降價現場：7 月 30 日起的官方價目
這一波調價的第一手依據，是 OpenAI 官方文章〈Advancing the price-performance frontier with GPT-5.6〉：自 7 月 30 日起，Terra 每百萬輸入 token 2 美元、輸出 12 美元，Luna 更低。對照 OpenAI API 定價文件，gpt-5.6-luna 的標準輸入為每百萬 0.20 美元、快取輸入 0.02 美元、輸出 1.20 美元；同一份文件也載明，資料駐留端點要再加收 10%。
兩組數字放在一起看，重點不是「降了多少」，而是結構：同一個 GPT-5.6 家族內，Luna 與 Terra 的輸入、輸出單價都剛好差 10 倍。OpenAI 等於把「便宜一個數量級」正式寫進產品線價目表，而不是短期促銷。這個定價動作發生在 Anthropic 於 7 月 24 日發表 Claude Opus 5 之後一週內，兩家美國前線實驗室在旗艦發表節奏上貼身競爭，定價就成了下一個正面交鋒的戰場。
值得注意的是，OpenAI 把這篇文章的標題直接定為「推進價格效能前緣」——定價本身已經被當成產品訊息來溝通，而不只是後台的費率更新。對開發者來說，這代表選型決策的時間軸變了：牌價調整會在幾週內改變不同供應商之間的相對成本，值得定期重算，見〈Gemini 3.7 Flash 促銷價〉。
降價為何成立：分層、快取與批次的三重槓桿
單價能壓到 0.20 美元這個量級，靠的不是單一技巧，而是三個互相疊加的槓桿。
第一是家族分層。GPT-5.6 用 Terra 與 Luna 兩個層級把工作負載分開：需要較強能力的任務走 Terra，高頻、格式化、可大量平行的任務走 Luna。當大量推理需求可以被導向較小的模型，供應端就能用較低的單價覆蓋這一塊需求，Luna 與 Terra 之間整整 10 倍的價差，就是把「能力分層」直接換算成「價格分層」。
第二是快取。多數應用的 API 呼叫都帶著重複的系統提示、工具定義與長上下文；這些前綴一旦命中快取，輸入成本就從 0.20 美元降到 0.02 美元，再砍一個數量級。對客服、文件問答、程式碼助理這類「同一套上下文反覆跑」的場景，快取才是真正決定帳單的變數。
第三是批次與服務層級的細分。OpenAI 的定價文件把標準、優先與批次等處理層級分開計價，資料駐留再另外加收 10%；這種細分讓願意交換延遲或彈性的客戶換到更低單價，也讓牌價有更多下調空間。Anthropic 端也有對應設計：Claude Opus 產品頁載明快取最高可省 90%、批次模式省 50%。換句話說，兩家都在把「一次性牌價」改造成「依使用方式浮動的成本結構」。
中國對手的價格地板：DeepSeek 的官方數字
這波降價的壓力來源，必須回到中國供應商的官方價目表才能看清。DeepSeek 官方定價文件對現行兩個模型列出的人民幣牌價是：快取命中輸入每百萬 0.02 元與 0.025 元、未命中輸入 1 元與 3 元、輸出 2 元與 6 元；以約 7 元人民幣兌 1 美元換算，相當於快取命中輸入約 0.0028／0.0035 美元、未命中約 0.14／0.42 美元、輸出約 0.28／0.85 美元。
拿 Luna 的新價對比最便宜欄位：輸出 1.20 美元仍是 0.28 美元的約 4.3 倍；快取命中輸入 0.02 美元對 0.0028 美元，差距約 7 倍。也就是說，OpenAI 把主力模型拉進「0.x 美元」這個數量級之後，的確首度與中國供應商站在同一個量級對話，但整個市場的價格地板仍然在中國陣營手上。對成本極度敏感、且能接受在地緣與合規上另做評估的團隊，這個價差大到不能假裝不存在，見〈V4-Pro 上架矽基流動〉。
這也解釋了美國兩家為何急著重新定價：當能力差距縮小，單價就從次要採購條件變成主要決策變數。OpenAI 選擇直接砍 Luna 牌價搶量；Anthropic 則用另一種方式回應。
Anthropic 的選擇：旗艦單價不動，靠折扣結構應戰
