GPT-6.1 Terra vs Sol vs Luna สำหรับการเขียนโค้ด: ต้นทุนต่องาน

เซสชันเอเจนต์ของคุณจบลงแล้ว diff ดูเรียบร้อย และตอนนี้คุณก็สงสัยว่าระดับราคาแพงที่สุดจำเป็นจริงหรือไม่ คำตอบสั้น ๆ: เริ่มที่ Terra ส่งขั้นตอนง่าย ๆ แบบจำนวนมากไปที่ Luna และจ่ายสำหรับ Sol เฉพาะงานที่ Terra พลาดไปแล้วเท่านั้น ในการแก้ไขแบบเดียวกันหนึ่งครั้ง (อินพุต 40,000 โทเคน เอาต์พุต 3,000 โทเคน) ราคามาตรฐานของ OpenAI ให้ผลเป็น $0.0055 บน Luna, $0.055 บน Terra และ $0.11 บน Sol

ราคาบอกอะไรไว้#

หน้าราคาของ OpenAI (ตรวจสอบเมื่อ 29 ตุลาคม 2026 ระดับมาตรฐาน อินพุตสูงสุด 272K โทเคน) ระบุราคาต่อ 1M โทเคนดังนี้:

รูปแบบเรียบง่ายชัดเจน Sol แพงเป็นสองเท่าของ Terra ในทุกคอลัมน์ Luna คิดเป็นหนึ่งในสิบของ Terra ในด้านอินพุตและเอาต์พุต และหนึ่งในห้าในด้านอินพุตแคช ดังนั้นบันไดราคาจึงตายตัว และคำถามจริง ๆ คือระดับที่ถูกกว่าทำงานสำเร็จบ่อยแค่ไหน

คอลัมน์สุดท้ายคือการคำนวณตรง ๆ บน Terra: 40,000 × 1.00 / 1,000,000 = 0.04 สำหรับอินพุต และ 3,000 × 5.00 / 1,000,000 = 0.015 สำหรับเอาต์พุต ดังนั้น 0.04 + 0.015 = 0.055 บน Sol ผลรวมเดียวกันคือ 0.08 + 0.03 = 0.11 บน Luna 0.004 + 0.0015 = 0.0055

หนึ่งครั้ง แล้วก็ห้าสิบครั้ง#

สมมติคุณแก้ไขแบบนี้ 50 ครั้งต่อวัน: เขียนฟังก์ชันใหม่ แก้เทสต์ที่พัง ประมาณ 40,000 โทเคนของไฟล์และคำสั่งเข้า และ 3,000 โทเคนของแพตช์และคำอธิบายออก หนึ่งวันจึงมีค่าใช้จ่าย 50 × 0.055 = 2.75 ดอลลาร์บน Terra, 50 × 0.11 = 5.50 บน Sol และ 50 × 0.0055 = 0.275 บน Luna

ไม่มีใครรู้สึกถึง $0.11 ต่อการแก้ไขหนึ่งครั้ง แต่ Sol หนึ่งเดือนในอัตรานี้เป็นอีกเรื่องหนึ่ง และนั่นคือเหตุผลที่ต้องตัดสินใจเลือกระดับครั้งเดียวต่อประเภทงาน ไม่ใช่ต่ออารมณ์

นี่คือการคำนวณทั้งหมดในไม่กี่บรรทัดที่คุณคัดลอกไปรันซ้ำด้วยจำนวนโทเคนของคุณเองได้ (ราคาตัวอย่างจากตารางด้านบน ใส่ราคาปัจจุบันลงไป):

PRICES = {  # $ per 1M tokens: (input, output), OpenAI, 29 Oct 2026
    'luna': (0.10, 0.50),
    'terra': (1.00, 5.00),
    'sol': (2.00, 10.00),
}

def cost(tier, tokens_in, tokens_out):
    p_in, p_out = PRICES[tier]
    return (tokens_in * p_in + tokens_out * p_out) / 1_000_000

print(cost('terra', 40_000, 3_000))  # 0.055

ลูปเอเจนต์: อินพุตคือบิล#

การแก้ไขหนึ่งครั้งคือหนึ่งคำขอ เอเจนต์คือยี่สิบคำขอติดกัน และแต่ละขั้นตอนอ่านไฟล์และประวัติที่ผ่านมาซ้ำ ลองลูป 20 ขั้นตอนที่แต่ละขั้นส่งประมาณ 30,000 โทเคนและได้กลับมาประมาณ 1,000 นั่นคือ 600,000 โทเคนเข้าและ 20,000 ออก

บน Terra: 600,000 × 1.00 / 1,000,000 = 0.60 สำหรับอินพุต และ 20,000 × 5.00 / 1,000,000 = 0.10 สำหรับเอาต์พุต ดังนั้น 0.60 + 0.10 = 0.70 ดอลลาร์ Sol เพิ่มเป็นสองเท่าคือ 1.40 Luna ลดเหลือ 0.07 ดูการแบ่ง: $0.60 จาก $0.70 คือสิ่งที่คุณส่งไป ไม่ใช่สิ่งที่โมเดลเขียน นั่นตรงข้ามกับที่คนส่วนใหญ่จินตนาการถึงบิล

