先声明分工。站内那篇 GPT-6 Astra 旗舰横评（/zh/posts/gpt-6-astra-flagship-review）解决的是"谁更强"的问题，本文与它严格分工：只算钱，不排能力座次。谁更聪明、谁的 Agent 更稳，请看那篇；本文只回答一个问题——同样的活儿，用不同的旗舰模型干，账单差多少。所有价格与跑分均为各家官方发布口径（多数经媒体与 AI工具集 转述），本站未复测，下文逐处标注。
为什么"只算钱"也值得一篇横评？因为这一轮旗舰降价的信息密度极高：OpenAI 一口气发了 Sol 和 Luna 两个价位段，Anthropic 给 Opus 5.5 同时降了单价和缓存价，xAI 的 Grok 4.7 价格持平但输出单价最低，DeepSeek V4.1 Flash 则坚持分时定价。单看任何一个数字都会误判，必须把账面价、缓存折扣、跑分成本三个维度叠在一起看。
一、单位能力的钱：比单价更诚实的比法
裸单价是最容易骗人的数字。输入 $2 的模型如果缓存命中率高达八成，实付可能比输入 $1 但无缓存折扣的模型更便宜。所以本文的核心指标不是"每百万 token 多少钱"，而是"单位能力的钱"——每一分钱买到的工作流完成度。
这个比法有两个前提必须先立住。
第一，"能力"在不同任务里含义不同。编程智能体任务、跨应用工作流、电脑操作任务，考察的是模型的不同侧面，同一个模型在不同基准上的相对位置会翻转。所以本文不把跑分压成一个总分，而是分基准、分场景地摆在价格旁边。
第二，"钱"也不只是单价。对 Agent 场景来说，实际账单 = 输入费 + 输出费 + 缓存策略带来的折扣 + 失败重试的重复支出。其中缓存折扣是这一轮发布里变动最大、也最容易被忽略的一块。
二、账面价总表：先把单价摆齐
| 模型 | 输入（$/百万token） | 输出（$/百万token） | 缓存读取价 | 相对上一代 |
|---|---|---|---|---|
| GPT-6 Sol | 2 | 10 | 90% 折扣（约 $0.20） | 降价 50% |
| GPT-6 Luna | 0.10 | 0.50 | 90% 折扣（约 $0.01） | 便宜 50% |
| Claude Opus 5.5 | 4 | 20 | 降 60%（$0.50 降至 $0.20） | 单价降 20% |
| Grok 4.7 | 2 | 6 | 无公开折扣数据 | 持平 |
| DeepSeek V4.1 Flash | 闲时 1 元 / 高峰 2 元 | 闲时 4 元 / 高峰 8 元 | 本素材口径未给出 | — |
几个一眼能看出来的结构：
一，Opus 5.5 的输入输出恰为 Sol 的 2 倍。这个倍数关系是官方发布里直接给出的对照，不是我们算出来的。它还有个 Fast 模式，$8/$40，官方口径是 2.5 倍速，本文不展开。
二，Grok 4.7 的输出 $6 是四家美元定价里最低的输出单价。对输出 token 占大头的任务（长文生成、大段代码产出），这个数字权重很高。
三，Luna 的 $0.10/$0.50 已经不是"轻量旗舰"的价位，而是直接踏进了 DeepSeek 的腹地。官方转述口径里有一个直白对比：DeepSeek V4.1 Flash 输入闲时 1 元、高峰 2 元，输出闲时 4 元、高峰 8 元；Luna 输入约 0.7 元、输出约 3.5 元（按 $0.10≈0.7 元换算，该换算口径为 AI工具集 转述口径，人民币与美元计价体系不同，此换算仅作量级参考，不可直接横比）。 Luna 更便宜且无峰谷波动——但注意，DeepSeek 的 DeepSWE 跑分 74.2% 高于 Luna 的 66.6%，价格更低不等于跑分更高，这笔账后面细算。
四，DeepSeek 是四家半里唯一坚持分时定价的。闲时低价对能调度任务时间的批处理用户是真金白银，对实时对话用户则等于常年高峰价。
三、缓存折扣后的实际账：账面价之外的第二层
这一轮发布里，缓存定价的变化比单价变化更激进。Sol 和 Luna 的缓存输入读取享 90% 折扣，Opus 5.5 的缓存读取从 $0.50 降到 $0.20（降 60%），Grok 4.7 则没有公开的缓存折扣数据。这里单独列一张"实际账"表。
测算口径如下，全部为按官方单价折算的示例口径，不代表任何实测：假设一个 Agent 任务累计消耗 100 万输入 token，其中 80% 命中缓存（系统提示与轨迹前缀重复计费是 Agent 场景的常态），另产出 20 万输出 token。
| 模型 | 新鲜输入费 | 缓存输入费 | 输出费 | 实际合计 | 相对账面价节省 |
|---|---|---|---|---|---|
| GPT-6 Sol | $0.40 | $0.16 | $2.00 | $2.56 | 约 12% |
| GPT-6 Luna | $0.02 | $0.008 | $0.10 | $0.128 | 约 11% |
| Claude Opus 5.5 | $0.80 | $0.16 | $4.00 | $4.96 | 约 17% |
