GPT-6 Astra 推理強度：max 同答案，成本是 low 的 2.3x

在 GPT-6 Astra 上，reasoning_effort: "max" 的成本是 low 的 2.3x，但 11 個已驗證任務的答案完全相同。唯一會影響正確率的設定是 none，在 33 次執行中失敗 17 次（11 個任務，每個執行 3 次）。reasoning_effort 是控制模型在回答前進行多少隱藏推理的請求參數。這些推理會按輸出費率計為推理權杖，本文測量的就是從 none 到 max 這組依序增加的設定。實際設定並不符合文件：API 的輸入檢查列出 7 個值，其中 minimal 在所有模型上都會被拒絕，而未列出的 disabled 卻能在 Astra 上使用，而且完全不會停用推理。這也影響 OpenAI 發表時的基準測試該怎麼解讀。官方表示成績取「所有推理強度中的最高值」，因此排行榜數字來自成本最高的那一級。

TL;DR

• GPT-6 Astra 接受 7 種 reasoning_effort 值，包括 none 和 disabled；文件只列出 5 種，還聲稱不支援 none。
• 只有 none 會讓推理權杖歸零，但它在 33 個已驗證結果中失敗 17 次；其他每一級都是 33 次全對。
• disabled 使用 243 個推理權杖，low 則是 151 個；正確率相同，但每個正確答案的成本高出 54%。
• 按定價表計算，GPT-6 Astra 在 low 下每個正確答案的成本是 GPT-5.6 Sol 的 1.57x，在 max 下則是 2.57x，而這些任務兩個模型都能答對。

GPT-6 Astra 的基準測試表現如何？

在代理型工作上領先，也就是由模型在迴圈中操作工具，通常是在終端機內執行；但在 Humanity’s Last Exam 和 Artificial Analysis Intelligence Index（由 10 項評測組成的獨立綜合指標）上落後 Claude Fable 5.1。所有成績都採用表現最好的推理強度。下表來自 OpenAI 的發表頁面，比較欄位也由 OpenAI 選定：

除了領先項目，還要一併看這 3 點：

• 在 Humanity’s Last Exam 這一列，Astra 落後 Fable 5.1 達 7.8 個百分點。這項結果只出現在表格中，正文完全沒有提到。
• OpenAI 自己的表格顯示，Artificial Analysis 這一列的 Astra 落後 Claude Fable 5.1、Claude Opus 5 和 Claude Fable 5；目前的 v4.2 排行榜中，Fable 5.1 為 57 分，Astra 為 55 分，分居第一與第三。
• OpenAI 表示，網路安全成績是在「未啟用正式環境防護措施」的情況下產生；實際提供的模型「會拒絕」概念驗證型攻擊任務。

表格下方有一句話直接把基準測試和帳單連在一起：「評測成績採用所有推理強度中的最高值。」Artificial Analysis 排行榜會針對每種推理強度分別列出模型，Astra 在 xhigh 得 54 分，在 max 得 55 分。本文接下來會計算取得這一分的成本。

GPT-6 Astra 接受哪些 reasoning_effort 值？

共有 7 種，但和 API 宣告的集合不同：其中一個宣告支援的值會在所有模型上被拒絕，另一個實際可用的值則從未出現在任何宣告中。模型頁面列出 low、medium、high、xhigh 和 max，並聲稱模型「不支援 none 推理強度」。API 有兩處與文件不符，還有一處前後矛盾。

傳送無效值時，第一層檢查會在選定模型前驗證請求格式。GPT-6 Astra 和 GPT-5.6 Sol 都會回傳相同的允許值清單：

Invalid value: '__invalid__'. Supported values are: 'none', 'minimal', 'low', 'medium', 'high', 'xhigh', and 'max'.

接著逐一傳送這些值，第二層模型專屬檢查卻會拒絕第一層宣告支援的部分值（200 代表請求成功，400 代表遭到拒絕）：

因此，文件聲稱不支援的 none 實際可用，API 宣告支援的 minimal 卻在所有模型上遭到拒絕，而未出現在任何清單中的 disabled 只有 Astra 接受。錯誤訊息也透露 gpt-6-astra 別名目前指向的日期版本：gpt-6-astra-2026-09-03。

none 會關閉推理嗎？disabled 呢？

none 會，而且只有它會。disabled 只是名稱容易誤導的一般推理級別。我們先在自己的機器上以暴力搜尋計算 11 個任務的答案，確保答案表不會出錯。任務包括連續套用規則 40 次、含 3 項限制的計數問題、背包問題、進位轉換、7 的 222 次方除以 1000 的餘數，以及另外 6 個較短的任務。接著透過相容 OpenAI Chat Completions API 的端點，針對全部 7 種推理強度測試，每個任務和強度各執行 3 次。Sol 不接受 disabled，因此只有 6 種。以下是 GPT-6 Astra 在最難 5 個任務上的結果：

