7月30日，OpenAI 发布价格调整公告，将其 GPT-5.6 Luna 模型价格下调 80%，Terra 模型下调 20%，并首次公开建议开发者：复杂任务先用 Sol 模型完成需求分析与方案设计，再交由 Luna 执行代码与测试。这一动作被解读为 OpenAI 开始主动引导用户按任务难度选择模型，而非一味追求最强性能。

就在一周前的 7月24日，Anthropic 也发布了 Claude Opus 5，其定价（百万 token 输入 5 美元、输出 25 美元）恰好是自家旗舰 Fable 5 的一半，并强调能以一半价格获得接近旗舰的推理能力。两家头部 AI 公司几乎同时降低旗舰模型的商业权重，被市场视为一种默契：旗舰模型负责证明技术领先，而真正承担营收的是中低端走量模型。

这一策略转变的背景在于，企业客户每天产生数百万次 API 调用，高频任务（客服、搜索、代码生成、Agent 执行）消耗了绝大部分 token，采购决策更看重单次任务成本与稳定性，而非 Benchmark 排名。当调用规模达到每日数千万级别，旗舰模型的微弱智能优势会被巨大的算力开支抵消。OpenAI 的降价与建议流程，本质上是在设计一套“模型分工体系”：Sol 负责规划，Luna 负责执行，企业购买的是一整套模型组合，而非单一最强模型。

更值得注意的是，OpenAI 在技术说明中提到，此次降价并非单纯因为采购更多 GPU，而是模型开始参与优化自身：在人类工程师带领下，Sol 自主重写并优化了底层生产内核，设计了数百个实验提升 token 生成效率，并参与监控训练流程。结果是端到端运行成本下降 20%，token 生成效率提升 15%。这开启了一个自我加速的循环：模型越聪明，优化能力越强，成本下降越快，调用量越大，数据越多，模型进一步进化。

回顾 OpenAI 过去两年半的价格曲线：GPT-4 首发输入价为 30 美元/百万 token，GPT-4o 降至 5 美元，GPT-4o mini 做到 0.15 美元，如今 Luna 定价已贴近早期 mini 的廉价区间，但智能水平远超两年前的 GPT-4。两年多时间，价格下降了接近两个数量级。如果模型持续参与优化，这条曲线大概率还会继续下行。

这一趋势与云计算的发展路径类似：企业不会把所有数据放在最贵的 SSD 上，而是按热、温、冷分层存储。AI 应用同样开始按任务重要性和出错代价匹配不同模型。DeepSeek 此前已强调“便宜、够快、够用”，并押注企业需要的是综合 ROI 最高的部署选项，而非世界冠军。如今 OpenAI 与 Anthropic 的跟进，验证了这一商业路径的必然性。

从商业模式看，OpenAI 真正想卖的不再是模型本身，而是调用量。微软靠 Windows 渗透率赚钱，AWS 靠海量应用跑在其上赚钱，平台收入依赖渗透率而非单品高价。Sol 价格未动，承担品牌价值；Luna 则成为收入引擎。一旦开发者形成“默认用 Luna”的习惯，企业迁移底层模型的成本将越来越高，护城河从能力领先转向生态粘性。

这场转变的深层含义在于，AI 行业正经历规模经济拐点：单位算力成本骤降，但 token 总需求指数级增长。旗舰模型不再决定方向，技术演进重心从探索智能上限转向算力工业化降本。当 API 调用成本低至可忽略，模型的形态与边界将淡化，企业将 AI 无缝嵌入每个业务流程。API 价格的雪崩推高了软件工程的迁移成本，一旦工作流、Agent 调度网络和自动化数据管道建立在低成本模型组合之上，底层模型提供方就锁定了未来十年的算力管道。

过去大模型公司卖的是“智能”，现在开始卖“效率”。这不仅是价格战，更是商业模式的根本切换。正如电力最终成为无处不在的基础设施，AI 或许也将从被热议的旗舰产品，演变为默认调用的“水电”。