Anthropic 官方的 Claude Opus 頁面目前載明的旗艦定價，是每百萬輸入 5 美元、輸出 25 美元，並標示快取最高可省 90%、批次省 50%。換算下來，Opus 的輸入是 Luna 的 25 倍、輸出約 21 倍；但若輸入大多命中快取，實際輸入成本會落在 0.50 美元這一級，與 Terra 的標準輸入相當。
7 月 24 日發表的 Claude Opus 5 延續了這個價位帶。Anthropic 的策略因此很清楚：旗艦牌價不動，把優惠做進使用模式——你要嘛為最強能力付足額單價，要嘛用快取與批次把成本壓下來。這與 OpenAI 直接下調 Luna 牌價形成對比：一邊用「看得見的低價」搶高頻用量，一邊用「用得聰明就便宜」留住重度開發者。
對企業採購來說，兩種定價哲學需要不同的談判與架構策略：前者看的是單價乘上用量，後者看的是快取命中率與批次占比。同一個工作負載在兩家的最終成本，可能相差一個數量級，也可能幾乎打平，取決於流量形狀。
換算成帳單：一億 token 的三種月費
單價數字容易失真，直接換算成月帳單更具體。假設一個應用每月消耗 1 億輸入 token 加 1 億輸出 token：
- 走 gpt-5.6-luna：輸入 20 美元加輸出 120 美元，約 140 美元。
- 走 DeepSeek 最便宜欄位：輸入 14 美元加輸出 28 美元，約 42 美元。
- 走 Claude Opus：輸入 500 美元加輸出 2,500 美元，約 3,000 美元。
三種選擇相差超過 20 倍。再疊加上槓桿：若 Luna 的輸入有八成命中快取，輸入成本降到約 5.6 美元，總帳單約 126 美元；同樣條件下的 Opus 約 2,640 美元。可以看到，快取對 Luna 帳單的絕對影響只有十幾美元，但對 Opus 是數百美元級——模型越貴，工程優化越值錢。
實務上的下一步並非全押最便宜的模型，而是分層路由：分類、抽取、格式轉換、批量摘要這類任務走 Luna；困難推理、長鏈代理與高風險決策走旗艦模型；可延遲的工作進批次；重複上下文一律啟用快取。按這個架構重排之後，多數團隊的總成本會落在「全用旗艦」與「全用低階」之間，但品質損失遠小於成本降幅。
單價不等於總成本：四個但書
把這波降價解讀成「AI 變便宜了」之前，有四個限制必須放在桌上。
第一，token 用量本身是變數。不同模型對同一任務產生的思考長度、輸出格式與重試次數都不同；單價乘上 token 數才是成本，只比每百萬單價會誤判。第二，服務層級會加價。OpenAI 文件明載資料駐留端點加收 10%，優先與快速處理另有費率；Anthropic 的折扣則綁定快取與批次等特定使用方式，用不到就享受不到。第三，品質與可靠度不在定價頁上。低階層的錯誤率、延遲穩定性與代理任務成功率，最終都會以重工、監控與人工審核的成本回來。第四，這場價格戰還在進行中：Anthropic 官方尚未宣布旗艦牌價調整，OpenAI 也只調整了 GPT-5.6 家族的部分層級，兩家後續是否再動價、快取折扣是否擴大，都是值得按季追蹤的指標。
另外要誠實標出一條界線：各家模型的實際品質差距，無法從官方定價頁推得，本文也沒有進行自有評測；帳單試算用的是牌價直乘，未計入階梯折扣、承諾用量或企業議價。
結論：選型從選模型變成設計成本結構
這次調價的實質意義，是 API 選型的主導變數從「哪個模型最強」移向「我的流量形狀配哪個成本結構」。OpenAI 用 Luna 把高頻推理的單價壓進 0.x 美元級，直接正面迎戰中國供應商的價格地板；Anthropic 守住旗艦牌價，把折扣藏在快取與批次裡。兩條路線都把定價變成了工程問題。
開發者與企業可以立刻做的三件事：盤點自家工作負載中可降級至低階層的比例；為重複上下文啟用快取、為可延遲批次啟用批次模式；建立按月重算的 cost per task 指標，而不是只盯牌價。模型牌價會繼續變，但「按流量形狀設計成本結構」這個能力，在可見的價格戰週期內都會持續增值。
