GPT-5.6 家族发布：Luna、Terra 与 Sol 模型深度解析

OpenAI 最新的旗舰模型已于今日上午正式面向公众开放使用,并提供三种不同规模的版本： Luna、Terra 和 Sol（从最小到最大）。

新模型的定价标准为：每100万输入/输出令牌计价，其中 Luna 价格为 1 美元/6 美元，Terra 价格为 2.50 美元/15 美元，Sol 价格为 5 美元/30 美元。

作为对比，Claude Opus 系列的定价分别为 5 美元/25 美元和 Claude Fable 5 的定价为 10 美元/50 美元；然而，如今在面对同一任务时，各模型的推理令牌数量差异巨大，因此仅以每百万令牌的价格来衡量其实意义有限。

OpenAI 最大的标杆性成果，聚焦于长期运行的代理式性能表现。一项基准测试显示，这三款模型均优于 Claude Fable 5：

我们训练了 GPT-5.6，旨在让每一颗令牌都能发挥更大的作用。 在“Agent 最后考试” 这项针对55个领域中长期运行的专业工作流程的评估中，GPT-5.6 Sol 创下了 53.6 的新高，比 Claude Fable 5（自适应推理）高出 13.1 分。即便在中等推理水平下，其也比 Fable 5 高出 11.4 分，且成本仅为估算值的约四分之一。这种高效性同样体现在更小的模型上——而这些模型正是让智能更加丰富、 更加普惠的关键所在：GPT-5.6 Terra 和 GPT-5.6 Luna 的成本大约只有 Fable 5 的十六分之一。

有趣的是，有一项自我报告的基准测试中，Fable 5 在该测试中彻底碾压了 GPT-5.6 系列：SWE-Bench Pro 测试中，Fable 5 获得了 80% 的得分，而 GPT-5.6 Sol 则获得了 64.6% 的得分。

这一结果或许能很好地解释 OpenAI 为何选择在昨日发布一篇特别的文章》,并在文中专门指出 SWE-Bench Pro 在审计过程中发现的问题：

鉴于这些测试结果，我们估计 SWE-Bench Pro 中约有 30% 的任务存在缺陷，并建议模型开发者仔细核查测试结果。

我已提前体验了 GPT-5.6 Sol——它确实非常出色，不过截至目前，它在我日常使用 Anthropic 模型进行的复杂编码任务中，尚未让我觉得比 Fable 更加优秀。

一如既往，关于如何使用 GPT-5.6 的模型指南中包含了最引人入胜的细节。 目前，我们还亟需探索一系列全新的 API 功能（并且很可能将在LLM 中实现这些功能），其中包括：

•程序化工具调用使模型能够“编写并运行 JavaScript，从而协调工具调用”——在我看来，这有望帮助弥合 MCP 与完整终端会话之间的差距，让后者能够以实用的方式组合 CLI 工具。

此外，这一功能让人联想到 Anthropic 在其网页搜索工具中新增的动态筛选机制——该机制允许在单次模型调用中，基于网页搜索结果执行代码。

•多代理功能则使模型能够“启动子代理，以实现并行且专注的工作”——这一子代理模式现已内置于核心 API 中。

•提示缓存断点将 Claude 模型中的提示缓存功能引入 OpenAI，让你可以明确指定缓存断点的位置，而不再依赖 API 自动检测这些断点。

就我个人而言，我更倾向于自动检测（尽管 OpenAI 仍支持这一功能），但若你愿意投入更多精力，想必在这里也能节省不少优化成本。

• 现在，你可以在图像请求中设置 “细节： 原始”选项，这样在图像被处理之前，完全无需对其进行缩放。

这里有一整页的图片，展示了 18 种不同的鹈鹕——分别对应三种不同模型的推理能力：低、中、高、极高以及最高级别。 同时，页面还列出了它们的令牌用量及计算成本：成本最低的是 gpt-5.6-luna，其在“无努力”模式下的成本仅为 0.71 美分；而成本最高的则是 gpt-5.6-sol，其在最高推理级别下的成本高达 48.55 美分。

另外，关于鹈鹕的最新消息，如果你在 今早的直播中跳转至 17:50，就能看到 OpenAI 亲自演示的 3D 鹈鹕，它们或骑着三轮车、或骑着自行车、或骑着小马驹，甚至还有另一只鹈鹕！

标签：AI、OpenAI、生成式AI、LLMs、LLM 工具使用、LLM 定价、鹈鹕骑自行车、LLM 发布、GPT-5