早鳥價(12 月 25 日截止),只要持續訂閱就一直鎖定:Go 每月 $10(原價 $20),Plus 用 Opus 5.5 每月只要 $30(原價 $50)立即訂閱 →

GPT-6.2 Astra 與 Sol API 定價比較:哪個真的比較省?

單看 API 標價,Astra 每百萬 Token 的輸入/輸出費用是 $8/$40,Sol 則是 $2/$10,Astra 顯然貴了 4 倍。不過,實際帳單不一定會放大到這個差距。以下 FrontierCode 的單一任務成本顯示,Sol 處理一般程式工作約只要 Astra 的五分之一費用($1.29 對 $5.97);但在最強的領域型測試中,Astra 領先約 4 至 10 個百分點。若它能讓任務一次完成、免去反覆重試,額外成本就可能值得。

OpenAI 怎麼收費,兩個模型又能在哪裡使用?

OpenAI 將 Astra 定位為處理最棘手專案的模型,Sol 則主打日常工作(發布公告)。ChatGPT/Codex 方案用量和 API 支出是兩套分開計算的機制:方案用量不會替 API 呼叫付費,API 呼叫也不會扣除方案配額。兩款模型都有 1,050,000 Token 的上下文視窗;每次請求最多可包含 922,000 個輸入 Token 與 128,000 個輸出 Token,支援文字與圖片輸入、文字輸出。它們在 Responses 與 Chat Completions API 中的模型 ID 分別是 gpt-6.2-astra 與 gpt-6.2-sol。

以下為標準 API 價格,單位是每百萬 Token:

模型輸入快取輸入快取寫入(30 分鐘)輸出
GPT-6.2 Astra$8.00$0.40$10.00$40.00
GPT-6.2 Sol$2.00$0.10$2.50$10.00
GPT-6 Astra(前代模型)$10.00$1.00$12.50$50.00
GPT-6.1 Sol(前代模型)$2.00$0.10$2.50$10.00
GPT-6.2 Astra 與 Sol 的標準輸入、快取輸入和輸出價格

相較 GPT-6 Astra,Astra 的輸入與輸出便宜 20%,快取輸入更便宜 60%。Sol 則維持 GPT-6.1 Sol 的價格。兩款模型在 2026 年 11 月 17 日推出時便已於 API 全面可用;Batch 比標準價格低 50%,背景處理窗口則有 30% 至 40% 折扣(GenAI Brief 分級價格說明)。

真正拉開帳單差距的 3 個因素

1. 寫入快取不是免費的。讀取快取的費用是一般輸入的 5%,Astra 為 $0.40、Sol 為 $0.10。依GenAI Brief 的價格表,寫入 30 分鐘 TTL 快取的費用是輸入價格的 1.25 倍,Astra 為 $10.00、Sol 為 $2.50;保留 12 小時則是 2.5 倍。例如,快取未命中後重新寫入 108,000 個歷史 Token,Astra 的費用為 108,000 × $10/M = $1.08,Sol 則是 108,000 × $2.50/M = $0.27,這還沒算輸出。

2. 超過 272,000 Token,整筆請求都會跳到更高費率。輸入超過 272K Token 後,輸入價格會翻倍,Astra 從 $8 升至 $16,Sol 從 $2 升至 $4;輸出則提高為 1.5 倍,Astra 從 $40 升至 $60,Sol 從 $10 升至 $15。GenAI Brief 的試算案例顯示,只是多加了 20K 歷史內容而跨過門檻,就讓一次 Astra 請求從 $0.344 升至 $0.624:輸入僅增加 7%,費用卻跳升 81%。應在 272K 之前摘要或截斷歷史內容;但如果這改變了快取前綴,也要把快取未命中的成本算進去。

3. 速度分級會把所有費用一起放大。Fast 是 Standard 的 2 倍。Ultrafast 在 2027 年 2 月 28 日前為 Standard 的 3 倍,自 2027 年 3 月 1 日起改為 6 倍,且僅支援美國資料駐留;Standard/Fast/Batch 均支援美國與歐盟。相關規則可見GenAI Brief 的分級說明與 OpenAI 處理分級文件。以 3 倍計算,Astra 輸出為 $120/M;6 倍時則是 $240/M。

該比較每項任務成本,而不是只看 Token 單價

在 Token 用量相同的情況下,Astra 的價格就是 Sol 的 4 倍。它只有在以下情況才可能划算:消耗更少 Token、需要更少次嘗試,或避免昂貴的人工作業修正。損益兩平的原則很直接:若 Token 規模相同,一次 Astra 嘗試必須取代超過四次 Sol 嘗試;或者將加權 Token 用量降低約 75%,才能在直接 API 成本上勝出。

