GPT-6 Astra vs Sol vs Luna เลือกตัวไหน? จัด Model Routing ให้เร็วและคุมต้นทุน

คำตอบสั้น: Astra, Sol และ Luna เหมาะกับงานคนละชั้น

OpenAI อธิบายว่า Sol และ Luna นำความก้าวหน้าจาก Astra มาสู่โมเดลที่เร็วและประหยัดกว่า พร้อมปรับ caching และ inference ให้มีประสิทธิภาพขึ้น ความหมายเชิงธุรกิจคือทีมไม่จำเป็นต้องส่งทุกงานไปโมเดลระดับสูงสุดอีกต่อไป

• GPT-6 Astra: โมเดลเรือธงสำหรับ reasoning, coding และงาน end-to-end ที่ยากที่สุด
• GPT-6 Sol: สมดุลความสามารถและราคา เหมาะกับ complex coding และ agentic workflows ที่ทำซ้ำใน production
• GPT-6 Luna: โมเดลประสิทธิภาพสูงสำหรับงาน focused, high-volume และ cost-sensitive

สเปกและราคา API ที่ต้องอ่านให้ครบ

• Astra: $10 input / $50 output ต่อ 1M tokens ตามหน้าเปรียบเทียบ ณ 28 ก.ย. 2026
• Sol: $2 input / $10 output ต่อ 1M tokens
• Luna: $0.10 input / $0.50 output ต่อ 1M tokens
• ทั้งสามระบุ context window 1.05M tokens และ max output 128K tokens
• ราคา cached input, cache write, Batch, Flex, Fast และ regional processing อาจต่างจาก standard token price

Decision Matrix: งานแบบไหนส่งไปตัวไหน

อย่าผูก model กับตำแหน่งงาน เช่น ‘งานผู้บริหารต้อง Astra’ ให้ผูกกับ task complexity และ risk งานผู้บริหารบางอย่างเป็นการจัดรูปแบบที่ Luna ทำได้ ส่วน extraction หนึ่งชิ้นอาจต้อง Astra หากข้อมูลกำกวมและผลผิดสร้างความเสียหายสูง

• Luna — extraction, classification, tagging, format conversion, first-pass support, bulk content variants ที่มี template ชัด
• Sol — coding agent, tool-using workflow, research synthesis, dashboard analysis, operations automation และงานรายวันที่มีหลายขั้น
• Astra — architecture, ambiguous strategy, high-stakes analysis, complex debugging, cross-domain reasoning และ final reviewer สำหรับเคสยาก

Model Routing ที่ใช้ได้จริง

• 1. Classify: ประเมินความยาก ความยาว ความเสี่ยง เครื่องมือ และ SLA ของคำขอ
• 2. Route: ส่งงานชัดและปริมาณสูงไป Luna, งานหลายขั้นไป Sol, งานยากหรือเดิมพันสูงไป Astra
• 3. Verify: ใช้ schema, tests, citation check หรือ business rule ตรวจผล
• 4. Escalate: ถ้า confidence ต่ำ, tool fail, policy flag หรือ QA ไม่ผ่าน ให้เพิ่ม reasoning หรือย้ายโมเดล
• 5. Learn: เก็บ task type, model, latency, token, retry, reviewer และผลผ่าน/ไม่ผ่าน

คำนวณต้นทุนจาก Accepted Outcome

สูตรที่มีประโยชน์กว่าค่า token คือ (input + output + cache write + tool call + retry + human review) ÷ จำนวนงานที่ผ่านเกณฑ์ หาก Luna สร้างถูกแต่ต้องแก้หลายรอบ อาจแพงกว่า Sol ที่ผ่านครั้งแรก ในทางกลับกัน งาน template ชัดที่ใช้ Astra จะเสียเงินโดยไม่ได้คุณภาพเพิ่มอย่างมีนัยสำคัญ

ทำ evaluation set จากงานจริง 30–100 เคส แยก easy, medium, hard และ high-risk แล้วทดสอบทั้งสามรุ่นด้วย acceptance criteria เดียวกัน จึงค่อยกำหนด routing policy

Guardrails สำหรับระบบหลายโมเดล

• ห้ามโมเดลเป็นคนกำหนดงบสูงสุดของตนเอง
• งานเงิน ข้อมูลลูกค้า Deploy หรือ Publish ต้องมี human approval
• เก็บ model/version และ source ของทุกผลลัพธ์ที่ใช้ตัดสินใจ
• ทดสอบ regression เมื่อเปลี่ยน model alias, prompt, tool หรือ policy
• มี timeout, retry cap, cost cap และ manual fallback

สร้างระบบ AI ที่เลือกโมเดลเป็น ไม่ใช่แค่เรียก API เป็น

Workshop ChatGPT Work × Claude Cowork สอนตั้งแต่แยกงาน สร้าง Skills/Agents เชื่อมข้อมูล ตั้ง schedule และกำหนด human approval ส่วนทีมที่ต้องการระบบเฉพาะสามารถเริ่มจาก workflow และ KPI แล้วค่อยเลือกโมเดลตามภาระงานจริง

คุณไม่จำเป็นต้องสร้าง Web App เพื่อได้ประโยชน์จาก Model Routing งานหลังบ้านใน Google Sheets, Docs, Slides และ CRM ก็สามารถแยกเส้นทางตามความยากและทำอัตโนมัติได้