GPT-5.6 家族新成员：Luna、Terra、Sol 来了（2026-07-12）
本文为翻译/转载，原文使用 CC BY-NC-SA 4.0 协议发布。 原文作者：Simon Willison 原文标题：The new GPT-5.6 family: Luna, Terra, Sol 原文链接：https://simonwillison.net/2026/Jul/9/gpt-5-6/ 原文发布：2026-07-09 本博客不参与任何商业变现（含 ads / 付费 / affiliate），本译文遵循 CC BY-NC-SA 4.0 条款发布。
【译者按】
2026 年 7 月 9 日，OpenAI 正式公开发布 GPT-5.6 系列，包含 Luna、Terra、Sol 三个规格。Simon Willison 的这篇评论一如既往地保持了”实测派”风格——不只看 OpenAI 官方 benchmark，而是基于实际使用体验，并敏锐捕捉到了 SWE-Bench Pro 的争议性数据差异。值得中文读者关注的新 API 特性包括：程序化工具调用（可让模型动态编排 JavaScript 来组合工具调用）、内置多智能体支持、以及类似 Claude 的提示缓存断点机制。这些变化正在重新定义 LLM 的应用开发范式。
【正文】
OpenAI 的最新旗舰模型已于今早全面上线，共推出三个规格：Luna、Terra 和 Sol（由小到大）。
新模型按每百万输入/输出 token 计费，分别为：Luna $1/$6，Terra $2.50/$15，Sol $5/$30。作为对比，Claude Opus 系列为 $5/$25，Claude Fable 5 为 $10/$50。不过每百万 token 的价格现在已经不能说明太多问题——针对同一任务，推理 token 的数量在不同模型间差异巨大。
三个模型的知识截止日期均为 2026 年 2 月 16 日，上下文窗口达百万 token，最大输出 token 数为 128,000。
OpenAI 最大的基准测试亮点在于长时间运行的 Agent（智能体）性能。一项基准显示，三个模型均超越了 Claude Fable 5：
我们训练 GPT-5.6，让它在每个 token 上做更多有用的工作。在 Agent’s Last Exam（一项横跨 55 个领域的长时间专业工作流评估）上，GPT-5.6 Sol 以 53.6 分创下新高，超过 Claude Fable 5（自适应推理）13.1 分。即便在中度推理设置下，它也能以约四分之一预估成本超越 Fable 5 达 11.4 分。这种效率优势延展到了更小的模型——这对让智能更丰富、更便宜至关重要：GPT-5.6 Terra 和 GPT-5.6 Luna 以约十六分之一的成本超越了 Fable 5。
有趣的是，Fable 5 在 SWE-Bench Pro 上碾压了 GPT-5.6 系列——Fable 5 得分 80%，而 GPT-5.6 Sol 仅有 64.6%。这或许也解释了为什么 OpenAI 昨天专门发文质疑 SWE-Bench Pro：
基于这些结果，我们估计约 30% 的 SWE-Bench Pro 任务存在缺陷，建议模型开发者仔细核查结果。
我提前试用了一段时间 GPT-5.6 Sol——它确实非常强大，不过在复杂编码任务上，至今给我的感觉并不比 Fable 好。
和以往一样，GPT-5.6 的模型使用指南包含了最有趣的细节。有几个新 API 特性值得探索（我也需要在 LLM 项目中添加支持），包括：
-
程序化工具调用（Programmatic Tool Calling）：允许模型”编写并运行 JavaScript 来编排工具调用”。在我看来，这有望弥合 MCP（模型上下文协议）与完整的终端会话之间的鸿沟，让后者以有用的方式组合 CLI 工具。这也让人联想到 Anthropic 在其 web 搜索工具中添加的动态过滤机制——允许在单次模型交互中对网络结果执行代码。
-
多智能体（Multi-agent）：使模型能够”派生子智能体进行并行的、聚焦的工作”。子智能体模式现已内置于核心 API 中。
-
提示缓存断点（Prompt Cache Breakpoints）：将 Claude 的提示缓存模式引入 OpenAI，允许你显式指定缓存断点位置，而不仅仅是依赖 API 自动检测。个人而言，我更偏好自动检测（OpenAI 仍然支持），但如果愿意投入精力，这里应该有优化的成本节省空间。
-
现在可以在图片请求中设置
detail: original，避免在处理前对图片进行任何缩放。
这里有我生成的一张包含 18 张不同鹈鹕图片的完整页面——涵盖了三个模型分别在 none、low、medium、high、xhigh、max 六种推理努力程度下的输出。页面也列出了消耗的 token 数和计算成本——最便宜的是 gpt-5.6-luna 以 effort none 模式，仅 0.71 美分；最贵的是 gpt-5.6-sol 以 max 推理级别，48.55 美分。
（配图：九只骑自行车的鹈鹕，质量参差不齐）
关于鹈鹕的更多消息：如果你跳到今天早上直播的 17:50，你会看到 OpenAI 自己的演示——3D 鹈鹕骑三轮车、自行车、小马，以及另一只鹈鹕！
（配图：直播画面截图，一只鹈鹕骑在另一只鹈鹕上的 3D 模型）
【译者注】
- Agent’s Last Exam：一项 2026 年新推出的基准测试，评估长时间运行的专业工作流，涵盖 55 个领域，比传统单轮问答更贴近真实 Agent 使用场景。
- SWE-Bench Pro：软件工程领域的多轮编码基准测试，OpenAI 在此次发布中罕见地公开质疑其约 30% 任务存在缺陷，引发业界关于基准测试可靠性的大讨论。
- 提示缓存断点（Prompt Cache Breakpoints）：此前 Anthropic 的 Claude 率先支持自动提示缓存，OpenAI 此次提供了显式断点设置选项。两种方案各有优劣：自动检测对开发者更透明，显式设置则在特定场景下可进一步优化成本。
- 文中 Simon 提到的新 API 特性（程序化工具调用、多智能体）值得中文开发圈关注，这些能力正从实验性功能逐步走向生产就绪。