GPT-6 Astra vs Opus 5.5：填滿 1M 上下文
2026 年 9 月，兩款新旗艦模型前後只隔了三週。OpenAI 在 9 月 3 到 4 日推出 GPT-6 Astra，又在 9 月 22 日補上較輕量的 Sol 和 Luna。同一天，Anthropic 發表了 Claude Opus 5.5。
大多數比較文章停在跑分表。這篇想問一個更實際的問題，也是你真正動用百萬 token 視窗時立刻會撞上的問題：裡面要放什麼？填滿它要花多少錢？
因為視窗變大，並不會讓你的來源變乾淨。它只是讓你能為更多雜訊付錢。
兩個視窗，並排比較
以下是長上下文工作真正要看的數字，根據撰文當下公開的規格與牌價：
| Claude Opus 5.5 | GPT-6 Astra | |
|---|---|---|
| 上下文視窗 | 1,000,000 tokens | 1,050,000 tokens |
| 單次提示的最大輸入 | 1,000,000 | ~922,000（其餘保留給輸出） |
| 輸入價格（每 1M tokens） | $4 | $10 |
| 輸出價格（每 1M tokens） | $20 | $50 |
| 長提示加價 | 無，固定費率 | 輸入超過 272K tokens 時，整個請求的輸入約以 2× 計價、輸出以 1.5× 計價 |
有兩件事特別醒目。
第一，紙面上「比較大」的視窗，實務上不一定是比較大的提示。Astra 的視窗大了 5%，但因為有一部分保留給輸出，能接受更大單次輸入的反而是 Opus 5.5。
第二，對你的荷包更重要：Astra 在 272K 輸入 tokens 有一道價格門檻。 一旦跨過，被重新計價的是整個請求，而不只是超出的那一段。280K tokens 的提示，費用大約是 270K 的兩倍。
光是這一個數字，就會改變你為它準備上下文的方式。
Token 實際上花在哪裡
假設你想讓模型綜合分析 40 個網頁：競品文件、幾篇研究文章、一些論壇討論串。最直覺的做法是直接貼上或抓取原始網頁。
原始 HTML 大部分都不是內容。它是導覽列、cookie 橫幅、腳本、行內樣式、追蹤屬性，還有每頁都重複一次的頁尾連結。一篇 5,000 字的文章，以 HTML 計算很容易就有 30,000 到 50,000 tokens。同一篇文章轉成乾淨的 Markdown，通常會小 80% 到 90%，常常不到 7,000 tokens。
把這個比例套到 40 頁上：
- 原始 HTML： 約 1.4M tokens。兩個視窗都裝不下，你只好開始刪頁面。
- 乾淨的 Markdown： 約 250K tokens。兩個都裝得下，而且還在 Astra 的 272K 門檻之下。
同樣的來源、同樣的問題。一個版本根本跑不動，另一個在兩款模型上都能跑，而且是基本價。
雜訊不只花錢，還賠上答案品質
長上下文模型已經很擅長大海撈針了。但海越小，它們撈得越好。
當提示有一半是選單和制式內容時，有三件事會變差：
- 出處判斷。 重複的導覽文字和「相關文章」區塊會製造假的匹配結果。模型引用的是側邊欄，而不是文章本身。
- 結構。 HTML 把層級藏在一堆
div裡。Markdown 則讓結構一目了然：#標題、清單、表格和程式碼區塊，都是模型原生就讀得懂的。 - 快取重用。 兩家廠商對快取的輸入都有大幅折扣。乾淨、穩定的 Markdown 檔，比每次抓取都換一批廣告的網頁更適合當快取前綴。
處理百萬 token 工作的簡單流程
這是我們自己在用的流程，換成哪一款模型都一樣適用：
- 一次收集，存成 Markdown。 讀到值得留下的東西時，把它存成
.md檔，而不是加入書籤。用 Minibase 在 Chrome 裡只要點一下：網頁就會變成乾淨的 Markdown，frontmatter 裡附上標題、來源網址和日期。 - 依專案分組。 每個你正在研究的問題一個資料夾。一個資料夾裡的 40 個檔案，就是一份上下文包。
- 送出前先算。 Markdown 讓這件事很誠實：檔案大小除以大約 4，就是 token 的估計值。如果你的目標是 Astra，就讓整包維持在 272K 以下。
- 餵整理好的資料包，而不是整個網路。 讓模型直接讀那個資料夾。把 Minibase Vault 連上 Claude 之後，Claude 會透過 MCP 直接讀取你存下的檔案，完全不用複製貼上。
- 把資料包留到下次。 下個月新模型推出時，同一個資料夾原封不動就能用。
那該選哪一個？
就長上下文研究和文件工作來說，公開的數字讓 Opus 5.5 成為比較省事的預設選擇：整個視窗統一計價、單次提示更大、每 token 的費率也更低。Astra 是很強的模型，也有實打實的強項，尤其是電腦操作（computer use）；如果你本來就在 OpenAI 的技術堆疊上，它很值得用。只要記得讓提示維持在門檻以下。
但老實說，選哪個模型，沒有選什麼輸入來得重要。兩個視窗獎勵的是同一種紀律：更少、更乾淨的 token。手上有 250K tokens 結構清楚的 Markdown 的團隊，會比把 900K tokens 的 HTML 硬塞進本週排行榜冠軍的團隊，得到更好、更快、更便宜的答案。
模型每幾個月就換一輪。你的來源不必跟著換。
延伸閱讀
Continue reading
Markdown：LLM 上下文與 AI 代理的最佳格式
相比 HTML，Markdown 可將 token 用量減少高達 10 倍。為什麼 AI 代理與 LLM 更偏好 Markdown 上下文？
圖工程：從迴圈到 Markdown 知識圖譜
圖工程始於 2026 年 7 月的一則玩笑。它的三種意思，以及你的 Markdown 保管庫為何已是圖譜的大半。
多西的 Buzz：代理人、Git 與 Markdown
Block 的 Buzz 讓 AI 代理人帶著簽章身分進入團隊頻道，還內建 Git。它做對了什麼，以及記憶為何留在 Markdown。
如何用 Minibase 建構 LLM 知識庫
將任何網路內容轉化為個人知識庫，讓 Claude、ChatGPT 或任何 LLM 變得更加智慧。靈感來自 Andrej Karpathy 的方法。