ChatGPT怎麼選？模型、額度、成本一起算清楚

只是想把一封信寫得客氣一點，需要用最強的模型嗎？要分析一份重要報告，是不是把推理強度（reasoning effort）拉到最高就好？已經訂閱ChatGPT，為什麼有些功能還會遇到額度限制？

選模型最容易走進兩個極端：一種是所有事情都用最高階，另一種是只挑最便宜的，結果花更多時間修改答案。

比較實際的做法，是先想清楚一件事：

這份工作要做到什麼程度，才算真的完成？

如果只是改寫幾句話，能保留原意、語氣自然，就可以交差。如果是比較三份合作方案，除了整理資訊，還要找出隱藏條件、指出缺少的資料，甚至判斷什麼情況下應該改選另一家。這兩種工作，不必用同一套設定。

目前GPT-6 Astra（在ChatGPT叫GPT-6 Pro）與ChatGPT Work仍在分階段開放，不同帳號和介面可能看到不同選項，實際可用功能以帳號中的選單為準（ChatGPT Work and Codex（於新分頁開啟），擷取2026-09-05）。

先分清楚：模型、推理強度和工具，不是同一件事#

可以把使用ChatGPT想成請人協助工作。

模型，是你找哪一位工作者；推理強度，是你讓他投入多少時間分析；工具，則決定他能不能實際查資料、操作檔案和驗證結果。

這三件事要一起看。

例如，你請一位能力很強的人研究某個產品，但不讓他看最新規格，他也只能根據既有資訊回答。你請他修改程式，卻不讓他讀取專案、執行測試，最後得到的可能只是「看起來合理的程式碼」，而不是已經確認能用的修改。

目前OpenAI對工作介面的分工是：Chat負責快速的日常對話協助，Work是為多步驟工作與成品交付設計的agent，Codex則專注於軟體開發（官方Help Center（於新分頁開啟），擷取2026-09-05）。因此，選擇之前先問自己：「我要的是一段回答，還是一件真正完成的工作？」

另一個要分開看的，是付費方式。ChatGPT訂閱和API是不同帳務——官方在Plus說明頁（於新分頁開啟）（擷取2026-09-05）明列API用量獨立計費；買了Plus，不代表自己寫程式呼叫API也包含在月費裡。

一、目前主力模型，可以怎麼分工？#

先不背一長串規格，把主力模型理解成以下幾種角色就夠了。

下表的任務分配，是依官方定位提出的實務起點，不是每種工作都經過一對一測試後的固定排名。官方models頁（於新分頁開啟）（擷取2026-09-05）的定位是：Luna為成本敏感的工作負載最佳化；Terra平衡智力與成本；Sol是複雜專業工作的旗艦；Astra則是最有能力的模型，面向最難的端到端工作。

官方寫法是：Sol Pro是「GPT-5.6家族中面向困難任務與長時間工作流程的最高能力選項」；GPT-6 Astra在符合資格的ChatGPT方案中，以GPT-6 Pro的名稱提供（GPT-5.6 in ChatGPT（於新分頁開啟），擷取2026-09-05）。Astra本身是什麼、強在哪，另見Astra厲害在哪裡。

這裡有個容易誤會的地方：這張表不是一般聊天視窗裡，人人都能自由切換的完整選單。

依同一頁官方說明：Free、Go的預設模型是Luna（連Think也由Luna提供），拿不到Sol；符合資格的付費方案由Sol提供Instant到Extra High的推理選項。Terra、Luna不是一般Chat裡可自由挑選的獨立選項——它們出現在Work、Codex與API的模型清單中。

