GPT-5.6 系列降价：Luna 直降 80%，API 性价比真的拉满了

几天前刷到 OpenAI 那条调价动态时，我第一反应不是“又便宜了一点”，而是：这次 API 的模型分工终于更容易落地了。

以前给 AI 编程工具选模型，经常会遇到一个很现实的问题：强模型效果好，但高频跑 Agent、批量处理代码或反复调用时，成本很快就上来了；便宜模型虽然适合跑量，复杂任务又不一定扛得住。

这次 GPT-5.6 系列的价格调整，刚好把这个矛盾往前推了一大步。

其中 Sol 价格不变，Terra 输入和输出价格都下降 20%，Luna 更直接，输入和输出价格都下降 80%。如果你的任务本来就适合轻量模型，那么同样的调用量，理论成本只剩原来的五分之一。

这不是“便宜几毛钱”的变化。对于每天让 Codex 读项目、跑脚本、改文件，或者用 API 做批量摘要、分类、数据清洗的人来说，Luna 这次确实有点把性价比拉满了。

说明：本文价格按几天前的官方动态配图整理，采用 API 定价表每百万 tokens 的口径。模型价格、可用范围和计费规则可能继续调整，发布和调用前请以官方说明及 KKFlow 后台实际展示为准。

一、这次到底降了多少？

先直接看价格变化：

这张表最值得看的不是 Sol 没降，而是 Terra 和 Luna 的定位变得更清晰了。

• Sol 继续负责最难、最复杂、最需要推理深度的任务；
• Terra 更适合日常开发、代码理解和质量与成本都要兼顾的任务；
• Luna 则更适合高频、轻量、可批量化的调用。

也就是说，以后不一定要让最贵的模型从头干到尾。更合理的做法，是让不同模型各做自己擅长的部分。

二、为什么我觉得这次 Luna 的意义最大？

Luna 输入从 $1 降到 $0.20，输出从 $6 降到 $1.20，两边都是 80% 的降幅。

由于输入和输出按同样比例下降，对于同一类固定任务，粗略理解就是整体 token 成本也下降约 80%。这会直接影响很多以前“能做，但不舍得一直跑”的场景：

• 批量给代码文件生成摘要；
• 对日志、工单和评论做分类；
• 从大量文本中抽取结构化字段；
• 给 Agent 做第一轮意图识别和任务分流；
• 在主模型工作前整理上下文、压缩资料；
• 高频生成测试数据、提交说明和基础文档；
• 先做便宜的初筛，再把难题交给 Terra 或 Sol。

比如一个代码 Agent，不必每次都直接启动 Sol。完全可以先让 Luna 扫描目录、归类文件、提取报错，再让 Terra 完成常规修改；只有遇到架构决策、大型重构或高风险审查时，才切到 Sol。

Luna：高频扫描、分类、提取、预处理
  ↓
Terra：日常编码、分析、修改、验证
  ↓
Sol：复杂推理、架构设计、疑难问题、关键审查

这种“分层调用”比所有任务固定用一个模型更实际。模型降价真正带来的价值，也不是单次聊天少花一点，而是让整条自动化链路有机会长期运行。

三、Terra 降 20%，可能更适合做日常默认模型

Luna 的 80% 很抢眼，但如果你主要做的是开发工作，我反而建议重点关注 Terra。

Terra 输入从 $2.50 调整到 $2，输出从 $15 调整到 $12。降幅没有 Luna 那么夸张，但它对应的是更常见的“平衡型”工作：

• 阅读一个中等规模项目；
• 修改常规业务逻辑；
• 补单元测试；
• 分析接口报错；
• 生成 SQL、脚本和接口文档；
• 做多轮但难度不算极端的 Agent 任务。

这类任务单次可能不贵，可一旦放进 Codex 这类会读文件、执行命令、反复验证的工具里，输入和输出会叠加得很快。统一下降 20%，在持续使用时会比一次性的价格数字更有感觉。