每個正確答案的成本，是某個任務與推理強度組合的總支出除以答對次數。正確率只有 20% 的設定，平均要付 5 次執行的費用才能取得 1 個正確答案。效能落差只發生在相鄰的一級之間。兩個模型從 low 往上的每一級，在全部 11 個任務中都是 33 次全對；none 在 Astra 上只答對 33 次中的 16 次，在 Sol 上則答對 21 次。迭代映射任務中，Astra 的 3 次執行甚至回傳了 3 個不同的錯誤數字。這裡沒有可供微調的漸進式退化：推理不是開啟，就是模型在猜答案。

disabled 才是陷阱。它使用的推理權杖比 low、medium 或 high 都多，正確率同樣是 100%，但每個正確答案的成本比 low 高 54%。只有 xhigh 和 max 的每個正確答案成本，高於這個名稱看似代表關閉的設定。

max 比 low 多買到什麼？

在這些任務上什麼也沒有，價格卻是 2.3x：每次呼叫分別為 $0.01946 和 $0.00851，正確率都是 100%。推理權杖從 low 的 151 個增加到 max 的 370 個，而且每一個都按每百萬輸出權杖 $50 計費。

這個數字應該和基準測試表格一起看。「評測成績採用所有推理強度中的最高值」代表每個分數都取自表現最佳的級別。在獨立排行榜上，Astra 表現最好的是 max，比 xhigh 高 1 分；我們的測試顯示，這一級的成本是下一級的 1.3x。若工作負載接近發表時的基準測試，額外推理強度可能值得這筆成本。若工作負載接近我們的測試，則不值得。判斷方式是先用 low 測量自己的任務。

GPT-6 Astra 每個答案的價格是 GPT-5.6 Sol 的 2.5x 嗎？

使用 low 時不是，而是 1.57x。使用 max 時則是 2.57x。定價表價格是供應商自家頁面列出的每權杖價格：Astra 每百萬輸入權杖為 $10，輸出為 $50；Sol 則是 $4 和 $20（資料來自 2026-09-07 的 OpenAI Astra 與 Sol 模型頁面），因此輸入與輸出的定價差距都是 2.5x；[GPT-5.6 Sol 與 GPT-6 Astra 的比較頁面](/compare/models/gpt-5-6-sol-vs-gpt-6-astra/)提供即時目錄價格。以下每個正確答案的成本，是依照定價表價格與全部 11 個任務的權杖數計算。兩個模型從 low 往上都取得 33 次全對：

在較低級別中，Astra 取得相同答案所用的推理權杖少於 Sol（全部 11 個任務在 low 下，每次呼叫為 91 個對 158 個），因此成本差距縮小。往上調整時，Astra 的推理權杖增加得更快（max 為 249 個對 242 個），此時每個答案的差距就回到完整的定價差距。

這項結論的範圍很明確：兩個模型從 low 往上的正確率都是 100%，因此這組任務無法區分能力，只能比較兩者都答對時的答案成本。單一參數就能讓成本差距從 1.6x 變成 2.6x。OpenAI 的發表頁面顯示，代理型工作上的結果正好相反：Terminal-Bench 4.0 的「每個任務預估 API 成本」比 Sol 和 Fable 5.1 分別低「約 9% 和 63%」。即使每權杖價格更高，只要模型能用更少的權杖解決更多任務，總成本仍可能更低。工作負載不同，結果就不同；兩種情況下，推理強度都會直接決定帳單。

JSON schema 或工具呼叫會增加推理成本嗎？

在 low 下不會，medium 則會。我們用 3 種方式傳送一個單步驟任務，也就是在 08:15 加上 2 小時 37 分鐘：直接傳送、放入嚴格的 response_format JSON schema（回覆必須是符合指定結構的 JSON），以及強制工具呼叫（將 tool_choice 固定為單一函式，模型只能透過呼叫該函式回答）。每種方式都測試 4 種推理強度，各執行 3 次。以下是 GPT-6 Astra 的平均推理權杖數、推理權杖占所有計費輸出權杖的比例，以及每次呼叫成本：

low 可以縮減到零：在不需要分步推理的任務上，它不使用任何推理權杖，成本和 none 相同；在前面的多步驟任務中，每個任務會使用 16 到 345 個推理權杖，而且在 none 大幅失準時仍能維持正確，因此 low 是最低可用級別。包裝格式本身不是主要成本：在 low 下，schema 或工具呼叫只增加 0 到 4 個推理權杖；但使用 medium 時，即使任務根本沒有需要推理的內容，直接傳送和 schema 中的推理權杖仍占輸出權杖的 57% 到 67%，工具呼叫則占 18%。同一個擷取任務在 schema 內使用 medium，成本是 low 的 1.6x；直接傳送時則是 2.2x。7 月的 GPT-5.6 成本指南也在該系列模型上發現相同的成本槓桿。Sol 的變化較小：直接傳送和 schema 在所有推理強度下都使用 0 個推理權杖，強制工具呼叫則從 medium 開始使用 14 到 18 個。

付費使用的推理內容能讀到嗎？

OpenAI 的兩種 API 介面中，只有一種可以。較舊的 Chat Completions 端點和較新的 Responses 端點接受相同模型，計費方式也相同。以下是同一個問題在 medium 下，於每個介面各執行 3 次的結果：

