DEV Community

Cover image for ราคา GPT-5.6: Sol, Terra, Luna มีราคาเท่าไร พร้อมวิธีลดค่าใช้จ่าย
Thanawat Wongchai
Thanawat Wongchai

Posted on • Originally published at apidog.com

ราคา GPT-5.6: Sol, Terra, Luna มีราคาเท่าไร พร้อมวิธีลดค่าใช้จ่าย

OpenAI เปิดตัว GPT-5.6 สำหรับการใช้งานทั่วไปเมื่อวันที่ 9 กรกฎาคม 2026 พร้อมโมเดล 3 ระดับที่มีราคาต่างกันอย่างชัดเจน: Sol สำหรับงานให้เหตุผลซับซ้อนที่สุด ($5 / $30 ต่อ 1 ล้านโทเค็นอินพุต/เอาต์พุต), Terra ระดับกลาง ($2.50 / $15) และ Luna สำหรับงานปริมาณมาก ($1 / $6) ความต่างสูงสุดถึง 5 เท่าทำให้การเลือกรหัสโมเดลเป็นส่วนสำคัญของการควบคุมต้นทุน API

ลองใช้ Apidog วันนี้

จุดที่ต้องระวังคือ alias <code>gpt-5.6</code> จะชี้ไปที่ Sol ซึ่งเป็นระดับเรือธง โดยอัตโนมัติ หากนำโค้ดตัวอย่างไปใช้โดยไม่ระบุระดับ โมเดลงาน production ทุกคำขออาจถูกคิดราคา Sol แม้งานนั้น Luna จะทำได้ในราคาเพียงหนึ่งในห้า

บทความนี้สรุปราคา วิธีคำนวณต้นทุนจริง กลยุทธ์ cache การควบคุม reasoning effort และรูปแบบ routing ที่นำไปใช้ได้ทันที

TL;DR

  • ราคา GPT-5.6 ต่อ 1 ล้านโทเค็น:
    • Sol: อินพุต $5 / เอาต์พุต $30
    • Terra: อินพุต $2.50 / เอาต์พุต $15
    • Luna: อินพุต $1 / เอาต์พุต $6
  • อย่าใช้ alias <code>gpt-5.6</code> ใน production หากไม่ต้องการ Sol ให้ระบุ <code>gpt-5.6-terra</code> หรือ <code>gpt-5.6-luna</code> โดยตรง
  • ใช้ Terra เป็นค่าเริ่มต้นสำหรับงานทั่วไป, Luna สำหรับงานปริมาณมาก และ Sol เฉพาะงานที่ต้องการ reasoning สูงจริง ๆ
  • Prompt cache มีค่าเขียน 1.25 เท่าของราคาอินพุต แต่การอ่าน cache ลดราคา 90% และเริ่มคุ้มตั้งแต่คำขอที่ 2
  • Reasoning effort ที่สูงขึ้นเพิ่มโทเค็นเอาต์พุตและเพิ่มค่าใช้จ่ายโดยตรง
  • ทดสอบ prompt เดียวกันกับทั้ง 3 ระดับใน Apidog ก่อนล็อกรหัสโมเดลสำหรับ production

อัตราค่าบริการ GPT-5.6

ตารางนี้แสดงต้นทุนต่อ 1 ล้านโทเค็น รวมอัตรา cache ที่คำนวณจากการอ่านที่ 10% ของราคาอินพุต และการเขียนที่ 125%

โมเดล อินพุต / 1M เอาต์พุต / 1M อ่าน cache อินพุต / 1M เขียน cache / 1M
<code>gpt-5.6-sol</code> (alias: <code>gpt-5.6</code>) $5.00 $30.00 $0.50 $6.25
<code>gpt-5.6-terra</code> $2.50 $15.00 $0.25 $3.13
<code>gpt-5.6-luna</code> $1.00 $6.00 $0.10 $1.25

รหัสโมเดลได้รับการยืนยันในเอกสารสำหรับนักพัฒนาของ OpenAI และ API เปิดให้ใช้งานแบบ self-service สำหรับบัญชี API ทุกประเภท

