大家好，这里是最佳拍档，我是大飞。我觉得现在AI公司最擅长的就是四个字：口是心非。明明嘴上喊着AI很危险，要减速，结果各家比着发模型。就在昨天，OpenAI和Anthropic前后相隔大约一个半小时发布了新一轮模型的更新。

OpenAI推出了GPT-6 Sol和GPT-6 Luna，把GPT-6 Astra上的部分能力继续下放。Sol面向专业工作、编程和复杂智能体任务；Luna则进一步压低成本，瞄准高频、大规模调用。Anthropic几乎同时推出Claude Opus 5.5，继续强化编程和智能体能力之外，还把沟通能力单独列为重点升级方向，进一步降低模型运行成本。

虽然从技术能力上看，两家公司依然在比模型能力、编程、Agent和计算机操作。但是从开发者的早期反馈来看，大家对两者的关注焦点并不同：对于GPT-6 Sol和Luna，大家反复讨论的是价格怎么还能继续降；对于Opus 5.5则更受关注的是上一代那些难用的问题到底修好了没有。

我们先从价格说起，GPT-6这一轮最激进的变化首先发生在价格上。GPT-6 Sol的API输入价格从GPT-5.6 Sol的每百万Token 4美元降到了2美元，输出从20美元降到10美元。GPT-6 Luna则从每百万token 0.20美元和1.20美元进一步降到0.10美元和0.50美元。

相比上一代，Sol和Luna的价格大致又下降了一半。而且OpenAI明确说了，这是长期定价，不是限时折扣。但更值得注意的是，OpenAI并没有只强调Token单价，而是反复用“完成一次任务多少钱”来证明这一代产品的方向：从刷新能力上限，转向整体压低Agent的使用成本。

我们来看几组具体的数据。在AutomationBench测试中，Agent需要调用47种工具完成销售、营销、运营、客服、财务和人力资源等业务流程。GPT-6 Sol在最高推理强度下得分33.2%，平均单任务成本0.27美元；Claude Opus 5得分26.9%，总任务成本大约为Sol的11.1倍。

Claude Fable 5.1配合Opus 5回退时，虽然取得了31.4%，但成本至少是Sol的8.9倍。而且这个数字还没有完整计入大约40%任务回退到Opus 5产生的额外费用。编程场景更能体现这种策略：在DeepSWE 1.1测试中，GPT-6 Sol最高推理强度得到68.8%，与Claude Fable 5最高档位的69.9%只差1.1个百分点。

但是OpenAI称单任务成本低大约80%。GPT-6 Luna则达到66.6%，接近Claude Opus 5和Fable 5中等推理强度的水平。而按照OpenAI的测算，完成同类任务的成本分别比Opus 5低约93%、比Fable 5低约96%。Luna得到的正面评价主要集中在性价比上，有用户惊讶于这样一个已经相当便宜的模型还能再次降价。

也有人表示已经开始把部分生产分类任务迁移到GPT-6 Luna。有科技博主还注意到，过去DeepSeek长期被视为低价模型的代表，如今OpenAI开始主动进入同一价格区间。不过这种反馈同时也暴露了GPT-6的另一面：一些开发者并没有感受到很强的六代跃迁感。

原本期待Sol明显接近Astra，但是实际体验却更像一个更成熟、更便宜的GPT-5.6 Sol。有人干脆把这次发布概括为：主要是一次成本胜利。Anthropic面对的问题则完全不同，上一代Opus 5并非能力不强，相反它在不少基准测试上已经处于很高的位置。

但是真实的使用口碑明显分化：一些开发者认为它编程正确性不错，却容易出现表达冗长、术语奇怪、注释过多、过度设计以及擅自扩大任务范围等问题。甚至有用户指出Opus 5在不少基准测试上已经与Fable接近，但是自己在实际编程中仍然几乎全部使用Fable。

因此Opus 5.5这次把沟通能力单独列了出来，Anthropic强调新模型会减少不必要的术语和特殊措辞，把重要信息放在前面，并且改善了长时间协作中的可读性。因此Opus 5.5输入价从5美元降至4美元，输出价从25美元降至20美元，下降了20%；缓存读取价则从0.50美元降至0.20美元，下降了60%。

