AI 最新动态 16 分钟阅读

输入价降到 8 美元、缓存读取再腰斩:GPT-6.2 双模型同日上线,企业选型从「看总榜」变成「算任务账」

2026 年 11 月 18 日,OpenAI 同日发布 GPT-6.2 Astra 与 Sol:Astra 输入每百万 token 8 美元、输出 40 美元,较上一代降价约 20%,缓存读取从 1 美元降到 0.4 美元。第三方实测显示它代码审查很强、长链方案规划偏慢。本文拆解分层定价来了之后,企业为什么要把选型单位从「哪个模型最强」换成「哪类任务用哪个模型最划算」,并给出一张可落地的任务成本账本。

# GPT-6.2# OpenAI# 分层定价# 大模型选型# 缓存读取# 任务成本账本# 企业 AI 平台
中国工程师在机房屏幕上核对大模型推理成本与任务路由的运行数据
Astra 每百万 token 输入价(2026-11-18 口径)
8 美元
Astra 每百万 token 输出价
40 美元
缓存读取价,从每百万 token 1 美元下调
0.4 美元
相对上一代的整体定价降幅
约 20%

要点速览

2026 年 11 月 18 日,OpenAI 同日发布 GPT-6.2 Astra 与 Sol,前者定位前沿旗舰,后者面向高频日常任务。

Astra 每百万 token 输入 8 美元、输出 40 美元,较上一代下调约 20%;缓存读取从 1 美元降到 0.4 美元。

据第三方实测与自媒体口径,Astra 单任务成本可低至 Claude Fable 5.2 的约 5%,该数字需企业自行复核。

模型定价正从「一个价走天下」转向按规划、执行、验证分层报价,总榜截图式选型法随之失效。

实测同时显示 Astra 偏科:代码审查找出约 96% 的问题,但长链路方案规划耗时约 24 分钟。

行业重心转向按角色分工报价,规划、执行、验证各是一档价,选型要按任务类型建成本账本。

同一周《费加罗报》内容接入 ChatGPT 并附原文链接,生成式引擎的「被引用」正在成为可经营资产。

黄鹂鸟视角:多模型混用成常态,企业需要统一网关、任务路由与成本看板来驾驭复杂性。

本期三大主角

旗舰、日常、管理平台——分层定价之下,三个角色各有其价

GPT-6.2 Astra

OpenAI · 前沿旗舰 · 降价 20%,主打高难度任务

  • 输入 8 / 输出 40 美元每百万 token
  • 缓存读取降至 0.4 美元
  • 代码审查实测表现突出

GPT-6.2 Sol

OpenAI · 日常主力 · 面向高频调用的成本档

  • 与 Astra 同日上线
  • 定位日常与规模化任务
  • 与旗舰形成分层组合

企业大模型应用平台

黄鹂鸟科技 · 把多模型混用变成可管理的系统

  • 统一网关与任务路由
  • 成本看板按任务归类
  • 可替换架构与调用审计

本期发布时间线

从 11 月 10 日的业务智能体,到 11 月 18 日的双模型同发,一周之内选型逻辑被改写

  1. 2026 年 11 月 10 日

    OpenAI 上线 Businesses in ChatGPT 测试版,业务智能体开始接管商品与库存

  2. 2026 年 11 月 16 日

    阿里 Qwen4-Max、腾讯混元 Hy4 Flash 相继发布,国内厂商同周主打压成本

  3. 2026 年 11 月 18 日

    OpenAI 发布 GPT-6.2 Astra 与 Sol,输入 8 美元、输出 40 美元,缓存读取降至 0.4 美元

  4. 2026 年 11 月 18 日

    第三方实测 Astra 代码审查找出约 96% 问题,方案规划耗时约 24 分钟

  5. 2026 年 11 月 18 日

    《费加罗报》新闻、商业与文化内容以摘要形式接入 ChatGPT 并附原文链接

  6. 2026 年 11 月 19 日

    本文拆解分层定价下的企业选型账本与落地路径

同一天发两款模型,OpenAI 这次不是挤牙膏

11 月 18 日,OpenAI 把 GPT-6.2 Astra 与 Sol 两款模型一起推上台。Astra 定位前沿旗舰,承接高难度、高价值的任务;Sol 面向高频日常调用,主打稳定与成本。两款模型即日起在 ChatGPT、Codex 与 API 同步上线。

