ChatGPT模型怎麼選才划算？能力、速度與成本一次看懂
模型、推理強度、工具與訂閱方案是四件不同的事：簡單的工作優先要速度，複雜的工作優先保品質，大量重複的工作找品質達標而總成本最低的做法；ChatGPT月費與API是兩筆帳，不能互相換算。
同樣是使用ChatGPT，有人只是想把一封信改得更自然，有人要比較幾個商業方案，也有人希望它讀完資料、完成分析，再交出一份可以直接使用的報告。
這些工作需要的能力不一樣，沒有必要全部使用同一種模型，更不必每次都把推理強度（reasoning effort）開到最高。
比較實用的原則是：
簡單的工作，優先考慮速度；複雜的工作，優先確保品質；大量重複的工作，則要找出品質達標、總成本最低的做法。
這也符合OpenAI的模型選擇建議：先確認結果達到需要的正確率，再降低成本與等待時間，而不是一開始就只挑最便宜或最強的模型（Model selection（於新分頁開啟），擷取2026-09-07）。
一、先分清楚：模型、推理強度和訂閱方案，不是同一件事#
選模型之前，最容易搞混的是：畫面上的不同選項，未必代表不同模型。你可以把它想成找人幫忙工作。
模型，是找誰來做。不同模型的能力、處理速度與使用成本不同。
推理強度，是讓他花多少心力。同一個模型，可以快速給出回答，也可以投入更多推理，仔細處理條件與例外。
工具，是讓他用什麼方法完成。搜尋資料、讀取檔案、執行程式、製作試算表，與單純回答文字問題，是不同的工作方式。
訂閱方案，則決定你能使用哪些能力，以及有多少用量。付了較高月費，不代表每一次回答都自動變得更好，也不代表所有模型都能無限使用（About ChatGPT Pro tiers（於新分頁開啟），擷取2026-09-07）。
以目前ChatGPT為例，符合資格的付費帳號，日常快速回答與深入推理都可以由GPT-5.6 Sol提供。因此，從Instant改成較高的推理強度，不一定是在換模型，也可能只是讓同一個模型投入更多運算（Improving GPT-5.6 Sol in ChatGPT（於新分頁開啟），擷取2026-09-07）。
理解這個差別之後，就比較不會陷入「名字越新越好、滑桿越高越好」的選擇方式。
二、目前的主力模型，可以這樣理解#
以下的工作分配，是根據官方定位提出的使用建議，不代表每個情境都有公開的一對一測試。實際選擇仍應以自己的工作樣本驗證。
GPT-5.6 Luna：把規格清楚、數量很多的工作做好#
Luna的官方定位是低成本、大量處理，適合對費用敏感的工作（GPT-5.6 Luna（於新分頁開啟），擷取2026-09-07）。
我會優先拿它測試這類任務：把客服訊息分類、從文字中擷取日期與金額、整理固定格式的摘要，或依照範本產生初稿。
這些工作的共同點，不是「不重要」，而是規則相對清楚，也比較容易檢查結果對不對。
例如，從一千封信裡擷取訂單編號，只要能穩定符合欄位要求，就沒有必要每一封都交給最高階模型。
但若工作變成「判斷客戶真正不滿的是什麼，並決定後續處理方式」，就需要另外測試它能否處理模糊語意，不能因為前面的擷取工作做得好，就直接假設後面的判斷也沒問題。
GPT-5.6 Terra：在能力與成本之間取得平衡#
Terra的官方定位是兼顧能力與成本，大致對應過去較小型、較經濟的模型層級（GPT-5.6 Terra（於新分頁開啟），擷取2026-09-07）。
我會把它當成一般自動化工作的候選主力，例如整理文件、處理常規程式修改，或完成步驟明確的分析。
它適合評估的情境是：Luna的結果還不夠穩，但工作也沒有複雜到需要每次都使用旗艦模型。
不過，「定位比較平衡」不代表對每個人都是最划算。若工作很簡單，它可能比需要的更貴；若工作非常困難，反覆重試也可能吃掉原本省下的費用。
GPT-5.6 Sol：複雜專業工作的主力#
Sol的官方定位是處理複雜的專業工作（GPT-5.6 Sol（於新分頁開啟），擷取2026-09-07）。
我會優先拿它處理需要整合多個條件的任務，例如比較方案、規劃報告架構、分析程式問題，或檢查一個論點有沒有忽略重要限制。
它的價值不只在「可以寫很多字」，而在於工作需要理解、取捨與前後一致時，值得給它更多發揮空間。
例如，「列出三種方案的優缺點」可以先從一般推理開始；但「在預算、人力、期限都受限的情況下，選出最適合的方案，並指出什麼條件改變後應該換方案」，就比較值得提高推理強度。
GPT-5.6 Sol Pro、GPT-6 Astra：留給真正困難的工作#
