当 ChatGPT 免费版不再限文字次数，真正稀缺的不是 Token

发表于
OpenAI 将 GPT-5.6 Luna 设为免费版默认模型，并计划取消普通文字聊天次数限制。当推理成本继续下降，真正稀缺的会从消息额度转向任务定义、上下文质量和结果验证。

过去使用免费版 ChatGPT，有一个很具体的心理账户：这条消息值不值得问？

当额度有限时，人会把几个问题塞进一条提示词，遇到不满意的答案也不愿多追问。2026 年 8 月 6 日，OpenAI 宣布把 GPT-5.6 Luna 设为 Free 和 Go 用户的默认模型，并计划从 8 月 10 日这一周开始，让普通文字聊天不再受消息次数限制。复杂问题还可以按下新的 Think 按钮，让模型投入更多推理时间。

这看起来像一次免费套餐升级，但我的判断是：它更像一个价格信号——当生成文字的边际成本继续下降，AI 使用中真正稀缺的东西会从 Token 转向任务定义、上下文质量和结果验收。

不限次数不会自动带来不限质量。它只会让试错更便宜，也让没有目的的对话更容易无限延长。

先说清楚：不限量只覆盖普通文字聊天

OpenAI 的更新说明给出了明确的时间与范围：GPT-5.6 Luna 在 8 月 6 日所在的一周成为 Free 和 Go 用户的默认模型；普通文字聊天不限次数与 Think 按钮则从下一周开始提供。

这里至少有四个不能被标题省略的边界：

  • 不限次数仍受防滥用机制约束；
  • 文件上传、图片和其他工具继续有额度；
  • 这次调整针对 ChatGPT 的普通 Chat 体验；
  • ChatGPT Work 与 Codex 使用的 GPT-5.6 Sol 版本和额度没有随之改变。

因此，“ChatGPT 免费无限用”并不准确。更准确的说法是：免费用户进行文字对话时，不必再为每一次追问单独计算消息额度。

这一区分很重要。阅读一份长文、分析多个文件、生成图片、运行代码和持续调用工具，仍然会消耗比纯文字更多的资源。免费版取消的是最常见交互上的摩擦，不是所有计算成本。

iThome 在 8 月 7 日的报道也核对了同样的范围，并指出这次变化不包含 Work 与 Codex。把套餐边界说清楚以后，才有必要讨论它为什么现在发生。

不限次数首先是成本曲线的结果

在免费开放之前，OpenAI 已经先把 Luna 的成本打了下来。

7 月 30 日，OpenAI 宣布 GPT-5.6 Luna 的 API 价格降低 80%，Terra 降低 20%。调整后，Luna 每 100 万输入 Token 为 0.20 美元，输出为 1.20 美元。OpenAI 还把 Luna 定位为适合高吞吐量工作的低成本模型，并公开展示它在不同推理档位下的任务成本。

把两次更新放在一起，顺序非常清楚：

  1. 先通过模型、推理和基础设施优化降低单位成本；
  2. 再把低成本模型放到覆盖面最大的免费入口；
  3. 最后取消文字聊天的计次摩擦，让使用频率继续增长。

这不是说免费用户的每一次对话都没有成本，而是单次文字交互已经便宜到可以由平台在更大范围内承担。OpenAI 在更新中称，ChatGPT 每周已有 10 亿用户。对这样的规模，80% 的单位成本变化不会只停留在 API 价目表上，它会直接改变产品能够提供的免费额度。

这也解释了为什么更强的 Sol 没有一起变成免费默认模型。产品需要的不是让每个问题都调用最昂贵的推理，而是让 Luna 承担大量日常对话，在真正困难的问题上再通过 Think 按钮增加推理投入。

模型产品正在从“先选最强模型”走向另一种结构：先使用足够便宜的默认层，再按任务难度增加计算。

消息变便宜后，提问方式也应该改变

额度有限时，最自然的策略是压缩问题：尽量一次说完，尽量少来回。

不限文字次数以后，更合理的策略不是把一条提示词写得更长，而是把工作拆成可以校正的小循环：

旧的额度思维 新的迭代思维
试图一次得到完整答案 先拿到可检查的第一步
把多个目标塞进同一条提示词 每轮只推进一个决策
答案不理想就重新生成 指出具体错误并要求修正
保存最终文本 同时保存约束、来源和取舍
用了更多消息就觉得浪费 用更少返工判断是否有效

