GPT-6 发布约六个半小时后，browser_use 创始人实测：Luna 以约 1/22 价格接近 Opus 5.5 的浏览器 Agent 成绩

北京时间 9 月 23 日 8 时 44 分（UTC 00:44），browser_use 创始人 Gregor Zunic（@gregpr07）了对 GPT-6 Sol 与 Luna 的最早一批独立实测之一：在他随帖附上的 Browser Use Benchmark v2 成本-成绩散点图中，GPT-6 Luna xhigh 每任务花费 0.190 美元、得分 57.6，对比模型 Claude Opus 5.5 花费 4.21 美元、得分 59.4。他在帖文里写道，Luna「比 Opus 5.5 便宜 22 倍，表现相近」，这些是「极长且非常困难的浏览器 Agent 任务，即使对人类也如此」，并称「GPT-6 模型自成一档」。

OpenAI 于 9 月 22 日 18 时 12 分（UTC）这两款模型，Zunic 的帖子在约六个半小时后上线。测试由其在公司自建基准上完成，任务集自选，成绩目前只有发布方自己的数据支撑、未经第三方复核；但由于它不带厂商立场，又给出了每任务成本这类可直接比价的数字，是发布后最早可操作的独立性价比读数之一。

散点图补上的细节：Luna 低价档与图上最高点

图上横轴是每任务记录成本（Recorded agent cost per task，美元），纵轴为百分制评分，数十个模型按成绩与价格落点排开，每个点标注各自花费，加圈的是当前 GPT-6 各档与 Opus 5.5。比 Zunic 早五分钟（UTC 00:39），browser_use 公司账号，原话是「帕累托前沿今天被完全重画」，并把最关键的三行抄在帖文里：Claude Opus 5.5 得 59.4 分；GPT-6 Sol medium 得 66.9 分、比 Opus 5.5 便宜 3.5 倍；GPT-6 Luna xhigh 得 57.6 分、比 Opus 便宜 22 倍。公司账号的结尾同样是「OpenAI 自成一档」，并附一句「所有模型都可以在我们的云上试用」。

Zunic 的截图补上了帖文没写的部分：Luna 系列在图上铺出一条完整的低价档——xhigh 0.190 美元、high 0.155 美元、medium 0.126 美元、low 0.018 美元，得分随花费递减；图上最高点是 GPT-6 Astra medium，标价 8.87 美元、约 81 分。就分数而言，Luna 的 57.6 略低于 Opus 5.5 的 59.4——「相近」是测试者对这组数字的概括，不是两个分数相等；分数高于 Opus 5.5 的还有 Sol medium（66.9 分）。

Bench v2 是什么：60 个任务，按每任务记录成本计价

Browser Use Benchmark v2 不是为这次发布新搭的测试。公司账号 9 月 21 日就在用「Long Horizon Browser Use Benchmark v2」这个名字，当时给出的成绩是 GPT-6 Astra 80.6 分居首，DeepSeek V4.1 Flash 47.9 分，Grok 4.7 39.9 分。9 月 22 日的一条帖子：60 个任务、逐个记录每任务花费——那次对比 MiMo v2.6 Flash 与 Grok 4.7，写的是「每任务 0.10 美元对 5.72 美元」。

本身是一家浏览器 Agent 云服务商，X 简介自署「Agents that use the Browser」。用「性能接近旗舰、价格便宜数十倍」的句式推模型是这家公司的惯常表述：9 月 11 日，帖子的写法是「GPT 5.6 Sol xhigh 97% 的性能、便宜 30 倍」，并附上 15 美元免费额度邀请试用。

OpenAI 前一日的官方口径：降价 50%，对比对象是 Opus 5

Zunic 测的两款模型是 OpenAI 9 月 22 日官宣的 GPT-6 家族新成员：称二者沿用本月早些时候发布的旗舰 GPT-6 Astra 的训练方法，把专业工作、事实性、编码、计算机使用与对齐方面的进展带进「更快、更便宜」的档位。API 定价为 Sol 每百万 token（模型处理文本的计费单位）输入 2 美元、输出 10 美元，Luna 输入 0.10 美元、输出 0.50 美元，均比 GPT-5.6 的促销定价便宜 50%；模型当日登陆 ChatGPT Work 与 Codex（面向 Plus 及以上档位），API 名称分别为 gpt-6-sol 与 gpt-6-luna。与降价同步，OpenAI 还改进了 GPT-6 的提示缓存，缓存输入读取按一折计费。

官方博客自己也给了计算机使用方面的对比：在 OSWorld 2.0 offline 上，GPT-6 Sol xhigh 得 60.5%，略高于 Claude Opus 5（medium 档）的 60.3%，每任务成本约低 80%。两份对比的对象并不相同：OpenAI 用自家评测对比的是 Opus 5，而 Zunic 的图上已经是更新的 Opus 5.5；两份数据基准不同、口径不同，不能用其中一份去印证另一份。

回复区的分歧：「相近」，还是「便宜的另一档」

截至发稿（UTC 约 13 时），Zunic 的帖子获得 531 个赞、47,465 次浏览，回复里很快出现两类声音。一类顺着数字往下追问：用户读出「每任务 0.19 美元对 4.21 美元」，但问「真实耗时那一列在哪」——长浏览器任务里，会话和购物车可能在模型思考时过期，这种失败「不管 token 多便宜都照价收费」。另一类质疑「相近」二字：认为「真正的头条是 Sol medium——66.9 对 Opus 的 59.4，还便宜 3.5 倍，严格更好」，Luna 的 57.6 则是「便宜的另一档，谈不上相近」；他还追问横轴是实测花费还是标价，「每任务成本的大头是重试，一次验证失败就按全价重来」。也有人给出相反的体感：写道，「这与我今天用 Luna 和 Sol 跑浏览器任务的个人体验完全不符」。

未经复跑的 22 倍

目前可以核实的：帖子存在、时间明确、图表与帖文数字互相咬合，发布者是 browser_use 创始人本人与公司官方账号，两条帖子前后相隔五分钟。不能核实的更多：任务清单、判定标准、复现脚本都没有随帖公开，运行环境是 browser_use 自家的 harness（评测运行框架）与云，图注写明成本是「记录值」，但没有说明是否包含重试。22 倍本身只是两个数字相除的直接结果（4.21 ÷ 0.190 ≈ 22），有争议的是这两个「每任务成本」是怎么算出来的。

同一张图上对 Opus 5.5 双向占优的是 Sol medium：66.9 分、1.20 美元，分数更高，价格不到其三成。至于 Luna 的 22 倍价差能否在别人的任务集上站住，要等 browser_use 公开这 60 个任务的清单与判定标准，或出现第一份独立复跑——在那之前，它只是单一从业者自建基准上的一张截图。