GPT-6 三个模型怎么选？三个旋钮、错一次代价、算账到每次成功的实操手册

最近对 GPT-6 系列做了几轮实操加文档交叉验证,有一组数字反复跳出来:同样的输入,旗舰 Astra 的 token 单价是 Luna 的 100 倍。但真正烧钱的,不是把便宜的 Luna 用在最贵的地方,而是把贵的 Astra 用在最不该用的地方。这篇用一篇文章把这件事讲透——决定怎么用 GPT-6,其实就在拨三个旋钮。

一、三个旋钮:模型、推理档位、速度

先把这篇文章最核心的框架摆出来——用 GPT-6 时你手里其实只有一个开关组合,不是单选。三个旋钮分别是:

旋钮	选项	影响
模型	Astra / 6.1 Sol / Sol / Luna	单价、上下文、推理深度上限
推理档位 (reasoning effort)	low / medium / high / xhigh / max	思考深度,影响输出 token 量
速度	Standard / Fast / Ultrafast	单价倍率与延迟

很多人下意识地把这三个都拉到最大,以为”最强 + 想最久 + 最快”是最好的搭配。实际不是——速度旋钮和推理深度是两套独立开关:Fast 模式只是把输出生成跑快,并不会让模型”想得更深”,反之亦然。把三个都拧到最大,账单最吓人,效果不一定更好。

实际选择时,先问自己一个问题:这项任务到底需要多少智能? 任务需要的智能级别定下来,模型就定了;模型定了,剩下的旋钮就有依据。

二、怎么选模型:Astra、6.1 Sol、Sol、Luna 各负责什么

把 OpenAI 官方文档里的 GPT-6 系列做一次定位对齐,可以压成下面这张表:

模型	定位	关键数据	reasoning effort
GPT-6 Astra	最强智能,旗舰	1,050,000 token 上下文;FrontierMath L4 98%;max 在 OSWorld / browsing / 软件工程上一致 SOTA	low / medium / high / xhigh / max
GPT-6.1 Sol	接近 Astra 水平、价格只有 Astra 约 1/5	在 DeepSWE v1.1 与 Astra 同分,单任务成本明显低	low / medium / high / xhigh / max
GPT-6 Sol	老用户的平滑过渡,中端主力	“用以前的 Terra 位置”	none / minimal / low / medium / high / xhigh
GPT-6 Luna	最便宜,高频重复任务专用	输入价低于 DeepSeek-V4.1 Flash;在 max effort 下的事实准确度匹配 5.6 Sol 中端,成本约 1%	none / minimal / low / medium / high / xhigh

几个值得专门点出来的工程细节:

1. 6.1 Sol 不是 6 Sol 的小升级,而是把”接近旗舰”这个生态位往上挪一档。原来的 5.6 Sol 位由新的 6 Sol 接替,真正的”和 Astra 接近但便宜”由 6.1 Sol 顶上。这也是为什么 OpenAI 文档里会写”错配档位的 Sol 不如直接换 Astra”。
2. Astra 贵但单任务成本不一定最高。官方原文里有一句反直觉的结论:”Astra 在多项评测中用更少的输出 token 达到了更强的结果,单任务 API 成本反而低于早期模型。” 简单说,它贵在单价,但做得快、好、且输出 token 少,所以”每次任务”成本反而可控。
3. 缓存命中的折扣在 6 系列上变得真值钱。6 系列的 prompt cache 改进后,缓存命中的输入 token 享受官方 90% 折扣;GitHub Copilot 接入这套机制后,需要重新处理的提示 token 比例下降超过 50%,涉及数十亿次请求——量大的时候缓存比选模型更影响账单。

一个比”看价格”更靠谱的判断公式

判断用哪个模型,经验法则是两维乘法:

错一次的代价 × 任务需要重复多少次 = 模型选择的依据

• 错一次代价高、任务又很少跑——比如罕见但出错的成本是几千美元的事,选 Astra。
• 每天跑几千次、规则又很清楚——比如字段抽取、分类、固定格式汇总——选 Luna(甚至 6 Sol + none effort 也够)。
• 日常编码、研究这种中间地带——选 GPT-6.1 Sol,从 medium effort 起,不够再往上调。

这条经验法则比”看榜单分数”更通用,因为它把”任务本身”也放进了决策里。

三、推理档位:五个档位怎么开才不浪费钱

模型选定之后,真正的账单 / 延迟主要由 reasoning effort 决定。Astra 和 6.1 Sol 支持五档:

low → medium → high → xhigh → max
(快,便宜)                          (慢,贵)

剩下两个模型(Sol、Luna)额外支持 none 和 minimal——none 等于关掉推理走传统非推理模式,适合”不需要思考”的抽取、改写、分类。

各档实际用途(基于官方文档 + AutomationBench / DeepSWE v1.1 公开测评)

档位	适用任务	工程上等价于
low	抽取、字段对齐、少量编辑	非推理模式 + 一点点思考
medium	规划功能、比较选项、写文档	默认档,大多数日常
high	棘手调试、深入分析、审查	6.1 Sol · high ≈ Astra · light
xhigh	多文件重构、复杂架构判断	6.1 Sol · xhigh ≈ Astra · medium
max	极限准确,压出来那 1% ~ 2% 质量	开销最大,边际收益不一定正