แคชเปลี่ยนภาพลักษณ์ หากคำนำหน้าของคุณซ้ำจริง สมมติว่า 25,000 จาก 30,000 โทเคนในแต่ละขั้นเป็นคำนำหน้าเดียวกันและเข้าแคช: 100,000 × 1.00 / 1,000,000 = 0.10 อินพุตใหม่, 500,000 × 0.05 / 1,000,000 = 0.025 อินพุตแคช บวก 0.10 เอาต์พุต ดังนั้น Terra ลงเอยที่ 0.10 + 0.025 + 0.10 = 0.225 กลไกนี้อยู่ในอะไรคือ prompt caching; เหตุใดประวัติจึงโตขึ้นเรื่อย ๆ อยู่ในทำไมเอเจนต์ AI จึงใช้โทเคนมาก

เครื่องคำนวณด้านล่างรันลูปเดียวกันบนโมเดล CheapTokens เปลี่ยนจำนวนขั้นตอนและโทเคนให้ตรงกับเอเจนต์ของคุณ

ระดับไหนสำหรับงานแบบไหน#

ผู้เขียนช่อง Telegram คนหนึ่งซึ่งทำการทดลอง AI เปรียบเทียบ Terra กับ Sol และ Luna ใน Codex และเผยแพร่วิดีโอเมื่อ 28 ตุลาคม 2026 ข้อสรุปของเขาในชื่อเรื่องของเขาเองคือ Terra เป็นระดับกลาง และนั่นไม่ใช่ข้อเสีย (โพสต์) กรอบความคิดนั้นเป็นแนวทางที่มีประโยชน์: ระดับกลางคือค่าเริ่มต้น และอีกสองระดับต้องมีเหตุผล

เหตุผลมักคือการลองซ้ำ ด้วยจำนวนโทเคนเท่ากัน การลอง Terra สองครั้งมีค่า 2 × 0.055 = 0.11 ซึ่งเท่ากับการลอง Sol หนึ่งครั้ง และการลอง Luna สิบครั้งมีค่า 10 × 0.0055 = 0.055 ซึ่งเท่ากับการลอง Terra หนึ่งครั้ง ดังนั้นหาก Sol เป็นระดับเดียวที่ทำงานบางประเภทสำเร็จตั้งแต่ครั้งแรก มันก็คุ้มค่ากับตัวเองในงานเหล่านั้น หาก Luna ทำงานบางประเภทสำเร็จมากกว่าหนึ่งครั้งในสิบ มันก็เป็นวิธีที่ถูกกว่าในการทำสิ่งเหล่านั้น ก่อนที่คุณจะนับเวลาที่ใช้ตรวจสอบความล้มเหลว

เลือกสถานการณ์ที่ใกล้เคียงกับคุณที่สุด:

เมื่อโมเดล open-weight ที่ถูกกว่าก็เพียงพอ#

การแก้ไขเดียวกันบนสามระดับของ OpenAI เทียบกับสามโมเดล CheapTokens ด้วย 40,000 โทเคนเข้าและ 3,000 ออกเท่ากัน:

แท่งกราฟแสดงราคา ไม่ใช่ผลลัพธ์ ว่าโมเดลใดโมเดลหนึ่งดีพอสำหรับการแก้ไขของคุณหรือไม่คือสิ่งที่คุณตรวจสอบด้วยวิธีเดียวกับ Luna: เล่นงานจริงซ้ำและอ่าน diff หากผ่าน บิลก็ลดลงอีก สำหรับลูปเอเจนต์ DeepSeek-V4-Flash มีบริบท 380K สูงสุด 32,768 โทเคนในคำตอบ และราคาเดียวทุกชั่วโมงของวัน GLM-5.3-Flash มีบริบท 390K และ MiniMax-M2.7 มี 180K ราคาทั้งหมดอยู่บนหน้าราคา และขั้นตอนการเชื่อมต่ออยู่ในเอกสาร

เล่นงานของคุณเองซ้ำ#

ตารางให้ต้นทุนแก่คุณ คุณภาพคุณจะรู้ในบ่ายเดียว: หยิบงานสิบงานจากประวัติล่าสุดของคุณ รันแต่ละงานบน Luna แล้วบน Terra และวาง diff เทียบกัน ตัวเลขเดียวที่คุณต้องการอยู่ในคำตอบ ในฟิลด์ usage ซึ่งทำให้การคิดราคาการรันแม่นยำได้ง่าย กับ CheapTokens มีลักษณะดังนี้:

curl https://api.cheaptokens.dev/v1/chat/completions \
  -H "Authorization: Bearer $CHEAPTOKENS_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{"model": "deepseek-ai/DeepSeek-V4-Flash-0731", "messages": [{"role": "user", "content": "Rename the variable x to retry_count in this function: ..."}]}'

ใน JSON ที่ส่งกลับมา usage.prompt_tokens และ usage.completion_tokens คืออินพุตและเอาต์พุตของคุณสำหรับงานนั้น ป้อนเข้าในตัวช่วย cost() ด้านบน และคุณจะได้ต้นทุนต่องานสำหรับโมเดลใดก็ตามที่มีราคา สำหรับรายละเอียดการเปิดตัวระดับใหม่ ดู ราคา GPT-6.1 Terra API; สำหรับการแบ่งอินพุต/เอาต์พุต ดู โทเคนอินพุตเทียบเอาต์พุต