不必每次都從最便宜的模型開始#

對於「把日期統一成同一種格式」這類容易驗收的工作，可以先測Luna，不夠穩再往上調。

但對於複雜分析，反過來可能更合理：先用較強模型做出達標成果，再測試能不能降低模型或推理強度，仍然維持品質。

官方模型選擇指南（於新分頁開啟）（擷取2026-09-05）也是這個順序：先定義並達到正確率目標，再優化成本和速度，而不是一開始就追求最低單價。

二、推理強度怎麼調？看判斷難度，不是看字數#

同一個模型，也可以投入不同程度的推理。API側的 reasoning.effort 怎麼選，另見GPT的推理強度怎麼選；這裡講ChatGPT介面。

在符合資格的付費方案中，Sol提供Instant、Medium、High、Extra High四檔（Extra High是Sol的最高推理檔）；Pro選項則對應Pro模型——Sol Pro與逐步開放的GPT-6 Pro——不是普通推理強度再往上加一格。可選項目依方案而異（GPT-5.6 in ChatGPT（於新分頁開啟），擷取2026-09-05）。

同一頁還有一個值得知道的行為：付費方案停留在Instant時，系統可能對複雜請求自動投入更多推理；這可以在設定的Higher intelligence開關調整，而且自動推理不計入手動選擇推理檔的額度。

實際使用時，我會採用這樣的起點：

Instant用來處理文字和快速互動。 例如翻譯、修句子、寫短回覆、發想標題，先求快速得到可用版本。

Medium用來處理一般工作。 例如文章架構、常規分析、學習概念、一般程式問題，讓模型有空間整理條件和推論。

High用在條件互相影響的工作。 例如方案比較、複雜除錯、架構設計，或需要同時考量成本、風險、限制與例外的問題。

Extra High、Pro留給額外投入確實有價值的任務。 例如前面的設定仍反覆漏掉關鍵問題，或這份工作本來就需要深入規劃、交叉檢查。

官方的建議也是從合理的預設開始，只有在工作需要更深的規劃、分析或檢查時才提高推理投入；更高強度可能改善複雜任務，但也會增加時間與token用量（Codex models文件（於新分頁開啟），擷取2026-09-05）。

最重要的是，長問題不一定難，短問題也不一定簡單。

「把十頁資料依日期排序」可能很長，但規則明確。「這個結論是否把相關性誤當成因果？」只有一句，卻可能需要仔細判斷。

所以，不要用輸入字數決定推理強度。要看的是：這件事需要多少判斷，以及判斷錯誤的代價。

三、把模型選擇放進真正的工作裡#

情境一：改寫信件、社群文案，先把要求說清楚#

假設你要寫一封催交資料的信，希望對方知道事情有急迫性，又不想讓語氣太硬。

我的起點會是Instant，而不是直接開Pro。Prompt可以這樣寫：

請把下面這封信改成自然、有禮貌，但能清楚表達交件期限的版本。 收件人是合作中的外部廠商，不是第一次聯絡。 保留所有日期和承諾，不新增原文沒有的資訊，控制在200字內。 請給我「較親切」和「較直接」兩個版本。

收到結果後，先檢查日期、要求和承諾是否保留，再挑語氣。

這種工作的驗收標準很具體。與其只說「寫得更好」，不如指出哪裡不對：「第二段太像公文」「不要替對方找理由」「結尾不要顯得我們可以無限延期」。

如果是品牌文章或重要對外聲明，我會先用Medium或High確認訊息架構，再處理語氣。這時增加推理投入，是為了決定該說什麼、不能說什麼，不只是把句子修得漂亮。

情境二：寫長文或報告，先確認架構，再展開內容#

一篇文章需要的不只是一段段通順的文字，還包括讀者應該先知道什麼、哪些內容必須解釋、哪些例子能支持主張。

我的做法是先用Sol Medium擬定架構。涉及多個互相牽動的觀點，再提高到High。

不要一開始就只下指令：

幫我寫一篇完整、專業、有深度的文章。

可以改成：

這篇文章的讀者是第一次接觸這個主題的上班族。 閱讀後，他應該能判斷自己適不適合採用這個方法。 請先提出文章主張、必要背景、主要限制和一個具體案例。 目前沒有證據支持的部分，請標成待查證，不要自行補成事實。 先給架構，不要直接寫全文。

