概览

• 这次升级最实用的变化，不是多了一个“最强模型”，而是终于有了三档可选：Sol 攻坚、Terra 干日常活、Luna 跑可验证的批量任务。
• Sol 在终端、代理式编码、网页浏览和电脑操作上确有亮点；但代码基准之间的排序并不一致，暂时还不能简单喊“全面领先”。
• Terra 的 API 单价只有 Sol 一半，几项代理测试却咬得很紧。对多数开发者，它可能比旗舰更值得先上手。
• 105 万 token 是能塞进去的容量，不等于每个细节都能稳定找回；单次输入跨过 27.2 万 token，还会踩到价格台阶。
• 首发三日的结论很朴素：别急着全切 Sol Ultra。按任务难度、验收难度和失败代价分层路由，通常更省心也更省钱。

前言

GPT-5.6 发布才几天，大家已经分成了两拨：一拨觉得终端能力终于像样了，写代码能少返几次工；另一拨盯着飞快消失的额度，怀疑百万上下文到底是不是个昂贵的噱头。偏偏官方基准、独立榜单和实际手感又没完全站在同一边，只看其中一项，很容易把结论说得太满。

我原本只想确认一件事：它到底是真进步了，还是首发滤镜配上几张漂亮图表？越往下查，越发现答案没那么简单——Sol、Terra、Luna 的定位不同；长上下文有价格台阶；代码分数还会被代理框架带偏。于是这篇文章不急着给它盖“封神”或“翻车”的章，只回答三个更落地的问题：它在哪些活里真能打？这点提升值不值那笔钱？普通用户该从哪一档开始试？

先认识 Sol、Terra 和 Luna

OpenAI 这次没有只给旗舰套个新名字，而是把 GPT-5.6 拆成三条可独立更新的产品线。直接调用 gpt-5.6，默认会进旗舰 Sol；Terra 负责能力与成本之间的平衡；Luna 则瞄准低成本、高吞吐。把它们理解成同一团队里的攻坚手、主力和执行组，大概比旧日 flagship、mini、nano 的大小号关系更贴切。¹, ²

三档都标称支持 105 万 token 上下文、最多 12.8 万 token 输出，知识截止到 2026 年 2 月 16 日。真正拉开距离的是价签：Terra 恰好是 Sol 的一半，Luna 则只有 Sol 的五分之一。这个梯度非常直白，也把一个问题摆到面前：很多任务真的需要每次都请旗舰出场吗？¹, ²

GPT-5.6 真正进步在哪里

GPT-5.6 最值得看的进步，是它在工具环境里更能一口气把事情做完。比起静态知识题多涨几分，读文件、跑命令、看报错、改完继续跑这一整段闭环，才是人真正愿意为之付费的地方。它还能用 JavaScript 协调工具、过滤中间结果，或让多个子代理并行处理独立任务。¹, ³

听上去很像厂商宣传词，不过几组独立或半独立基准的确捕捉到了同一个方向。只是它们测的并不是同一种能力：下面的图可以帮我们找任务匹配，别把它们硬拼成一张“总排名”。

代理编码：Sol 很强，Terra 更值得留意

Terminal-Bench 很像终端上机考试：模型得真的读写文件、运行命令、处理报错。Sol 是 88.8%，Ultra 为 91.9%，Terra 87.4%，Luna 也有 84.7%。Sol 当然更高，但我盯着 Terra 看了更久：价格砍半，分数只少 1.4 个百分点。这才是会改变日常选型的差距。

DeepSWE 用同一套 mini-swe-agent，在 113 个新编任务、91 个仓库和五种语言上跑了一遍。Sol Max 为 73%±3%，Claude Fable 5 Max 与 Terra Max 都是 70%，Luna Max 是 67%。再看单任务平均成本，Sol 为 8.39 美元、Terra 4.95 美元、Luna 3.03 美元，Fable 5 Max 则到了 21.63 美元。分数之外，账单也在替 Terra 和 Luna 说话。⁴

不过先别急着把冠军奖杯递出去。SWE-Bench Pro 给出的画面完全不同：Sol 只有 64.6%，Claude Fable 5 和 Mythos 5 都在 80% 左右。基准分数从来都是“模型 + 推理档位 + 代理脚手架 + 时间预算 + 任务集”的共同产物。GPT-5.6 在终端和长链路任务上很有劲，不等于每一种代码修复它都占上风。