กฎที่ควรใส่ใน code review

ห้ามใช้ alias นี้ใน production:

const model = "gpt-5.6";
Enter fullscreen mode Exit fullscreen mode

ให้ระบุระดับที่ต้องการเสมอ:

const model = "gpt-5.6-terra";
Enter fullscreen mode Exit fullscreen mode

หรือกำหนดผ่าน environment variable เพื่อให้ตรวจสอบและเปลี่ยนแปลงได้ง่าย:

OPENAI_MODEL_DEFAULT=gpt-5.6-terra
OPENAI_MODEL_HIGH_VOLUME=gpt-5.6-luna
OPENAI_MODEL_COMPLEX=gpt-5.6-sol
Enter fullscreen mode Exit fullscreen mode

เลือกระดับโมเดลตามประเภทงาน

Sol, Terra และ Luna เป็นระดับความสามารถที่ต่างกัน ไม่ใช่เพียงชื่อรุ่นย่อย การลดระดับโมเดลหมายถึงการแลกความลึกของ reasoning กับต้นทุน ไม่ใช่การลด context window หรือความจุเอาต์พุต

Terra: ค่าเริ่มต้นสำหรับงานทั่วไป

OpenAI วางตำแหน่ง Terra ให้แข่งขันกับ GPT-5.5 ในราคาที่ต่ำกว่าประมาณครึ่งหนึ่ง หากคุณใช้ GPT-5.5 อยู่ ให้เริ่ม migration จาก Terra ก่อน แล้วประเมินคุณภาพกับชุดทดสอบจริงของคุณ

เปรียบเทียบต้นทุนเดิมกับรายละเอียดราคา GPT-5.5 ก่อนย้าย workload ที่มีความอ่อนไหวด้านคุณภาพ

เหมาะกับ:

  • RAG และระบบตอบคำถาม
  • สรุปเอกสาร
  • การสร้างโค้ดทั่วไป
  • วิเคราะห์ ticket หรือ issue
  • งาน automation ที่ต้องการความแม่นยำระดับกลางถึงสูง

Luna: งานปริมาณมากและต้นทุนต่อคำขอต่ำ

Luna ราคา $1 / $6 ต่อ 1 ล้านโทเค็น เหมาะกับงานที่เรียกบ่อยและสามารถยอมรับ reasoning ที่ตื้นกว่าได้

เหมาะกับ:

  • จัดหมวดหมู่ข้อความ
  • ดึง field จากเอกสาร
  • ตรวจจับ intent
  • Routing ไปยัง workflow หรือ agent
  • สร้างร่างแรก
  • ตรวจสอบรูปแบบข้อมูล

Sol: ใช้เมื่อ Terra แก้ปัญหาไม่ได้

Sol มีไว้สำหรับงานที่ต้องการ reasoning ลึกที่สุดและมีต้นทุนสูงสุด อย่าใช้เป็น default เพียงเพราะ alias ชี้มาที่นี่

เหมาะกับ:

  • ปัญหา reasoning หลายขั้นตอน
  • งานแก้บั๊กที่ซับซ้อน
  • วิเคราะห์ architecture
  • งานที่ผลลัพธ์ผิดพลาดมีต้นทุนสูง
  • งานที่ผ่านการประเมินแล้วว่า Terra ยังไม่เพียงพอ

อ่านมุมมองของผู้ใช้งานจริงได้จากรีวิววันเปิดตัวของ Simon Willison

ทั้งสามโมเดลมีรายงานว่าใช้ context window 1 ล้านโทเค็นและสร้างเอาต์พุตได้สูงสุด 128K โทเค็นตามเอกสารเบื้องต้น

คำนวณต้นทุนต่อคำขอ

อย่าดูเฉพาะราคา “ต่อ 1 ล้านโทเค็น” ให้คำนวณจากรูปแบบ request จริงของระบบ

ตัวอย่าง RAG request:

  • อินพุต 10,000 โทเค็น: system prompt, retrieved context และคำถามผู้ใช้
  • เอาต์พุต 1,000 โทเค็น
โมเดล ค่าอินพุต ค่าเอาต์พุต รวมต่อคำขอ
Sol $0.050 $0.030 $0.080
Terra $0.025 $0.015 $0.040
Luna $0.010 $0.006 $0.016