过去大版本更新往往是挤牙膏式的一次一款,先放旗舰、隔几周再放轻量版。这次同日双发,本身就是一种信号:厂商已经不满足于让用户自己在一张总榜上挑模型,而是主动把产品线按角色切开,让「旗舰 + 日常」成为一个组合。

对开发者来说,这改变了调用代码里最基础的一个决定——每一类请求该打到哪个模型。对企业管理者来说,它改变了预算表的粒度:不再是一笔笼统的 AI 开销,而是可以按任务拆分的账本。

所以这篇不打算复述发布会的形容词。我们更关心三件具体的事:这次降价到底降在哪里;所谓「成本只有竞品百分之几」能不能信;以及当模型按角色分层之后,企业的选型方法该怎么跟着变。

8 美元输入、0.4 美元缓存:把降价拆开看

先说最硬的数字。按照 11 月 18 日的官方定价,Astra 每百万 token 输入 8 美元、输出 40 美元,相比上一代整体下调约 20%。缓存读取价格从每百万 token 1 美元降到 0.4 美元,降幅更为明显。

输入和输出为什么是两个价?因为二者消耗的计算资源不同。输入是读进来理解,输出是一个字一个字生成,后者更贵。理解这一点,就不会被「输入才 8 美元」这类标题误导——一个大量生成长文的应用,账单主要由输出价决定。

缓存读取的降价尤其值得注意。智能体应用往往在多轮对话里反复携带同一段系统提示、工具定义和历史背景,这些重复内容如果每次都按输入价计费,成本会迅速膨胀。把缓存读取压到 0.4 美元,等于直接补贴了「长上下文、多轮次」这一类最烧钱的用法。

三个价格放在一起,勾勒出一条清晰的产品逻辑:鼓励复用上下文、鼓励高频调用,把钱花在真正需要生成的部分。对企业而言,这意味着优化的方向也变了——与其纠结单价,不如先看看自己的提示结构有没有充分利用缓存。

中国技术团队在多模型路由控制台前对比不同模型的调用成本
分层定价之下,把请求路由到合适的模型比单看榜单更重要

「单任务成本只有 5%」:一个需要冷静看待的数字

发布当天流传最广的,是「Astra 单任务成本只有 Claude Fable 5.2 的约 5%」这个说法。它足够吸睛,也确实来自公开的第三方实测与自媒体口径,但它不是厂商在财报里承诺的服务等级,读的时候要带上三重写问号。

第一重是任务口径。5% 这个比例只在特定任务、特定提示长度、特定缓存命中率下成立。换一个任务类型,或者换一批更长的数据,比例可能立刻从 5% 变成 30% 甚至更高。脱离任务谈成本倍数,等于脱离路况谈油耗。

第二重是测量方法。第三方测试通常用自建测试集,题目分布、失败重试次数、是否计入人工复核都和真实生产环境不同。一篇实测报告的价值在于提供线索,而不是给出可以照抄进预算表的结论。

第三重是时间维度。定价会变、模型会迭代、竞品会跟进降价。今天领先的成本结构,一个季度后可能就不成立了。对企业读者来说,正确的态度是把它当成一个「值得验证的线索」:拿自己的真实任务跑一遍,再决定要不要切换。

分层定价:规划、执行、验证各是一档价

如果只把这次降价看成又一轮价格战,就错过了更深的变化。把 11 月中旬这一周的发布连起来看,会发现厂商已经不在同一张榜上比总分,而是按角色分工报价:规划、执行、验证,各是一档价。

规划环节要的是长程推理和全局判断,愿意为高质量多付钱;执行环节要的是快和稳,量大但单价要低;验证环节要的是客观和严格,最好和生成方来自不同模型以避免「自己判自己」。三个环节对能力的要求不同,价格自然也该不同。