以下是已公布的單一任務成本。各資料來源使用的基準測試、推理強度與成本計算方式不同,應用來判斷方向,並以自己的重播測試確認:

來源/工作負載AstraSol代表意義
Artificial Analysis Intelligence Index,最高強度62,每項任務 $4.00,10.4 分鐘(GPT-6 Astra:57,每項任務 $6.24)57,每項任務 $1.01,7.9 分鐘Sol 以約六分之一的 $6.24 任務成本,達到 GPT-6 Astra 的 57 分
經由 DataCamp 的 FrontierCode 2.0,最高強度44.2%,每項任務 $5.9743.8%,每項任務 $1.29僅差 0.4 個百分點,任務成本卻約為 5 倍;在這組程式能力證據中,Astra 不足以證明其溢價合理
經 DataCamp 的 Harvey LAB-AA/SecureSWE/Terminal-Bench-Science15.0%/65.7%/77.1%11.1%/55.6%/68.0%Astra 在這些測試的差距最大;法律、安全程式與科學任務值得測試 Astra
經 DataCamp 的 BenchCAD 2.1 Core82.5%73.1%約 9 個百分點的 CAD 差距,支持在 CAD 工作流程中測試 Astra
DataCamp 投影片重建,單次測試$0.22,4,968 個輸出 Token$0.07,字型大小完全正確這項範本型任務沒有可見的品質差距;Sol 在成本上勝出
依 DataCamp 摘要的 OpenAI 數據,Agents' Last Exam,Sol High 對舊版 Astra Max—Sol High 72.0%,每項任務 $0.69;GPT-6 Astra Max 為 73.1%,每項任務 $8.99此設定下少約 1 個百分點,但成本約為 1/13

用正確的算法舉例:若 Sol 每次嘗試花 $0.10,三次中成功兩次,則每個被接受的結果成本是 $0.15。此時 Astra 即使每次嘗試只要 $0.40,也無法單靠成功率勝過 Sol。反過來說,若 Sol 的成功率掉到五次才成功一次,每個被接受的結果成本就是 $0.50;Astra 若第一次就成功,成本為 $0.40,便能勝出。OpenAI 表示,Astra 在 GDPval v2 的輸出 Token 少了 22%;這類供應商數據應僅作方向性參考。

一般程式開發與高吞吐量代理,先從 Sol 開始;法律、CAD 或長時間科學任務則可測試 Astra。只有在納入重試與修正後,total spend / accepted tasks 真的更低時,才應將流量路由至 Astra。

前綴別亂動,否則就得重付重寫成本

在對話途中變更指示、工具、Schema 或先前輸出,都可能讓快取失效,並觸發 GPT-6.2 重新推理。

要維持前綴快取,請參考GenAI Brief 整合說明與 OpenAI 模型文件,採取以下做法:

  • 新增 developer message 或 configuration_update,不要重寫開頭的訊息。
  • 透過 additional_tools 新增工具,或使用 tool_choice/allowed_tools 控制工具,而非在對話中途替換整份工具清單。
  • 首次傳送前,縮短舊有工具輸出並縮小圖片。
  • 正式切換生產流量前,先利用 Prompt Cache Diagnostics 與 Responses 的 input_transformations(prefix_mismatch)找出問題。

Astra 與 Sol 的遷移檢查清單

以下整理自 EpiFive 的遷移指南及 GenAI Brief 的整合規則,並與 OpenAI 模型比較資料交叉核對:

  1. 將 model 改為 gpt-6.2-astra 或 gpt-6.2-sol。
  2. 先從 reasoning.effort: medium(Responses)或 reasoning_effort: medium(Chat Completions)開始。none 會被拒絕;追求較短延遲的呼叫請使用 low。
  3. 從請求中移除 temperature、top_p 與 logprobs/top_logprobs。工具呼叫請遷移至 Responses API。
  4. 若從 GPT-5.5 或更早版本遷移,請以 prompt_cache_options.ttl: "30m" 取代 prompt_cache_retention,並將快取寫入費用納入預算。
  5. 使用 Zero Data Retention 時,store 會被視為 false;必須依序重新傳送先前的輸出項目,包括加密的推理項目。
  6. 每個模型重播 30 個短任務,記錄通過率、重試次數、輸出 Token 與每個被接受結果的成本;另外執行一次長代理工作階段,分別測試穩定前綴和一次前綴修改,觀察快取命中率與總任務成本。