架構確認後，再請模型展開。最後另外做一次檢查：論點有沒有跳步？例子是否真的支持結論？前後是否使用同一套定義？

這是一個值得測試的分工方式：把比較強的推理用在架構和論證，不必讓每次標點修改都維持最高投入。

情境三：比較方案，用High找取捨，不只整理優缺點#

假設你拿到三份供應商報價，準備挑一家合作。

如果只是把價格、功能和交期整理成表格，可以先從較低成本的設定開始。但「整理完」和「可以做決定」，是兩個不同階段。

我的建議是，進入決策階段後改用Sol High，並提供明確條件：

請比較這三份報價。 我們最重視交期，其次是後續維護成本，最後才是初期價格。 請區分文件明確寫出的條件、你的推論，以及目前缺少的資料。 不要只列優缺點，請說明：哪一家最符合目前需求？什麼條件改變時，應該改選另一家？簽約前還需要確認哪些事項？

這個prompt的價值，在於要求答案包含選擇成立的條件。

「A最好」很難驗證；「在交期不能延後、維護費不超過某個範圍的前提下，A比較適合」就比較容易拿回原始文件核對。

要提高的不是答案的氣勢，而是判斷的可檢查程度。

情境四：查最新資料，先選對研究方式#

查資料時，別把「更會推理」當成「一定掌握最新資訊」。

查一項產品規格或一個公告，通常可以先使用搜尋。若要整合多個來源、比較互相矛盾的說法，或完成一份有出處的研究報告，再考慮Deep research。官方對它的定位，就是結合上傳檔案、公開網頁或指定網站與已啟用的ChatGPT應用程式，處理多步驟研究，並交出附引用或來源連結的結構化報告（Deep research說明（於新分頁開啟），擷取2026-09-05）。

實作時，可以把問題寫成：

請研究這個主題，優先使用官方文件和第一手資料。 涉及價格、功能或政策時，標示查證日期。 請分開呈現已確認的事實、來源之間的分歧，以及你的推論。 找不到可靠資料的部分，直接說明缺口。

取得研究結果後，再讓較強模型協助分析「這些資訊代表什麼」。

我會把這兩步分開驗收：先確認資料可信，再確認推論合理。不能只因為最後的文字很完整，就省略來源檢查。

情境五：處理試算表、簡報和程式，要讓AI真正做事#

如果你要的是分析建議，聊天就能開始；如果你要的是一份能開啟、能修改、數字對得上的成品，任務描述就要改變。

例如處理資料時，不要只說：

幫我分析這份資料。

可以改成：

請先檢查欄位、缺失值、重複資料和統計口徑，再進行分析。 保留原始資料，不要直接覆蓋。 交付分析結果、可重現的計算方式，以及你發現的資料問題。 如果要排除資料，請說明規則和排除筆數。

官方對Work的工作範圍描述是研究、分析，以及文件、試算表、簡報、報告或網站等成品；Codex則能寫程式與除錯、執行測試和命令、審查變更、操作repository（ChatGPT Work and Codex（於新分頁開啟），擷取2026-09-05）。

模型方面，我會用Terra或Sol嘗試規格清楚的文件工作；如果涉及跨檔案依賴、複雜資料關係，或需要持續協調多個步驟，再評估Astra——這也符合Codex models文件（於新分頁開啟）（擷取2026-09-05）對各模型工作範圍的區分。Codex側的模型分派實戰，另見Codex用什麼模型。

程式工作的驗收更應該具體：改了哪些檔案、跑了哪些測試、哪些測試沒辦法執行、還留下什麼風險。

「模型說完成了」和「你已經驗收完成」，應該保留一道界線。

四、ChatGPT月費怎麼選？先判斷缺的是能力，還是額度#

訂閱方案不應該只按「便宜到貴」排列，而要看目前卡在哪裡。

以下以官方美元標價為基準（Codex pricing文件（於新分頁開啟）與Go發表頁（於新分頁開啟），皆擷取2026-09-05）。實際付款金額依所在地而異——同日台灣結帳頁顯示Go為NT$270／月、Plus為NT$690／月（pricing頁（於新分頁開啟），擷取2026-09-05）。

