刚谈 AI 减速，两家却同日上新：Opus 5.5 与 GPT‑6 Sol 到底在争什么？

2026 年 9 月 23 日｜AI 资讯与独立判断

9 月 12 日，Anthropic CEO Dario Amodei 呼吁给前沿 AI 的能力进步“配速”；OpenAI CEO Sam Altman 随后表示支持让外部评估者深入公司核查安全实践。十天后的 9 月 22 日（美国时间），Anthropic 发布 Claude Opus 5.5，OpenAI 也发布 GPT‑6 Sol 和 GPT‑6 Luna。网上的第一反应很直接：说好的慢下来呢？

这组发布恰好值得认真看。两家都没有把“更聪明”当成唯一卖点：Anthropic 要把接近顶级模型的能力做得更便宜、更稳；OpenAI 要把 GPT‑6 家族的能力压进大规模可用的成本区间。所谓“放慢”，如果不是公关语言，就必须在这种商业压力最大的时刻接受检验。

图：Claude Opus 5.5 官方发布视频节选。

先把“三个新模型”放在正确位置

Opus 5.5 是 Anthropic 新 5.5 家族的首款模型。Anthropic 说，它在多数工作上达到 Claude Fable 5.1 的水平；与 Opus 5 相比，典型任务的运行成本下降约 40%，输出速度提高超过 30%。API 标价为每百万输入 token 4 美元、输出 token 20 美元，分别比 Opus 5 低 20%；缓存读取降至 0.20 美元。这里的“运行成本降 40%”来自价格与任务 token 用量共同变化，不能误读成每一种 token 都降了 40%。Anthropic 官方说明

图：官方演示的另一段画面。动态素材分段处理，便于手机阅读。

OpenAI 一次发布的是两个档位。**Sol 是面向复杂日常工作的主力，Luna 是便宜到适合大规模调用的轻量档；GPT‑6 Astra 仍是官方定位中的最高能力档。**Sol API 标价每百万输入 / 输出 token 为 2 / 10 美元，Luna 为 0.10 / 0.50 美元。相对 GPT‑5.6 系列的促销价格，OpenAI 宣称新款约降价 50%。Sol 与 Luna 均可通过 API 使用，并开始面向符合条件的 ChatGPT Work 与 Codex 用户逐步开放；免费和 Go 用户可在桌面应用尝试 Luna。OpenAI 发布说明OpenAI 开发者文档

图：GPT‑6 Sol 与 Luna 官方发布视频节选。

只看 API 标价，Sol 的输入和输出价格均为 Opus 5.5 的一半，Luna 又比 Sol 低一个数量级。但实际账单还受推理档位、缓存命中、工具调用次数和重试率影响。价格表只告诉你“单价”，不告诉你“一件事做完要花多少”。

Opus 5.5：能力天花板，更像成熟的工作搭档

Anthropic 给出的强项是代理编程、计算机操作和知识工作。其报告的 Terminal‑Bench 4.0 成绩为 66.4%，FrontierCode 54.4%；在 GDPval‑AA 知识工作评估中取得 1846 Elo。一个早期测试客户用它在一天内迁移了约 68 万行代码；另一个测试把约 20 万行代码的审计与修复从 Opus 5 的 20 多小时缩至 3 小时以内。这些客户案例有参考价值，但不能等同于所有团队都能复现的平均表现。Anthropic 官方数据与案例

图：独立评测机构 Artificial Analysis 的模型智能指数及任务成本分布。横轴是每项任务成本，不是 API token 标价。

独立评测给出的方向基本一致，但更有层次。Artificial Analysis 在统一评估中给 Opus 5.5 的最高推理档打出 58 分，是其当时测试过的最高分；在专业知识工作测试 AA‑Briefcase 中取得 1822 Elo，尤其在分析质量与成品呈现上领先。需要补一条重要限定：这一评测启用了 Anthropic 默认的安全回退机制，所以测到的是实际服务配置，不是每一次请求都由 Opus 5.5 单独完成。Artificial Analysis 评测

图：Opus 5.5 在知识工作类任务中的位置。

网上最直观的试用还包括 3D 场景。Anthropic 的 Alex Albert 展示了用 Opus 5.5 驱动 Blender 构建 1906 年旧金山市场街场景的过程。它证明模型更擅长将描述转成空间场景、组织工具操作；但一个漂亮演示仍需检查史实准确度、模型结构、材质质量和可复用性，不能直接当成稳定的影视资产管线。

图：Alex Albert 公开展示的 Blender 场景构建视频节选。

GPT‑6 Sol 与 Luna：省钱很真，能力提升不能照单全收

OpenAI 公布的 Sol 在 AutomationBench、DeepSWE、OSWorld 等任务上进步明显。例如在其选定的 DeepSWE 设置下，Sol 最高推理档为 68.8%，Luna 为 66.6%；Sol 在 OSWorld 2.0 离线部分奖励评分为 60.5%。官方还表示 Sol 在其内部事实性评测中，比前代少犯约一半错误，并改进了表达方式：回答更直接、少术语、少无用细节。OpenAI 发布数据

但发布图表有一个容易忽略的细节：OpenAI 比较的是旧版 Claude Opus 5 或 Fable 5.1，Anthropic 表格中的 OpenAI 对照则是旧版 GPT‑5.6 Sol。两家官方发布材料都不是“昨天两款新模型同场考试”的答案。

图：Artificial Analysis 对 GPT‑6 Sol / Luna 的成本与能力评估。

Artificial Analysis 的结论尤其值得产品团队看：GPT‑6 Sol 最高档的智能指数单任务成本约 1.06 美元，约为 GPT‑5.6 Sol 的一半；Luna 约 0.07 美元。Sol 的编码代理指数从前代 55 升至 57，Luna 却从 43 降至 41。也就是说，“更便宜”比“全面更强”更有把握。Artificial Analysis 独立报告

