OpenAI หั่นราคา GPT-5.6 Luna ลง 80% เหลือ 0.20 ดอลลาร์ต่อล้านโทเคน — และบอกว่าโมเดลของตัวเองเป็นคนไปแก้โค้ด inference ให้ถูกลง

เมื่อวันที่ 30 กรกฎาคม 2026 OpenAI ประกาศลดราคา API ของตระกูล GPT-5.6 ครั้งใหญ่ โดยรุ่นเล็กสุด Luna ถูกหั่นราคาลง 80% ในคราวเดียว

ตัวเลขตามรายงานของ The Decoder และ VentureBeat:

โมเดล	ราคาเดิม (input / output ต่อล้านโทเคน)	ราคาใหม่	ลดลง
GPT-5.6 Luna	$1.00 / $6.00	$0.20 / $1.20	−80%
GPT-5.6 Terra	$2.50 / $15.00	$2.00 / $12.00	−20%
GPT-5.6 Sol	$5.00 / $30.00	เท่าเดิม	—

สำหรับคนที่สร้างของบน API นี่ไม่ใช่ข่าวธุรกิจธรรมดา — ราคา input ที่ 0.20 ดอลลาร์ต่อล้านโทเคน เปลี่ยนสมการของงานหลายประเภททันที โดยเฉพาะงาน high-volume ที่เดิมคำนวณแล้วไม่คุ้ม เช่น การ classify/extract จากเอกสารจำนวนมาก, การ pre-filter ก่อนส่งต่อโมเดลใหญ่ หรือ agent loop ที่ยิงหลายรอบต่องานเดียว

เหตุผลที่ OpenAI ให้ — โมเดลไปปรับ inference stack เอง

คำอธิบายที่บริษัทให้น่าสนใจกว่าตัวเลข: OpenAI ระบุว่าส่วนลดนี้มาจาก ประสิทธิภาพที่ได้ระหว่างพัฒนา GPT-5.6 เอง โดยเฉพาะสองอย่าง

• GPT-5.6 Sol ไปเขียน/ปรับซอฟต์แวร์ระดับ GPU ให้เอง จนต้นทุนการ deploy ลดลงราว 20%
• ปรับปรุงการสร้างโทเคนได้อีกราว 15% ผ่านเทคนิคสาย speculative decoding

พูดอีกแบบคือ OpenAI กำลังเคลมว่า โมเดลรุ่นใหม่ช่วยลดต้นทุนการรันโมเดลรุ่นใหม่ — เป็นเรื่องเล่าแบบ recursive self-improvement เวอร์ชันที่จับต้องได้และวัดเป็นเงินได้ ซึ่งต่างจากเวอร์ชันเชิงทฤษฎีที่วงการเถียงกันมานาน

The Decoder ยังรายงานว่า Luna ในราคาใหม่ทำงานได้เทียบเท่าโมเดลชั้นนำเมื่อปีก่อน โดยงานที่เคยมีต้นทุนราวหนึ่งดอลลาร์ตอนนี้เหลือราว 6 เซนต์ และเร็วขึ้นเกือบเก้าเท่า

นอกจากนี้ VentureBeat รายงานว่า OpenAI เปิด Fast mode ใน API สำหรับ GPT-5.6 Sol — เร็วขึ้นสูงสุดราว 2.5 เท่า ที่ราคาสองเท่าของปกติ มาแทน Priority Processing เดิม

บริบทที่ทำให้ต้องลด: แรงกดจากของถูก

The Decoder อ่านเกมนี้ตรงไปตรงมาว่าเป็นผลจาก แรงกดดันด้านราคาทั่วตลาด โดยเฉพาะจาก ผู้ให้บริการจีนราคาต่ำ และการที่ Microsoft ดันโมเดลตระกูล MAI ของตัวเองในฐานะทางเลือกที่ถูกกว่า OpenAI — ซึ่งสอดคล้องกับที่ Microsoft AI เพิ่งประกาศชัดว่าจะเดินสาย โมเดลผู้เชี่ยวชาญเฉพาะทางราคาถูก แทนที่จะไล่ตาม frontier

