GPT-6 Sol 与 Luna：官方 Benchmark 总表，与相对 Astra 的回落项

OpenAI 在 2026 年 9 月 22 日把 GPT-6 家族从一个型号扩成三档，新增 GPT-6 Sol 与 GPT-6 Luna。1 官方对三个型号的分工说得很直接：GPT-6 Astra 仍是全面最强的一档，Sol 是能力接近而成本更低的替代，Luna 是家族里最快、最省钱的一档。12

价格是这次发布的主线。GPT-6 Sol 的 API 价格是每百万 input/output token 2 美元与 10 美元，GPT-6 Luna 是 0.10 美元与 0.50 美元，相对 GPT-5.6 同名型号的促销价各降 50%，上一代的对应价格是 4/20 美元与 0.20/1.20 美元。1 读这批数字时有一处容易混：GPT-5.6 一代本身就有 Sol、Terra、Luna 三档，官方说的「比前代提升」全部指同名跨代比较，GPT-6 Luna 与 GPT-5.6 Luna 是两个不同代际的型号。

Sol 与 Luna 没有独立的系统卡或技术报告。发布页把完整评测结果指向 GPT-6 Astra 的系统卡，这份卡在 9 月 22 日新增了一份覆盖 Sol 与 Luna 的附录，本期表格里的安全与对齐数值全部来自这份附录。2

总表收录 17 个模型列。OpenAI 一侧是本期新增的 GPT-6 Sol、GPT-6 Luna，9 月初发布的 GPT-6 Astra，以及 GPT-5.6 一代的 Sol、Terra、Luna 与更早的 GPT-5.5 Thinking。Anthropic 一侧是 9 月 1 日发布的 Claude Fable 5.1、Fable 5 与 7 月发布的 Opus 5，Google 一侧是 Gemini 3.8 Flash，DeepSeek 一侧是 V4.1-Flash、V4-Pro、V4-Flash，Kimi 与智谱分别是 Kimi K3 与 GLM-5.3、GLM-5.2。345

读表前有三项口径要分开。第一，OpenAI 发布页上每个 GPT 分数取该模型在各 reasoning effort 配置下的最高值，本表把配置写进格内；把不同 effort 的数字直接相减会得出错误的代差。第二，单任务成本与 API 价格是两套口径：前者由 token 消耗与重试轮次决定，官方在 AutomationBench 上只披露了 Sol 的 0.27 美元一个绝对值，其余以倍数出现，本表按倍数照录，不换算成美元。1

第三，AutomationBench、Agents' Last Exam、DeepSWE v1.1 三项在 OpenAI 与 DeepSeek、智谱的官方材料里各有一套口径，同名 benchmark 的绝对分数相差很大，本表把它们拆成两行分别列出，并在说明列注明出自哪一套。同一模型在同一行内出现两个官方数值时并列并标 ⚠️。此外，OSWorld 2.0 的分数取 v2026.08.08 离线集的部分奖励；系统卡在 9 月 22 日修正了 Astra 的 HealthBench 数值，修正前后两个值本表并列保留。

能力类与安全、对齐类合并为一张总表，所有模型列平铺，未披露项留 —。每行最高值加粗；标注「越低越好」的行改加粗最低值。

官方在 AutomationBench 上的主张要用两组数字一起看。GPT-6 Sol 在 xhigh 配置下拿到 33.2%，单任务 0.27 美元；Claude Opus 5 在 max 配置下是 26.9%，单任务成本是 Sol 的 11.1 倍，也就是官方所说的「用 Opus 5 的 9% 成本超过 Opus 5」。GPT-6 Astra 在 low 配置下的 30.3% 同样被 Sol 的 xhigh 超过，而 Sol 的成本不到它的三分之一。1

分数差距的另一半在 effort 与重试上。AutomationBench 的题目要求智能体用 47 个工具贯穿销售、市场、运营、客服、财务与人事的一整条业务流程，中间点错一次按钮或漏掉一步确认，就要追加几轮对话把上下文重放一遍。同一模型把 effort 从低档提到最高档，成本可能上一个量级，分数往往只涨几个百分点。Astra 在 9 月 3 日发布页上的 41.4% 是它的最高 effort 成绩，Sol 的 33.2% 出现在次高档，两个数字相减得到的差值里混着 effort 变量，不能当作两代之间的能力差。3

DeepSWE v1.1 上，Sol 在 max 配置拿到 68.8%，与 Claude Fable 5 在 xhigh 配置下的 69.9% 相差 1.1 个百分点，官方称单任务成本低约 80%；GPT-6 Luna 在 max 配置拿到 66.6%，与 Opus 5、Fable 5 在 medium 配置下的水平相当，官方称单任务成本比 Opus 5 低 93%、比 Fable 5 低 96%。1

同一份材料里，GPT-6 Astra 在 DeepSWE v1.1 上是 74.1%、在 Agents' Last Exam 上是 59.3%，都高于 Sol 的 68.8% 与 56.4%。Sol 在 Agents' Last Exam 上的 56.4% 超过 Opus 5 在该评测里的最高分（55.5%），代价是官方没有给出它的单任务美元成本，只说比 Opus 5 低 60%。13