Sol Pro是GPT-5.6家族中用於困難任務與較長工作流程的高能力選項。GPT-6 Astra則被官方定位為目前能力最高、面向最困難端到端工作的模型；在ChatGPT中，它以GPT-6 Pro的名稱提供（GPT-5.6 and GPT-6 Pro in ChatGPT（於新分頁開啟），擷取2026-09-07）。
這類模型，我會優先用在大型程式修改、複雜研究、困難推理，或一般模型已反覆失敗的工作。它到底強在哪、官方數字怎麼讀，另一篇單獨寫了：GPT-6 Astra是什麼？厲害在哪、數字怎麼讀。
不過，使用高階模型的理由，應該是它能帶來更可用的結果，而不是單純追求「用了最強的」。
同一封日常回信，使用最高階模型，未必值得額外等待；但一份會影響後續幾週工作的技術方案，只要能減少一次重大返工，就可能很有價值。
還有一個介面上的差別要注意：Luna、Terra並不是一般ChatGPT聊天裡可以自由切換的獨立選項。依照方案，它們可在Work、Codex或API使用；Free、Go的日常聊天則由Luna提供。
三、一般聊天最實用的選法：先決定要想多深#
對主要使用ChatGPT聊天的人來說，比起研究全部模型名稱，更實際的是知道什麼時候該使用Instant、Medium、High，什麼時候才值得開Pro。
下面是我建議的起點：
目前Plus的一般聊天包含Medium、High，但不包含Extra High或Pro；後兩者取決於更高階方案與工作區權限（GPT-5.6 and GPT-6 Pro in ChatGPT（於新分頁開啟），擷取2026-09-07）。
我的預設建議是：文字加工先用Instant，一般工作從Medium開始，明確需要深入判斷時再用High。每一檔該怎麼判斷，另一篇寫得更細：GPT的推理強度怎麼選？品質、速度、成本一起算。
最重要的是，不要用題目長短決定推理強度。
「把五千字文章整理成三個重點」，輸入雖然長，但任務可能很單純。「這個結論是否把相關性誤認為因果關係？」題目很短，卻可能需要仔細推理。
也不要把答案長度當成推理品質。你需要的是它有沒有找出關鍵條件、處理反例、說清楚不確定性，而不是多寫幾頁。
四、把選法放進真實工作，會更容易理解#
寫文章、改文案：先解決方向，再追求更強模型#
若只是把一段文字改得順一點、翻譯一封信，或產生幾個標題，我建議先用Instant。
若要寫完整文章，可以先用Medium整理讀者、主張與架構；只有在論證複雜、需要整合不同觀點時，再提高推理強度。
寫作還有一個容易忽略的地方：結果不對，不一定是模型不夠強，也可能是要求不夠具體。
與其只說「幫我寫得自然一點」，我會改成：
這篇文章寫給第一次接觸這個主題的人。請保留具體例子，避免口號式結論，不要每段都列點。以下兩段文字是我希望接近的語氣，請參考句子節奏，但不要照抄。
這種做法把「自然」拆成可操作的要求。提供明確指示、背景與理想輸出範例，也是官方提示設計指南建議的方法（Prompt engineering（於新分頁開啟），擷取2026-09-07）。
如果問題出在語氣，就先修正語氣要求；如果問題出在論證，再提高推理能力。不要把所有不滿意，都當成需要升級模型的訊號。
做分析、比較方案：重點是取捨，不是列得夠不夠多#
分析工作，我會從Medium開始；當限制條件增加，或條件之間互相影響時，再提高到High。
例如，「比較三種工具的功能」和「決定公司該採用哪一種工具」，其實不是同一種工作。後者還需要知道預算、使用人數、導入難度、既有系統，以及切換失敗的代價。
因此，我會把問題寫成：
請先依照我的條件給出建議，再指出這個建議最依賴的三個假設，以及哪些資訊改變後，結論可能反轉。
這樣做，是讓模型處理決策真正困難的部分，而不是產生一張看似完整、卻無法幫助選擇的比較表。
寫程式：小修改和整個專案，要用不同方式處理#
解釋一段程式、寫一個小函式，或修正局部問題，可以先在聊天中使用Medium。
但當工作涉及多個檔案、執行環境與測試，應該考慮的不只是模型，而是改用能操作專案的工具。Codex的官方用途包括修改程式、除錯、執行測試與命令，以及檢查程式變更（ChatGPT Work and Codex（於新分頁開啟），擷取2026-09-07）。
我的選法是：常規修改先評估Terra或Sol；跨模組除錯、架構調整或大型重構，則優先用較強模型建立可用的成果。完整的分派方式見Codex模型怎麼選？品質、速度與成本一次看懂。
驗收時，也不要只看程式碼「像不像對的」。我會要求它說明改動範圍、執行哪些測試、有哪些尚未驗證的部分。
寫出程式碼，是產出；確認能在你的專案裡正常運作，才算完成。