目前Free已提供Luna的無限一般文字聊天（受濫用防護限制），檔案、圖片、語音、deep research等工具另有限制（pricing頁（於新分頁開啟），擷取2026-09-05）。因此，判斷是否升級時，別只看「我聊天很多」，也要看真正用到哪些工具與模型。

US$200不代表每一則回答都比US$100聰明#

兩種Pro的核心能力相同，主要差別在使用額度——官方寫法是US$100解鎖Plus的5倍用量、US$200為20倍（Pro tiers說明（於新分頁開啟），擷取2026-09-05）。換句話說，從US$100升到US$200，重點是能做更多工作，而不是保證同一道問題的答案自動變好。

而且，Pro不等於GPT-6 Pro無限使用。依GPT-5.6 in ChatGPT（於新分頁開啟）（擷取2026-09-05）：

• US$100：GPT-6 Pro與Sol Pro共用每週50則。
• US$200：GPT-6 Pro每週200則；Sol Pro另有每日170則，且兩者合計每日上限200則。
• 這些是一般Chat的規則；Work與Codex的額度另計。

我的建議是：升級之前，先記錄自己是因為模型能力不夠而卡住，還是因為額度用完而卡住。兩者需要的解法不同。

公司使用，還要看管理和資料規則#

Business不是單純把個人方案買好幾份。它還包括公司工作區、集中管理、帳務與安全設定。

目前Standard席次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；Enterprise採客製報價（Business pricing（於新分頁開啟），擷取2026-09-05）。

因此，公司選方案時，除了比較模型和額度，也應把資料能否上傳、權限怎麼管理、誰負責審核成果一起納入。

五、API怎麼算錢？大量使用時，模型分工才會真正影響帳單#

如果你只在ChatGPT介面操作，先把訂閱方案選好即可。當你要把AI接進網站、內部系統，或處理大量重複任務，才需要仔細看API計費。

API主要按token用量計費。Token可以理解為模型處理內容的計量單位，不是固定等於一個字。

另一個容易漏算的項目，是推理token：它們不會顯示在回答裡，但仍占context window，而且按輸出token費率計費（reasoning指南（於新分頁開啟），擷取2026-09-05）。做成本追蹤時，應讀取API回傳的實際用量，不要只用可見答案的長度估算。

先用同樣的用量，看看價差#

以下採用Standard、一般長度請求的費率。假設每次請求送入10,000個未快取輸入token，產生2,000個總計費輸出token，其中已包含推理；不使用其他計費工具或加速模式。

試算依官方費率頁（於新分頁開啟）（擷取2026-09-05）計算；其中Sol的目前價格屬促銷費率，官方註明至少持續至2026-11-21。

這個表格適合用來理解單價差異，但不是四個模型完成真實工作的平均費用。

真實任務可能有不同的推理量、重試次數與工具呼叫。單價較低的模型，如果要重做很多次，或需要人工花大量時間修正，整件工作的成本未必最低。

答案短，不代表費用低#

以上述Sol的請求為例，原本每次是US$0.08。假設另外增加20,000個推理token，依相同費率計算，每次就會變成US$0.48。

這也是為什麼不能只看最後收到幾段文字來估算API費用。

還有哪些費用容易忽略？#

超長輸入可能適用不同價格。 以Astra為例，單次輸入超過272,000token時，整筆請求的輸入與快取費率乘以2、輸出費率乘以1.5——不是只替超出的部分加價（Astra model頁（於新分頁開啟），擷取2026-09-05）。不能把大型文件一律套用一般價格。

快取命中和建立快取，不是同一種費率。 官方費率頁（於新分頁開啟）（擷取2026-09-05）分別列出一般輸入、快取讀取與快取寫入價格。因此，不應把所有重複內容都預先當成便宜的快取命中。

加速和省錢，是不同方向。 以Astra為例，Fast mode的價格是適用標準費率的2倍；Batch、Flex則為Standard的一半（Astra model頁（於新分頁開啟），擷取2026-09-05）。是否採用，要看工作能不能接受對應的處理方式，而不是只看價格。