兩者的權杖數差異落在雜訊範圍內，因此計費方式相同，唯一差別是能否看到付費取得的內容。輸出權杖每百萬個要價 $50，能否讀取推理內容取決於端點。文件也要求工具呼叫使用 Responses（「GPT-6 Astra 支援 Chat Completions，但工具呼叫必須使用 Responses」），所以使用工具的工作負載必須落在可讀取推理內容的介面上。

GPT-5.6 的哪些行為沿用下來？

大部分介面契約都相同。以下是實測結果：

• 權杖化工具。 同一篇 900 字的文字，在 GPT-6 Astra、GPT-5.6 Sol、GPT-5.6 Luna、GPT-5.5、GPT-5.4 和 GPT-5.2 上都會轉成 1,017 個提示權杖。5.x 上量測的提示大小可直接沿用到 Astra，不必重新計算。
• 參數。 temperature 在 Astra 和 Sol 上都回傳 400（「not supported with this model」），top_p 和 logprobs 也是如此；使用嚴格 JSON schema 的 response_format 在兩個模型上都會回傳符合 schema 的輸出；max_tokens 低於 16 時，兩個模型都會拒絕。
• Sol 上的 max。 7 月時，透過 Chat Completions 對 GPT-5.6 Sol 使用 reasoning_effort: "max" 會回傳 400。現在已經可以使用，而且 Sol 在這個設定下取得 33 次全對。

以下資訊來自文件，本文沒有實測：上下文視窗為 1,050,000 個權杖，最大輸入為 922,000，最大輸出為 128,000；輸入提示超過 272K 個權杖後，輸入與快取費率會變成 2x，門檻與 GPT-5.6 系列相同，也是我們跨供應商實測過的相同機制；快取讀取的定價是每百萬權杖 $1，快取寫入則是 $12.50，新的 prompt_cache_options.ttl: "30m" 參數取代了 prompt_cache_retention。Fast mode 是付費選項，OpenAI 表示速度最高可達 2x，價格也是標準模式的 2x。

Synthorai 如何處理這些設定

閘道會原樣傳遞 reasoning_effort，包括文件未列出的值。每次請求的用量紀錄會把 reasoning_tokens 保留為獨立欄位，與 completion_tokens 和計費成本並列。上面的每一張表都是根據這些資料建立：請求使用的推理強度、消耗的推理權杖，以及實際成本。所有資訊都能逐次請求查看，不必從每月總額反推。

常見問題

GPT-6 Astra 支援 reasoning_effort none 嗎？

支援。文件聲稱不支援，但 API 在 GPT-6 Astra 和 GPT-5.6 Sol 上都接受這個值，而且只有它會回傳零個推理權杖。不過，在已驗證的任務集中，它於 33 次執行中失敗 17 次。因此，這個設定適合查詢與轉換，不適合任何需要多步驟處理的任務。

reasoning_effort disabled 在 GPT-6 Astra 上有什麼作用？

它會進行推理。GPT-6 Astra 接受 disabled，GPT-5.6 Sol 則拒絕，而且這個值沒有出現在任何文件或宣告清單中。在我們的高難度任務集中，它每次呼叫使用 243 個推理權杖，low 則是 151 個，兩者正確率完全相同。應把它視為某個中間級別的昂貴別名，而不是關閉開關。

GPT-6 Astra 的 reasoning_effort 預設應該用哪個值？

low。在 GPT-6 Astra 上，它在單步驟任務中使用零個推理權杖，在多步驟任務中則每個任務使用 16 到 345 個，並在 none 只答對 16 次時取得 33 次全對。max 的答案相同，成本卻是 2.3x。只有當你在自己的任務評測中確認更高級別能改變結果時，才提高特定呼叫位置的推理強度。每次呼叫都應明確設定，並從用量區塊讀回推理權杖數：

resp = client.chat.completions.create(
    model="gpt-6-astra",
    reasoning_effort="low",
    messages=[{"role": "user", "content": prompt}],
)
print(resp.usage.completion_tokens_details.reasoning_tokens)

量測日期為 2026-09-07，主要透過相容 OpenAI 的 Chat Completions 介面執行，推理內容可見性比較則另外使用 Responses 端點。測試包含 11 個任務，答案表以本機暴力搜尋產生；7 種推理強度；兩個模型在每個組合中各執行 3 次；提示均加入隨機鹽值（每次請求使用唯一後綴，避免直接從快取提供回覆）；成本取自逐次請求的用量計費紀錄。基準測試數字來自 OpenAI 發表時的表格與 Artificial Analysis 排行榜，兩者都在同一天擷取。與 GPT-5.6 Sol 比較的每個正確答案成本，依照各模型文件中的定價與實際權杖數計算。

相關文章：13 個模型的推理控制設定、GPT-5.6 成本指南、Claude Opus 5 成本、長上下文定價級距、提示快取寫入成本。

← 返回部落格