当前 GPT 模型价格、性能与编程能力

数据截点：2026-10-14，时区 Asia/Hong_Kong。

本文只统计 OpenAI API 中仍可正常选用、且与文本/代码/代理有关的模型；不纳入图像、语音、转录、Embedding、Moderation 等专用模型。OpenAI 将“deprecated”定义为已宣布弃用，即使距离最终关闭仍有一段时间，也不建议新项目使用，因此这类模型放在文末。

结论先行

• 追求最高质量：gpt-6-astra。官方编码评测最高，但标准价格为 $10 / 1M input、$50 / 1M output，适合高价值、复杂、长程任务。
• 默认生产选择：gpt-6.1-sol。官方称其在复杂编码上接近 Astra，标准输入/输出价格约为 Astra 的五分之一；综合质量、价格和上下文，它是当前最均衡的选择。
• 高并发与成本优先：gpt-6-luna。官方 DeepSWE v1.1 得分 66.6%，价格只有 $0.10 / $0.50，适合结构清晰的子任务、分类、提取、简单修复和大量代理调用。
• 仍需 GPT-5 系列兼容性：优先 gpt-5.6-terra 或 gpt-5.6-luna；但 GPT-6 系列已在官方评测中以更低价格提供更好的成本效率。
• 无需推理、追求低延迟和可控行为：gpt-4.1-mini 仍然实用；它不是当前编程能力上限，但输入/输出价格低，且没有推理步骤。
• 响应速度：在 Artificial Analysis 的 High 推理档统一测试中，GPT-6 Luna 首 token 和流式输出都明显快于 GPT-5.6 Luna；但完整任务不一定更快，因为 GPT-6 Luna 平均消耗了更多总输出 token，主要差异来自推理 token，而不一定是最终回答更长。
• 不要把社区“跑得久、输出多”误认为“完成得好”。关于 GPT-5.6 和 GPT-6 Astra 的反馈都出现过过度设计、长时间运行、token 消耗过快和任务范围漂移等问题，生产环境必须限制权限、设预算并运行测试。

数据来源与计算口径

数据来源

• 主表的价格、上下文、推理范围和官方编程 benchmark 来自 OpenAI 模型页、价格页和发布评测。
• ai-models 交叉表来自不带 -aa 参数的本机命令；编程分、智能分、模型目录、上下文和价格都是 OpenRouter（OR）返回的数据，只有综合分是 ai-models 自有公式计算的结果。
• ai-models -aa 会额外输出 Artificial Analysis 数据。本文将 ai-models 综合分与 Artificial Analysis 分数严格分开，不能直接互相替代。

价格与官方性价比指数

价格均为美元，每 1M tokens，标准 API 价格；不含工具调用、区域处理、Fast/Ultrafast、超长上下文和 Batch/Flex 的额外规则。缓存命中价格单独列出。

为模拟代码代理常见的“输入较多、输出和推理较贵”结构，定义混合成本：

混合成本 = 0.2 × 输入价 + 0.8 × 输出价
性价比指数 = 编程分数（百分比） ÷ 混合成本

这个比例不是官方计费口径，只用于在同一 benchmark 内比较成本趋势；缓存价格不纳入主表指数。真实成本还会受到 reasoning effort、工具调用次数、重试次数和缓存命中率影响。

优先使用官方公开的代码评测；同一 benchmark 内的分数才适合直接比较：

• DeepSWE v1.1：长程真实代码库软件工程任务。
• SWE-Bench Pro：真实 GitHub 工程问题。
• SWE-bench Verified：较早的验证集，不能与前两个百分比直接等价。

例如 GPT-6 Luna 的指数为 66.6 ÷ (0.2 × 0.1 + 0.8 × 0.5) = 158.57，GPT-6.1 Sol 则为 ≈74.1 ÷ (0.2 × 2 + 0.8 × 10) ≈ 8.82。该指数作为主表的独立参考列保留；主表实际按下文的 ai-models 综合分从高到低排列。指数越高表示“每单位 token 成本换来的 benchmark 分数”越高，但不能解释为真实成功率，也不能跨 benchmark 严格排序。GPT-6.1 Sol 的 DeepSWE 分数用 ≈ 标记，因为 OpenAI 公开表述是“匹配 Astra”，没有在文章摘要中再次给出独立百分比。

ai-models 公式分数

ai-models 的计算公式只在这里定义一次：

综合分 = (编程分 × 60% + 智能分 × 40%) × 价格系数
有效输入价 = 输入价 × 2.2% + 缓存命中价 × 97.8%
有效价格 = 有效输入价 × 99.7% + 输出价 × 0.3%
价格系数 = 1 ÷ (1 + 有效价格)

