GPT-6 Luna เปิดให้ใช้แล้วใน Felo Search: หนึ่งล้านโทเคนในราคา $0.10
GPT-6 Luna เปิดให้ใช้ใน Felo Search: คอนเท็กซ์ 1.05M และการอ่านระดับแนวหน้าในราคา $0.10 ต่อหนึ่งล้านโทเคนอินพุต ซึ่งเป็นระดับราคาต่ำสุดในตระกูล GPT-6
OpenAI เปิดตัว GPT-6 Luna เมื่อวันที่ 22 กันยายน พร้อมกับ GPT-6 Sol Luna เป็นโมเดลที่ราคาถูกที่สุดในตระกูล GPT-6: $0.10 ต่อหนึ่งล้านโทเคนอินพุต และ $0.50 ต่อหนึ่งล้านโทเคนเอาต์พุต ราคาประมาณหนึ่งในยี่สิบของ Sol และหนึ่งในร้อยของ Astra รุ่นเรือธง
ตอนนี้ Luna ใช้งานได้ใน Felo Search คำถามที่น่าสนใจไม่ใช่ว่า Luna เป็นโมเดลที่ฉลาดที่สุดที่ใช้กับกล่องค้นหาหรือไม่ แต่คือสิ่งที่เกิดขึ้นเมื่อการอ่านเอกสารแทบไม่มีต้นทุน
GPT-6 Luna คืออะไร
Luna อยู่ล่างสุดของรุ่น GPT-6 ต่ำกว่า GPT-6 Sol และต่ำกว่า GPT-6 Astra มาก ชื่อรุ่นนี้ควรสังเกต เพราะเรียงลำดับตรงข้ามกับรุ่นก่อน
ในรุ่น GPT-5.6 Sol คือเรือธง โดยมี Terra และ Luna อยู่ข้างล่าง GPT-6 สลับลำดับ: Astra นำที่ $10/$50, Sol อยู่ระดับกลางที่ $2/$10 และ Luna เป็นฐานที่ $0.10/$0.50 ชื่อเดิมสามชื่อแต่เรียงใหม่ ถ้ายังยึดสมมติฐานจาก GPT-5.6 ราคาเป็นตัวบอกที่เร็วที่สุดว่า Luna ตัวไหน
| สเปก | GPT-6 Luna |
|---|---|
| Model ID | gpt-6-luna |
| Maker | OpenAI |
| Released | 22 กันยายน 2026 |
| Context window | 1,050,000 โทเคน |
| Max input | 922,000 โทเคน |
| Max output | 128,000 โทเคน |
| Input | ข้อความ, รูปภาพ |
| Output | ข้อความ |
| Reasoning effort | none / low / medium (default) / high / xhigh / max |
| Price | $0.10 ต่อหนึ่งล้านอินพุต, $0.50 ต่อหนึ่งล้านเอาต์พุต |
| Long context | $0.20 อิน / $0.75 เอาต์ เหนือ 272,000 โทเคนอินพุต |
| Cached input | $0.01 ต่อหนึ่งล้านโทเคน |
| Knowledge cutoff | 18 พฤษภาคม 2026 |
ดูแถว context ถัดจากแถวราคา Luna ใช้ หน้าต่าง 1,050,000 โทเคนเดียวกับรุ่นเรือธง (อินพุต 922,000 โทเคน เอาต์พุต 128,000) ในราคาหนึ่งในร้อยของ Astra OpenAI ไม่ลดขนาดหน้าต่างเพื่อให้ได้ราคานี้ หน้าต่างเท่าเดิมบนโมเดลที่ถูกกว่า
อีกสามแถวเปลี่ยนพฤติกรรมของโมเดลเวลาทำงานจริง