查資料、做研究：先給它查證能力，不是只讓它想更久#
查最新價格、政策、產品規格或近期事件時，我建議先確認它有沒有實際搜尋來源。
若要比較多個來源、處理互相衝突的說法，或整理成完整報告，可以使用Deep research。這項工具能結合公開網路、指定網站、上傳資料與可用應用程式，產生附有來源的研究結果（Deep research in ChatGPT（於新分頁開啟），擷取2026-09-07）。
如果要交付的是文件、試算表或簡報，則可以評估Work。它的定位就是處理多步驟工作與完成品，而不只是給一段回答。
模型能力、資料來源和工具，是不同的環節。當缺的是原始資料，繼續提高推理強度，並不是我會優先採取的解法。
圖片與語音也應分開看。API另有GPT-Image-2、即時語音與轉錄等專用模型及費率，不能直接套用文字模型的成本表（Pricing（於新分頁開啟），擷取2026-09-07）。
五、ChatGPT月費怎麼選？先看自己缺的是什麼#
以下以官方公布的美元價格為基準；Go的價格可能依市場調整，實際付款仍以結帳頁面為準（Introducing ChatGPT Go（於新分頁開啟），擷取2026-09-07）。
價格與方案依官方Go、Plus及Pro說明整理；最後一欄是我的使用建議。
Free升Go，主要不是為了換成Sol#
目前Free、Go的日常聊天都使用Luna。Go增加的重點包括工具訊息、上傳、圖片與語音等使用空間，而不是直接把一般聊天升級成Sol（Pricing（於新分頁開啟），擷取2026-09-07）。
因此，如果你不滿意的是工具額度，可以考慮Go；如果你需要的是更強的工作推理能力，我會直接比較Plus。
Plus可以作為經常使用者的起點#
Plus提供更廣的模型與工具使用權限，月費是US$20（What is ChatGPT Plus?（於新分頁開啟），擷取2026-09-07）。
我的建議不是「所有人都應該買Plus」，而是：當你已經固定使用AI處理工作，卻還不確定需不需要Pro時，可以先從這個層級觀察。
真正值得記錄的，是你是否常常因為能力或額度限制而中斷工作，以及升級後是否能改善這些問題。
也要注意，Plus正逐步取得Work、Codex中有限的Astra用量，這不等於一般聊天可以選GPT-6 Pro。同一個方案，在不同介面的權限與額度可能不同。
US$100和US$200 Pro，主要差在用量#
兩種Pro的核心能力相同，主要差別是使用額度。不要把它理解成「US$200的每一個答案，都比US$100更聰明」。
而且，Pro並不代表GPT-6 Pro無限使用。
目前在一般聊天中，US$100 Pro的GPT-6 Pro與Sol Pro共用每週50則；US$200 Pro的GPT-6 Pro為每週200則，Sol Pro另有每日170則額度，兩者合計還受每日200則限制。這些不是Work、Codex的額度規則（GPT-5.6 and GPT-6 Pro in ChatGPT（於新分頁開啟），擷取2026-09-07）。
我的升級標準會很直接：先確認較低方案的額度真的不夠，再為更多用量付費。
公司採購則要另外看。Business的價值還包括工作區、安全與集中管理；Standard為年繳折算每人每月US$20、月繳US$25，Premium為年繳折算US$100、月繳US$125，不能只拿月費與個人Pro比較（Business Pricing（於新分頁開啟），擷取2026-09-07）。
六、API成本是另一筆帳，不能和ChatGPT月費混算#
這一節主要給會自行串接AI、做自動化或開發產品的人。
ChatGPT月費不包含API用量。透過自己的API key使用模型，會依API費率另外計費；以ChatGPT帳號登入Codex，則使用方案對應的用量與帳務規則（What is ChatGPT Plus?（於新分頁開啟），擷取2026-09-07）。
一般聊天使用者，主要管理的是月費、用量與等待時間；API使用者，還要管理每一次請求的實際消耗。
先看單價，再看整件工作的用量#
API以token計量。可以先把它理解成文字處理單位，但不要直接把一個token當成一個中文字。
以下是目前Standard、短上下文費率，每100萬token的美元價格：
Sol的上述價格為促銷費率，官方註明至少持續至2026-11-21。表格未包含快取寫入、工具或其他附加費用（Pricing（於新分頁開啟），擷取2026-09-07）。
為了看懂差距，假設每次工作都使用10,000個未快取輸入token，加上2,000個總計費輸出token，而且不產生其他費用。依照上表計算，一千次工作的費用分別是：