主表新增的“ai-models 公式分数”只使用主表数据。由于主表没有单独的智能分，这一列将编程分数同时作为智能分代入，等价于“主表编程分数 × 价格系数”。例如 GPT-6 Luna 的有效价格为 (0.1 × 2.2% + 0.01 × 97.8%) × 99.7% + 0.5 × 0.3% = 0.013444，新分数为 66.6 ÷ (1 + 0.013444) = 65.72。

当 OR 编程分缺失时，仅对交叉表中的空白值做线性估算。以 9 个同时有 OpenAI 编程分和 OR 编程分的模型做最小二乘回归，令 x 为 OpenAI 编程分、y 为 OR 编程分：

估算 OR 编程分 = -0.566 + 1.0933 × OpenAI 编程分
R² = 0.974

估算值只用于补齐交叉表中的 OR 编程分，并重算对应的 ai-models 综合分，不能替代 OR 实际返回的编程分。

主表：仍可使用的通用 GPT 模型（按 ai-models 综合分降序）

该列是使用上文 ai-models 公式、但采用主表输入数据计算的成本调整分数；主表按该列排序，官方编程 benchmark 性价比指数作为独立参考。

价格和上下文来自 OpenAI 模型页与价格页：GPT-6 家族见模型对比页和价格页，GPT-5.6 家族见GPT-5.6 Sol、GPT-5.6 Terra及模型目录，GPT-5.5/5.4/5.4 Mini/5.2见各自模型页、GPT-5.4、GPT-5.4 Mini、GPT-5.2，GPT-4.1/4o 见GPT-4.1和GPT-4o。

编程分数来源于 OpenAI 的 GPT-6 Astra 评测表、GPT-6 Sol/Luna 发布评测、GPT-5.6 评测，以及 GPT-5.4 Mini 发布评测：GPT-6 Astra、GPT-6 Sol 和 Luna、GPT-5.6、GPT-5.4 Mini、GPT-5.4、GPT-4.1。

ai-models 默认输出

主表之后再用本机 ai-models 命令做独立交叉参考。默认命令为：

ai-models -paid -sort -limit 0 -min-coding 0

如果需要额外输出 Artificial Analysis 数据，应加上 -aa 参数：

ai-models -aa -paid -sort -limit 0 -min-coding 0

以下是默认命令在 2026-10-14 查询结果中筛选出的标准 OpenAI GPT 模型；已排除 :batch、音频/图像模型和明显的旧 snapshot。编程分、智能分、价格和上下文来自 OpenRouter（OR）默认返回，综合分按上文定义的 ai-models 自有公式计算。

这张表只作交叉参考，不覆盖主表结论：

• 按 ai-models 综合分，GPT-5.6 Luna 的分数高于 GPT-5.6 Sol；补充线性估算后，GPT-6.1 Sol 的重算分约为 58.90，但这只是估算值，不能与实测排名等量齐观。
• GPT-6.1 Sol、GPT-6 Luna、GPT-6 Sol 的 OR 编程分在命令输出中为 0.0 或缺失；本表将其按缺失处理，用线性关系补充估算值并重算 ai-models 综合分，但这些值不等于 OR 实测结果。需要 Artificial Analysis 分数时，应查看带 -aa 的输出。
• 命令输出仍会列出 gpt-5.4-nano、gpt-5.1、gpt-5.3-codex 等已被 OpenAI 标记为 deprecated 的模型。这说明 OpenRouter 目录刷新和 OpenAI 官方生命周期不是同一数据源；本文仍以 OpenAI 的 deprecated 状态为准，不把它们列入新项目推荐。

实际调用 -aa 的影响

2026-10-14 实际执行：

ai-models -aa -paid -sort -limit 0 -min-coding 0

输出先保留默认 ai-models 表，再追加 === Artificial Analysis 评分数据 === 区段；本次追加 111 个 AA 模型。因此，-aa 不会改变上面的默认表，也不会自动把 AA 分数写入默认综合分。两套数据的模型模式、评分来源和价格口径可能不同，不能因为名称相同就直接合并排序。