一个很反直觉但重要的点

对 GPT-6 Sol 来说,xhigh 之后再上调到 max,效果提升很小,价格提升很大。这条尤其影响日常 agent 用户的账单。经验做法:Sol 跑在 high / xhigh 这一档是甜点,继续拉到 max,既不一定更准,又显著更贵——不如直接换 Astra。

跨档切换不会打断缓存

6 系列的关键改进之一:在 API 对话过程中更改推理级别,默认不会破坏 prompt cache。技术上意味着:

• 你可以用 medium 跑完绝大多数对话环节,只在遇到困难步骤时 inline 加 effort;
• OpenAI 推荐的具体做法是 configuration_update 输入项,而不是重发请求——保留原始 prompt 前缀,缓存持续命中。

这条对长链 agent 特别重要:以前切档位会让缓存失效,导致 token 花销指数级上升;现在切档=保留缓存。

四、速度:第三个常被忽视的旋钮

Fast / Ultrafast 模式容易被误解为”让我思考得更深”,其实它们只调速度,不调推理深度。三者的关系是:

Standard = 默认速度,标准单价
Fast     = 速度更快,单价上浮(明显溢价),适合实时聊天 / IDE 补全
Ultrafast = 最快,单价最贵,适合 IDE 内来回的高频编码

工程上需要注意的几条边界:

• GPT-6 Astra 的 Fast 模式不带延迟 SLA,Ultrafast 仅支持 US 数据驻留。
• GPT-6.1 Sol 的 Fast 模式支持 EU 数据驻留,Ultrafast 支持 US / EU / global。
• 面向欧盟客户的项目,默认应该选 6.1 Sol + Fast,而不是 Astra——数据驻留是硬约束。

五、提示词写法:讲清目标而非写死步骤

挑了模型、调了档,大多数人的账单没降下来——根因通常在提示词写错。常见的对比:

写法	示例
写死步骤型	打开哪张表、字段顺序、每段写多少句
讲清目标型	这份周报给老板看,3 分钟能读完,重点是风险和决策,数字与来源对应

第一种写法在表格结构变更时,模型会盲目执行旧步骤,产出失败;第二种写法的模型知道你的真实意图,能找出”实现目标”的最佳路径。

实测下来,应该同时讲清楚的四样事:

1. 想要的结果(不要只讲流程)
2. 受众是谁(决定信息密度和措辞)
3. 背景和限制(上下文,但要精简)
4. “完成”的定义(避免模型过度发挥)

决策边界也要写

长任务里一个高频翻车点是”凡事都先问我”。这种模式一旦累积,任务很容易半路停摆。提示词里需要明确一条线——模型可以自行决定什么、必须事先让你批什么。

例子:关于项目组织,如果模型打算改变范围,先问你;其他常规决定(文件命名、内部函数签名、测试覆盖)默认让模型自己继续。

另一个高频翻车点是”完成”的定义不清。建议在提示词里把”完成”拆成四件事写:

1. 改完
2. 跑起来
3. 检查结果
4. 修好失败

并额外要求一份”交接记录”——列出哪些改了、哪些验证了、哪些需要你额外看。一家公司把这种”分项列出已通过 vs 未测试”的工作流做出来,任务进度一眼就能扫出来,效果远好于一句”做完了”。

六、Skill 与 AGENTS.md:把可复用的规范外置

提示词越写越长,有两个问题越来越明显:一是每次对话都重复写一遍,浪费 token;二是散落在多个对话里的规则前后不一致。GPT-6 系列对应给出两套工程化方案:

• Skill(技能):可复用指令的最小单元,带触发条件描述——“在 X 场景下读这个 Skill 文件”;写得简洁、范围明确。
• AGENTS.md:代码库根目录的一个文档,模型启动时读取。定义安全操作规程,比如”用一次性数据本地测试,不要触碰生产系统”。

两者的关系是:Skill 控制怎么用工具,AGENTS.md 控制在哪里动手。

七、长任务四点:小时到几天的会话怎么管

GPT-6 在长任务上的可用度大幅提升,实际开始跑能持续几小时甚至几天的会话。这种长链任务有四条工程经验值得固定下来。

第一,中途纠偏可以,但不要指望有”撤销”按钮。在 API 上,你可以发更正,更正进入队列,等待当前工具完成;它不会取消正在运行的工具,不会回滚已完成的操作。所以”这不算数”在这种场景下是失效的——只能在上游更新 prompt 或者开新会话。

第二,慢任务别干等。当你的应用跑一个慢测试时,模型可以同时做不相关的工作(读下一段代码、起 subagent 调研另一个模块),最后再回到主线。但任何依赖这个慢任务结果的动作都必须等待——这部分要写清楚,否则模型会”提前假设结果”给出乐观但错的输出。

第三,尽可能 subagent 委派。6 系列 API 支持多代理工作流,把独立任务分给 subagent 并行——比如同时检查代码库的多个模块,最后汇总成一个回答。这是把”长任务”的墙变成几个并行短任务的最直接手段,也是单一会话最容易拖到超时时的救命稻草。

