GPT-5.6 家族面世：Luna、Terra、Sol——Simon Willison 深度评测（2026-07-10）
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 正式发布了 GPT-5.6 系列，三个型号分别命名为 Luna（月神）、Terra（大地）、Sol（太阳），覆盖从经济型到旗舰级的全频谱。作为业界密切关注的旗舰模型迭代，它的每一个基准测试数字和新 API 特性都牵动 Agent 开发者和 AI 应用团队的神经。
本文作者 Simon Willison 是 Django Web 框架的联合创作者、Datasette 与 LLM CLI 工具的创造者，也是 AI 领域最受信赖的技术评论者之一。他拥有 GPT-5.6 Sol 的早期访问权限，并在评测中给出了坦诚的一手体验——尤其值得注意的是，他对基准测试的审慎态度和对新 API 特性（程序化工具调用、多 Agent、提示缓存断点）的深度挖掘，对有实操经验的开发者极具参考价值。
中文圈目前对 GPT-5.6 的报道多集中在价格和基准数字上，甚少深入探讨其 API 层的新能力以及 SWE-Bench Pro 基准测试的争议。Simon 的这篇文章恰好弥补了这一空白——尤其是他对 OpenAI 同时发表文章质疑 SWE-Bench Pro 可靠性的观察，以及多 Agent 能力原生进入 API 层的判断，都值得国内 AI 开发者认真阅读。
【正文】
GPT-5.6 新家族：Luna、Terra、Sol
OpenAI 的最新旗舰模型已于今早正式发布，提供三个尺寸版本：Luna（月神）、Terra（大地）和 Sol（太阳），从小到大排列。
新模型的定价按每百万输入/输出 token 计算，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。但每百万 token 的价格已经不足以说明问题——如今不同模型在同一个人物上的推理 token 数量可以相差悬殊。
三个模型的知识截止日期均为 2026 年 2 月 16 日，拥有百万 token 的上下文窗口和 128,000 的最大输出 token。
基准测试：大幅领先 vs 细微裂痕
OpenAI 最大的基准测试声明涉及长期运行的 Agent 性能。在一个基准测试中，所有三个模型都超越了 Claude Fable 5：
我们对 GPT-5.6 进行了训练，让每个 token 都能产出更多有用的工作。在 Agents’ Last Exam（一项覆盖 55 个领域的长时间专业工作流评估）中，GPT-5.6 Sol 以 53.6 分创下新高，超过 Claude Fable 5（自适应推理模式）13.1 分。即使在中等推理模式下，它也比 Fable 5 高 11.4 分，而成本仅为其约四分之一。这种效率也延伸到了更小的模型——GPT-5.6 Terra 和 GPT-5.6 Luna 以大约十六分之一的成本超越了 Fable 5。
有趣的是，一个让 Fable 5 碾压 GPT-5.6 家族的自报告基准是 SWE-Bench Pro：Fable 5 达到 80%，而 GPT-5.6 Sol 仅获 64.6%。这或许解释了为什么 OpenAI 在昨天（7 月 8 日）专门发表了一篇文章，批评他们在审计 SWE-Bench Pro 时发现的问题：
鉴于这些结果，我们估计约 30% 的 SWE-Bench Pro 任务是存在缺陷的，建议模型开发者仔细检查测试结果。
第一手体验
我有幸获得了 GPT-5.6 Sol 的早期访问权限——它确实非常能干，但迄今为止，在那些我用 Anthropic 模型完成的复杂编码任务上，它给我的印象并未超越 Fable。
新 API 特性：不止是更贵的 token
和往常一样，GPT-5.6 的模型使用指南才是最有意思的部分。有一大堆新的 API 特性值得探索（我可能还需要将它们加入 LLM 工具），包括：
■ 程序化工具调用（Programmatic Tool Calling）
该功能允许模型”编写并执行 JavaScript 来编排工具调用”。在我看来，这有助于弥合 MCP（Model Context Protocol）与完整终端会话之间的鸿沟——后者可以用有用的方式组合 CLI 工具。这也让人联想到 Anthropic 在其网络搜索工具中新增的动态过滤（dynamic filtering）机制，该机制允许在单次模型推理中对网络结果执行代码。
■ 多 Agent（Multi-agent）
该功能允许模型”为并行、聚焦的工作启动子代理（subagents）“——子代理模式现已原生集成到核心 API 中。
■ 提示缓存断点（Prompt cache breakpoints）
这为 OpenAI 带来了类似于 Claude 的提示缓存模式，让你可以明确指定缓存断点的位置，而不是依赖 API 自动检测。就个人而言，我更喜欢自动检测（OpenAI 仍然支持），但如果你愿意投入精力，通过手动指定断点或许能获得更多的优化成本节省。
■ 图像 detail: original
你现在可以在图像请求中设置 detail: original 参数，以避免在图像处理前被缩放。
18 只骑自行车的鹈鹕：真实成本的可视化
这里有一个包含 18 只不同鹈鹕的完整页面——涵盖了三种模型在 none、low、medium、high、xhigh 和 max 推理等级上的输出，以及各自的 token 数和计算成本。最便宜的是 gpt-5.6-luna 在 effort none 模式下，仅需 0.71 美分；最贵的是 gpt-5.6-sol 在 max 推理等级下，达到 48.55 美分。
再补充一则鹈鹕新闻：如果你跳到今早的直播的 17:50 处，会看到 OpenAI 自己的演示：3D 鹈鹕骑三轮车、自行车、小马——还有另一只鹈鹕！
小结
GPT-5.6 的发布是一场有趣的博弈：在 Agent 持续运行类任务上它大幅领先，但在经典的软件工程基准（SWE-Bench Pro）上却落后于 Claude Fable 5——而 OpenAI 恰好也对后者的可靠性提出了质疑。新 API 特性（程序化工具调用、原生多 Agent）表明 OpenAI 正在系统性地为 Agent 时代做准备，但我的早期体验也说明，从 Anthropic 切换到 OpenAI 并非零成本的”即插即用”。
对于开发者来说，最值得关注的是 GPT-5.6 推理成本的可变性和多 Agent 能力——这两个方向将深刻影响下一代 Agent 架构的设计选择。
【译者注】
- GPT-5.6 命名体系：Luna（月神）、Terra（大地）、Sol（太阳）——这也是 OpenAI 首次在旗舰模型中采用如此富有诗意的命名，一反此前单纯依赖数字编号的传统。
- Agents’ Last Exam：一个覆盖 55 个领域的长时间 Agent 工作流评估，是目前最接近”真实世界 Agent 表现”的基准测试之一。
- SWE-Bench Pro 争议：OpenAI 声称其中约 30% 的任务存在缺陷，这引发了行业内关于基准测试质量控制的新一轮讨论。此前本博客翻译的 Armin Ronacher 文章（见延伸阅读）也提到了类似的问题——“更好的模型可能带来更烂的工具”这一悖论正在成为现实。
- LLM 工具：Simon Willison 开发的命令行工具 LLM，是 Python 生态中最流行的 LLM CLI 工具之一，支持通过插件接入各种模型提供商。
- Pelican（鹈鹕）梗：OpenAI 发布会中经常用”鹈鹕骑自行车”作为测试提示词，已演变为 AI 社区的一个内部梗文化。Simon 此处特意制作了 18 种不同推理配置下的鹈鹕生成结果对比页面，直观展示了推理成本与输出质量之间的关系。