สำหรับงานเดียวกัน Luna มีต้นทุนประมาณ 20% ของ Sol

ตัวอย่าง: งานจัดหมวดหมู่ 1 ล้านคำขอต่อเดือน

สมมติแต่ละ request ใช้:

  • อินพุต 500 โทเค็น
  • เอาต์พุต 50 โทเค็น

รวมเป็น 500 ล้านโทเค็นอินพุต และ 50 ล้านโทเค็นเอาต์พุตต่อเดือน

โมเดล อินพุต เอาต์พุต รวมรายเดือน
Luna $500 $300 $800
Terra $1,250 $750 $2,000
Sol $2,500 $1,500 $4,000

หากปล่อยให้ระบบใช้ alias <code>gpt-5.6</code> คุณจะจ่าย $4,000 ต่อเดือน แทนที่จะเป็น $800 สำหรับ workload ที่ Luna รองรับได้ ความต่างคือ $3,200 ต่อเดือน

ใช้ Prompt Cache ให้คุ้ม

GPT-5.6 ใช้ explicit cache breakpoint ผ่าน:

{
  "prompt_cache_options": {
    "mode": "explicit",
    "ttl": "30m"
  }
}
Enter fullscreen mode Exit fullscreen mode

หลักการคิดราคา:

  • เขียน cache: 125% ของราคาอินพุตปกติ
  • อ่าน cache: 10% ของราคาอินพุตปกติ
  • อายุ cache ขั้นต่ำ: 30 นาที

ตัวอย่าง request:

{
  "model": "gpt-5.6-terra",
  "input": [
    {
      "role": "system",
      "content": "You are a support triage assistant. Classify each ticket..."
    },
    {
      "role": "user",
      "content": "Ticket #4821: webhook retries firing twice after 502s"
    }
  ],
  "prompt_cache_options": {
    "mode": "explicit",
    "ttl": "30m"
  }
}
Enter fullscreen mode Exit fullscreen mode

ตัวอย่างการคำนวณ cache

สมมติว่า system prompt มี 5,000 โทเค็น และถูกใช้ซ้ำ 100 ครั้งภายใน 30 นาทีบน Sol

ไม่ใช้ cache

100 requests × 5,000 tokens = 500,000 input tokens
500,000 × $5 / 1,000,000 = $2.50
Enter fullscreen mode Exit fullscreen mode

ใช้ cache

เขียน cache 1 ครั้ง:
5,000 × $6.25 / 1,000,000 = $0.031

อ่าน cache 99 ครั้ง:
495,000 × $0.50 / 1,000,000 = $0.248

รวม ≈ $0.28
Enter fullscreen mode Exit fullscreen mode

ต้นทุนส่วน prefix ลดลงประมาณ 89%

วาง cache breakpoint อย่างไร

วางส่วนที่เปลี่ยนไม่บ่อยไว้ก่อน breakpoint:

[System prompt]
[Tool definitions]
[Few-shot examples]
--- cache breakpoint ---
[Retrieved documents]
[Current user input]
Enter fullscreen mode Exit fullscreen mode

ควร cache:

  • system prompt ขนาดใหญ่
  • tool definitions
  • schema ที่ใช้ซ้ำ
  • few-shot examples
  • policy หรือ instructions ที่คงที่

ไม่ควร cache หาก request ห่างกันเกิน 30 นาทีเป็นส่วนใหญ่ เพราะจะเสียค่าเขียน cache 1.25 เท่าโดยไม่ค่อยได้ประโยชน์จากการอ่านซ้ำ

ควบคุม Reasoning Effort และโหมด Pro/Ultra

GPT-5.6 มีระดับ reasoning effort:

none
low
medium
high
xhigh
max
Enter fullscreen mode Exit fullscreen mode

Reasoning effort ไม่ใช่แค่ตัวปรับคุณภาพ แต่เป็นตัวปรับต้นทุนโดยตรง เพราะระดับสูงขึ้นสร้างโทเค็นฝั่งเอาต์พุตมากขึ้น