| Grok 4.7 | $0.40 | $1.60（无折扣） | $1.20 | $3.20 | 0%（无公开折扣） |
这张表暴露了三个反直觉的事实。
第一，账面输入价相同的 Sol 和 Grok 4.7（都是 $2），在高缓存命中率场景下实际输入成本差了 10 倍：Sol 的缓存部分只付 $0.16，Grok 要按全价付 $1.60。当然这个对比对 Grok 不完全公平——它没有公开缓存折扣数据，不代表没有，只是无法入账。对 Grok 公平的说法是：缓存收益未知，按保守口径估算。
第二，Opus 5.5 虽然单价是 Sol 的 2 倍，但因为缓存降价力度大（$0.20 的缓存读取价与 Sol 打平），缓存部分的绝对支出两家完全一样。差距全部集中在输出端：$20 对 $10。
第三，Luna 的实际合计 $0.128，约为 Sol 的 1/20、Opus 5.5 的 1/39。如果你的任务 Luna 能干，价格上没有悬念。
还要提醒一点：上表的 80% 命中率是假设值，实际账单对命中率极其敏感。Agent 场景里缓存失效的常见原因包括系统提示被改动、两次请求间隔超过缓存有效期、多实例负载均衡打散了请求落点。命中率从八成掉到五成，Sol 的缓存输入费会从 $0.16 涨到 $0.40，账单结构随之改变。所以上线前值得用真实流量回放一遍，量出自己的实际命中率，再把这张表重算一次——同样一张价格表，命中率不同，结论可能完全不同。
还有一个不在表里、但同样值钱的工程细节：Sol 和 Luna 支持对话中途调整推理强度分档且不破坏缓存，并支持"显式断点"控制缓存前缀边界。传统做法里，改推理档位往往意味着缓存失效、前缀全价重算；中途可调档且不破坏缓存，等于把"该省的省、该花的花"从架构层面打通了。缓存策略的完整方法论，站内另有一篇 Agent 缓存成本横评（/zh/posts/agentic-cache-cost-comparison-review）展开，本文不重复。
四、把跑分放在价格旁边：能看什么，不能看什么
先立规矩：以下跑分全部是各家官方发布口径，各家用的 harness 不同，任务集不同，本站未复测。不同基准之间、不同厂商之间，都不可横比下结论。本文只做两件事：把同一基准上多家都公布了的数字并排放，把只有一家公布的位置标"未公布"。
| 模型 | DeepSWE v1.1 | Terminal-Bench 4.0 | AutomationBench | OSWorld 2.0 |
|---|---|---|---|---|
| GPT-6 Sol | 68.8%（max） | 未公布 | 33.2%（xhigh） | 60.5%（xhigh） |
| GPT-6 Luna | 66.6%（max） | 未公布 | 未公布绝对值 | 未公布绝对值 |
| Claude Opus 5.5 | 未公布 | 66.4% | 40.0% | 81.8% |
| Grok 4.7 | 71.0% | 38.0% | 未公布 | 未公布 |
这张表里有两个必须如实说的位置。
第一处，Terminal-Bench 4.0：只有 Opus 5.5（66.4%，官方口径称领先 GPT-6 Astra 8.5 个百分点）和 Grok 4.7（38.0%）公布了成绩，Sol 和 Luna 未公布。我们不做任何补位推测——没公布就是没公布，任何"估计 Sol 也能跑到 60%+"的说法都是编造。
第二处，DeepSWE v1.1：Grok 71.0% > Sol 68.8% > Luna 66.6%，最贵的 Opus 反而没公布此项，便宜的 Grok 在三方对比中最高（各家官方口径）。这个排序值得琢磨：如果按"单位能力的钱"折算，Grok 的 DeepSWE 单位分成本是最低的——$2/$6 的定价配上 71.0% 的编程基准成绩，每一分钱买到的 DeepSWE 百分点比 Sol 和 Luna 都多。但同样的逻辑到 Terminal-Bench 4.0 上就反过来了，Grok 38.0% 明显低于 Opus 5.5 的 66.4%。同一个模型，两个基准，两种故事——这正是"不同基准不同 harness 不可横比下结论"的具体含义。
Opus 5.5 官方口径里还有几个值得记录的数字：GDPval-AA v2.1 1846 Elo，OSWorld 2.0 81.8%，HLE 带工具 67.7%，FrontierCode 54.4%；官方称典型任务总成本较 Opus 5 省 40%，输出快 30% 以上。Sol 那边的官方口径：AutomationBench xhigh 33.2%，超过 Claude Opus 5 的最高表现（max 26.9%），单任务成本约为其 9%；Agents' Last Exam（55 行业）max 56.4%，成本约低 60%；DeepSWE 68.8% 仅落后 Claude Fable 5 最高 1.1 个百分点而成本约 1/5；OSWorld 2.0 60.5% 与 Opus 5 中强度相当、成本约 1/5。Luna：DeepSWE 66.6% 接近 Opus 5 中等强度而成本低 93%；AutomationBench 高强度较上一代 Luna 加 5.4 个百分点、成本降 58%。
