GPT-6 Luna適合什麼任務 高頻快速場景用法

GPT-6 Luna 是這一代裡最便宜的模型，輸入每百萬 token 只要 0.1 美元，輸出 0.5 美元。但便宜不等於弱，在 DeepSWE 程式設計測試裡它拿到 66.6%，跟 Claude Opus 5 的中等檔位持平，成本卻低了 93%。它的定位非常明確：高頻、快速、重複性強的任務。下面把適合 Luna 的場景和實際用法拆開說。

批次摘要和資訊提取

這是 Luna 最擅長的場景。你手頭有幾百封郵件、幾十份會議記錄、一堆使用者反饋，需要快速提煉出核心內容。在 ChatGPT Work 裡切到 Luna，把檔案批次掛上去，輸入“把每份文件壓縮成三句話，提取關鍵決策和待辦事項”。Luna 會逐份處理，速度快、成本低。同樣的活交給 Sol 也能幹，但賬單會多出二十倍。

分類和路由任務

客服工單分類、郵件路由、內容標籤化，這些不需要深度推理、只需要準確判斷類別的活，Luna 是最優解。在 API 裡調 gpt-6-luna，配一個簡單的分類 prompt，比如“判斷這條使用者反饋屬於：bug 報告、功能請求、投訴、諮詢，只返回類別名”。Luna 在批次分類上的準確率和速度都很穩，單條成本幾乎為零。

Agent 工作流的內部步驟

如果你在搭 Agent 或者自動化工作流，大部分內部步驟都應該走 Luna，只有關鍵決策節點才切 Sol 或 Astra。比如一個“查資料→整理→寫報告”的流程，查資料和整理這兩步用 Luna，寫報告那一步切 Sol。OpenAI 官方也是這麼建議的，Luna 就是為 Agent 在執行任務途中發出的成千上萬次小呼叫設計的。

對話預填充和上下文壓縮

長對話場景裡，歷史訊息會越堆越多，直接全部塞給 Sol 又貴又慢。正確做法是用 Luna 先做上下文壓縮：把前二十輪對話丟給 Luna，讓它總結成一段話，再把這段話加上最近幾輪原始對話一起傳給 Sol。這樣 Sol 收到的輸入 token 大幅減少，成本降下來，關鍵資訊也不丟。Luna 在這裡的角色是“預處理管道”。

程式碼註釋和文件生成

Luna 在 DeepSWE 程式設計測試裡拿到 66.6%，說明它的程式碼理解能力並不差。給函式寫註釋、給模組生成 README、把程式碼裡的變數名統一重新命名、提取某個函式的介面說明，這些任務 Luna 完全夠用。在 Codex 裡切到 Luna，選中程式碼塊，輸入“給這段程式碼加上 JSDoc 格式的註釋”，出來的結果直接能用。只有涉及跨檔案重構、除錯複雜邏輯的時候才需要切 Sol。

實時互動和聊天機器人

Luna 的 Fast 模式（以前叫 Priority）價格是標準價的兩倍，但延遲低很多，適合需要即時響應的場景。如果你在做客服機器人、智慧助手、實時翻譯這類應用，用 Luna 的 Fast 模式比用 Sol 的標準模式更合適。Fast 模式的 Luna 在成本上依然遠低於 Sol 的標準模式，響應速度卻快不少。

什麼時候不該用 Luna

涉及多步驟 Agent 工作流、需要跨工具連續決策、或者任務失敗返工成本很高的時候，別用 Luna。比如“查三個供應商的郵件、整理報價、做成對比表發給我”這種活，Luna 容易中途斷掉或者漏步驟。另外需要深度推理的程式設計任務，比如除錯一個涉及多個檔案的競態條件，Luna 可能會卡住，切 Sol 更穩。判斷標準就一條：任務失敗後你重跑一遍的成本高不高，高的話就別省這個錢。