中,GPT-6 Sol (max) 比上一代高 2 分,每項任務成本減半;GPT-6 Luna (max) 則低 2 分。

GPT-6 Sol 和 Luna 在最高推理強度下的幻覺都比上一代少。

兩款模型在最高推理強度下的 GDPval-AA v2.1 表現均退步,原因是交付內容較短,更常遺漏必要項目。

Artificial Analysis Intelligence Index v4.3 各項評估的詳細結果
你可在此比較 GPT-6 Sol 和 Luna 與其他領先模型:www.artificialanalysis.ai
來源:Artificial Analysis 完整文章 · artificialanalysis.ai