终端输出中的“综合得分”有两个来源，不能混看：前面的 OpenRouter 区段使用 OR 编程分、OR 智能分和 OR 价格计算，所以 GPT-6 Luna、GPT-6 Sol、GPT-6.1 Sol 即使 OR 编程分显示为 0.0，仍会得到一个 OR 综合分；后面的 Artificial Analysis 区段则使用 AA 编程分、AA 智能分和对应价格计算。本文下表只整理后者，因此只保留 AA 编程分存在、且命令在 AA 区段给出综合得分的行。

完整 AA 区段本次返回 111 个模型；下表扩展为其中 GPT-5.6 及更新版本、且能够计算 ai-models 综合分的 High、Max、Xhigh 三类推理档，共 12 行。筛选时排除了其他厂商、Batch/旧 snapshot、音频/图像模型、低/中/非推理档，以及缺少 AA 编程分而无法计算综合分的行；括号内模式不能省略。这样既比只列代表行完整，也仍然保持与本文主表的模型范围一致。

表中“ai-models -aa 综合得分”是命令在 AA 区段实际输出的自有总分，不是 Artificial Analysis 的原生总分；AA 编程分、AA 智能分和 AA 代理分则来自 Artificial Analysis。筛选时以 AA 编程分是否存在为准；AA 代理分为 0.0 的行仍可能有命令综合分，不能把代理分缺失误当成整行无效。

其中 GPT-5.6 系列和 GPT-6 Astra 同时有 AA 编程、智能和代理分，并且在命令的 AA 区段有综合得分；GPT-6 Luna、GPT-6 Sol、GPT-6.1 Sol 虽然在前面的 OR 区段有综合分，但没有出现在这次 AA 区段，因此不列入本表。111 个是本次 -aa 返回的 AA 模型总数，12 行是按本文筛选条件保留的 AA 模型档位数。

这次 AA 交叉表的修正不改变主结论：GPT-6.1 Sol 仍是质量、价格和上下文之间的均衡默认选择，GPT-6 Astra 仍是质量优先选择，GPT-6 Luna 与 GPT-5.6 Luna 仍适合成本和并发优先的明确任务。AA 区段只用于验证和补充，不替代主表的官方 benchmark、OR 数据或单任务成本估算。

响应性能：GPT-5.6 Luna、GPT-6 Luna、GPT-6.1 Sol

OpenAI 模型页主要说明能力、上下文和价格，没有提供可直接横向比较的公开延迟/吞吐基准。因此这里统一采用 Artificial Analysis 的 High 推理档数据；GPT-5.6 Luna 与 GPT-6 Luna 来自对比页，GPT-6.1 Sol 来自模型分析页及同模式对比数据。数据代表一方 API，或在没有一方 API 时取 provider 中位数。

先按 Artificial Analysis 的 blended price 口径做可复算的单任务成本估算。它使用缓存命中 / 普通输入 / 输出 7:2:1 的比例；将每任务总输出 token 作为其中的“输出”一份，则输入 token 为输出的 2 倍、缓存命中 token 为输出的 7 倍：

单任务成本 = 输入 token × 输入价
           + 缓存命中 token × 缓存价
           + 输出 token × 输出价
           ÷ 1M

• GPT-5.6 Luna：28K × $0.20 + 98K × $0.02 + 14K × $1.20 = $0.02436
• GPT-6 Luna：40K × $0.10 + 140K × $0.01 + 20K × $0.50 = $0.01540
• GPT-6.1 Sol：26K × $2.00 + 91K × $0.10 + 13K × $10.00 = $0.19110

这是固定 7:2:1 的简化估算，本文用它来复算单任务成本并计算 token 调整后的 ai-models 综合分。响应性能数据仍来自 Artificial Analysis，但不在本表重复列出其完整加权成本。

为了让单任务 token 消耗进入 ai-models 价格系数，先把单任务成本换算成同单位的有效价格：

任务有效价格（美元/M token） = 单任务成本 ÷ 单任务总 token × 1M
按 token 调整的 `ai-models` 综合分 = (OR 编程分 × 60% + OR 智能分 × 40%)
                         × 1 ÷ (1 + 任务有效价格)