Cached input ราคาเซ็นต์เดียวต่อหนึ่งล้านโทเคน ส่งชุดข้อมูลเดิมผ่านคำถามยี่สิบแบบ ต้นทุนแทบเป็นศูนย์
มี reasoning-effort หกระดับ ตั้งต้นที่ medium Luna เป็นโมเดลเดียวจากสี่ตัวที่เปิดตัวสัปดาห์นี้ที่ปิด reasoning ได้: none ข้าม reasoning สำหรับงานที่ไม่ต้องใช้ ตรงนี้ลดทั้งเวลาและต้นทุน งานจัดหมวดหมู่ ดึงข้อมูล และ routing คำตอบที่ถูกต้องเร็วที่สุดมักไม่ต้องคิดก่อน
Batch และ Flex ลดราคาอีกครึ่ง งานที่ไม่ต้องการคำตอบสด เอาต์พุตหนึ่งล้านโทเคนจ่ายห้าสิบเซ็นต์
การอ่านราคาถูกเปลี่ยนอะไร
งบประมาณวิจัยส่วนใหญ่หมดไปกับการอ่าน ไม่ใช่การสังเคราะห์ ต้องเปิดแหล่งข้อมูลสี่สิบแหล่งเพื่อหาแค่หกแหล่งสำคัญ แล้วอ่านหกแหล่งนั้นละเอียด รอบแรกนี้แพงเพราะใช้โมเดลระดับแนวหน้าทำงานที่โมเดลถูกกว่าทำได้
ที่ $0.10 ต่อหนึ่งล้านโทเคนอินพุต สมการกลับด้าน ตอนนี้ใน Felo Search ทำแบบนี้ได้จริง:
- อ่านทุกอย่างก่อนเลือกสิ่งสำคัญ ดึงผลลัพธ์ทั้งหมดมาใน context เดียวแล้วจัดอันดับตามความเกี่ยวข้องกับคำถาม พร้อมเหตุผล อินพุตแสนโทเคนจ่ายหนึ่งเซ็นต์
- ถามคำถามเดียวกันกับแหล่งข้อมูลมากกว่าปกติ อ่านสิบแหล่งแทนสามเพื่อให้ครอบคลุม ที่คนอ่านแค่สามเพราะต้นทุน ราคานี้ข้อจำกัดเปลี่ยน
- ดึงข้อมูลก่อน reasoning ให้ Luna แปลงเอกสารสี่สิบฉบับเป็นตารางตัวเลข วันที่ และข้ออ้างอิง พร้อมแหล่งที่มาในแต่ละแถว แล้วส่งตารางนั้น—not เอกสาร—ให้โมเดลที่แข็งแรงกว่า
- แยกงานตามความยาก ส่งงานง่ายครึ่งหนึ่งให้ Luna แล้วส่งต่อเฉพาะคำถามที่ต้องการความลึก การคัดแยกตรงนี้ประหยัดมาก
คะแนนสนับสนุนการใช้ Luna สำหรับรอบแรก OpenAI เผย DeepSWE v1.1 ได้ 66.6% ในงานวิศวกรรมซอฟต์แวร์ระยะยาว และ Agents' Last Exam ได้ 0.51 HealthBench Professional ได้ 60.8% SEC-Bench Pro ได้ 34.2% เตือนว่างานด้านการเงินยากกว่าการอ่านทั่วไปสำหรับทุกโมเดลในระดับนี้
Luna ไม่ใช่อะไร
พูดตรงๆ Luna แลกความลึกของ reasoning กับต้นทุน และการแลกนี้มีอยู่จริง
ในตารางที่เผยแพร่ Luna อยู่ล่างสุดของตระกูล และตัวเลขของ OpenAI สำหรับค่าเริ่มต้น (medium effort) ต่ำกว่าที่ Sol และ Astra ทำได้ใน effort สูงกว่า ตัวเลข recall ในโดเมนเปิดดีขึ้นมากจาก Luna รุ่นก่อน แต่ยังไม่ใช่ตัวเลขที่ควรใช้ตอบคำถามสำคัญ