我的理解是：

追求极致能力，选 Sol；
追求日常平衡，优先试 Terra；
追求高频低成本，重点看 Luna。

当然，模型不能只看单价。最终还要看实际任务的成功率、需要重试几次、生成内容是否可直接使用。一个便宜但需要反复返工的模型，未必真的更省。

四、API 降价以后，国内开发者通常还会卡在哪？

价格只是第一步。真正把模型接进 Codex、脚本或自己的产品时，常见问题还是那些：

网络和认证怎么处理？
API Key 放在哪里？
Base URL 到底填什么？
模型 ID 是 Sol、Terra 还是 Luna？
多个客户端能不能共用一套入口？
调用量和消耗去哪里看？

如果官方链路对你来说足够顺畅，当然优先按官方文档接入。

我自己常用的一个 AI API 统一接入入口是：

https://kkflow.org

KKFlow 的定位不是某一个模型的临时入口，而是统一管理 Key、模型和接口地址。Codex、Claude Code、生图 API 或自己的后端脚本，都可以按对应协议接到同一套 API 网关里，切模型和看用量会方便很多。

常用地址如下：

需要注意：模型会动态上下架，价格和模型 ID 也可能调整。不要只照着文章硬填，先去 KKFlow 后台确认当前实际可用的模型名称。

五、先测试模型列表，不要上来就改一堆配置

在 Windows PowerShell 里，可以先测试模型列表：

curl.exe "https://kkflow.org/v1/models" `
  -H "Authorization: Bearer sk-你的KKFlow密钥"

这里的 sk-你的KKFlow密钥 只是脱敏占位符。真实 Key 不要放进文章、截图、聊天记录或 Git 仓库。

如果返回结果里能看到需要的 GPT-5.6 模型，再继续配置客户端。模型 ID 以后台和接口实际返回值为准，不要凭展示名称猜。

六、用 KKFlow 接入 Codex 的完整配置

Codex 的用户配置通常位于：

Windows：%USERPROFILE%\.codex\config.toml
macOS / Linux：~/.codex/config.toml

按照当前模型规格，可以使用下面这份配置：

model_provider = "kkflow"
model = "gpt-5.6-sol"
review_model = "gpt-5.6-sol"
model_reasoning_effort = "xhigh"

disable_response_storage = true
network_access = "enabled"
windows_wsl_setup_acknowledged = true

model_context_window = 400000
model_auto_compact_token_limit = 360000

[model_providers.kkflow]
name = "KKFlow"
base_url = "https://kkflow.org/v1"
wire_api = "responses"
requires_openai_auth = true

API Key 继续放在 auth.json 的 OPENAI_API_KEY 中：

{
  "OPENAI_API_KEY": "sk-你的KKFlow密钥"
}

这里有四个地方必须核对：

1. model 和 review_model 保持一致；
2. 模型名称以 KKFlow 后台实际模型 ID 为准；
3. model_context_window 和自动压缩阈值必须匹配模型真实规格；
4. 修改配置后完全退出旧 Codex 会话，再重新打开终端。

如果你想改用 Terra 或 Luna，不要只改其中一行。确认后台模型 ID 和上下文规格后，同时调整 model、review_model 以及相关上下文参数。

七、降价以后，模型应该怎么选？

我会按任务而不是按“谁最强”来分：

正式接入生产环境前，建议拿自己的真实任务做一轮小测试：

同一批任务
-> 分别记录成功率、重试次数、输入输出 tokens
-> 计算完成一个有效任务的真实成本
-> 再决定默认模型和升级策略

不要只比每百万 tokens 的标价。对开发任务来说，“一次做对”本身也有价格。

八、最后说几句

几天前这次调价，表面上看是 Terra 降 20%、Luna 降 80%，更深一层其实是让多模型分工变得更现实。

Sol 继续守住复杂任务，Terra 承担大部分日常工作，Luna 用更低的成本跑高频任务。对于 Codex、Agent 和批量 API 工作流来说，这种组合比单纯追求一个“最强模型”更有性价比。

如果你正好在国内配置 Codex，或者需要把多个 AI 客户端接到统一入口，可以先去 https://kkflow.org 看后台当前支持的模型，再用 https://kkflow.org/v1/models 实测。先把 Key、Base URL、模型 ID 和用量管理跑通，后面模型再更新，也不需要每个工具从头折腾。

参考信息

• OpenAI 官方账号发布的 GPT-5.6 系列价格调整动态（文章配图）；
• OpenAI GPT-5.6 介绍：https://openai.com/index/gpt-5-6/；
• KKFlow 主站与后台：https://kkflow.org。