Anthropic 推出 Claude Opus 5.5，加上 OpenAI 幾乎同時發布 GPT-6 Sol 同 GPT-6 Luna，反映 AI 競爭正進入更貼近企業日常部署的階段。

前沿模型能力當然仍然重要，但企業買家愈來愈要問另一條更實際的問題：要穩定地完成一個工作流程，每宗任務實際要幾錢？

呢個數唔只係 API 每百萬 token 嘅牌價。企業真正承擔嘅成本，仲包括輸入及輸出 token 收費、模型完成同一任務要用幾多 token、多少重複內容可從快取讀取、回應速度，以及最關鍵的——任務能否一次做對，避免反覆重試或交畀人手執手尾。

降價背後，係效率賣點

Anthropic 將 Claude Opus 5.5 定價為每百萬個輸入 token 4 美元、輸出 token 20 美元，較 Claude Opus 5 低 20%。公司表示，因為模型所需服務運算較少、使用 token 更有效率，典型按 token 收費的工作負載，Opus 5.5 的運行成本估計可低約 40%。至於快取讀取價格則下調 60%，至每百萬 token 0.20 美元。21

OpenAI 對 GPT-6 Sol 與 GPT-6 Luna 提出的論點相近：快取及推論效率改善，令公司可把兩款模型的 API 價格，相對 GPT-5.6 的推廣價減半。GPT-6 Sol 每百萬 token 收費為輸入 2 美元、輸出 10 美元；GPT-6 Luna 則是輸入 0.10 美元、輸出 0.50 美元。24

不過，唔可以單憑牌價就斷言邊個模型一定更平。不同模型的輸出長度、能力、延遲、處理長背景資料的方式，以及任務可靠度都不同。兩家公司共同傳遞的信息其實係：賣點不再只是「每個 token 平咗幾多」，而係「每一美元可交付更多有用工作」。

點解提示詞快取變成產品賣點？

Prompt caching（提示詞快取）對長時間運行的編程工作流同 AI agent 特別重要。呢類系統每一步都可能重複傳送大段系統提示詞、程式庫背景、公司政策文件、工具定義，或者之前對話紀錄。

如果呢啲反覆使用的內容可用大幅折扣從快取讀取，整個工作流程的實際成本便可能明顯下降。Anthropic 指出，快取讀取佔長時間 agent 工作成本的很大部分，亦解釋到點解 Opus 5.5 的快取讀取減價，比單純下調一般輸入價格更有影響力。21

OpenAI 同樣將 Sol 和 Luna 的減價歸因於快取與推論方面的改善。24 對採購或技術團隊而言，評估模型成本時，唔應該只試一條短 prompt；應該用真實的長提示詞、多步任務及實際背景資料測試。

平價開放權重模型帶來實在壓力

較便宜的開放權重模型，以及中國模型供應商，令美國 API 供應商愈來愈難忽視原始價格差距。路透社引述一間研究公司的基準測試指，DeepSeek V4-Flash 的運行成本約為 Anthropic Claude Fable 5 的 1/105；報道所列 API 價格是每百萬輸入 token 0.14 美元、輸出 token 0.28 美元。1

價格並非企業唯一考量。不同使用情境下，企業亦會衡量質素、安全措施、技術支援、資料管控、整合能力與可靠性。但當日常運行成本有大幅落差，企業自然有誘因把較簡單、量大而重複的工作，分流至更平的替代方案。

Moonshot 的 Kimi K3 就突顯了這種較微妙的挑戰。Moonshot 表示，Kimi K3 的整體表現仍落後於 Anthropic 和 OpenAI 的領先系統，但在部分編程及 agent 基準測試中，勝過一些接近前沿的舊一代模型。6 即係話，即使未必全面取代最頂尖閉源模型，只要部分工作做得夠好、成本又低，就足以迫使閉源供應商逐項工作證明溢價值唔值得。

由一個旗艦，變成模型分流階梯

這輪發布亦再次確立企業 AI 的「組合式」部署方向。

• 高階前沿模型：適合特別複雜、高風險，或者出錯代價很高的任務。此時更強推理、編程能力或可靠性，可以合理化較高成本。
• 具生產力的主力模型：例如 Opus 5.5 與 GPT-6 Sol，目標是把較先進的 AI 能力，以較可負擔的成本擴展至更多經常性工作流程。
• 超低成本模型：例如 GPT-6 Luna，適合大量、單次價值較低而單位成本主導的工作，例如分類、資料擷取、路由、摘要及其他例行自動化。

實際結果未必是「揀一個贏家」，而是模型分流（model routing）：棘手例外個案交畀高階模型，日常工作交畀成本較低的模型。企業毋須讓全部任務都接受最便宜模型的質素取捨，也可控制整體開支。

企業應量度的，不止是每百萬 token 價格

較有用的評估方式，是問「完成一個成果要幾錢」，而非「一百萬 token 幾錢」。團隊可追蹤以下指標：

1. 任務成功率：模型有幾多次可正確完成整個工作流程？
2. 每宗成功任務的 token 用量：哪個模型能以較少生成內容或較少重試，交出可接受結果？
3. 快取命中率：有多少重複背景資料可享折扣重用？
4. 人手覆核成本：較平模型會否帶來更多修正、升級處理或返工？
5. 延遲與吞吐量：在所需規模下，系統能否符合營運時效要求？

這正是這批新模型釋出的策略訊號：前沿模型並沒有失去價值，仍然是高端選項；但要爭取廣泛企業部署，AI 供應商愈來愈需要同時交代能力與工作流程經濟效益——包括更有效率的推論、更少 token 消耗、更有效的快取，以及讓客戶按任務選對模型、用對價錢的清晰路徑。2124