典型工作任务的成本相比Opus 5下降了40%，输出速度提升30%以上。那为什么Token只便宜了20%，任务成本却能便宜40%呢？Anthropic给出的解释是：单个Token的价格并不能直接代表最终任务成本。虽然普通输入输出Token价格只下降了20%，但是缓存读取的降幅达到60%。

对于Claude Code这类需要反复读取代码和历史上下文的长任务来说，缓存降价会被持续放大。再加上Opus 5.5完成同一任务所需的Token和步骤更少，所以Anthropic测得默认设置下典型任务的总成本最终可降低约40%。这其实和OpenAI这轮发布的思路惊人地一致：每百万Token多少钱已经不适合单独计算了。

更合理的方式是放到实际任务中，看看真正做完要花多少钱。OpenAI在7月底发布过一篇博客叫《Building abundant intelligence》，文中明确提到客户真正购买的并不是Token，而是任务被完成。因此更合理的衡量方式应该是一次成功结果的总成本，其中还要算上重试、人工监督、时间和错误带来的代价。

Anthropic这边其实已经从企业用户那里收到过一次很直接的价格反馈：Fable 5发布后，Ramp对企业模型支出的追踪显示这款Anthropic当时最贵和能力最强的模型只占Anthropic企业Token使用量的大约6%。Ramp把这视为一个价格上限信号：企业并不会因为模型更强就无限接受更高的价格。

随后Fable 5.1就做了一些调整，虽然输入和输出标价没有下降，但是缓存读取直接降了75%，使典型工作负载成本下降约25%；高度Agent化的任务最高可降约45%。更有意思的是，Anthropic自己的开发者文档甚至建议大多数任务先从Opus 5开始，只有高难度的Opus仍然不够的时候再考虑Fable 5.1。

所以连官方都承认，旗舰模型已经不再是默认选项而更像是专门留给高难度、长周期任务的昂贵资源。市场已经开始告诉厂商：仅仅把最强模型继续做强并不足以让企业持续升级。当日常任务用Opus就已经够好了，企业为什么还要支付Fable的价格呢？

当Luna已经能覆盖越来越多正式工作，为什么每一步都要调用Astra呢？这可能也是两家公司现在共同面对的问题：前沿能力当然还要继续往上发展，但是真正想扩大企业的使用规模还是要结合价格来看。聊完了价格，我们再来看大家最关心的编程能力。

在OpenAI公布的部分编程评测中GPT-6 Sol已经逼近Claude此前的高端模型，但是过去几轮发布已经让很多人意识到软件工程基准测试里的几分差距很难稳定映射到真实的使用体验。Opus 5就是一个典型例子：它发布时拥有漂亮的成绩，但是仍有不少开发者认为它在真实项目里很难用。

与此同时也有另一批用户认为高推理强度下的Opus 5已经是非常强的程序员，甚至能够根据刚发表的论文完成算法实现。所以到底好不好用除了模型本身也越来越依赖任务类型、代码库结构、工作流以及开发者自己的Agent框架而不是一张统一的榜单。

这也是为什么Opus 5.5虽然获得了明显更积极的早期评价，社区态度仍然带有很强的先用几周再说的谨慎。Anthropic自己也承认当模型能力达到目前水平之后，评测之间几个百分点的差距越来越难直接映射成现实体验。原因在于真实软件工程从来不只是写出一段能通过测试的代码，历史代码、技术债、架构约束、模糊需求、团队规范、长期维护性以及哪些地方不能碰都很难被单一基准测试所完整覆盖。

一个模型即使第一次写出的代码完全正确，如果它修改了大量无关文件、进行了不必要的重构或者需要开发者花费大量时间理解和返工实际生产力仍可能低于一个跑分稍低、但是行为更稳定的模型。因此，编程模型的评价对象不再是能不能生成正确代码而是Agent完成一次软件工程任务的全过程质量。

