GPT-5.6 Luna, Terra, Sol vs GPT-6 Astra: เลือก model ให้เหมาะกับงาน

GPT-5.6 Luna, Terra, Sol และ GPT-6 Astra ไม่ได้ต่างกันแค่ว่าใครเก่งกว่า แต่ละรุ่นถูกวางตำแหน่งไว้สำหรับปริมาณงาน ความยาก และความเสี่ยงคนละระดับ หากเลือกถูก ทีมจะลดค่า API และเวลารอได้ โดยไม่ลดคุณภาพของงานสำคัญ

บทความนี้สรุปข้อมูลทางการที่ตรวจสอบถึงวันที่ 22 กันยายน 2026 แล้วแปลงเป็นแนวทางเลือก model สำหรับ founder, product manager, designer และทีม engineering ราคา สเปก และบทบาทผลิตภัณฑ์มาจาก OpenAI ส่วนการจับคู่ model กับงานและนโยบาย routing เป็นข้อเสนอเชิงบรรณาธิการของ Nexion ไม่ใช่ผล benchmark หรือคะแนนความฉลาด

สรุปสั้นที่สุด ควรเลือก model ไหน

• เลือก GPT-5.6 Luna เมื่องานมีจำนวนมาก รูปแบบซ้ำ คำสั่งชัด และตรวจคำตอบได้ง่าย เช่น extraction, classification, localization และ support triage
• เลือก GPT-5.6 Terra เป็น default สำหรับงานทั่วไป เช่น web research, competitive survey, PRD ฉบับแรก, test case, documentation และ routine coding
• เลือก GPT-5.6 Sol เมื่องานต้องใช้วิจารณญาณระดับมืออาชีพ เช่น market research, product strategy, product design, requirement shaping, architecture และ debugging
• เลือก GPT-6 Astra เมื่องานยากมาก เชื่อมหลายขั้นตอน หรือความผิดพลาดมีต้นทุนสูง เช่น deep research, migration ขนาดใหญ่, security review และ incident response

Luna, Terra, Sol และ Astra ออกแบบมาเพื่ออะไร

GPT-5.6 Luna: งานปริมาณมากและไวต่อต้นทุน

Luna ออกแบบมาสำหรับงาน cost-sensitive และ high-volume จุดเด่นคือทำงานจำนวนมากด้วยต้นทุนต่ำ งานที่ส่งให้ Luna ควรมีคำสั่งชัดเจน รูปแบบผลลัพธ์แน่นอน และมีวิธีตรวจความถูกต้องได้

ตัวอย่างคือแยก field จากเอกสาร จัดหมวดหมู่ ticket แปลข้อความในผลิตภัณฑ์ หรือสร้างคำตอบ support จากฐานความรู้ที่กำหนดไว้ หากโจทย์เริ่มกำกวม ต้องเชื่อมหลักฐานหลายแหล่ง หรือมีข้อยกเว้นจำนวนมาก Terra จะเป็นตัวเลือกถัดไปที่ปลอดภัยกว่า

GPT-5.6 Terra: default ที่สมดุล

OpenAI วาง Terra ไว้เป็น model ที่สมดุลระหว่างความสามารถและต้นทุน บทความนี้จึงเสนอให้ใช้เป็น default เชิงต้นทุนของทีม งานที่พบบ่อย เช่น ค้นข้อมูลบนเว็บ เปรียบเทียบคู่แข่ง เขียนเอกสาร ออกแบบ test case แก้โค้ดทั่วไป และจัด requirement มักเริ่มจาก Terra ได้

Terra เหมาะกับ workflow ที่เรียก model หลายครั้ง เพราะถูกกว่า Sol และ Astra อย่างชัดเจน หากผลลัพธ์ยังตีความธุรกิจไม่ลึก วิเคราะห์ความขัดแย้งไม่ครบ หรือแก้ปัญหาเชิงเทคนิคไม่จบ ค่อยส่งเฉพาะกรณีนั้นไป Sol

GPT-5.6 Sol: งานวิชาชีพที่ซับซ้อน

Sol คือ flagship ของตระกูล GPT-5.6 สำหรับ complex professional work และ alias gpt-5.6 จะชี้มาที่รุ่นนี้ งานที่เหมาะมักไม่มีคำตอบตายตัว ต้องชั่งน้ำหนักหลายด้าน และต้องอธิบายเหตุผลให้ผู้เชี่ยวชาญตรวจต่อได้