Luna US$4.40
Terra US$44
Sol US$80
Astra US$200這只是固定用量的算術比較，不是真實任務的平均價格。實際使用時，各模型需要的推理量、請求次數與重試次數不一定相同。
看不到的推理，也可能算錢#
推理模型的計費輸出，不只包括你看到的答案，也包含沒有顯示出來的推理token。API的Pro mode還會投入更多模型工作，增加token消耗；它與推理強度是不同的設定（Reasoning models（於新分頁開啟），擷取2026-09-07）。
所以，「最後只回答五百字」不能直接用來判斷這次便不便宜。
沿用前面的Sol假設，每次原本是US$0.08；若總輸出從2,000增加到22,000 token，其他條件不變，就會變成US$0.48。
這也是為什麼大量工作不適合毫無區別地全部開最高推理。你應該測試的是：增加的費用，有沒有換到可觀察的品質改善。
此外，API的長上下文、快取與工具都有各自規則。適合非即時處理的Batch，目前上述模型費率為Standard的一半；Fast mode則是較高費率的加速選項。這些都是API計費方式，不能直接套成ChatGPT每則聊天的價格。
七、真正划算的，不是最便宜的模型，而是最低的完成成本#
選模型時，我建議用這個方式看成本：
完成成本＝模型與工具費用＋人工檢查時間＋返工時間＋錯誤造成的損失。
這是決策框架，不是一張API帳單公式。
假設某個便宜模型，每次可以省下US$0.10，卻讓你多花五分鐘修改，那麼它是否划算，就不能只看省下的十美分。反過來，若兩個模型都能完成固定欄位擷取，錯誤率也符合要求，繼續使用昂貴模型，可能只是在增加成本。
OpenAI的成本優化建議也包含減少不必要請求、縮減輸入與輸出，以及在品質足夠時使用較小模型（Cost optimization（於新分頁開啟），擷取2026-09-07）。
同一份工作，不必從頭到尾都用最強模型#
以製作一份報告為例，我會建議這樣分工：
先用成本較低的模型整理資料與欄位，再用Sol分析核心問題；最困難的論點與重要取捨，才交給Pro或Astra。內容確認後，單純的格式整理未必需要繼續使用最高階模型。
但分工也不是越細越好。若拆成太多步驟，反而需要你不斷搬資料、重新交代背景，就應把這些操作成本一起算進去。
重要工作，可以先用強模型，再測試能不能降級#
「從便宜的開始，不行再升級」適合低風險、容易檢查的任務。
若工作複雜，而且你還不知道理想成果應該長什麼樣子，我會反過來：先用強模型建立品質基準，再測試較便宜模型能不能維持水準。這也符合官方先達到品質目標、再優化成本的做法。
實際比較時，不必只看一次回答。可以挑一小組常見工作，記錄結果是否正確、修改花多久、總共花多少費用，再決定哪個模型當預設。
也不要只靠模型自己說「我很有把握」就讓結果過關。對能測試的工作，優先使用測試；對能核對的數字，回到原始資料核對。
訂閱升級，要算「多省下的時間」#
假設你的時間價值是每小時US$25，從Plus升到US$100 Pro，每月多花US$80。以這個假設計算，只要升級相較於Plus，每月額外節省3.2小時有效工作時間，就能抵過月費差額。
這裡的關鍵是「額外」。
原本Plus已經能做到的事情，不能全部算成Pro的功勞。真正要比較的是：升級後，是否更少卡住、更少修改，或能完成原本做不好的工作。
八、建立一套不用每天重新研究的選法#
模型名稱會更新，但選擇原則可以很穩定。
我的建議是：日常改寫、翻譯與發想，先用快速模式；一般工作從Medium開始；涉及多個條件、重要取捨或困難除錯時，再提高推理。高階模型則留給它確實能改善結果的地方。
需要最新資料，就加入搜尋與查證；需要操作專案，就使用能執行與測試的工具；需要完成文件或試算表，就選擇能真正產出檔案的工作方式。
也別再把舊教學中的GPT-4o、GPT-4.1、o3清單當成現在的ChatGPT選單。這些模型已有ChatGPT退役安排，而且ChatGPT退役與API停用是兩件事（Retiring GPT-4o and other ChatGPT models（於新分頁開啟），擷取2026-09-07）。
最值得保留的習慣，不是永遠選最新、最強或最便宜，而是在每次工作前問清楚：
這件事需要的是更強的判斷、更多資料、更合適的工具，還是只是把要求講清楚？
找對真正的瓶頸，才知道錢該花在哪裡。模型選得好，不是帳單最低，而是花了合理的錢，拿到可靠的成果，還讓自己少做一點原本不必做的事。