一条产品线，三个价位
GPT-6 系列在 9 月铺完了三档：Astra 9 月 3 日发布，Sol 和 Luna 同在 9 月 22 日发布。智能分依次是 56.9、47.6、27.8，官方价 $10/$50、$2/$10、$0.1/$0.5。三款的上下文都是 105 万 token，最大输出都是 12.8 万。
同一套窗口配三档脑子，意味着选型不用再考虑"装不装得下"，只看任务需要多深的推理。这个设计让分层使用变得可行：一份文档可以先给 Luna 分拣，再交给 Sol 总结，卡住的段落送 Astra 重读。
同窗口的另一个好处是请求可以原样转交。一份 30 万 token 的合同，Luna 挑出关键条款后，整份内容不用裁剪就能递给 Astra 复核，中间不做摘要也不截断，条款之间的上下文不会在转交时丢掉。
三档参数摆在一起
| 项目 | gpt-6-astra | gpt-6-sol | gpt-6-luna |
|---|---|---|---|
| 智能分 | 56.9 | 47.6 | 27.8 |
| 上下文 | 105 万 | 105 万 | 105 万 |
| 最大输出 | 12.8 万 | 12.8 万 | 12.8 万 |
| 官方价 | $10 / $50 | $2 / $10 | $0.1 / $0.5 |
| 最便宜分组 | 福利分组 0.05x | 优惠 GPT Team 0.1x | 优惠 GPT Team 0.1x |
| 折后价 | $0.5 / $2.5 | $0.2 / $1.0 | $0.01 / $0.05 |
注意分组这一栏：福利分组只对 Astra 开放，Sol 和 Luna 的最低档是 0.1x。所以官方价 100 倍的差距，折后收窄成 50 倍（Astra $0.5 对 Luna $0.01），Sol 夹在中间，折后是 Luna 的 20 倍。
按 10 万输入加 1 万输出的一次请求算，Astra 是 $0.075，Sol 是 $0.03，Luna 是 $0.0015。跑一千次，分别是 $75、$30、$1.5。
如果流量按 80% 走 Luna、15% 走 Sol、5% 走 Astra 配比，一千次请求的混合成本是 0.8×1.5 + 0.15×30 + 0.05×75 = $9.45，大约是全量走 Sol 的三分之一，比全量走 Astra 低八成多。分层省下来的钱，主要来自把入口层从贵模型挪走。
按任务分三层
| 层 | 用谁 | 典型任务 | 判断标准 |
|---|---|---|---|
| 入口 | Luna | 分类、字段抽取、改写、初筛 | 结果能自动校验 |
| 主力 | Sol | 日常编码、文档处理、检索总结 | 一次通过率够用 |
| 攻坚 | Astra | 长程 Agent、架构评审、安全审计 | 错一次代价高 |
分层的依据是错误成本，不是任务难度。分类错了重跑一次几乎免费，架构评审错了要返工一周，两件事该用不同价位的模型。Luna 的 27.8 分放在入口层够用，因为入口层的答案短、可验证，错了立刻能发现。
三层之间的比例看日志再调。入口层占比低于一半，说明前置过滤没做起来，贵模型在替便宜模型干活；攻坚层占比超过两成，要么校验函数写得太严，要么任务本身就该重拆。
一个路由示例
便宜的先跑，校验不过再往上换，三层都接一遍：
from openai import OpenAI
client = OpenAI(api_key="sk-...", base_url="https://ai.idcidiot.com/v1")
CHAIN = ("gpt-6-luna", "gpt-6-sol", "gpt-6-astra")
def call(model: str, prompt: str) -> str:
r = client.chat.completions.create(
model=model,
messages=[{"role": "user", "content": prompt}],
max_tokens=4096,
)
return r.choices[0].message.content
def route(prompt: str, accept) -> str:
out = ""
for model in CHAIN:
out = call(model, prompt)
if accept(out):
return out
return outaccept 要写实：抽取任务校验 JSON 字段是否齐全，编码任务跑一遍单测，摘要任务检查长度和关键词覆盖。没有校验函数的分层等于没有分层，请求会一路滑到 Astra。
容易配错的三处
第一处是用 Astra 做全量分类。同样一百万次分拣，Astra 和 Luna 的差是 50 倍，而分类任务的准确率差距通常补不回这个差价。
第二处是拿 Luna 跑长程 Agent。27.8 分在单步任务上看不出问题，十步流程里错到第五步才暴露，返工成本比省下的 token 费高得多。
第三处是入口层直接上 Sol。单次差不到三分钱，一百万次就是 $28,500，入口层的模型选择要按吞吐量算，别按单次感觉算。
中端还有一档容易漏掉：9 月 29 日发布的 gpt-6.1-sol，智能分 54.5，官方价同为 $2/$10，而且能用 0.05x 的福利分组，折后 $0.1/$0.5，比 Sol 在 0.1x 下的 $0.2/$1.0 还低。中端这一层优先试它，Sol 留给已经调好参数的旧链路。
模型页见 GPT-6 Astra 和 GPT-6.1 Sol，完整清单在模型总览里按厂商筛选，分组倍率以价格页为准。