GPT-6 Luna适合什么任务 高频快速场景用法

GPT-6 Luna 是这一代里最便宜的模型，输入每百万 token 只要 0.1 美元，输出 0.5 美元。但便宜不等于弱，在 DeepSWE 编程测试里它拿到 66.6%，跟 Claude Opus 5 的中等档位持平，成本却低了 93%。它的定位非常明确：高频、快速、重复性强的任务。下面把适合 Luna 的场景和实际用法拆开说。

批量摘要和信息提取

这是 Luna 最擅长的场景。你手头有几百封邮件、几十份会议记录、一堆用户反馈，需要快速提炼出核心内容。在 ChatGPT Work 里切到 Luna，把文件批量挂上去，输入“把每份文档压缩成三句话，提取关键决策和待办事项”。Luna 会逐份处理，速度快、成本低。同样的活交给 Sol 也能干，但账单会多出二十倍。

分类和路由任务

客服工单分类、邮件路由、内容标签化，这些不需要深度推理、只需要准确判断类别的活，Luna 是最优解。在 API 里调 gpt-6-luna，配一个简单的分类 prompt，比如“判断这条用户反馈属于：bug 报告、功能请求、投诉、咨询，只返回类别名”。Luna 在批量分类上的准确率和速度都很稳，单条成本几乎为零。

Agent 工作流的内部步骤

如果你在搭 Agent 或者自动化工作流，大部分内部步骤都应该走 Luna，只有关键决策节点才切 Sol 或 Astra。比如一个“查资料→整理→写报告”的流程，查资料和整理这两步用 Luna，写报告那一步切 Sol。OpenAI 官方也是这么建议的，Luna 就是为 Agent 在执行任务途中发出的成千上万次小调用设计的。

对话预填充和上下文压缩

长对话场景里，历史消息会越堆越多，直接全部塞给 Sol 又贵又慢。正确做法是用 Luna 先做上下文压缩：把前二十轮对话丢给 Luna，让它总结成一段话，再把这段话加上最近几轮原始对话一起传给 Sol。这样 Sol 收到的输入 token 大幅减少，成本降下来，关键信息也不丢。Luna 在这里的角色是“预处理管道”。

代码注释和文档生成

Luna 在 DeepSWE 编程测试里拿到 66.6%，说明它的代码理解能力并不差。给函数写注释、给模块生成 README、把代码里的变量名统一重命名、提取某个函数的接口说明，这些任务 Luna 完全够用。在 Codex 里切到 Luna，选中代码块，输入“给这段代码加上 JSDoc 格式的注释”，出来的结果直接能用。只有涉及跨文件重构、调试复杂逻辑的时候才需要切 Sol。

实时交互和聊天机器人

Luna 的 Fast 模式（以前叫 Priority）价格是标准价的两倍，但延迟低很多，适合需要即时响应的场景。如果你在做客服机器人、智能助手、实时翻译这类应用，用 Luna 的 Fast 模式比用 Sol 的标准模式更合适。Fast 模式的 Luna 在成本上依然远低于 Sol 的标准模式，响应速度却快不少。

什么时候不该用 Luna

涉及多步骤 Agent 工作流、需要跨工具连续决策、或者任务失败返工成本很高的时候，别用 Luna。比如“查三个供应商的邮件、整理报价、做成对比表发给我”这种活，Luna 容易中途断掉或者漏步骤。另外需要深度推理的编程任务，比如调试一个涉及多个文件的竞态条件，Luna 可能会卡住，切 Sol 更稳。判断标准就一条：任务失败后你重跑一遍的成本高不高，高的话就别省这个钱。