ตัวอย่างคือสังเคราะห์ market research วาง product strategy ออกแบบ user flow จัดลำดับ requirement ออกแบบสถาปัตยกรรม หรือวิเคราะห์ bug ที่มีหลายสมมติฐาน หากงานขยายไปหลายระบบ มีความเสี่ยงสูง หรือต้องทำ end-to-end โดยพึ่งการกำกับจากคนน้อยลง ให้ยกระดับเป็น Astra

GPT-6 Astra: งานยากที่สุดแบบ end-to-end

Astra คือ model ที่ OpenAI วางตำแหน่งว่าเก่งที่สุดสำหรับงานยากแบบ end-to-end งานที่ระบุไว้อย่างเป็นทางการครอบคลุม complex reasoning, coding, computer use, research และ document creation จึงเหมาะกับงานที่ต้องรักษาบริบทยาว วางแผนหลายช่วง ใช้เครื่องมือ และตรวจผลก่อนสรุป

ควรใช้ Astra เมื่อความผิดพลาดมีต้นทุนสูง หรือการแบ่งงานหลายช่วงอาจทำให้บริบทสำคัญหลุด เช่น security review ของระบบสำคัญ การวิเคราะห์ incident ที่ยังควบคุมไม่ได้ หรือ migration ข้ามหลายบริการ แต่ไม่จำเป็นต้องใช้ Astra กับทุกงาน เพราะราคา output สูงกว่า Terra มาก

เทียบราคา context และ reasoning effort

ราคา Sol ที่ 4 ดอลลาร์สำหรับ input และ 20 ดอลลาร์สำหรับ output เป็นราคา promotional อย่างน้อยถึงวันที่ 21 พฤศจิกายน 2026 ตามหน้า GPT-5.6 Sol ของ OpenAI ที่อ้างไว้ท้ายบทความ หากใช้ใน production ควรตรวจราคาอีกครั้งก่อนประเมินงบระยะยาว

ทั้งสี่รุ่นมี context 1.05 ล้าน token และสร้าง output ได้สูงสุด 128,000 token แต่ไม่ได้แปลว่าควรส่งข้อมูลทั้งหมดทุกครั้ง คำขอที่มี input มากกว่า 272,000 token คิดราคา input 2 เท่าและ output 1.5 เท่าสำหรับคำขอทั้งหมด และเครื่องมืออย่าง web search หรือ computer use อาจมีค่าบริการแยก

Knowledge cutoff ของตระกูล GPT-5.6 คือวันที่ 16 กุมภาพันธ์ 2026 ส่วน Astra คือวันที่ 30 เมษายน 2026 หากถามข้อมูลหลังวันดังกล่าว ควรเปิด web search หรือส่งแหล่งข้อมูลล่าสุดเข้าไป ไม่ควรคาดหวังว่า model จะรู้จากความจำภายใน

กราฟความสามารถกับราคา อ่านอย่างไรไม่ให้เข้าใจผิด

กราฟนี้ใช้แกน Y เป็น “ความสามารถกับงานยาก” และแกน X เป็น “ราคา output ต่อ 1M token” ตัวเลขบนแกนราคาเป็นราคาทางการ ได้แก่ Luna 1.20 ดอลลาร์ Terra 12 ดอลลาร์ Sol 20 ดอลลาร์ และ Astra 50 ดอลลาร์

ตำแหน่งในแนวตั้งเป็นระดับงานเชิงคุณภาพที่อนุมานจากตำแหน่งผลิตภัณฑ์ทางการ ไม่ใช่คะแนน benchmark กราฟจึงบอกว่าแต่ละ model ถูกออกแบบให้รับงานระดับใด แต่บอกไม่ได้ว่า model หนึ่งฉลาดกว่าอีก model เป็นกี่เท่า

คำตอบตรงสำหรับ 5 งานที่ทีม product ถามบ่อย

Web research เริ่มที่ Terra เพราะงานส่วนใหญ่คือค้น อ่าน เปรียบเทียบ และสรุปอย่างมีโครงสร้าง หากต้องรวบรวม URL หรือดึง field จำนวนมาก Luna อาจพอ แต่ deep research ที่ต้องตรวจข้อขัดแย้งและเดินงานยาวเหมาะกับ Astra

Market research เริ่มที่ Sol เพราะการแบ่งตลาด ประเมินแรงขับเคลื่อน และแยกข้อเท็จจริงออกจากสมมติฐานต้องใช้วิจารณญาณ ใช้ Astra เมื่อการตัดสินใจมีมูลค่าสูงหรือข้อมูลซับซ้อนมาก