จุดที่ควรสังเกตคือ โครงสร้างของการลด ไม่ได้ลดทั้งกระดาน: รุ่นเล็กลด 80% รุ่นกลางลด 20% รุ่นเรือธงไม่ลดเลย นี่คือรูปแบบการตั้งราคาที่บอกว่า OpenAI กำลังสู้ สงครามราคาที่ปลายล่างของตลาด (ที่ของถูกจากจีนและ MAI กินส่วนแบ่ง) ขณะที่ยังรักษามาร์จิ้นที่ปลายบน (ที่ยังไม่มีใครแทนที่ Sol ได้จริง)

มุมมอง AI Curator

สิ่งที่ผมคิดว่านักพัฒนาควรเอากลับไปคิดไม่ใช่ “OpenAI ถูกลง” แต่คือ สมมติฐานเรื่องต้นทุนในสถาปัตยกรรมของคุณกำลังหมดอายุเร็วกว่าที่คิด

หลายทีมออกแบบระบบเมื่อหกเดือนก่อนโดยตั้งอยู่บนข้อจำกัดว่า “เรียกโมเดลได้จำกัดรอบเพราะแพง” — จึงเลี่ยง multi-pass, เลี่ยง self-check, เลี่ยงการให้เอเจนต์ลองหลายทางแล้วเลือก พอราคา input ลง 5 เท่า ข้อจำกัดนั้นก็หายไป และ สถาปัตยกรรมที่ “ถูกต้อง” เมื่อหกเดือนก่อนอาจกลายเป็นการประหยัดผิดที่ ทีมที่ไม่กลับไปทบทวนจะเสียเปรียบทีมที่ทบทวน

แต่ก็ต้องระวังกับดักสองข้อ ข้อแรก ราคาต่อโทเคนไม่ใช่ต้นทุนจริง — ต้นทุนจริงคือ ราคา × จำนวนโทเคนที่โมเดลใช้จริง โมเดลที่ถูกกว่าแต่ต้องยิงซ้ำสามรอบเพราะทำงานไม่ผ่าน แพงกว่าโมเดลที่แพงกว่าแต่จบในรอบเดียว การเทียบต้องทำที่ระดับ ต้นทุนต่องานที่สำเร็จ ไม่ใช่ต้นทุนต่อโทเคน ข้อสอง การมี Fast mode ที่คิดราคาสองเท่าเป็นสัญญาณว่าอุตสาหกรรมกำลังแตกราคาออกเป็นหลายมิติ (ราคา × ความเร็ว × คิว) — บิลจริงจะซับซ้อนกว่าตารางราคาหน้าเดียวเรื่อย ๆ

สำหรับตลาดไทย/SEA ผลกระทบตรงที่สุดอยู่ที่ งานภาษาไทยปริมาณมาก เช่น การสรุปเอกสารราชการ, การจัดหมวดหมู่คำร้องเรียน, การอ่านใบเสร็จ/ใบกำกับภาษี ซึ่งภาษาไทยกินโทเคนมากกว่าอังกฤษอยู่แล้วประมาณ 2-3 เท่าจากการตัดคำ — ฉะนั้น การลดราคา input 80% มีน้ำหนักกับผู้ใช้ภาษาไทยมากกว่าผู้ใช้ภาษาอังกฤษ ในเชิงสัมพัทธ์ งานที่ทีมไทยเคยตีราคาแล้วพับเก็บไปเพราะต้นทุนโทเคนบานปลาย ควรถูกหยิบมาคำนวณใหม่รอบนี้ — และควรคำนวณเทียบกับโมเดลจีนราคาถูกและโมเดลเปิดที่รันเองด้วย เพราะนั่นคือสิ่งที่บีบให้ราคานี้เกิดขึ้นตั้งแต่แรก

แหล่งข่าว

• OpenAI goes full China pricing mode with an 80 percent cut to its most affordable GPT-5.6 model — The Decoder (30 ก.ค. 2026)
• Advancing the price-performance frontier with GPT-5.6 — OpenAI (ประกาศต้นทาง)
• AI price wars: OpenAI cuts GPT-5.6 Luna prices by 80% — VentureBeat
• Microsoft AI bets on cheap specialist models instead of chasing the frontier — The Decoder