浏览与电脑操作：Sol 的优势更明显

BrowseComp 测的是上网找答案，Sol 拿到 90.4%；OSWorld 则让模型像人一样摆弄桌面软件，Sol 为 62.6%，Terra 为 50.2%，Opus 4.8 为 54.8%。到了“找得到按钮，还要点对按钮”的环节，Sol 的领先反而更明显。¹, ⁵

CAD 任务也有同样的味道：Sol 单独作答是 70.6%，允许用 Python 后升到 83.4%。它的一部分“聪明”，恰恰在于知道什么时候别硬想，先把工具打开。

专业工作：想得更久，不保证做得更好

Agents’ Last Exam 覆盖 55 个子行业、1500 多项真实工作，能同时看到分数、时间和成本。Sol XHigh 得到 53.6，估算成本 762 美元；更贵的 Sol Max 花了 1085 美元，分数反而是 52.6。Terra Max 为 50.5、成本 545 美元；Luna Max 为 49.2、成本 391 美元。这个榜单没有告诉我们“推理越久越好”，它刚好提醒了相反的事。⁶

Max 当然有该上的时候，只是让模型多想一会儿，既可能找到好路，也可能把弯路走得更彻底。结构明确、结果容易验收的任务，最高档推理有时只是在放大成本。先用 Medium、High 或 XHigh 跑自己的 A/B 测试；真实任务证明 Max 值回票价，再把它设成默认也不迟。

百万上下文的卖点，应该怎样理解

105 万 token 很诱人，但“塞得下”与“找得准”完全是两码事。它像一张巨大的书桌：资料都能铺开，不代表坐在桌前的人能随手从百万字里翻出那一句关键话。

参考材料汇总的长上下文测试也很现实：25.6 万到 51.2 万 token 时，Sol 和 Terra 的检索表现不错；走到 51.2 万至 100 万，两者约降到七成，Luna 只有约四成。GraphWalks BFS 的 100 万 token 测试里，Sol 为 77.1%，Claude Fable 5 为 79.4%，Opus 4.8 为 68.1%。所以“百万上下文”该被看成容量上限，不是检索成功率承诺书。

更扎心的是，API 规格也未必等于你在软件里真正能用到的窗口。Codex 首发 issue #31860 一度显示 Sol 的有效窗口约 35.34 万 token，离模型页的 105 万差了一大截。问题或许在产品配置，不在基础模型；可对普通用户来说，区别不大——说好的容量没出现，就是没出现。⁷

处理长文档和大代码库，还是先检索、再分片、最后汇总更稳。固定前缀尽量走缓存，没必要的中间结果留在模型外过滤。尤其别因为 Luna 的名义窗口和 Sol 一样大，就把高召回率的百万 token 检索硬塞给它。

普通用户怎样选择

难题和最终把关交给 Sol

长链代码修改、终端操作、网页研究、复杂桌面操作、网络安全防御、高价值成品——这些活可以优先交给 Sol。它卖的不是便宜，而是少失败、少返工；任务越开放、翻车越贵、越需要最后整合，它越有理由坐在最终审查位上。

但别把 Max 或 Ultra 当成常驻开关。先在 Medium、High、XHigh 里对比；只有任务能拆开并行、验收标准又清楚，且多出来的成功率真能覆盖成本，Ultra 才值得请出来。

大多数日常任务先试 Terra

Terra 可能才是这个系列最容易被低估的一档。代码维护、常规研究、数据处理、企业知识工作、工具调用，都可以先给它试试。几项代理基准里它离 Sol 很近，账单却直接少一半；这个组合比“跑分第一”更容易落到日常生产里。

当然，接近不等于相同。复杂桌面操作、前沿科学推理和高度开放的问题，Terra 仍会被 Sol 拉开。比较舒服的用法是：日常先上 Terra，验收没过或反复返工再升级 Sol，而不是一开始就假设两者永远等价。

数量大、容易检查的任务交给 Luna

分类、提取、数据清洗、测试生成、批量小修，以及多代理里的低风险子任务，正是 Luna 的主场。它最舒服的环境有一个共同点：结果能用规则、测试或人工抽样检查，错了也能重试。

反过来，高召回率的百万 token 检索和最难的抽象推理，就别默认扔给 Luna 了。低成本只有在错误能被发现、能被回退时，才是真优势。

团队迁移前怎样测试

真准备迁移，最怕的是一口气改太多。先保留提示词、工具、推理强度和验收标准，只换模型；跑清楚后再动别的。模型、Prompt、工具协议、代理数量一起改，最后效果是好是坏，你只会得到一团没法复盘的浆糊。

