GPT-5.6 Sol 定價砍半，模型推論成本再度下探

OpenAI 將 GPT-5.6 Sol 模型的定價一次調降 50%，使該模型的推論成本大幅下降。這延續了前沿模型單位成本持續下探的長期趨勢，也將直接改變 AI 應用的部署經濟性。

模型定價的下降並非單純的商業讓利，而是多項技術改善累積的結果。推論成本的主要構成包括運算硬體的折舊、電力消耗與服務的整體使用率；而近年在模型架構、量化技術、推論引擎最佳化與批次調度上的進展，都讓相同硬體能服務更多請求。當單位成本實質下降，價格才有調降的空間。

對應用開發者而言，價格砍半帶來的不只是帳單減少，更是可行性邊界的位移。許多 AI 應用在成本較高時無法成立——需要對大量文件逐筆處理的工作流程、需要多輪推理才能得出結果的代理任務、或是面向大量使用者的免費功能，都受制於單位成本。當成本下降到某個門檻以下，這些應用才從技術可行變為商業可行。

代理式應用受到的影響尤其明顯。與單次問答不同，代理在完成一項任務時往往需要數十次乃至數百次的模型呼叫——規畫、執行、檢視結果、修正、再執行。這種模式的總成本是單次呼叫的數十倍，因此對單價極為敏感。價格下降一半，等同於讓代理能在相同預算下進行兩倍的嘗試，而嘗試次數直接影響任務的完成率。

從市場競爭的角度看，這波調價也反映了供給端的態勢。當前提供前沿能力模型的業者數量已較過去增加，開放權重模型的能力也持續逼近閉源方案；在能力差距縮小的情況下，價格成為更重要的競爭維度。同時，模型路由層的興起讓客戶切換供應商的成本大幅降低，這進一步強化了價格競爭的壓力。

不過，價格下降對業者的財務影響需要分開評估。若價格調降能帶動使用量成長超過降幅，總營收仍可增加；同時，更低的價格會擴大使用者基數，形成資料與生態上的優勢。這與雲端運算產業過去的定價策略邏輯相似——以持續降價換取市場規模與客戶鎖定。

對企業採用者而言，較務實的作法是重新檢視原本因成本被擱置的應用場景。成本結構的變化往往不會自動反映到既有的專案評估中，而重新計算可能發現不少原本被判定不划算的方案已具備可行性。

後續觀察重點包括：其他業者是否跟進調價、使用量在降價後的成長幅度，以及代理式應用的採用是否因此加速。