分层定价的本质,是厂商开始按「模型在任务里扮演的角色」收费,而不再按「模型有多强」统一定价。这是一次从卖能力到卖工位的转变——你买的不是一台最强的机器,而是一组适合不同岗位的工具。

对企业的直接后果是:那个把总榜截图发到群里、让所有人照着第一名选型的方法,彻底失效了。榜单告诉你谁最强,却不告诉你在自己的任务组合里谁最划算。这两件事,从此要分开回答。

中国企业团队在会议桌前评审大模型任务的成本与质量指标
规划、执行、验证分层报价,选型要看任务而不只是看榜单

分层定价时代,选型的单位不是「哪个模型最强」,而是「哪类任务用哪个模型最划算」。

实测的另一面:偏科的旗舰与 24 分钟的方案规划

在一片降价声里,第三方实测给出了不那么好看的一面。开发者卡兹克在自建测试集里发现,Astra 代码审查找出了约 96% 的问题,这是很强的成绩;但在方案规划任务上,一次运行耗时约 24 分钟,可读性也被评价不如另一款旗舰。

把这两条放在一起,恰恰印证了「偏科」二字:它在边界清晰、可判对错的审查类任务上如鱼得水,在需要长时间权衡、产出可读方案的任务上则显得笨重。旗舰不等于全能,这句老话在分层定价时代反而更该被记住。

24 分钟意味着什么?意味着如果你的业务流程里有大量需要人类等待的规划环节,换用旗舰模型可能反而拉长交付周期。速度本身就是成本,它藏在预算表之外,却直接影响团队的实际产能。

这段实测的价值,不在于给某个模型下定论,而在于提醒我们建立一种更成熟的评估习惯:既看它擅长什么,也看它在哪里拖后腿,再把任务分派到合适的模型上。

从看总榜到算任务账:选型方法的转向

分层定价加上偏科实测,两件事叠加指向同一个结论:企业选型的单位,正在从模型变成任务。过去问「哪个模型最强」,现在要问「我的哪类任务,用哪个模型最划算」。

所谓任务账本,就是把企业的 AI 用量拆成若干类可管理的任务:客服问答、文档抽取、代码审查、方案规划、数据分析……每一类都有不同的调用量、质量要求与延迟容忍度,也因此对应不同的最优模型。

建立账本分三步。第一步是分类,把过去一个季度日志里的调用按任务打标;第二步是测量,对每一类任务在候选模型上跑同一批样本,记录质量、耗时与成本;第三步是路由,在应用入口按任务类型把请求分发到对应模型。

这套方法的收益,往往比单纯换一个更便宜的模型大得多。因为真正的浪费通常不在单价,而在「用旗舰模型做了本该用日常模型做的事」,以及「用同一套参数跑所有任务」。

中国企业的数据看板上展示按任务分类的模型调用量与成本分布
把调用按任务打标,是建立成本账本的第一步

一份可落地的任务成本账本怎么建

具体怎么做?这里给出一张四步清单,企业可以直接照着排期。四步不追求一步到位,而是每一步都能独立产生价值,边做边收益。

第一步,列出高频任务清单。调取最近一个季度的调用日志,把请求按业务场景归类,找出调用量最大的前十类。经验上,这十类通常贡献了八成以上的账单,先管好它们就够了。

第二步,为每类任务建立「质量—成本」双指标。质量用人工抽检或小样本盲评打分,成本按真实计费口径核算,把缓存命中率也算进去。只有一个指标的方案都会走偏:只看成本会伤质量,只看质量会烧钱。

第三步和第四步,是把结论固化进系统并持续复核:在网关层配置按任务类型的路由规则,让策略真正生效;再设一个每月复核的节奏,跟踪定价变化与新模型发布,及时替换已经不划算的组合。

