本周，一份关于 GPT-6 的工程指南在掘金开发者社区流传，最引人注意的是一个倍率数字：旗舰款 Astra 与性价比款 Sol 之间的推理成本相差 5 倍（同任务量下）。这不是技术炫耀——这是 AI 行业第一次明确告诉用户：不是所有任务都需要最贵的模型。

这是什么

据这份指南描述，GPT-6 放弃了'一个最大模型通吃'的策略，拆成三档：Astra（旗舰）处理架构设计、复杂代码重构、科学推理；Sol（性价比主力）能力接近 Astra，成本仅 1/5，承接大多数生产环境的高并发任务；Luna（走量款）面向数据清洗、简单分类、低延迟场景。

配套能力包括：推理强度可在对话中途动态切换（Low 到 Extra High）而不破坏缓存；Mid-turn steering（中途纠偏），允许长任务运行时发送修正指令；异步工具调用，让 AI 在等待慢任务时并行处理其他事；原生多智能体协同（多个 AI 分工合作完成任务），子智能体之间由 Astra 做仲裁。全系还支持 Computer Use——让 AI 操作电脑屏幕，配合 Playwright（浏览器自动化工具）和 PyAutoGUI（桌面自动化工具）做端到端自动化。

成本端最大利好是 Prompt 缓存：重复使用同一段提示词时，输入成本下降 95%。

行业怎么看

支持者认为，三档定价配合动态推理调节，终于让长任务和多智能体工作流在经济上可行——以前跑一个多智能体任务烧掉的钱，现在只够跑一个 Sol 级别的简单调用。这会显著降低 AI Agent（能自主完成多步任务的 AI 程序）在企业落地的门槛。

但我们注意到至少三个反向声音：

  • 成本不可预测。分层定价本质是'按需收割'，任务复杂度一变账单就跳，中小团队很难做预算。
  • 多智能体协同的反噬。子智能体冲突时需要 Astra 级模型做仲裁，仲裁成本可能吃掉分层定价省下来的钱。
  • Computer Use 的安全边界。让 AI 操作电脑意味着'哪些操作自动执行、哪些需人工审批'必须明确划线，但行业目前没有共识标准。

对普通人的影响

对企业 IT：以前是'一个大模型走天下'，未来要建'模型路由'——简单任务分给 Luna，复杂任务才上 Astra。预算结构会从'按 token（模型处理的文字单位）计费'转向'按任务复杂度分级'。

对个人职场：学会'分层使用'会成为新技能。日常邮件、文档整理不需要旗舰模型，识图、深度分析才用。懂得按需调用的人会比'一律用最强'的人省下大量时间和订阅费。

对消费市场：AI 产品功能分化会加速。免费版调用基础款、专业版才能用高级能力——和云存储、会员订阅一个逻辑。普通消费者短期感知不强，但两三年后，'你买的 AI 会员能跑哪种模型'会成为挑选产品的新维度。