那如果把Opus 5.5和GPT-6 Sol放在一起直接比结果会怎样呢？虽然两家的公告都来不及把对方昨夜的新模型放进图表，但我们可以从几项共有的测试结果上来做一个初步对比。第一项是AutomationBench：两家列出的Opus 5都是26.9%、Fable 5.1都是31.4%，在这项测试上Opus 5.5拿到40.0%。

GPT-6 Sol最好的成绩是最高档位的33.2%，差了将近7个百分点。而且Anthropic注明Opus 5.5这次是在不启用备用模型的情况下跑的，安全防护一旦介入就算失败。第二项是FrontierCode：考的是Agent写的代码能不能被合并进真实代码库，Opus 5.5在最高档位拿到54.4%，默认档位下也有54.6%。

OpenAI图表里Sol在最高档位是49.3%，和Fable 5.1 50.3%的成绩大致相当。独立评测机构Artificial Analysis则在同一套条件下把两个模型都跑了一遍，结果方向一致。在它的综合智能指数上Opus 5.5以58分排到第一，比GPT-6 Astra和Fable 5.1高出5分；GPT-6 Sol在最高档位是48分，只比上一代高1分。

Sol真正的变化其实还在成本：跑一个指数任务平均1.06美元，比GPT-5.6 Sol便宜约一半。而这主要来自降价，它每个任务用的输出Token其实还略多一些。Artificial Analysis还发现Sol在GDPval-AA知识工作测试上比上一代掉了大约100分，问题主要出在呈现质量和结果不完整。

而知识工作恰好是Opus 5.5这次领先最明显的方向。所以就目前的比分和价格来看这两款模型的定位其实也已经形成差异化：同样的活Opus 5.5做得更好，Sol做得更便宜。Sol的API单价正好是Opus 5.5的一半和Anthropic 8月转为长期定价的Claude Sonnet 5完全相同。

也就是说OpenAI拿Sol去对标Opus，定价却放在了Sonnet那一档形成了错位竞争。跑分与报价之外几位提前获得权限的开发者给出了更不整齐的答案：科技分析师弗拉维奥·阿达莫（Flavio Adamo）说他测试Sol时一些在GPT-5.6上需要大约1小时的任务缩短到了20分钟左右，消耗的Token也经常不到原来的一半。

他还让模型根据《塞尔达传说：时之笛》预告片尝试制作了一个可运行的塞尔达风格演示。投资人马特·舒默（Matt Shumer）的体验则更保守，他认为Sol整体可靠但是日常工作仍更倾向于Astra、Fable 5.1或Opus 5.5。对他来说新模型增加的首先是另一个选项而不是一个可以替掉所有模型的答案。

接下来我们聊一个可能很多人还没意识到的新战场：缓存。这次发布OpenAI开始明显把提示词当成智能体降本的核心能力而不再只是把它当作底层推理优化。OpenAI披露了一组很有意思的数据：他们的内部研究人员过去一年对编程Agent的使用量快速增加，如果按照API价格折算一名研究人员每天使用编程Agent产生的Token成本中位数已经超过600美元。

而前10%的研究人员甚至超过7000美元。当Agent开始持续运行，大量成本并不是来自新的问题而是来自同一批代码、工具定义、历史对话和任务状态被反复重新处理。GPT-6因此进一步调整了提示词缓存机制，已经命中的缓存输入Token可以获得90%的价格折扣同时减少重复预填充带来的计算开销和延迟。

OpenAI还新增了缓存分析看板和诊断工具让开发者看到哪些提示成功命中缓存、哪些没有。过去调整推理强度或者动态启停工具容易让缓存失效，现在GPT-6可以在不破坏既有缓存的情况下调整推理强度并且通过保持工具定义稳定和动态的控制工具可用性从而提高缓存复用率。

还允许开发者显式设置缓存前缀断点。数据显示，过去几个月的这些改进已经让GitHub Copilot在数十亿次OpenAI模型请求中需要重新处理的提示Token比例下降超过50%。这类变化也直接引起了开发者注意，一些生产环境的Agent用户指出自己的实际账单中缓存读取本身就可能占据相当大比例。

