OpenAI ปล่อย GPT-6 Sol และ Luna ราคาครึ่งเดียวของรุ่น 5.6 — แต่ Artificial Analysis วัดความฉลาดได้เท่าเดิม Sol ขึ้นแค่ 0.6 จุด ส่วน Luna ไม่ขยับเลย

OpenAI เปิดตัว GPT-6 Sol และ GPT-6 Luna เมื่อวันที่ 22 ก.ย. ใน changelog ของ API ใช้ได้ทันทีในชื่อ gpt-6-sol และ gpt-6-luna ผ่าน Responses API และ Chat Completions ประกาศในวันเดียวกับ Claude Opus 5.5 ทั้งสองรุ่นเป็นน้องของ GPT-6 Astra: Sol สำหรับงานเขียนโค้ดและงาน agent ที่ซับซ้อน ส่วน Luna สำหรับ “งานที่ชัดเจนและทำซ้ำในปริมาณมาก”

พาดหัวคือ ราคาต่อโทเคนลดลงครึ่งหนึ่งเทียบกับ GPT-5.6 แต่เมื่อ Artificial Analysis (AA) วัดแล้ว ความฉลาดแทบไม่เปลี่ยน สำหรับนักพัฒนา นี่จึงเป็นข่าวเรื่องค่าใช้จ่าย ไม่ใช่เรื่องความสามารถที่เพิ่มขึ้น และเป็นข่าวที่ดีถ้าคุณใช้ GPT-5.6 อยู่แล้ว

ราคาและสเปกจาก docs

ต่อล้านโทเคน	GPT-6 Sol	GPT-5.6 Sol	GPT-6 Luna	GPT-5.6 Luna
Input	$2	$4	$0.10	$0.20
Cached input	$0.20	$0.40	$0.01	$0.02
Output	$10	$20	$0.50	$1.20

• Context 1,050,000 โทเคน (input สูงสุด 922K) output สูงสุด 128K
• knowledge cutoff: Sol คือ 20 เม.ย. 2026, Luna คือ 18 พ.ค. 2026
• reasoning.effort เลือกได้ none ถึง max (ค่าเริ่มต้นคือ medium) ส่วน Astra ไม่รองรับ none
• พรอมต์ที่ยาวเกิน 272K โทเคน คิดค่า input และ cache เป็น 2 เท่า และค่า output เป็น 1.5 เท่า ของทั้ง request ไม่ใช่เฉพาะส่วนที่เกิน, Batch/Flex ลด 50%, fast mode คิด 2 เท่า
• ใน Chat Completions จะใช้ function calling ได้ก็ต่อเมื่อตั้ง reasoning_effort เป็น none เท่านั้น ถ้าจะใช้ tool คู่กับ reasoning ต้องย้ายไป Responses API และยังไม่เปิดให้ fine-tune ทั้งสองรุ่น

ฟีเจอร์ใหม่ที่คนทำ agent น่าจะได้ใช้มากที่สุดคือ configuration_update ซึ่งเป็น input item ที่ต่อท้ายบทสนทนาเพื่อเปลี่ยน reasoning effort กลางทาง (เช่น เพิ่มเป็น high เฉพาะตอนเจองานยาก) โดย prefix เดิมยังอยู่ใน cache docs เตือนว่าห้ามแก้ reasoning.effort ที่ระดับ request เพราะจะไปเปลี่ยน instruction ที่ซ่อนอยู่ใน system และทำให้ cache หลุด นอกจากนี้ GPT-6 ทั้งตระกูลยังได้ async tool calling และ mid-turn steering ผ่าน WebSocket แบบเดียวกับ Astra

ผลวัดอิสระ: ถูกลงจริง แต่ไม่ได้เก่งขึ้น

ตัวเลขจาก Artificial Analysis:

• GPT-6 Sol (max) ได้ 47.5 บน Intelligence Index ส่วน GPT-5.6 Sol ได้ 47.0 ต่างกันแค่ 0.6 จุด
• GPT-6 Luna (max) ได้ 37.26 ส่วน GPT-5.6 Luna ได้ 37.32 เท่ากันในทางปฏิบัติ
• ต้นทุนรัน index ทั้งชุดของ Sol อยู่ที่ราว $1,550 เทียบกับ $3,465 ของรุ่น 5.6 ถูกลงราว 55% และเร็วขึ้นจาก 82 เป็น 115 โทเคนต่อวินาที แต่ ใช้ reasoning token ต่องานเพิ่มขึ้น จากราว 17.3K เป็น 21.0K ส่วนที่ประหยัดได้จึงมาจากราคา ไม่ได้มาจากการใช้โทเคนน้อยลง
• Luna ทำงานหนึ่งชิ้นบน index ได้ในราว $0.07 แต่บน AA-Briefcase ซึ่งวัดงานเอกสารและงานสำนักงาน Elo ของ Luna ลดลงจาก 1345 เหลือ 1299 The Decoder รายงานว่า AA พบว่า GDPval-AA ก็ลดลงเช่นกัน (Sol ราว 100 Elo, Luna ราว 75) และสาเหตุหลักคือคุณภาพการนำเสนอที่แย่ลงกับงานที่ทำไม่ครบ