ไม่ใช่เหตุผลให้เลี่ยงใช้ แต่คือเหตุผลให้ใช้กับงานที่เหมาะสม: Luna อ่าน โมเดลที่แข็งแรงกว่าตัดสินใจ ใน Felo Search ทั้งสองส่วนอยู่ใน workspace เดียวกัน ทำรอบกว้างด้วย Luna แล้วเปลี่ยนโมเดลใน picker ถามคำถามสุดท้ายโดยมีหลักฐานที่ดึงมาอยู่ใน context
วิธีใช้ GPT-6 Luna ใน Felo Search
1. เปิดตัวเลือกโมเดลแล้วเลือก GPT-6 Luna กล่องค้นหาเดิม แหล่งข้อมูลเดิม
2. เริ่มกว้าง ถามคำถามที่ต้องอ่านแหล่งข้อมูลมากกว่าที่เคยจ่าย: "หาตัวเลขที่เผยแพร่ทั้งหมดสำหรับเรื่องนี้ พร้อมแหล่งที่มาและวันที่"
3. ขอข้อมูลแบบมีโครงสร้าง ไม่ใช่ร้อยแก้ว ตาราง รายการ และฟิลด์ที่ดึงออกมาคืองานถนัดของโมเดลราคาถูก เก็บการสังเคราะห์ร้อยแก้วไว้ให้รอบแพง
4. เพิ่ม effort เมื่อคำถามยากขึ้น Medium เป็นค่าเริ่มต้นด้วยเหตุผล แต่ high และ xhigh ใช้ได้เมื่อจำเป็น
5. เปลี่ยนโมเดลสำหรับคำตอบสุดท้าย เก็บหลักฐาน เปลี่ยนโมเดล ตัวเลือกนี้ควบคุมได้ ไม่ผูกมัด
อีกสามโมเดลที่ใช้งานใน Felo Search
Luna มาพร้อมพี่น้องอีกสามตัว ทั้งสี่อยู่ใน Felo Search
| โมเดล | ผู้พัฒนา | ราคา/ล้านโทเคน | Context | เหมาะกับงาน |
|---|---|---|---|---|
| Grok 4.7 | SpaceXAI | $2 อิน / $6 เอาต์ | 500K | reasoning ระยะยาวและงานความรู้ |
| Claude Opus 5.5 | Anthropic | $4 อิน / $20 เอาต์ | 1M | คำตอบที่ผ่านการตรวจสอบ |
| GPT-6 Luna | OpenAI | $0.10 อิน / $0.50 เอาต์ | 1.05M | ค้นหาปริมาณมากในต้นทุนต่ำสุดต่อครั้ง |
| GPT-6 Sol | OpenAI | $2 อิน / $10 เอาต์ | 1.05M | agent loop และเรียกซ้ำในราคากลาง |
Luna ถูกที่สุดในสี่ตัวนี้ และเป็นตัวเดียวที่ปิด reasoning ได้ ถ้าคิดว่าโมเดลราคาถูกเหมาะกับคำถามที่ไม่สำคัญ หน้าต่างล้านโทเคนควรเปลี่ยนความคิดนี้
ทดลองใช้ GPT-6 Luna ใน Felo Search
GPT-6 Luna เปิดให้ใช้ใน Felo Search พร้อมหน้าต่าง context 1,050,000 โทเคน มี reasoning-effort หกระดับ ราคา $0.10/$0.50 เป็นโมเดลที่ทำให้การอ่านทุกอย่างกลายเป็นทางเลือกที่ถูก
เปิด GPT-6 Luna ใน Felo Search →
บทความนี้มีให้อ่านในภาษาต่อไปนี้ด้วย: English, 简体中文, 日本語, 한국어, 繁體中文, हिन्दी, Français, العربية, Русский, اردو, Bahasa Indonesia, Deutsch, Tiếng Việt, Türkçe, Italiano, Español, বাংলা and Português