内容接入与来源署名:ChatGPT 牵手费加罗的信号

同一周还有一条容易被忽略的消息:OpenAI 与《费加罗报》母公司达成合作,费加罗的新闻、商业与文化内容以摘要和节选形式出现在 ChatGPT 中,并附上原文链接;费加罗方面强调保留完整编辑独立权。

这条新闻表面上是内容授权,深层却是生成式搜索时代的一次规则演示:答案里可以给摘要,但要带来源;模型可以引用内容,但要给内容方留下署名与流量的入口。

对做 GEO(生成式引擎优化)的企业来说,这里有直接启发。让你的产品资料、行业观点被生成式引擎稳定引用,正在变成一件可经营的事:结构清晰的正文、明确的事实口径、可追溯的来源说明,都会提高被引用的概率。

这也是为什么本文特意保留了 stats、要点速览与来源口径这些区块——它们不只是排版元素,更是给搜索引擎和生成式引擎准备的可抽取事实。被准确引用,比被模糊提及更有价值。

缓存命中率:被严重低估的省钱杠杆

在分层定价的账本里,有一个变量经常被忽略,却可能决定成败——缓存命中率。前面提到 Astra 把缓存读取价从每百万 token 1 美元压到 0.4 美元,这看似只是个小数字,落到真实应用里却是一笔可观的支出差异。

智能体的典型工作方式,是在每一轮对话里重复携带系统提示、工具定义、角色设定和部分历史记录。这些内容往往长达数千 token,且在多轮之间几乎不变。如果每次都按完整的输入价重新计费,一个二十轮的任务可能要为同样的背景重复付二十次钱。

缓存机制的作用,就是让这些重复内容只计费一次或按折扣计费。命中率越高,账单越薄。有经验的团队会把最稳定的背景信息放在提示的最前面,把易变的部分放在后面,正是为了让缓存尽量命中——这不是技巧,而是应当写进工程规范的成本纪律。

所以当我们说「优化调用方式」和「更换模型」是两条互补的降本路径时,缓存优化就属于前者里投入产出比最高的一项。它不需要改造业务,只需要调整提示的组织方式,却常常能带来两位数的成本下降。把这件事交给网关统一管理,收益会更加稳定。

黄鹂鸟视角:把多模型混用变成可管理的系统

回到企业最现实的问题:模型越来越多、价格越来越分层,团队根本没有精力为每个应用单独对接、单独算账。多模型混用是大势,但它带来的复杂性必须被系统吸收,而不是转嫁给业务人员。

我们的做法,是把统一网关、任务路由与成本看板做成一层底座:应用只对接一个入口,底座根据任务类型把请求分发到合适的模型,并把每一次调用的成本、质量与延迟记录下来。模型可以替换,业务逻辑不用跟着改。

如果你正在为 AI 预算说不清、模型选型反复横跳而困扰,可以把企业大模型应用平台、BI 数据分析与 API 接口管理这三块连起来看——它们分别解决「怎么管模型」「怎么算清账」「怎么统一接入」的问题。

需要结合自己的任务结构做一次成本诊断?欢迎扫码添加顾问微信,或通过页面上的电话与我们联系,我们可以按真实调用日志帮你梳理出第一版任务账本。

常见问题

Astra 定位前沿旗舰,适合高难度、高价值、对质量要求高的任务,如复杂代码审查、方案评估;Sol 面向高频日常调用,适合客服问答、批量抽取、格式化处理这类量大且对单价敏感的场景。两者同日上线,本质是把「旗舰 + 日常」做成可按任务组合的产品线。

免费需求分析

看懂了趋势,下一步是选对系统

告诉我们你的行业、团队规模和最想自动化的环节,我们从 866 条产品线里帮你匹配合适的管理系统, 或按需求定制开发——并为 AI 接入预留好规范的数据接口。

电话咨询 17666080858

7×24小时在线

黄鹂鸟科技顾问微信二维码
微信扫码,一对一咨询

把文章里的思路,落成你的系统方案

留下行业与业务规模,我们免费给出针对性的选型建议与实施路径

服务保障

  • 免费需求分析
  • 按行业匹配系统
  • 实施方案透明
  • 7×24 技术支持