แนวทางที่นำไปใช้ได้:

  1. เริ่มจากระดับที่ใช้อยู่
  2. ทดสอบ workload เดิมที่ระดับต่ำลง 1 ระดับ
  3. เปรียบเทียบคุณภาพ ความหน่วง และจำนวน output tokens
  4. ใช้ระดับต่ำสุดที่ยังผ่านเกณฑ์คุณภาพ

ตัวอย่างการตั้งค่า:

{
  "model": "gpt-5.6-terra",
  "reasoning": {
    "effort": "medium"
  }
}
Enter fullscreen mode Exit fullscreen mode

โหมด Pro

Pro ใช้ผ่าน:

{
  "reasoning": {
    "mode": "pro"
  }
}
Enter fullscreen mode Exit fullscreen mode

Pro ไม่ใช่โมเดลแยกและไม่มีราคาโทเค็นใหม่ คุณยังจ่ายตามอัตราของ Sol, Terra หรือ Luna ที่เลือก แต่โมเดลอาจใช้โทเค็นมากขึ้น จึงควรวัด output token usage ก่อนเปิดใช้กับทุก request

โหมด Ultra

Ultra รันเอเจนต์ 4 ตัวพร้อมกันโดยค่าเริ่มต้น จึงเพิ่มการใช้โทเค็นอย่างตั้งใจ ควรเผื่องบประมาณใกล้เคียง 4 เท่าของการรัน agent เดี่ยว

ตาม OpenAI โหมดนี้เพิ่มคะแนน Terminal-Bench 2.1 ของ Sol จาก 88.8% เป็น 91.9% ในการประเมินเบื้องต้น แต่ควรใช้กับงานที่ความเร็วและคุณภาพสำคัญกว่าต้นทุนต่อคำตอบ

รายละเอียดเพิ่มเติมดูได้ที่คำอธิบายโหมด Ultra ของ GPT-5.6

สิ่งที่แผน ChatGPT ได้รับ

หากใช้งานผ่าน ChatGPT มากกว่า API ให้ตรวจสอบสิทธิ์เข้าถึงโมเดลตามแผนในเอกสาร ChatGPT

แผน การเข้าถึง GPT-5.6
Free / Go Terra
Plus Sol, Terra, Luna และการควบคุม reasoning effort ต่อโมเดล
Pro / Business / Enterprise ทั้งสามระดับ พร้อม Sol Pro
ChatGPT Work (Pro / Enterprise) เพิ่ม Ultra

ผู้ใช้ Free และ Go ที่เข้าถึง Terra ได้ถือว่าเริ่มต้นได้ดีสำหรับงานทั่วไป หากต้องการเปรียบเทียบต้นทุน Codex กับ API ต่อโทเค็น โปรดดูรายละเอียดราคา Codex

รูปแบบ Routing ที่นำไปใช้ได้จริง

เริ่มจาก routing policy แบบง่ายก่อน แล้วค่อยปรับจากข้อมูลจริง

type TaskType =
  | "classification"
  | "extraction"
  | "routing"
  | "general"
  | "complex_reasoning";

const modelByTask: Record<TaskType, string> = {
  classification: "gpt-5.6-luna",
  extraction: "gpt-5.6-luna",
  routing: "gpt-5.6-luna",
  general: "gpt-5.6-terra",
  complex_reasoning: "gpt-5.6-sol",
};

export function selectModel(taskType: TaskType) {
  return modelByTask[taskType];
}
Enter fullscreen mode Exit fullscreen mode

เพิ่ม fallback เฉพาะเมื่อผลลัพธ์ไม่ผ่าน validation:

async function processTask(task: TaskType, input: string) {
  const primaryModel = selectModel(task);

  const response = await callModel({
    model: primaryModel,
    input,
  });

  if (task === "complex_reasoning" || passesValidation(response)) {
    return response;
  }

  return callModel({
    model: "gpt-5.6-terra",
    input,
  });
}
Enter fullscreen mode Exit fullscreen mode

