一份选型说明书，一笔分流账：Astra、6.1 Sol、Luna 各干什么，价格差 100 倍意味着什么
GPT-6 这一代的节奏很密。据第三方整理的时间线，GPT-6 Astra 于 9 月 3 日先发，Sol 与 Luna 在 9 月 22 日跟进，一周后的 9 月 29 日又换上了 GPT-6.1 Sol。不到一个月，API 里同时挂着四个能用的 GPT-6 型号，开发者光是弄清「该填哪个 model ID」就要先做一轮功课。
这份题为「A model guide for the GPT-6 family」的指南，本质上是在给这轮密集发布补说明。它的内容并不玄：按任务难度选模型、选推理强度，然后讲提示词、长任务和上线前要查的东西。
按 OpenAI 开发者文档的描述，三个模型的分工大致是：
gpt-6-astra）：最高智能档，面向最难的推理、编程与专业工作，官方称其在计算机操作和软件工程上达到业界领先水平。gpt-6.1-sol）：官方措辞是以更低成本提供「接近 Astra」的表现，主攻复杂编程、研究和计算机操作任务。gpt-6-luna）：最快、最便宜，适合目标明确的大批量重复活，指南举的例子是提取发票字段、请求分类、生成结构化摘要。价格差距是这套分工成立的前提。据第三方汇总的 API 定价，Astra 每百万 token 输入 10 美元、输出 50 美元；GPT-6.1 Sol 为 2 美元 / 10 美元；Luna 只要 0.10 美元 / 0.50 美元。Astra 与 Luna 之间是整整 100 倍。四个型号据称都提供约 105 万 token 的上下文窗口和 12.8 万 token 的输出上限，换句话说，选型几乎不用考虑「装不装得下」，只剩「值不值得」。
这也解释了为什么 6.1 Sol 被不少评测方当成默认推荐：它把「接近旗舰」压到了旗舰五分之一的价格。Astra 真正的位置，更像是团队里那个只在关键节点被叫进会议室的人。
比选模型更容易踩坑的是推理强度。文档列出的档位为 low、medium（默认）、high、xhigh、max；其中 Luna 和 Sol 还支持 none，而 Astra 不支持，想压到最低只能用 low。
迁移清单里有几条直接影响老代码能不能跑：
none 时，要去掉 temperature、top_p、top_logprobs 这类采样参数；prompt_cache_retention 改用 prompt_cache_options.ttl（如 "30m"）；最后这条很有意思。模型越谨慎，在聊天里越像好习惯，放进无人值守的代理流水线里就越像卡顿——OpenAI 等于承认，同一种性格在两种产品形态里评价相反。
指南后半部分讲的是把模型放进生产环境的那些细节。长时间运行的代理任务，可以用三种手段管理：通过 WebSocket 在任务中途「转向」改指令、给工具设 async: true 让模型调用工具时继续推理、以及把相互独立的子任务委派给子代理（6.1 Sol 的多代理工作流目前仍标为测试阶段）。推理强度还能在对话中途调整，而且不会打掉已有缓存。
缓存是省钱的大头。据报道，命中缓存的输入 token 成本最多可低 95%，指南的建议也很朴素：把稳定的指令和参考资料放在前面、把变化的任务细节放在后面，工具定义保持一致；上下文变长后再用 compaction 压缩，并借助缓存监控看板找出缓存失效的原因。
速度方面，Astra 用户可以使用 Fast 模式和新的 Ultrafast 模式，后者单独加速 token 生成、需要额外付费。文档同时注明，选择欧盟数据驻留时，三款模型都不能用 Fast 模式——对有合规要求的欧洲团队，这是个需要提前算进时延预算的限制。
把一份开发者指南当新闻看，最值得读的不是哪个参数改名，而是 OpenAI 的姿态：它在主动引导客户把流量从最贵的型号上分流出去。表面看这是让利，实际上也是在应对一个现实——GPT-6 发布后，开发者对账单的敏感度明显上升，一刀切用旗舰的团队迟早会自己算出这笔账，与其等客户流失到竞品的中档模型，不如先把 Sol 和 Luna 推到台前。
悬而未决的是，一个月内型号迭代到 6.1，这份「按任务选模型」的地图还能保鲜多久。下一次 Sol 或 Luna 升级，现在写进生产配置里的分工也许又得重画一遍。