FrontierCode 1.1 Main 是本期官方只给曲线、不给表值的一项。发布页的说明只有两句：Sol 相对 GPT-5.6 Sol 有明显提升，并能在低得多的成本下追上 Fable 5.1 的 xhigh 配置。这项评测判的是补丁能不能直接合并进真实代码仓库，除了正确性还要看测试质量、改动范围是否克制、是否符合代码库规范。1

OSWorld 2.0 离线集是本期唯一一处 Sol 低于上一代同名型号的项目：Sol 在 xhigh 配置下 60.5%，低于 GPT-5.6 Sol 的 65.7%，与 Claude Opus 5 在 medium 配置下的 60.3% 相当，官方给出的比较是成本低约 80%。GPT-6 Luna 在 max 配置下超过 GPT-5.6 Sol 的 medium 配置，成本约为其十分之一，官方同样没有给出具体分数。13

事实性评测是本期的内部评测，官方只给了相对关系：Sol 的错误量约为 GPT-5.6 Sol 的一半，接近 Astra 的水平；Luna 在高 effort 下与 GPT-5.6 Sol 持平，成本约为其百分之一。系统卡补充了一句适用范围，这批改善在极低延迟与低 effort 下最明显。12

健康与生命科学一侧出现了方向相反的结果。HealthBench Professional 的长度校正分上，Sol 与 Luna 都是 60.8，高于 GPT-5.6 Sol 的 60.5；但 HealthBench 的 53.2 与 HealthBench Hard 的 30.1 低于 GPT-5.6 Sol 的 57.0 与 33.1。官方把这处回落归因于回答变短：Sol 在这两项上的平均回答长度下降约 45%，已经低于评测用来校准长度惩罚的区间，导致答案覆盖到的评分要点变少。2

按 Preparedness Framework，OpenAI 把 GPT-6 Sol 与 GPT-6 Luna 在网络安全与生物、化学两个领域都按 High 能力处理，两者都低于 Critical 门槛，AI 自我改进能力未达到 High。官方为这两个型号启用的 safeguards 与 GPT-5.6 Sol、Luna 相同。2

抗诱导能力上，两个型号相对上一代有明显的量级变化。静态越狱评测里 Bio: high risk 一档的防御成功率，Astra 为 97.3%、Sol 为 85.8%、Luna 为 73.8%，而 GPT-5.6 Sol 只有 5.8%、GPT-5.5 Thinking 只有 11.5%。代价出现在反向指标上：生物拒答的 Benign 一档衡量模型是否过度拒答，Sol 的 0.964 与 Luna 的 0.958 低于 GPT-5.6 Sol 与 Luna 的 0.989，说明新一代在合法问询上拒答得更多。2

对齐评测里，GPT-6 两个型号都优于同名上一代。编码欺骗率上，GPT-5.6 Sol 的比率约为 GPT-6 Sol 的 8 倍，GPT-5.6 Luna 约为 GPT-6 Luna 的 3 倍；Broken Search Tool 的失败率上，GPT-5.6 Sol 约是 Sol 的 16 倍。ExploitGym 蜜罐一项，GPT-5.6 Luna 有 19.7% 的尝试、9.9% 成功，Sol、Luna 与 Astra 都没有尝试。绕过 Auto-Review 一项，Sol 与 Astra 没有尝试，Luna 尝试了但没有成功。2

唯一明确低于上一代的成对结果是网络安全安全评测的 Production Chat 一列：Sol 的 0.957 与 Luna 的 0.951 低于 GPT-5.6 Sol 的 0.983 与 Astra 的 0.970，官方称之为小幅回落，并说明合成与半合成两类环境的分数与上一代基本持平，拒答只是安全层的其中一层。2

GPT-6 Sol 与 GPT-6 Luna 从发布当日起在 ChatGPT Work 与 Codex 中向 Plus、Pro、Business、Enterprise 与 Edu 用户开放，API 里的模型名是 gpt-6-sol 与 gpt-6-luna；Free 与 Go 用户可以在桌面端使用 Luna，Chat 里暂不提供。1

实际账单由单价与缓存命中率共同决定。OpenAI 在同一天改进了 GPT-6 的提示缓存，缓存命中的输入 token 折扣为 90%，并放出缓存监控面板与诊断工具；GitHub 报告其请求中需要重新处理的 prompt token 占比下降超过 50%。对反复重放同一段上下文的 Agent 类负载，这项改动的省钱效果与降价同向叠加。7

按能力分层的迁移判断可以从本期数字里读出来。需要峰值能力的负载留在 Astra：它在 DeepSWE v1.1、Agents' Last Exam、OSWorld 2.0、ExploitBench 与 Sandbox Bench 上都是 OpenAI 一侧的最高值。成本敏感、可以接受几个百分点回落的高并发与迭代型负载适合迁到 Sol，它在 AutomationBench 与 DeepSWE 上按成本对齐已经追平或超过 Anthropic 的旗舰，并明显强于 GPT-5.6 Sol。Luna 的定位是支撑大规模调用，代价是它在网络安全能力评测与编码欺骗率上都是家族内最低的一档。网络安全方向仍受访问约束：这两个型号被列为 High 能力，具备资质的 Daybreak Blue 用户才能获得降低 cyber 拒答的访问。12

本期官方没有给出绝对值的只有两类数字：事实性错误率与编码欺骗率仅有曲线图与相对倍数，单任务成本除 AutomationBench 的 0.27 美元之外也只有倍数。1