例如，让 AI “帮我制定学习计划”很容易得到一份看起来完整的清单。更有效的做法是先让它询问目标、时间和已有基础，再要求它提出两套互相冲突的方案，最后用现实约束筛掉不适合的一套。

多出来的消息不应该只用来让答案变长，而应该用来暴露假设、寻找反例和缩小不确定性。

免费不限次数的最大价值，不是可以多生成几百段文字，而是允许普通用户像使用搜索和草稿纸一样反复试探：先问、再改、再验证，不必担心一次失败浪费额度。

真正稀缺的会变成三种能力

当回复数量不再稀缺，限制结果质量的因素会换位置。

第一种是任务定义。模型可以快速填充一个目标，却很难替用户决定什么结果才真正有用。问题越模糊，不限次数越可能变成无限绕圈。

第二种是高质量上下文。一份真实的数据、一段原始需求、几个反例，通常比十条“再详细一点”更有价值。Token 便宜以后，材料筛选不会自动变便宜。

第三种是结果验收。OpenAI 公布的内部评估显示，在需要事实细节的金融、医疗和法律提示中，GPT-5.6 Luna 的回答出现至少一项事实错误的比例，比 GPT-5.5 Instant 低约 62%。这是一个积极信号，但它来自厂商内部评估，也不等于错误率归零，更不能替代高风险场景中的专业核对。

Microsoft Research 在 CHI 2025 发表的研究调查了 319 名知识工作者，收集了 936 个真实工作案例。研究关注的不是模型跑分，而是人何时会在使用生成式 AI 时投入或减少批判性思考。

Microsoft 后续把风险概括为“外包思考”：AI 可以更快完成摘要、初稿、分析和演示，但人也可能逐渐不再接触工作材料本身。它提出的替代方向是把 AI 设计成“思考工具”——不仅给出成品，还要指出来源冲突、提供不同解释，并用追问推动人继续推理。

这与我之前讨论的 认知债务 是同一个问题：输出越来越便宜，不代表理解也同步降价。

把免费额度用在验证循环，而不是内容堆积

如果免费版文字聊天不再计次，我会把一项重要任务拆成五轮，而不是一次要求“直接给最终答案”。

  1. 定义完成标准：先说明目标、受众、限制和不能接受的结果。
  2. 索要第一版与假设：让模型在给出方案的同时列出它依赖了哪些假设。
  3. 主动制造反方：要求它寻找最可能失败的位置，或从另一个角色提出反对意见。
  4. 核对关键事实：回到原始资料、官方文档或真实数据，不让模型自己证明自己。
  5. 压缩成可执行结果：删除探索过程中的噪声，只保留决定、依据、负责人和下一步。

Think 按钮适合放在第三或第四轮，而不是每个问题一开始就打开。日常改写、分类和格式整理不需要持续增加推理；方案比较、长链计划和重要决策才值得投入更多计算。

这个方法也有成本。更多轮对话会消耗人的注意力，验证来源仍然需要时间，长会话还可能积累过期或相互冲突的上下文。不限次数之后，用户反而更需要知道何时结束一段对话，带着清晰结论重新开始。

免费不是终点，而是计费单位正在消失

早期互联网按上网时长计费，短信曾经按条收费。成本下降以后，这些计费单位逐渐从用户视野中消失，产品竞争转向连接质量、内容和服务。

AI 文字对话可能正在经历类似变化。消息次数会越来越不像核心商品，普通文本生成也会越来越接近基础能力。平台仍然会对更强推理、文件、图像、工具调用、速度和企业治理收费，但“能不能继续问下一句”不再适合成为最主要的限制。

对用户来说，这不是停止关心成本的理由，而是应该换一个计算单位。

不要再只计算用了多少条消息。更值得计算的是：这段对话是否减少了返工，是否暴露了原本没看到的风险，是否让最终决定更容易被验证。

当 Token 变得便宜，最昂贵的会是一个错误目标被无限加速，以及一个没有人检查的答案被顺利执行。

资料与口径