GPT‑5.6 Luna 输入端价格一夜降到每百万 token 0.2 美元,跌幅 80%。Terra 便宜 20%。OpenAI 没把这当成一次促销,而是包装成一整套叫"智能丰裕"的商业逻辑:模型越便宜,活儿越多,活儿越多,钱越多,钱越多,再投资越猛,模型再变便宜。听起来是个自我加速的飞轮,问题是——这个飞轮转起来的前提,官方自己也没证明。
降了多少,快了多少
先把数字摆清楚。
- Luna.输入 $0.2/M、输出 $1.2/M,较之前降 80%
- Terra.输入 $2/M、输出 $12/M,降 20%
- Sol Fast.价格翻倍,速度最高提到 2.5 倍,智能水平不变
- 让 Sol 参与优化自家服务软件后,端到端服务成本降了 20%
- 投机解码改进后,token 生成效率提升超过 15%
- 只靠系统层调整(不换模型),Sol 在 ARC‑AGI‑3 上的分数从 13.3% 冲到 38.3%,输出 token 反而少用了 6 倍
这里有个容易被价格表带偏的点:OpenAI 自己也强调,衡量成本不该只看 token 单价,要看任务成功的总成本——包括重试次数、人工监督、出错返工、耗掉的时间。一个更贵但一次做对的模型,可能比一个便宜但要来回调三次的模型更省钱。反过来,便宜模型如果质量够用,能把一堆原本"不划算"的活儿变得值得做。这个换算逻辑是对的,但它同时也是一句方便的话——足以让任何价格调整听起来都合理。
全栈的算盘
OpenAI 把这套降价放进一个更大的叙事里:ChatGPT、Codex、API 的真实用量反哺研究方向,研究改进压低服务成本,成本下降又反过来扩大用户和企业的使用范围,进而指导下一轮基础设施投资该往哪儿投。它给出的数字不算小——超过10亿活跃用户、超过200万企业客户,用户六个月后日均发消息量涨约50%,使用场景种类翻倍;Codex 的智能体式工作已经占到内部每周输出 token 的 99.8%。
"天下熙熙,皆为利来"——这句话放在这里不是讽刺,而是准确。这套循环之所以能转,不是因为使命宣言写得好,是因为每一层都有实打实的利益驱动:产品团队要更多用户,研究团队要更好的效率数字去说服融资和合作方,基础设施团队要用真实需求去说服自己该不该建下一批数据中心。这是商业逻辑,不是慈善。
丰裕成立的条件,还没全部满足
这里要拆开三层。
第一层是降价本身。它是真实的,也确实会让一部分原本不划算的任务变得值得做,这一点值得肯定——不是每次基础设施叙事都能拿出具体到小数点的价格数字。
第二层是闭环的证据。用户规模、企业数量、效率提升、内部使用比例,这些数字全部来自 OpenAI 自己,没有第三方审计,也没有独立同行数据做对照。它们更像是一份说服投资人和合作伙伴的成绩单,而不是行业公认的事实。
第三层,也是最容易被忽略的一层:降价不等于总成本下降。企业客户的真实账单,取决于任务成功率、调用频次、人工复核成本,还有换模型、换平台的迁移成本。价格表打折,账单未必打折——这中间隔着一整套运维现实。
- 风险.更便宜的价格会拉长使用深度,也会加深对同一家公司模型、平台和算力调度的依赖,锁定成本不会写在价格表上。
智能是不是真的丰裕,要看谁在替谁承担代价。
基础设施这笔投资也一样。文章里提到的那句"planned years before it is needed"是实话——数据中心的建设周期天然长于模型迭代周期,这个错位是整个行业的老问题,不是 OpenAI 一家的困境。效率数字再好看,长期产能建设依然要靠真实需求预测、融资能力和后续利用率去验证,现在还处在"讲故事"和"兑现"的中间地带。
铁路时代的教训是先铺轨、再看谁真的坐车,坐车的人不够,轨道就是沉没成本。GPT‑5.6 的降价是好消息,是真实让利,值得记一笔。但"智能丰裕"这个说法,离普惠还有距离——它现在更像一份自证成长的成绩单,能不能变成读者钱包里的实际省钱,取决于任务成功率而不是价目表。这道题,OpenAI 自己给的答案还不够。