把价格和跑分叠起来，"单位能力的钱"的格局大致是：Opus 5.5 用两倍于 Sol 的价格买到了多项基准的明显领先，它的账要按"峰值能力刚需"来算；Sol 是典型的"次旗舰甜点位"，能力下放叠加五折定价加九折缓存，单位成本曲线很陡；Luna 把旗舰级能力的入门价打到了一毛钱输入；Grok 4.7 在编程基准上打出了全场最低的单位分成本，但 Terminal-Bench 上的落差提醒你它不是全能选手；DeepSeek V4.1 Flash 的 DeepSWE 74.2% 是本文出现过的最高编程基准成绩，配合分时定价，在能调度时间的批量任务里单位成本极低。
五、按场景给结论：四种预算，四笔账
结论不排座次，只按场景对号入座。
峰值能力刚需、预算充足：Opus 5.5。$4/$20 不便宜，但相比 Opus 5 已经省了 40% 的典型任务总成本，缓存读取价 $0.20 也和 Sol 打平。如果你的任务是"差一个百分点就成败"，两倍价格买的是确定性。
主力工作流、要控成本：Sol。$2/$10 加九折缓存，官方口径下多项 Agent 基准用约 1/5 的成本追平或超过上一代旗舰。对大多数团队，这是"单位能力的钱"最均衡的一档。
海量轻任务、成本绝对优先：Luna。$0.10/$0.50 的定价让"每百万 token"这个单位都显得大了，九折缓存让它更适合高频重复前缀的流水线。唯一要做的功课是确认你的任务难度在它的能力圈内——它在 DeepSWE 66.6%，接近但不是 Opus 5 的中高强度水平。
输出密集型与编程智能体：Grok 4.7 值得入账。$6 的输出单价是四家最低，DeepSWE 71.0% 是三方对比最高，但要接受 Terminal-Bench 38.0% 的落差，并把缓存收益按未知处理。
可调度的批量任务：DeepSeek V4.1 Flash 的分时定价是独特优势。闲时跑批，输入 1 元、输出 4 元，按 $0.10≈0.7 元的换算口径（AI工具集 转述口径）折合约 $0.14/$0.57，比 Luna 的固定价还低——前提是你真的能把任务挪到闲时，且接受其 74.2% 的 DeepSWE 成绩对应的能力边界。
最后重复一遍边界：以上全部为各家官方发布口径，本站未复测；价格随时可能调整，下单前以各家官方定价页为准。想看"这些模型到底谁更强"，回到站内 GPT-6 Astra 旗舰横评（/zh/posts/gpt-6-astra-flagship-review）；想看更大盘子的成本性能对比，有 AI 大模型成本性能横评（/zh/posts/ai-llm-cost-performance-comparison-review）和 Agent 长上下文成本账（/zh/posts/agent-long-context-cost-review）；Opus 5.5 的发布背景可读 Claude Opus 5 热点（/zh/posts/claude-opus-5-hotspot）。
常见问题
Q1： Sol 和 Luna 的缓存 90% 折扣是什么意思？
A1： 指缓存输入读取按原输入价的 10% 计费：Sol 缓存读取约 $0.20/百万 token，Luna 约 $0.01/百万 token。只折扣"读取"，首次写入与未命中的新鲜输入仍按全价。两者还支持中途调推理档位不破坏缓存、显式断点控制缓存前缀边界。
Q2： Opus 5.5 单价是 Sol 的 2 倍，实际账单也是 2 倍吗？
A2： 不一定。按本文示例口径（80% 缓存命中），Opus 5.5 实际合计 $4.96 对 Sol 的 $2.56，约 1.9 倍；缓存部分两家打平（都是 $0.16），差距几乎全在输出端。缓存命中率越高，两者实际差距越接近 2 倍；命中率低时输入端差距会缩小。
Q3： Grok 4.7 真的没有缓存折扣吗？
A3： 准确说法是"无公开缓存折扣数据"。本文素材口径下没有它的缓存定价信息，因此实际账表里缓存部分按全价保守估算。这不代表它没有缓存机制，只是无法入账比较。
Q4： DeepSeek V4.1 Flash 的分时定价怎么和美元定价比？
A4： 直接横比不严谨。DeepSeek 输入闲时 1 元/高峰 2 元、输出闲时 4 元/高峰 8 元；按 $0.10≈0.7 元的换算（AI工具集 转述口径）折合约 $0.14/$0.57 至 $0.29/$1.14。人民币与美元计价体系不同，该换算仅作量级参考。
Q5： DeepSWE 上最便宜的 Grok 反而最高，是不是说明它性价比最好？
A5： 在 DeepSWE v1.1 这一个基准上（Grok 71.0% > Sol 68.8% > Luna 66.6%，各家官方口径），Grok 的单位分成本确实最低。但同一模型在 Terminal-Bench 4.0 上只有 38.0%，明显低于 Opus 5.5 的 66.4%。不同基准不同 harness 不可横比下结论，选型要看你的任务更接近哪个基准。