摘要
2026 年 9 月 22 日，GitHub 在 Changelog 里宣布 OpenAI 的 GPT-6 Sol 与 GPT-6 Luna 进入 GitHub Copilot。两者加入此前上线的 GPT-6 Astra，但定位完全不同：Sol 被描述为"面向交互式与 agentic 编码的平衡型模型"，Luna 则是"面向更小更快任务的轻量、低成本模型，是 GPT-6 家族里成本最低的选项"。
更值得注意的是可用范围：Sol 只对 Pro+、Max、Business、Enterprise 开放，而 Luna 一路下探到 Copilot Pro。这意味着按量计费的个人开发者第一次在 GPT-6 家族里有了低成本档位。这篇文章讲清两个模型的边界、计费怎么算，以及没有模型 ID 这件事对工程实践意味着什么。
模型选择器越来越长，是今年 Copilot 最直接的变化之一。对团队来说，真正的成本不在"选哪个模型"，而在"什么任务该走哪一档、谁来定这条规则"。这次两个新模型恰好把这个问题摆到了台面上：同一家族、同一天上线，却面向两档不同的预算。
AI Coding 交流群
如果你也在用 AI 写代码，或者正在研究 Cursor、Claude Code 这些工具，欢迎加入以下交流群。群里会聊一些 AI 编程的实际用法、开发工作流，还有各种新工具和新玩法。
发生了什么：一个家族、两个档位、十个入口
GitHub 对两个模型的定位写得很克制，只有一句话的区别。Sol 是"平衡型"，官方推荐的使用场景是"能从谨慎的多步校验中获益的开发任务"；Luna 是"轻量、成本高效"，服务"更小、更快的任务"，并且是 GPT-6 家族里最便宜的一档。两者与 GPT-6 Astra 组成目前 Copilot 中的 GPT-6 家族。
可用计划上两者并不对等：Sol 面向 Copilot Pro+、Max、Business 和 Enterprise；Luna 在此基础上多了 Copilot Pro。对 Business 与 Enterprise，管理员通过 Copilot 设置里的模型策略控制访问，按默认启用规则，管理员若未关闭全局默认或单独屏蔽该模型，新模型会自动开启。
入口是十个：VS Code、Visual Studio、Copilot CLI、Copilot cloud agent、GitHub Copilot 应用、github.com、GitHub Mobile（iOS 与 Android）、JetBrains、Xcode 和 Eclipse。计费走 usage-based billing，GitHub 指向文档里的模型与请求定价页；官方明确说明推送是渐进的，"如果暂时看不到这两个模型请过几天再看"。
GitHub 的 Changelog 没有给出模型 ID，也没有给出上下文窗口和能力规格。不过在支持模型的文档页里，GPT-6 Sol 与 GPT-6 Luna 都标注为 GA，并且都支持 100 万 token 上下文与可配置推理；该页还把它们列入"自动模型选择"的覆盖范围，涉及 Copilot cloud agent、Copilot Chat、Copilot CLI 与 GitHub Copilot 应用。文档同时提示：上下文或推理等级提高会消耗更多 token，"因此会用到更多 credits"。
完整工作场景：一次跑全量测试的 Agent 任务
把这两档放进一个真实的 agent 流程会更清楚。假设你在 Cloud Agent 里跑一个"修复失败测试并提 PR"的任务：读失败日志、定位代码、改文件、重跑相关测试、再根据结果调整。这个循环里有大量"读日志、看代码、确认结论"的小步，也有少数"需要跨文件推理"的关键判断。以前你只有一个 GPT-6 档位，小步和关键判断用同一个模型，成本被拉平。
现在可以按步骤切：大范围的日志归因、失败测试的最小复现、格式化的改动整理，交给 Luna；真正需要多步校验的设计取舍，交给 Sol。更实际的一层是自动选择——文档把两个模型都列进了自动模型选择范围，也就是说，如果团队没有额外配置策略，Copilot 会按 prompt 自己挑，而不是把选择权留在你手里。对已经习惯"默认就行"的团队，这是零配置就能拿到的变化；对成本敏感的团队，这意味着一部分账单变化你无法通过"我只用某个模型"来规避。