ตัวเลขฝั่ง OpenAI เองเราอ่านจากหน้าประกาศที่ openai.com ไม่ได้ เพราะเว็บบล็อกการเข้าถึงอัตโนมัติ จึงขออ้างผ่าน The Decoder: บน DeepSWE v1.1 Sol ที่ effort max ได้ 68.8% ต่ำกว่า GPT-5.6 Sol ที่ 72.7% และ Luna ที่ max ได้ 66.6% เท่ากับ Sol ที่ xhigh ในราคาต่อชิ้นงาน $0.22 เทียบกับ $1.00 The Decoder ตั้งข้อสังเกตด้วยว่า OpenAI ไม่ได้ใส่ GDPval และ Terminal-Bench 4.0 ในตารางเปิดตัวเหมือนทุกครั้ง

เทียบกับ Opus 5.5 ที่ออกวันเดียวกัน

บน AA Opus 5.5 (max) ได้ 57.6 ที่ต้นทุนราว $5.98 ต่องาน ส่วน GPT-6 Sol (max) ได้ 47.5 ที่ราว $1.06 ความฉลาดห่างกันราว 10 จุด แต่ราคาต่อชิ้นงานต่างกันเกือบ 6 เท่า สองบริษัทจึงเลือกทางต่างกันชัดเจนในวันเดียวกัน Anthropic ขายโมเดลที่เก่งที่สุดในราคาที่ถูกลง ส่วน OpenAI ขายความฉลาดระดับเดิมในราคาครึ่งเดียว และปล่อยให้ Astra เป็นตัวแข่งที่ระดับบนสุด

มุมมอง AI Curator

ถ้ามองจากฝั่งนักพัฒนา GPT-6 Sol/Luna น่าจะเป็นอัปเกรดที่คุ้มที่สุดของสัปดาห์สำหรับทีมที่ ใช้ GPT-5.6 อยู่แล้ว เพราะเปลี่ยนแค่ชื่อโมเดลแล้วบิลลดไปราวครึ่งหนึ่งโดยที่คุณภาพเท่าเดิม แต่คำว่า “GPT-6” บนชื่อทำให้คาดหวังเกินจริงได้ง่าย ถ้าทีมคุณกำลังรอ “รุ่นใหม่ที่เก่งขึ้น” สำหรับงานที่ 5.6 ยังทำไม่ได้ ผลวัดอิสระบอกว่ารุ่นนี้ไม่ใช่คำตอบ ส่วนงานเอกสารและงานนำเสนอควรเทสต์ก่อนย้าย เพราะนั่นคือจุดที่ AA เห็นว่าถดถอย

อีกเรื่องที่ควรเก็บไว้ในใจคือ Luna ที่ $0.10/$0.50 และ context 1M มีราคาอยู่ในช่วงเดียวกับ open-weight ที่ถูกที่สุดบน API แล้ว (MiMo-V2.6-Pro อยู่ที่ $0.435/$0.87 แต่ index สูงกว่าถึง 9 จุด) สำหรับทีมไทยที่ทำงานปริมาณมาก เช่น จัดหมวดหมู่ตั๋ว support, สรุปเอกสารภาษาไทย หรือ extract ข้อมูลจากใบแจ้งหนี้ คำถามจึงไม่ใช่ “ใช้โมเดลปิดหรือเปิด” แต่คือ “โมเดลไหนภาษาไทยดีพอในราคานี้” คำถามนี้ไม่มี leaderboard ไหนตอบให้ได้ ต้องเอาข้อมูลจริง 100–200 ชิ้นมาวัดเอง

สุดท้าย ระวังเงื่อนไข 272K โทเคน เพราะถ้า request เดียวยาวเกินนั้น ราคาทั้ง request จะกระโดดขึ้น ไม่ได้คิดเพิ่มเฉพาะส่วนที่เกิน agent ที่ปล่อยให้ context โตเรื่อย ๆ จนเกินเส้นนี้จะเสียส่วนลดที่ได้มาไปเกือบหมด ควรตั้ง compaction ให้ทำงานก่อนถึงเส้นนี้

แหล่งข่าว

• OpenAI API Changelog — Sep 22, 2026
• GPT-6 Sol — OpenAI API Docs
• GPT-6 Sol — Artificial Analysis
• OpenAI’s GPT-6 Sol and Luna cut prices in half but barely move the needle on performance — The Decoder