Anthropic 推出 Claude Opus 5.5，加上 OpenAI 幾乎同時發布 GPT-6 Sol 同 GPT-6 Luna，反映 AI 競爭正進入更貼近企業日常部署的階段。

前沿模型能力當然仍然重要，但企業買家愈來愈要問另一條更實際的問題：要穩定地完成一個工作流程，每宗任務實際要幾錢？

呢個數唔只係 API 每百萬 token 嘅牌價。企業真正承擔嘅成本，仲包括輸入及輸出 token 收費、模型完成同一任務要用幾多 token、多少重複內容可從快取讀取、回應速度，以及最關鍵的——任務能否一次做對，避免反覆重試或交畀人手執手尾。

降價背後，係效率賣點

Anthropic 將 Claude Opus 5.5 定價為每百萬個輸入 token 4 美元、輸出 token 20 美元，較 Claude Opus 5 低 20%。公司表示，因為模型所需服務運算較少、使用 token 更有效率，典型按 token 收費的工作負載，Opus 5.5 的運行成本估計可低約 40%。至於快取讀取價格則下調 60%，至每百萬 token 0.20 美元。21

OpenAI 對 GPT-6 Sol 與 GPT-6 Luna 提出的論點相近：快取及推論效率改善，令公司可把兩款模型的 API 價格，相對 GPT-5.6 的推廣價減半。GPT-6 Sol 每百萬 token 收費為輸入 2 美元、輸出 10 美元；GPT-6 Luna 則是輸入 0.10 美元、輸出 0.50 美元。24

不過，唔可以單憑牌價就斷言邊個模型一定更平。不同模型的輸出長度、能力、延遲、處理長背景資料的方式，以及任務可靠度都不同。兩家公司共同傳遞的信息其實係：賣點不再只是「每個 token 平咗幾多」，而係「每一美元可交付更多有用工作」。

點解提示詞快取變成產品賣點？

Prompt caching（提示詞快取）對長時間運行的編程工作流同 AI agent 特別重要。呢類系統每一步都可能重複傳送大段系統提示詞、程式庫背景、公司政策文件、工具定義，或者之前對話紀錄。

如果呢啲反覆使用的內容可用大幅折扣從快取讀取，整個工作流程的實際成本便可能明顯下降。Anthropic 指出，快取讀取佔長時間 agent 工作成本的很大部分，亦解釋到點解 Opus 5.5 的快取讀取減價，比單純下調一般輸入價格更有影響力。21

OpenAI 同樣將 Sol 和 Luna 的減價歸因於快取與推論方面的改善。24 對採購或技術團隊而言，評估模型成本時，唔應該只試一條短 prompt；應該用真實的長提示詞、多步任務及實際背景資料測試。

平價開放權重模型帶來實在壓力

較便宜的開放權重模型，以及中國模型供應商，令美國 API 供應商愈來愈難忽視原始價格差距。路透社引述一間研究公司的基準測試指，DeepSeek V4-Flash 的運行成本約為 Anthropic Claude Fable 5 的 1/105；報道所列 API 價格是每百萬輸入 token 0.14 美元、輸出 token 0.28 美元。1

價格並非企業唯一考量。不同使用情境下，企業亦會衡量質素、安全措施、技術支援、資料管控、整合能力與可靠性。但當日常運行成本有大幅落差，企業自然有誘因把較簡單、量大而重複的工作，分流至更平的替代方案。

Moonshot 的 Kimi K3 就突顯了這種較微妙的挑戰。Moonshot 表示，Kimi K3 的整體表現仍落後於 Anthropic 和 OpenAI 的領先系統，但在部分編程及 agent 基準測試中，勝過一些接近前沿的舊一代模型。6 即係話，即使未必全面取代最頂尖閉源模型，只要部分工作做得夠好、成本又低，就足以迫使閉源供應商逐項工作證明溢價值唔值得。

由一個旗艦，變成模型分流階梯

這輪發布亦再次確立企業 AI 的「組合式」部署方向。

• 高階前沿模型：適合特別複雜、高風險，或者出錯代價很高的任務。此時更強推理、編程能力或可靠性，可以合理化較高成本。
• 具生產力的主力模型：例如 Opus 5.5 與 GPT-6 Sol，目標是把較先進的 AI 能力，以較可負擔的成本擴展至更多經常性工作流程。
• 超低成本模型：例如 GPT-6 Luna，適合大量、單次價值較低而單位成本主導的工作，例如分類、資料擷取、路由、摘要及其他例行自動化。

實際結果未必是「揀一個贏家」，而是模型分流（model routing）：棘手例外個案交畀高階模型，日常工作交畀成本較低的模型。企業毋須讓全部任務都接受最便宜模型的質素取捨，也可控制整體開支。

企業應量度的，不止是每百萬 token 價格

較有用的評估方式，是問「完成一個成果要幾錢」，而非「一百萬 token 幾錢」。團隊可追蹤以下指標：

1. 任務成功率：模型有幾多次可正確完成整個工作流程？
2. 每宗成功任務的 token 用量：哪個模型能以較少生成內容或較少重試，交出可接受結果？
3. 快取命中率：有多少重複背景資料可享折扣重用？
4. 人手覆核成本：較平模型會否帶來更多修正、升級處理或返工？
5. 延遲與吞吐量：在所需規模下，系統能否符合營運時效要求？

這正是這批新模型釋出的策略訊號：前沿模型並沒有失去價值，仍然是高端選項；但要爭取廣泛企業部署，AI 供應商愈來愈需要同時交代能力與工作流程經濟效益——包括更有效率的推論、更少 token 消耗、更有效的快取，以及讓客戶按任務選對模型、用對價錢的清晰路徑。2124