为什么它改变工作流：成本策略从"选模型"变成"定规则"
过去一年，把 AI 编码工具接进团队流程的方式是"选一个主力模型"。现在这条路正在被拆掉：单个编辑器里就有十几个可选模型，价格与能力分层，而且平台还会按 prompt 自动挑选。团队需要的不再是一个模型名字，而是一条能写进文档的规则：哪些任务允许用低成本档、哪些任务必须用高成本档、谁来复核被低成本档产出的改动。
Luna 下放到 Pro 档这一点也有具体后果：个人开发者的低成本尝试门槛降低了，团队里"我用便宜模型跑过一遍了"的说法会变多，评审环节需要相应调整对产出的默认信任级别。
限制、边界与人应该在哪儿接管
第一，官方没有公布这两个模型的模型 ID，这意味着你无法在脚本、配置文件或自定义工作流里精确锁定它们，只能通过界面里的模型选择器使用。要写进工程规范的话，这条限制需要先解决。第二，Changelog 没有给出上下文窗口、推理能力或任何基准数字，文档页只标注了 100 万 token 上下文与可配置推理，因此"Luna 适合小任务"这句话的边界要靠自己量。第三，计费是 usage-based，按 token 结算而不是按请求数量，所以用 Luna 做大批量的仓库扫描仍然可能比预期贵；文档也提醒更大上下文与更高推理等级会增加 credits 消耗。
第四，Business 与 Enterprise 的默认行为是自动启用，管理员如果不看这条更新，新模型会直接出现在成员的模型选择器里。对需要控制数据出境或模型白名单的组织，这是一个需要在设置里显式确认的动作，而不是等成员反馈才发现。第五，人工接管点没有变化：模型分层只影响成本与效率，代码是否能进主干仍然取决于测试、审查和你们的发布规范。
如何试用
在支持的入口打开模型选择器，确认是否已经出现 GPT-6 Sol 与 GPT-6 Luna；个人用户注意 Luna 需要 Copilot Pro 及以上，Sol 需要 Pro+ 及以上。企业管理员到 Copilot 设置里的模型策略确认这两个模型的启用状态，并按团队成本策略决定是否保留自动选择。验证方式建议选一个已经在跑的 agent 任务，分别用 Sol 和 Luna 各跑一遍，比较 token 消耗、步骤数和最终结果，再决定哪一类任务走哪一档。
信息来源
- GitHub Changelog：OpenAI's GPT-6 Sol and GPT-6 Luna now available（2026-09-22）https://github.blog/changelog/2026-09-22-openais-gpt-6-sol-and-gpt-6-luna-now-available
- GitHub Docs：Supported AI models in GitHub Copilot（100 万 token 上下文、可配置推理、自动模型选择范围）https://docs.github.com/en/copilot/reference/ai-models/supported-models
开发必备：API 全流程管理神器 Apifox
介绍完上文的内容，我想额外介绍一个对开发者同样重要的效率工具 —— Apifox。作为一个集 API 文档、调试、设计、测试、Mock、自动化测试于一体的工具，Apifox 是目前提升研发效率的首选。
如果你正在开发项目，不妨试试其极其友好的界面设计，它完全兼容 Postman 和 Swagger 数据格式，导入数据非常方便，，即使是新手也能很快上手，点击这里即可注册使用。
值得一提的是，除了个人和常规团队使用，针对有高安全合规要求、或需要在内网环境协作的企业，Apifox 还提供了深度定制的私有化部署方案。
获取专属报价与部署方案
详细的私有化部署系统架构与安全白皮书
针对您公司规模的专属报价单
免费的 1v1 专属产品演示 (Demo) 机会