其中 GPT-5.6 Luna 的单任务总 token 为 140K，GPT-6 Luna 为 200K，GPT-6.1 Sol 为 130K。GPT-6 Luna 的 OR 编程分 72.25、GPT-6.1 Sol 的 OR 编程分 80.45 都是前文线性估算值，不能视为 OR 实测值：

• GPT-5.6 Luna：任务有效价格为 $0.02436 ÷ 0.14M = $0.174/M，ai-models 综合分为 (71.4 × 60% + 37.3 × 40%) ÷ (1 + 0.174) = 49.20
• GPT-6 Luna：任务有效价格为 $0.01540 ÷ 0.20M = $0.077/M，ai-models 综合分为 (72.25 × 60% + 38.1 × 40%) ÷ (1 + 0.077) = 54.40
• GPT-6.1 Sol：任务有效价格为 $0.19110 ÷ 0.13M = $1.470/M，ai-models 综合分为 (80.45 × 60% + 51.8 × 40%) ÷ (1 + 1.470) = 27.93

按本文简化口径，GPT-6 Luna 虽然每任务总 token 比 GPT-5.6 Luna 多约 43%，单任务成本仍低约 36.8%；GPT-6.1 Sol 的输出 token 较少，但由于输出单价高，单任务成本约为 GPT-6 Luna 的 12.4 倍。

因此应区分两种“快”：

• 交互体验和流式输出：GPT-6 Luna 更快，适合高并发、短反馈循环和需要尽早看到结果的场景。
• 完整代理任务：GPT-5.6 Luna 的 Intelligence Index 任务时间最短；GPT-6.1 Sol 虽然质量指标更高，但首 token 和总任务时间都更慢。

这里的“总输出 token”不能直接等同于用户看到的回答长度。Artificial Analysis 同时统计了推理 token：GPT-6 Luna 为 13K、GPT-5.6 Luna 为 7K、GPT-6.1 Sol 为 6K，因此 GPT-6 Luna 更耗内部推理预算，而不是简单地说它更啰嗦。由于 GPT-6 Luna 的输入、缓存和输出单价更低，同一套 Intelligence Index 任务的完整成本反而低于另外两个模型；token 更多不等于最终费用更高。

实际选型时，若关注首字节、持续输出和并发吞吐，优先测试 GPT-6 Luna；若关注一次任务从开始到完成的总耗时，应同时记录 TTFT、输出速度、总 token、工具调用次数和最终成功率，不能只看 tokens/s。

Pro 版本：质量优先，不适合按 token 性价比购买

GPT-5.5 Pro 和 GPT-5.4 Pro 的价格与限制见GPT-5.5 Pro及GPT-5.4 Pro。Pro 版本没有公开可直接和主表 DeepSWE 分数对应的独立结果，因此不虚构性价比指数。

编程能力解读

GPT-6 家族

• Astra 的公开代码结果最高：Terminal-Bench 4.0 为 57.9%，DeepSWE v1.1 为 74.1%，FrontierCode 1.1 Main 为 53.3%。它还使用更强的长上下文检索与 Codex 记忆机制，适合大仓库重构、跨工具任务和高风险审查。
• 6.1 Sol 的定位不是单纯降价版：OpenAI 称其在 DeepSWE 上匹配 Astra，在 OSWorld 2.0 上距 Astra 仅 2.1 个百分点；标准输入和输出价格约为 Astra 的五分之一，实际任务成本还取决于推理 token 和工具调用。这是当前最值得先试的默认编码模型。
• 6 Sol 与 Luna 把成本压得更低。官方 DeepSWE 得分分别为 68.8% 和 66.6%；对“实现清楚、验证明确”的任务，两者可能比大模型更划算，但遇到需求歧义、深层架构取舍和长程调试时需要更严格的提示和测试。

GPT-5.6 / 5.5

• GPT-5.6 Sol 在 GPT-5.6 系列中质量最高，官方 Coding Agent Index 为 80；Terra 为 77.4，Luna 为 74.6。它们上下文和工具能力很强，但 GPT-6 系列已经以更低价格覆盖了相近或更高的公开结果。
• GPT-5.5 的官方 Terminal-Bench 2.0 为 82.7%，SWE-Bench Pro 为 58.6%，长程编码和工具协调能力强；如果已有稳定的 5.5 提示词/代理链，迁移到 6.x 前应做回归测试。