图：Sol 的编码代理表现小幅提高；Luna 则有回落。

另一个很微妙的变化是“少胡说”。独立评测中，Sol 的幻觉率显著下降，但它回答的问题也变少：尝试作答比例由前代的 99% 降到 83%，准确率反而从 59% 降到 54%。这可以是审慎，也可能让用户遇到更多“我不确定”。对于研究、客服或医学信息产品，不能只用一个“幻觉率下降”就下结论，必须同时看拒答率与有效完成率。Artificial Analysis 数据说明

图：更低的幻觉率与更高的放弃作答比例，需要放在一起读。

网上试用：真实体验比榜单多一层矛盾

开发者 Simon Willison 第一时间把三款新模型放进自己的日常工作。他认为 Luna 的价格极具竞争力，也把 Sol 和 Opus 5.5 分别设为自己在 Codex 与 Claude Code 中的默认模型。但他记录了一个反例：让 Opus 5.5 在最高推理档画一只骑自行车的鹈鹕，它两次在长时间推理后都没交付结果，触及输出上限；每次花了约 2.56 美元和近 20 分钟。这个测试不是综合排名，却提醒我们：更高推理档不保证更好，失控的思考成本也属于产品体验。Simon Willison 的实测记录

图：知识工作评测中的变化，显示答案短不等于交付完整。

产品负责人 Claire Vo 则做了盲测：邮件、PRD、前端原型、后端、长任务、SVG 与视频编辑一起比。她的判断是：Astra 最令她惊喜；Opus 5.5 在长任务和 B 2 B 前端上更稳；Sol 在清晰写作、可读 PRD 与价格方面有吸引力。她也发现同一轮测试里，人类审美与模型裁判的偏好并不一致。这比单张排行榜更贴近产品团队的实际选择：能交付、好修改、可维护，比“第一眼惊艳”更重要。Claire Vo 的盲测记录

也有网友根据几张截图直接判断“Sol 比前代更差，只是便宜”。这种情绪能理解，但结论太快。独立评测确实看到知识工作项目交付退步，同时也测到编码代理、自动化和事实性指标的改善；同一个模型换推理档位、工具与评分方式，结果会变。把某一项回退写成“全线退步”，和把官方宣传写成“全线胜利”一样，都不可靠。

早期接入方 Lovable 的内部评估说，Sol 在从零构建应用的测试中，比 GPT‑5.6 Sol 高 6%—12%，其“遵循简报”和设计基础能力进步更明显；同时它也报告 Opus 5.5 在现有代码库里可以用更少步骤完成工作。这些是产品方自己的工作流数据，样本、评分准则与竞争关系都需要纳入判断，不能把它们搬成通用排行榜。Lovable 的 Opus 5.5 测试说明

“放慢研发”与继续发布，真矛盾在哪里？

Dario 原文并非要求立刻停训或停止发布。他说的“配速”，核心是让能力增长不要跑在对齐、审计、监控和第三方评估前面；首先提出让外部评估者获得持续、接近员工级别的访问权。Altman 公开支持这一点，也强调配速不等于停下。Dario 原文美联社对双方表态的核对

Anthropic 在 Opus 5.5 的发布文中主动回应了这个疑问：它说当前模型的风险大致仍可用现有测试和防护体系管理；这次发布前请了 METR 与 Frontier Design 外部评估。对于将来能自动推进 AI 研究的更强系统，它不认为现有措施一定够用。Anthropic 安全说明

这解释了“为什么还能发”，却没有替行业完成证明。外部评估的覆盖范围是什么？第三方能公开哪些不利结果？一次发布后发生事故，是否有清晰的停用与复盘机制？这些比“发了新模型是否打脸”更接近要害。我的判断是，商业竞争的速度目前没有慢下来；真正可验证的进步，应该是安全证据的透明度与约束力变强。

给设计师、产品经理和开发者的实际选法

如果是长流程研究、复杂代码迁移、需要反复核对的专业交付，先试 Opus 5.5。它的成本高于 Sol，但独立评测和早期客户案例都说明，它在困难任务和成品质量上更值得一次测试。先用默认或中等推理档，别把“max”当成自动增益。

如果是持续迭代的产品开发、日常编程、PRD 改写和多轮原型，Sol 很有竞争力。你要测的不是单次回答，而是从简报到可上线交付的总轮数、人工返工时间和遗漏项。把“完成标准”写入提示与验收清单，尤其能防止简短回答漏掉重要要求。

如果是大量重复的分类、提取、数据库问答和低风险自动化，Luna 的价格很诱人。但它在部分编码和知识工作评测中退步，别因为便宜就把需要完整判断的任务全丢给它。更好的做法是用 Luna 分流，再把不确定或高价值任务升级给 Sol 或 Opus。

图：同一评测套件中的多维指标。决定选型的不是一个总分，而是你的任务落在哪一列。

这轮发布最有意思的地方，不是“谁赢了”，而是两个方向同时成立：顶级模型继续抬高复杂工作的上限，便宜模型则让原本算不过账的产品流程开始可行。安全讨论也因此不能只盯着训练速度；当更便宜的代理被嵌进更多真实系统，部署规模、权限边界和可追责性，同样会决定下一次风险从哪里出现。

数据说明：截至 2026 年 9 月 23 日。官方成绩、独立基准和个人试用的测试条件不同；文中分别标注，未将其混作同一排行榜。动态图片均为公开演示的短节选。

更多 AI 前沿技术与设计灵感，欢迎关注「设计小站」公众号（ID：sjxz00），一起探索科技与设计的融合创新。