หลักสำคัญคืออย่า route ทุกอย่างไป Sol ตั้งแต่แรก ให้เริ่มด้วยโมเดลที่ต้นทุนต่ำสุดซึ่งยังผ่านเกณฑ์คุณภาพ แล้วค่อย escalate เมื่อจำเป็น

Checklist ก่อน deploy

  • [ ] ค้นหา <code>gpt-5.6</code> ใน codebase และแทนที่ด้วยรหัสโมเดลแบบเต็ม
  • [ ] ตั้ง Terra เป็น default model
  • [ ] ส่งงาน classification, extraction และ routing ไป Luna
  • [ ] จำกัด Sol ไว้เฉพาะ workflow ที่ผ่าน evaluation แล้วว่าจำเป็น
  • [ ] เปิด explicit cache สำหรับ prefix ที่ใช้ซ้ำภายใน 30 นาที
  • [ ] ทดสอบ reasoning effort ปัจจุบันเทียบกับระดับที่ต่ำกว่า 1 ขั้น
  • [ ] เก็บ metrics ของ input tokens, output tokens, cache reads และต้นทุนต่อ task
  • [ ] ตั้ง alert เมื่อระบบเรียก Sol เกินสัดส่วนที่กำหนด

คำถามที่พบบ่อย

GPT-5.6 ถูกกว่า GPT-5.5 หรือไม่?

Terra คือระดับที่ OpenAI วางตำแหน่งให้แข่งขันกับ GPT-5.5 โดยมีราคาถูกลงประมาณ 2 เท่า: $2.50 สำหรับอินพุต และ $15 สำหรับเอาต์พุตต่อ 1 ล้านโทเค็น ส่วน Sol มีราคาแพงกว่าแต่ให้ reasoning ที่ลึกกว่า ควรประเมินคุณภาพกับ workload จริงก่อนย้ายระบบที่สำคัญ

รหัสโมเดล <code>gpt-5.6</code> ที่ไม่มี suffix มีค่าใช้จ่ายเท่าไร?

มันชี้ไปที่ Sol ซึ่งคิดราคา $5 ต่อ 1 ล้านโทเค็นอินพุต และ $30 ต่อ 1 ล้านโทเค็นเอาต์พุต หากงานไม่ต้องใช้ reasoning ระดับเรือธง ให้ระบุ <code>gpt-5.6-terra</code> หรือ <code>gpt-5.6-luna</code> โดยตรง

Reasoning tokens ถูกคิดรวมในราคาเอาต์พุตหรือไม่?

ใช่ ระดับ effort ที่สูงขึ้นสร้างโทเค็นฝั่งเอาต์พุตเพิ่มขึ้น และคิดค่าบริการตามอัตราเอาต์พุตของโมเดลนั้น ดังนั้นควรทดสอบระดับ effort ที่ต่ำกว่าเสมอก่อน deploy

วิธีที่ถูกที่สุดในการเริ่มทดสอบ GPT-5.6 คืออะไร?

เริ่มด้วย <code>gpt-5.6-luna</code> โดย request ที่มีอินพุต 10K และเอาต์พุต 1K มีต้นทุนประมาณ $0.016 อ่านขั้นตอนการยืนยันตัวตน การเรียก Responses API และการเลือกระดับโมเดลได้จากคู่มือการใช้ GPT-5.6 API

สรุป

กำหนด Terra เป็น default, route งานปริมาณมากไป Luna และใช้ Sol เฉพาะงานที่พิสูจน์แล้วว่าจำเป็น เพิ่ม explicit cache สำหรับ prefix ที่ใช้ซ้ำภายใน 30 นาที และลด reasoning effort ลงหนึ่งระดับเมื่อคุณภาพยังผ่านเกณฑ์

ก่อน deploy ให้ทดสอบ prompt และ payload เดียวกันกับทั้ง 3 โมเดลในApidog บันทึก token usage และเปรียบเทียบคุณภาพจริงจาก workload ของคุณเอง เพราะข้อมูลจาก request จริงมีประโยชน์กว่าการประเมินจากตารางราคาเพียงอย่างเดียว

Top comments (0)