Competitive survey เริ่มที่ Terra เมื่อโจทย์คือรวบรวมราคา feature และหลักฐานตาม schema ถ้าต้องตีความว่าคู่แข่งกำลังวางตำแหน่งอย่างไร และทีมควรตอบโต้แบบไหน ให้ส่งข้อมูลชุดเดิมต่อไปยัง Sol

Product design และ requirement shaping เริ่มที่ Sol เพราะต้องจัดการความกำกวม ความต้องการของผู้ใช้ ข้อจำกัดระบบ และ trade-off หลายด้าน หากงานข้ามหลายระบบหรือความผิดพลาดมีต้นทุนสูง ค่อยยกระดับเป็น Astra

ตารางเลือก model ตามงานในวงจร product development

ตารางนี้เลือก model ตามระดับงานที่พบได้บ่อย ไม่ใช่กฎตายตัว คอลัมน์ “ตัวรอง” บอกทางเลือกเมื่อบริบทเปลี่ยน เช่น ต้องลดต้นทุน ต้องเพิ่มความลึก หรือเพิ่มความปลอดภัย

นโยบาย model routing ที่นำไปใช้ได้จริง

อย่าให้ผู้ใช้ทุกคนเลือกรุ่นเองทุกครั้ง เพราะมักจบด้วยการใช้รุ่นแพงเกินไป หรือใช้รุ่นเล็กกับงานที่เสี่ยงเกินไป ระบบที่ดูแลง่ายควรมี default เดียว และมีกติกาลดหรือยกระดับที่ตรวจสอบได้

1. เริ่มที่ Terra — ใช้กับงานทั่วไปและเป็น baseline ของ eval
2. ลดเป็น Luna — เมื่องานซ้ำ คำสั่งชัด ผลลัพธ์มี schema และมี validator
3. ยกระดับเป็น Sol — เมื่อต้องตีความความกำกวม แก้ conflict หรือใช้ professional judgment
4. ยกระดับเป็น Astra — เมื่องานยากแบบ end-to-end ใช้เครื่องมือหลายขั้น หรือความผิดพลาดมีต้นทุนสูง

ใน production ควรกำหนดเงื่อนไข escalation จากสัญญาณจริง เช่น validator ไม่ผ่าน confidence ต่ำ แหล่งข้อมูลขัดแย้ง จำนวนระบบที่ได้รับผลกระทบ หรือระดับความเสี่ยง ไม่ควรใช้แค่จำนวนตัวอักษรใน prompt เป็นตัวตัดสิน

ระดับการคิด (reasoning.effort) ต่างกันอย่างไร

reasoning.effort คือการบอก model ว่าควรใช้ความพยายามในการคิดมากเพียงใด มันไม่ใช่การเปลี่ยน model ใหม่ ระดับที่สูงขึ้นเปิดโอกาสให้วิเคราะห์ครบกว่าเดิม แต่เพิ่ม latency และอาจใช้ reasoning token มากขึ้น

การขยับจาก medium ไป high หรือ xhigh ไม่ได้เพิ่มความเก่งเป็นเส้นตรง งานง่ายอาจแทบไม่เห็นความต่าง แต่งานซับซ้อนอาจได้ประโยชน์มาก นอกจากนี้ Astra ไม่รองรับ none โดยเริ่มที่ low

อย่าผูก model ใหญ่กับ effort สูงสุดโดยอัตโนมัติ Astra ที่ low อาจเหมาะกับงานยากที่ต้องตอบเร็ว ขณะที่ Terra ที่ high อาจคุ้มกว่าสำหรับงานทั่วไปที่ต้องตรวจละเอียด คำตอบต้องมาจาก eval ของงานจริง

token ที่ใช้คิด (reasoning token) ใช้เท่าไรและคิดเงินอย่างไร

Reasoning token คือ token ที่ model ใช้คิดภายใน ผู้ใช้ไม่เห็น token เหล่านี้ในคำตอบ แต่ยังใช้พื้นที่ใน context และคิดราคาในอัตรา output token นี่คือเหตุผลที่คำตอบสั้นอาจมีค่าใช้จ่ายสูงกว่าที่ประเมินจากข้อความที่มองเห็น

ไม่มีอัตราส่วนตายตัวว่า high ใช้สองเท่าของ medium หรือ max ใช้ห้าเท่าของ low ระบบใช้ adaptive reasoning จึงปรับปริมาณการคิดตามโจทย์ งานหนึ่งอาจใช้ reasoning token หลักร้อย แต่อีกงานอาจใช้หลักหมื่น แม้ตั้ง effort ระดับเดียวกัน

max_output_tokens เป็นเพดานรวมของ reasoning token ข้อความที่ผู้ใช้เห็น และ token สำหรับจัดรูปแบบ หาก reasoning ใช้พื้นที่มาก model จะเหลืองบสำหรับคำตอบสุดท้ายน้อยลง และอาจจบก่อนส่งเนื้อหาครบ