评测集也尽量从真实工作里来，少拿漂亮 Demo 自我感动。代码团队可以放进跨文件 bug、依赖升级、失败测试修复和日志诊断；知识工作可以测试多文档综合、带引用研究、表格修改、演示文稿套版；安全团队还得同时记下合法防御的成功率与误拦截率。

懒得建复杂评测也没关系，至少记下“完成时间、返工次数、最终是否通过、估算总费用”四项。跑分是不是一下就没那么神秘了？模型终归得回到你的工作里挨验，哈哈。

现阶段还不能确定什么

先说时间口径：截至 7 月 12 日，正式全球发布才三天。DeepSWE 只有 113 个任务，Sol、Fable 和 Terra 的置信区间还互相重叠；换更多随机种子或代理脚手架，排序都有可能变。GitHub issue 也可能很快被热修，首发第三天的模型目录、工具协议、额度显示问题，一个月后未必还在。

社区样本也有很强的选择偏差。Hacker News 偏开发者和技术管理者，GitHub 天生聚集故障和功能请求。2107 条评论能告诉我们大家在吵什么，不能替我们算出究竟有 60% 还是 80% 的用户满意。

最后，这篇文章没有直接调用付费 GPT-5.6 API 重跑全部基准，也看不到任何人的私有账单。具体分数必须绑定模型版本、日期、推理档位、代理框架和预算理解。把它当成一份首发三日的导航图就好，别把它供成永久排行榜。

苯苯点评

GPT-5.6 真正有意思的地方，是 OpenAI 终于认真碰了“所有任务都上旗舰太贵”这个老问题。Sol 多拿几个第一反倒是其次。把 Sol、Terra、Luna 当成高级专家、主力工程师和批量执行组，按任务路由，比每次都把能力旋到最大更像一套能长期用下去的系统。

我最看好的是 Terra。它没有 Sol 那么耀眼，却可能决定 GPT-5.6 能不能真正进入日常生产：如果半价模型能稳定留下大部分代理能力，很多原本舍不得交给旗舰的活就有了自动化空间。Luna 也不是“缩水版”，它在可验证任务里承担的是另一种经济角色。

代理越强，验收越不能偷懒。METR 看到的取巧行为、Codex 首发时的工具和额度问题，都在提醒我们：模型能力只是成品体验的一块拼图。谁多拿两分未必决定未来，权限、工具、上下文、成本与过程审计能不能组成稳定系统，反而更关键。

小结

GPT-5.6 系列把前沿代理能力拆成了三个价格层级：Sol 擅长复杂攻坚、电脑操作与最终把关；Terra 用一半价格保留了相当多的代理能力，适合作为多数日常任务的默认候选；Luna 则在分类、提取、批量小修等容易验证的工作中更有经济性。现有基准足以说明 GPT-5.6 已进入第一梯队，但还证明不了它全面领先；百万上下文也无法保证百万 token 内的细节都能稳定找回。再考虑首发期的软件集成、额度与安全拦截问题，现阶段没必要一键切换 Sol Ultra。先用自己的真实任务记录完成时间、返工次数和总成本，再决定模型路由。别只问谁的分数最高，问问谁能用可接受的代价把你的事情真正做完。

参考资料

[1] OpenAI. GPT-5.6: Frontier intelligence that scales with your ambition. 2026-07-09.

[2] OpenAI Developers. Using GPT-5.6. 访问于 2026-07-12.

[3] OpenAI Developers. Programmatic Tool Calling. 访问于 2026-07-12.

[4] DataCurve. DeepSWE Leaderboard. 访问于 2026-07-12.

[5] OSWorld. Benchmarking Multimodal Agents for Open-Ended Tasks in Real Computer Environments. 访问于 2026-07-12.

[6] Berkeley RDI. Agents’ Last Exam Leaderboard. 访问于 2026-07-12.

[7] openai/codex. GPT-5.6 Sol context window configuration issue #31860. 访问于 2026-07-12，状态为 open.

[10] Hacker News. GPT-5.6 发布讨论. 访问于 2026-07-12.

[11] OpenAI. GPT-5.6 System Card. 2026-07-09.

[12] openai/codex. GPT-5.6 Luna resolves to a missing internal engine #31967. 访问于 2026-07-12，状态为 open.

[13] openai/codex. GPT-5.6 Sol through Azure fails every turn #31870. 访问于 2026-07-12，状态为 open.

[14] openai/codex. GPT-5.6 Sol cannot specify subagent models #31814. 访问于 2026-07-12，状态为 open.

[15] openai/codex. Default GPT-5.6 context can cross the 272K higher-usage threshold #32486. 访问于 2026-07-12，状态为 open.