第四,事先约定何时暂停。Codex 在 RA 模式下会中途停下问你下一步,你不在的时候它就堵在那一行。建议:定一个”如果收到 继续 信号就接着跑、否则停下来等我回复”的规则,不要让模型自己决定”我继续猜”。

Computer Use 的使用原则

GPT-6 三款模型都能直接跑桌面 / 网页应用——即使应用根本没暴露 API,模型可以读屏幕、点按钮、填表。一条黄金法则:能 API 就用 API,有现成工具就用工具,只在确实需要 GUI 操作时才开 Computer Use。每一步都选最简单、最可靠的方法——GUI 操作最贵、最不可控。

八、上线前三件事:盯住三个数

正式上线之前,把”账单最大头”压下去是工程优先级最高的一项。可以压缩成三件事:

1. Prompt cache 把”重复前缀”压到 95% 折扣。具体做法:把稳定的说明和参考资料放前面、特定任务细节放最后、不要再频繁改工具定义。OpenAI 上线了缓存监控面板和诊断工具,可以查看命中率和未命中原因——按”未命中定位→针对性优化”的循环跑下去。
2. 精简上下文。长上下文的成本不是线性增长(在 attention 层接近 $O(n^2)$ 压力),而塞满号称的 1M 上下文后速度肉眼可见下降、”留给模型的资源”也少了。原则是”少而精”:只留任务必要的证据,过长就用压缩或外部存储。
3. 盯住三个数字——任务成功率、延迟、每次成功任务的成本。这是评估上线效果的真正指标,而不是”今天花了多少 token”。”每次成功成本”这一项尤其值得专门追踪,详见下一节。

九、算账:为什么单价贵 5 倍的模型,摊到每次成功反而便宜

很多团队在”选便宜模型”和”选贵模型”之间纠结,只看单价。但单价不是预算,下面这组假设数字能让这个误区立刻显形。

假设 1:便宜模型每次跑 1 美元,成功率 10%——也就是要跑 10 次才能成功一次,每次成功成本 = 10 美元。

假设 2:贵模型每次跑 5 美元,成功率 90%——平均下来,每次成功成本 ≈ 5.56 美元。

也就是说,单价看起来是前者的 5 倍,但每次成功的成本只有前者的一半多。OpenAI 自己在多次内部复盘里也提过这一点——内部 Coding Agent 的中位数日消耗已经超过 600 美元,90 分位超过 7000 美元,这种情况下”单价”远远没有”成功率 × 每次成本”重要。

但反过来也成立:如果贵模型的成功率并没有显著高过便宜模型(比如只高 5 个百分点),那贵模型就完全不值得。所以经验做法是:

先用便宜模型跑一组代表性任务,拿到基线成功率;再用贵模型跑同样一组,直接对比”每次成功成本”。不要靠跑分榜单替自己决策。

十、回到最开头的问题

回到开场那个 100 倍价差。我的判断是:

• 70% 的优化空间来自 reasoning effort 的精修,只有 30% 来自模型本身的选择。
• 大多数团队第一次接触 GPT-6,把”模型”和”档位”耦合在一起决策,结果是”贵的没选对、便宜的不敢用”。
• 真正稳的做法是:先选模型(用错一次的代价 × 任务重复次数判断),再选档位(从 medium 起,不够再升),最后选速度(用 Fast/Ultrafast 把延迟压下去)。三步都做完,绝大多数任务的账单能砍 40% ~ 70%。

最后留一张操作清单,贴到工位上的版本:

1. 这件事必须一次对吗?
   - 是 → GPT-6 Astra + xhigh / max
   - 否 → 继续

2. 这件事每天跑几千次、规则清楚?
   - 是 → GPT-6 Luna + high(或 max,看事实正确性要求)
   - 否 → 继续

3. 这件事复杂但允许 5% ~ 10% 错误?
   - 是 → GPT-6.1 Sol + high / xhigh
   - 否 → 回到 1

4. 这是简单的抽取 / 分类 / 改写?
   - 是 → GPT-6 Sol · reasoning.effort = none
   - 否 → 回到 3

把这张清单配上几条代码级硬规则,可以覆盖 80% 的日常决策:

• 任何任务第一次跑,先用 Astra · medium 或 6.1 Sol · high 试一遍,得到基线再决定要不要升档。
• 跨档切换用 configuration_update,不要重发请求改 effort。
• 批量 / 长上下文场景默认开 prompt cache,通过监控面板调 TTL。
• 遇到”模型反复要求授权”的问题,在 system prompt 里加一句”具备操作权限即可继续,无需确认”,而不是把 effort 拉满。
• 欧盟合规项目选 6.1 Sol,不是 Astra。

写到这里,你会发现把 GPT-6 用好的核心,不是哪一个开关选对,而是把模型、档位、速度、提示词、缓存、决策边界、完成定义、Agent 拆分这八件事一次性配齐。每一件单独看都不复杂,合在一起,就是 100 倍价差里拿回属于你的那一笔。