如果要控制成本，我會先刪除不必要的輸入、減少重複請求、限制沒有用途的長篇輸出，再測試較小模型。這些也是官方成本優化指南（於新分頁開啟）（擷取2026-09-05）列出的主要方法。

六、最省錢的流程，不一定是全程使用最便宜的模型#

假設你每個月要整理大量客戶回饋，最後交出一份產品改善建議。

可以先設計這樣的流程：

Luna／Terra整理與分類 → Sol分析問題和取捨 → Astra處理最困難的判斷 → 依確認後的內容完成排版。

這是一套值得測試的分工，不是保證適用所有資料的標準答案。

其中最重要的保護措施，是保留原始資料與出處。不要只把低成本模型的摘要交給高階模型，卻讓它看不到原文。前一步如果漏掉關鍵訊息，後一步未必有機會發現。

同樣地，不必讓Astra重新處理每一筆已確認的格式轉換。把高階模型用在需要綜合判斷的地方，才有機會讓額外成本產生價值。

圖片、語音和舊模型，也要分開看#

圖片生成、即時語音、錄音轉文字，本來就有各自的專用模型：官方models頁（於新分頁開啟）（擷取2026-09-05）列有GPT-Image-2（圖片生成）、GPT-Realtime-2.1系列（即時語音）與GPT-Transcribe（語音轉文字）。它們不是把文字模型的推理強度拉高就能等量替代的另一個檔位。

至於舊教學裡的GPT-4o、GPT-4.1等名稱，要另外核對可用性。官方已於2026-02-13將GPT-4o、GPT-4.1等模型從ChatGPT退役，但這些模型在API仍然可用——ChatGPT退役和API停用不是同一件事（退役公告（於新分頁開啟），擷取2026-09-05）。

對新工作，我會先評估目前主力；對已經穩定運作的既有流程，則先測試再換，不為了追新而直接改掉整套設定。

七、花一週做個小測試，比一直看模型排名有用#

真正適合你的設定，應該從自己的工作驗證出來。

可以先挑十件常做的事：兩封信件、兩份摘要、幾個分析問題，再加上幾件比較困難的工作。每件都先寫好完成標準。

接著，用原本的設定和另一個候選設定，分別處理相同任務。為了方便比較，盡量提供相同資料和要求，不要讓其中一個多拿到關鍵背景。

檢查時，我會看四個面向：內容是否正確、限制是否遵守、需要修改多少，以及完成驗收總共花多久。

不要只評「哪個比較像專家」。一份語氣有自信、篇幅很長的答案，不應該因為好讀，就自動被視為比較可靠。

這種先設定品質標準、用代表性資料測試、再降低成本的做法，與官方模型選擇指南（於新分頁開啟）（擷取2026-09-05）一致。

十件工作只能作為個人試用的起點，不能拿來保證大規模上線的可靠性。若是自動化系統，還需要更完整的例外案例與持續監測。

最後，把自己的時間也算進去#

可以用一個簡單的概念整理總成本：

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。

假設你把一小時的有效工作時間估為US$25，從Plus升到US$100 Pro，每月多花US$80。按照這個假設，只要相較於Plus，額外節省3.2小時有效工作時間，就能抵過價差。

但這裡的「節省」，必須是驗收後真的省下來的時間。

答案更快出現，卻多花半小時核對，不一定算節省。答案等待稍久，但一次就能採用，也可能比較划算。

當然，時間價值不一定能直接換成收入。少一次趕工、少一輪返工，也可以是你願意付費的理由；重點是這個價值要由實際使用確認，而不是由模型名稱決定。

結語：選的不是最強模型，而是最合適的工作方式#

日常改寫，我會先用快速設定；需要整理邏輯和做判斷，再提高推理投入；跨資料、跨工具、反覆卡住的複雜任務，才評估更高階的模型。

大量自動化則換一種思考方式：先建立可接受的品質，再找能維持品質的最低成本流程。

模型、推理強度、工具和訂閱，各自解決不同問題。分清楚之後，就不必每次都在「最便宜」和「最強」之間二選一。

真正值得花錢的，不是讓AI看起來更厲害，而是讓工作完成後，你更少需要重新收拾一遍。