ตัวอย่างเลือก model และ effort ผ่าน API

ตัวอย่างนี้ใช้ Terra กับ medium เป็น default สำหรับจัด requirement หากผลไม่ผ่านเกณฑ์ของทีม ระบบค่อยเปลี่ยนเป็น Sol หรือ Astra และเพิ่ม effort ตามผล eval

from openai import OpenAI

client = OpenAI()

response = client.responses.create(
    model="gpt-5.6-terra",
    reasoning={"effort": "medium"},
    max_output_tokens=12000,
    input=(
        "จัด requirement ต่อไปนี้เป็น scope, business rules, "
        "acceptance criteria, risks และ open questions"
    ),
)

print(response.output_text)

งาน extraction ปริมาณมากอาจเปลี่ยนเป็น gpt-5.6-luna กับ none งานที่ต้องใช้ professional judgment อาจใช้ gpt-5.6-sol กับ high ส่วนงานยากที่สุดอาจใช้ gpt-6-astra กับ xhigh หรือ max

ทั้งสี่รุ่นรองรับ functions, web search, file search และ computer use ผ่าน Responses API ความต่างในการออกแบบระบบจึงไม่ใช่ว่ารุ่นใดมีเครื่องมือ แต่คือ model ใดควรควบคุม workflow และแต่ละขั้นควรใช้ effort เท่าไร

วิธีเลือกจากข้อมูลจริงก่อนใช้ใน production

สร้างชุด eval จากงานจริง โดยแยกกรณีปกติ กรณียาก และกรณีที่ความผิดพลาดมีผลสูง ให้ผู้เชี่ยวชาญกำหนดเกณฑ์ผ่านก่อนเห็นชื่อ model เช่น ความถูกต้อง ความครบถ้วน การอ้างหลักฐาน การทำตาม schema และจำนวนครั้งที่ต้องแก้

ทดสอบ Terra ก่อน หากคุณภาพเกินความจำเป็นให้ลอง Luna หากไม่ผ่านให้ลอง Sol และ Astra พร้อมเปลี่ยน effort ทีละระดับ อย่าเปลี่ยน model, prompt, tools และ effort พร้อมกัน เพราะจะไม่รู้ว่าสิ่งใดทำให้ผลดีขึ้น

ตัวเลขที่ควรวัดคือ cost per accepted result ไม่ใช่ราคา token อย่างเดียว Luna อาจถูกกว่าต่อคำขอ แต่ถ้าต้องลองใหม่หลายครั้ง Terra อาจถูกกว่าโดยรวม ส่วน Astra อาจคุ้มกับ incident สำคัญ แม้ราคาต่อ token สูง เพราะความล่าช้าหรือคำตอบผิดมีต้นทุนมากกว่า

คำแนะนำสุดท้ายสำหรับแต่ละทีม

• Startup ที่ต้องคุมงบ — ใช้ Terra เป็น default ส่งงานซ้ำไป Luna และอนุญาต Sol เฉพาะงานที่มีผลต่อ product decision ส่วน Astra เปิดใช้เป็นกรณี
• ทีม product และ design — ใช้ Sol กับ discovery, strategy, design และ requirement shaping แล้วใช้ Terra ทำเอกสารต่อยอดและ competitive survey ที่มีโครงสร้าง
• ทีม engineering — ใช้ Terra กับ routine coding และ test design ใช้ Sol กับ architecture, complex coding และ debugging แล้วใช้ Astra กับ migration, security review และ incident สำคัญ
• ระบบอัตโนมัติปริมาณมาก — ให้ Luna เป็น worker หลัก ใช้ validator ตรวจผล และส่งเฉพาะกรณีผิดปกติไป Terra หรือ Sol
• องค์กรที่ความผิดพลาดมีต้นทุนสูง — ให้ accuracy เป็นเงื่อนไขแรก ใช้ Astra กับงานสำคัญแบบ end-to-end แล้วลดระดับเมื่อ eval พิสูจน์ว่าคุณภาพยังคงเดิม

สรุปคือไม่ควรเลือก model เดียวสำหรับทั้งบริษัท โครงสร้างที่ใช้งานได้จริงคือ Luna สำหรับงานซ้ำ Terra เป็น default Sol สำหรับ professional judgment และ Astra สำหรับงานยากที่สุดหรือกรณีที่ความผิดพลาดมีราคาแพง