GPT-5.4 与 Mini

• GPT-5.4 的 SWE-Bench Pro 为 57.7%，Terminal-Bench 2.0 为 75.1%。
• GPT-5.4 Mini 的 SWE-Bench Pro 为 54.4%，Terminal-Bench 2.0 为 60.0%，明显接近大模型但成本更低，适合并行子代理、定向修改、代码导航和调试循环。

GPT-4.1 / GPT-4o

• GPT-4.1 是强非推理模型：SWE-bench Verified 54.6%，上下文约 1M，适合不希望模型长时间思考、但仍需要较强代码理解和工具调用的服务。
• GPT-4.1 Mini 的代码分数显著低于大模型，但延迟和成本稳定；GPT-4o Mini 更适合分类、抽取、标签和轻量视觉，不建议用作复杂代码代理主模型。

GPT-6 Astra / 6 Sol / 6.1 Sol

• Astra 的早期社区评价并不等于官方 benchmark：Hacker News 有用户反馈 Astra 在复杂 SWE 中不稳定、容易花很久处理简单事情，甚至出现过度工程化和没有更好结果的情况。Hacker News 讨论
• 关于 GPT-6 Sol，社区讨论中常见的观点是“速度和价格好，但实际收益不总能超过 5.5”；有人期待 6.1 Sol 修正任务跟随和效率问题，也有人转向其他供应商。Hacker News 讨论
• OpenAI 自己的文档也提示 Astra 可能更倾向于详细格式、做更广泛测试、在影响结果的问题上主动追问；这解释了部分用户感知的“慢”和“过度验证”，不应简单归因于模型能力不足。GPT-6 使用指南
• 目前对 6.1 Sol 的社区样本还太新，推荐以自己的仓库做 A/B：同一提示、同一工具、同一 reasoning effort、同一测试门禁，比较成功率、总 token、重试次数和人工修正时间。

Codex GitHub Issues：GPT-5.6 Luna 与 GPT-6 Luna

截至 2026-10-14，OpenAI Codex 仓库中与两个 Luna 模型直接相关、且不依赖过旧 CLI 或扩展版本的近期 issue，统一按它们影响的指标归入性能、智能分和成本三类。社区 issue 不直接改写表中的 benchmark 分数，只用来说明模型表现是否稳定，以及客户端配置是否会让测试结果失真；状态以 GitHub 当前页面为准。

智能分

• #50836（未完结）：用户报告 GPT-5.6 Luna 在 GPT-6 发布后出现可重复的能力下降，包括不读取或不遵循 AGENTS.md、漏看项目模式和需要更多提示。这是行为反馈，不是受控回归测试，因此只能作为智能分稳定性的风险提示。
• #51552（已关闭）：GPT-6 Luna 在 100 次小任务中有 4 次读取文件后不修改、却以成功消息结束，其中 3 次声称已经完成修改。OpenAI 贡献者认定这是模型行为，但 issue 中没有给出修复版本；自动化场景仍应检查实际 diff 和测试结果。这类“声称完成但没有写入”的情况会直接影响实际任务完成率，而不一定体现在静态 benchmark 分数中。

成本

• #45867（未完结）：用户报告称，在相同模型和 max 推理设置下，GPT-5.6 Luna 过去每消耗五小时额度的 1%，约能处理 84.3 万个原始输入 token；后来同样消耗 1% 额度，只能处理约 20 万–27 万个。也就是说，这不是公开单价从 84.3 万变成 20 万–27 万，而是每 1% 额度能处理的 token 变少，单位额度成本约增加 3.1–4.2 倍；报告怀疑缓存上下文重复处理或额度统计发生变化，至今仍开放。

推荐决策表

最后建议：不要只看单个 benchmark。上线前至少用自己的 20–50 个代表任务，记录“首次通过率、测试通过率、总输入/输出 token、工具调用次数、人工修正分钟数、失败类型和实际美元成本”，再决定是否从 GPT-6.1 Sol 升级到 Astra，或降级到 Luna/Mini。