GPT-5.6 发布：Luna、Terra、Sol 三种规格与新 API 能力
OpenAI 最新旗舰模型 GPT-5.6 已开放使用，包含三个规格：Luna、Terra 和 Sol，按模型能力与规模从小到大排列。
定价与规格
GPT-5.6 系列按每 100 万输入 / 输出 token 计费：
| 模型 | 输入价格 | 输出价格 |
|---|---|---|
| GPT-5.6 Luna | 1 美元 | 6 美元 |
| GPT-5.6 Terra | 2.50 美元 | 15 美元 |
| GPT-5.6 Sol | 5 美元 | 30 美元 |
作为对照，Claude Opus 系列为 5 美元 / 25 美元，Claude Fable 5 为 10 美元 / 50 美元。不过，仅比较每百万 token 价格已经不足以说明实际成本，因为不同模型在同一任务上的 reasoning token 数量可能差异很大。
OpenAI 对长时程 Agent 能力的主张
OpenAI 强调 GPT-5.6 在长时程 agentic 工作流上的表现。其公布的说法是，在 Agents’ Last Exam 这一覆盖 55 个领域、评估长时程专业工作流的测试中，GPT-5.6 Sol 得分达到 53.6，比 Claude Fable 5（adaptive reasoning）高 13.1 分。
OpenAI 还称，GPT-5.6 Sol 在 medium reasoning 下仍比 Fable 5 高 11.4 分，估算成本约为后者的四分之一；GPT-5.6 Terra 和 Luna 也以约十六分之一的成本超过 Fable 5。
这些是 OpenAI 自身公布的基准测试主张，需要结合具体测试设置和实际任务体验来看。
SWE-Bench Pro 上的反差
另一个自报基准测试结果显示，Claude Fable 5 在 SWE-Bench Pro 上明显领先：Fable 5 得分为 80%，而 GPT-5.6 Sol 为 64.6%。
OpenAI 此前也发布文章指出其审计 SWE-Bench Pro 后发现的问题，并估计约 30% 的 SWE-Bench Pro 任务存在缺陷，建议模型开发者谨慎检查相关结果。
这使得 GPT-5.6 的编码能力评估更复杂：一方面 OpenAI 强调长时程 agent 工作流表现，另一方面在 SWE-Bench Pro 上的自报结果并不领先。
早期使用反馈
文章作者提到曾提前试用 GPT-5.6 Sol，认为它“确实非常有能力”，但在自己使用 Anthropic 模型处理的复杂编码任务类型上，目前还没有明显感觉它优于 Fable。
这属于个人早期体验，不应被视为普遍结论。
值得关注的新 API 能力
GPT-5.6 的模型使用指南中包含多项新的 API 能力：
- Programmatic Tool Calling：允许模型编写并运行 JavaScript 来编排工具调用。作者认为这可能有助于弥合 MCP 与完整终端会话之间的能力差距，也让模型能以更灵活的方式组合工具。
- Multi-agent：允许模型启动子 agent，进行并行、聚焦的工作，相当于将 sub-agent 模式纳入核心 API。
- Prompt cache breakpoints：支持显式设置 prompt cache 的断点，类似 Claude 的缓存模式；OpenAI 仍支持自动检测。
- 图像请求 detail: original：图像请求可设置
detail: original，避免在处理前对图像进行缩放。
图像生成成本示例
作者还测试了三个模型在不同 reasoning effort 下生成图像的成本，覆盖 none、low、medium、high、xhigh、max 六档。示例中，最低成本是 gpt-5.6-luna 在 effort none 下约 0.71 美分；最高成本是 gpt-5.6-sol 在 max reasoning 下约 48.55 美分。
这说明随着模型规格和 reasoning effort 提升，同类任务的实际成本可能出现显著差异。
小结
GPT-5.6 系列的重点不仅是三个模型规格和价格分层，也包括 OpenAI 对长时程 agent 工作流效率的强调，以及 API 层面对工具调用、多 agent、缓存和图像处理的扩展。
不过，基准测试之间存在明显差异，尤其是 SWE-Bench Pro 结果与 OpenAI 对该测试集质量的质疑交织在一起。对于开发者而言，更可靠的判断方式仍是结合自己的任务类型、reasoning token 消耗和实际调用成本进行测试。