把重复业务变成明确任务
Luna 适合处理目标集中、交付格式固定的工作，例如给工单标注意图、从邮件提取订单字段、按规则生成简短摘要。将标签定义、缺失值规则和示例一起提供，比只要求“分析内容”更便于验收，也适合在较大工作流中承担独立子任务。
规格与接口特性
在选型前明确容量、输入输出与调用方式。
- 输入方式
- 文本、图像；Chat Completions 可组合 text 与 image_url 内容块
- 主要输出
- 文本回答；Chat Completions 提供 JSON 格式设置
- 推理控制
- Chat Completions 使用 reasoning_effort；Responses 使用 reasoning 对象
- 响应方式
- Chat Completions 与 Responses 提供 stream 控制
- 输出预算
- Responses 可设置 max_output_tokens；Chat Completions 提供回复长度控制
- 连续对话
- AI Chat 会话入口通过 stateful 与 id 托管历史
GPT-6 Luna 的图文推理定位与接口操作分别说明，格式、工具和输出预算按所选入口配置。
核心能力
了解 gpt-6-luna 能为你的工作带来什么。
事实判断与清晰表达并重
相比 GPT-5.6 Luna，同代改进包含事实性和协作表达。它更适合把已给出的资料整理为清楚的结论、依据和待确认项，减少无关术语与冗长说明。对于需要判断而非机械提取的问题，可结合推理控制进行任务评估，而不必让每次回答都追求最大展开。
图文分析衔接代码辅助
模型具备视觉与推理能力，可以围绕截图、图表和文字说明组织回答，也能参与代码解释、错误分析和局部修改。官方软件工程评测显示它具备处理较复杂编程任务的能力；实际使用时仍应提供相关代码、错误信息和验收标准，让修改范围保持可控。
适用场景
从具体任务出发，找到模型发挥作用的位置。
客服工单分类与字段提取
输入工单正文、业务标签说明和目标字段，让 Luna 返回类别、订单号、问题摘要及缺失信息。将判断依据与字段结果分开，便于人工抽查；需要机器读取时，可配置 JSON 输出，并由应用检查必填字段、枚举值和格式，再进入后续业务流程。
截图与图表的辅助解读
把产品截图或图表链接与具体问题共同提交，例如比较界面状态、归纳图中趋势，或说明报错页面的可见信息。交付物可以是观察清单、差异摘要和进一步排查建议。任务应围绕图片中可见内容展开，避免让模型猜测被遮挡的文字或未提供的背景。
局部代码审查与测试草案
提供函数代码、异常日志和预期行为，让 Luna 解释可能原因、提出小范围修改，并生成测试用例草案。对于重复的代码解释或局部检查，可采用统一提示模板。最终交付应包含修改理由和验证步骤，测试执行及合并判断仍由开发环境和团队完成。
如何选择这个模型
结合任务复杂度、输入材料与预期结果选择。
Luna、Sol 与 Astra 如何取舍
边界明确的分类、提取、摘要和局部代码任务，可优先选择 Luna；当任务涉及跨模块修改、长流程规划或复杂工具协作时，考虑 GPT-6 Sol。若项目更看重最高质量与深入判断，而非效率取舍，GPT-6 Astra 是同代更高要求的选择。应按实际验收结果分配任务，而不是把同系列视为完全等价。
从 GPT-5.6 Luna 升级看什么
GPT-6 Luna 延续 Luna 的效率定位，并改善事实性、编程和协作表现。迁移时建议重放已有工单、提取样本与代码任务，比较字段正确率、漏项和返工情况。GPT-6.1 Sol 是另一型号，并非 Luna 的新名称；不要因版本号更新就替换所有任务，应依据业务难度和交付质量选择。
开始使用
从一次小规模任务到正式接入。
准备任务与材料
明确目标、必要输入与输出要求，使用真实业务样例作为起点。
在 API 调试区试用
打开试用页，确认此入口支持的参数，再提交小规模任务查看结果。
按 API 文档接入
保留完整模型 ID，使用文档规定的请求格式，并在 Pricing 页确认计费规则。
使用边界
在正式使用前，了解输出质量与能力范围。
- 事实性提升不代表回答必然正确。官方事实评测使用容易诱发错误的特定对话，不能直接推算日常业务准确率。处理金额、日期、合同条款或关键业务结论时，应要求依据，并对重要字段执行规则校验或人工复核。
- 软件工程和计算机使用能力不等于一次请求会自动运行测试、修改仓库或点击桌面。代码回答应作为可验证的建议；工具执行需要相应环境、工具定义与权限，涉及写入和发布的动作应保留明确的审批边界。
- 图像理解主要用于分析，不应当作绘图或语音功能使用。模糊截图、细小文字和缺少背景的图表可能影响判断；优先提交清晰的相关区域，并补充文字说明。长材料也应保留任务所需内容，避免无关信息淹没关键依据。
常见问题
解答使用 gpt-6-luna 时的常见疑问。
调用 GPT-6 Luna 应使用哪个名称？
使用 gpt-6-luna。它对应 GPT-6 Luna，不是 GPT-6 Sol 或 GPT-6.1 Sol 的别名。选择 Chat Completions 时提交 model 与 messages；选择 Responses 时提交 model 与 input，并按各自响应结构读取回答。
GPT-6 Luna 能看图片，也能生成图片吗？
Luna 可用于图文理解，例如分析截图、描述可见内容或结合图表回答问题。Chat Completions 可把文字和 image_url 放在同一消息中。视觉理解与图片生成是不同任务，需要生成或编辑图片时，应选择专门的图像模型。
怎样让 Luna 输出适合程序读取的结果？
先明确字段名称、数据类型、允许值和缺失信息的处理方式，再选择 JSON 输出设置。分类或提取任务宜保持结构简洁。即使返回内容能够解析，也应继续检查字段完整性与业务约束，不能把格式正确等同于事实正确。
什么时候值得增加 Luna 的推理投入？
规则直接、信息充分的提取任务，重点是清晰指令；遇到多条件判断、矛盾信息或代码定位时，可比较不同推理投入的结果。Chat Completions 使用 reasoning_effort，Responses 使用 reasoning 对象，建议以真实样本的质量与用量决定配置。
Luna 的连续对话需要自己保存历史吗？
使用 Chat Completions 时，通常由应用整理 messages 中的历史内容。若希望简化连续对话，可选 AI Chat 会话入口，开启 stateful 并在后续请求带回 id。会话标识用于延续上下文，不意味着模型会永久记住所有信息。
模型资料 · 更新日期：2026-10-01。调用参数与计费规则请查看 API 和定价栏目。