因此即使一个模型普通输入Token价格便宜一半，如果缓存利用率更低最终任务成本也未必真能便宜一半。Anthropic其实也在向同一个方向调整，Opus 5.5将缓存读取价格降低60%并不是一个孤立的价格变化它也是在适应同一种长周期Agent工作负载。

对于长上下文编程Agent来说缓存利用率、上下文复用和工具调用策略正在成为与模型本身同样重要的经济变量。除了编程和价格两家公司这次也都在调整模型的交互体验：OpenAI同时把Astra上的部分回答风格调整带到了Sol和Luna，包括减少术语堆砌、奇怪措辞和低价值细节。

回答整体稍短并且在编程任务中更清楚地区分做了什么、验证了什么、哪些事情没有验证。在公司展示的网页设计案例中GPT-5.6 Sol容易过早宣布完成还会加入与用户需求关系不大的图片工具提示，而GPT-6 Sol则倾向于先说明计划再汇报完成情况并告诉用户哪些内容已完成、哪些还没有检查。

这一点和Anthropic这次的方向其实非常接近，只不过Anthropic面临的是更明确的历史包袱：上一代Opus已经因为表达方式和工作习惯收到了大量负面反馈，因此5.5更像一次有针对性的使用体验修复。Opus 5.5目前另一个争议则来自安全限制：一些早期用户报告普通的Bash操作偶尔会被判断成第三方攻击从而阻断正常工作流。

所以Anthropic这次进一步加入了针对Agent每一步动作的分类器并且强化了提示词注入防御。对企业Agent而言更严格的安全防护当然有现实价值，但是对编程Agent来说现实的问题是如果模型什么都会却频繁因为安全系统不让做那么能力本身就很难完全转化为生产力。

说到安全这次两家的新模型在对齐方面也都有新的进展：OpenAI这边在编码欺骗测试中Sol的欺骗率从10.4%降至1.3%，Luna从9.5%降至2.8%。在另一项测试中研究人员故意向Agent提供已经损坏的搜索工具观察模型是否会主动向用户说明工具发生故障，Sol未告知用户的比例从77.8%降至5.4%，Luna从78.3%降至30.2%。

Anthropic这边Opus 5.5在近2000个复杂模拟场景下接受了检验，试图违规越界的次数比上一代减少了大约85%，而且所有被记录的行为全部属于低危害级别。模型还会主动进行自我报告，在安全机构Gray Swan的评测中它的防注入表现并列行业第一。

不过Anthropic也坦承了一个让人细思极恐的现象：他们发现Opus 5.5经常会敏锐地怀疑自己正在被人类评估。一个AI如果知道自己在考试那么它在考场上展现出来的乖巧未必会代表它在真实世界里不受控时的反应。随着能力变强这个问题正在变成一个越来越重要的课题。

最后我们来聊一个大家可能最关心的问题：这么多模型到底该怎么选？OpenAI给出的基本定位是Astra仍是综合能力最强的模型，Sol在更低成本下处理高难度日常工作，Luna则用于高频、目标明确的任务。实际工作流未必会整体交给同一个模型企业可以按照难度、时延和出错代价将不同环节分给不同档位。

Anthropic的成本指南则建议日常盯着干的功能开发、调试、代码审查用Opus 5.5；真正结果比Token价格更重要、长时间无人监督或者Opus 5.5连续失败的再切换Fable 5.1。Fable开始越来越像专家级顾问，Opus 5.5更像主力员工。

如果你可以订阅Claude且不会被封号那么复杂规划和计划用Fable 5.1，任务执行用Opus 5.5可能是目前最好的组合。如果你主要用ChatGPT那么复杂规划用Astra，执行用Sol，大规模批量任务用Luna也会非常高效。现在的环境跟之前已经不太一样了。

以前是OpenAI和Anthropic负责做前沿的智能上线，做高端。然后国产模型来做中端和性价比。但是现在这两家的供应链好像更加成熟了，就跟苹果一样，也开始全域通吃：中端、甚至超低端，我全都想要。不过对于所有用户来说，这也是一种好事：智能终于好像变得越来越便宜了。