GPT‑5.6 三兄弟怎么选：Sol、Terra、Luna 参数与实际成本对比

GPT‑5.6 不再沿用“主模型、mini、nano”的命名，而是分成三个长期能力档位：

• Sol：旗舰能力，类似以前的主模型。
• Terra：兼顾能力与成本，类似过去的 mini。
• Luna：面向低成本、高吞吐，类似过去的 nano。

三者并不是上下文缩水版。它们拥有相同的上下文长度、最大输出、知识截止时间和主要工具能力，真正的差别集中在模型能力、价格和吞吐定位上。

核心参数对比

以下为截至 2026 年 8 月 4 日的官方API参数：

官方资料：Sol、Terra、Luna。

三者的实际成本差多少？

假设一次任务包含：

• 输入：100,000 token
• 输出：10,000 token
• 输入没有命中缓存

成本如下：

也就是说：

• Terra约为Sol价格的40%，便宜60%。
• Luna约为Terra价格的10%，便宜90%。
• Luna约为Sol价格的4%，便宜96%。

如果每天运行1万次上述任务，理论月成本分别约为：

这正是三个档位存在的意义：Sol追求单次成功率，Terra追求综合产出，Luna追求规模化经济性。

需要特别注意：当一次请求的输入超过272K token时，三个模型都会对整个请求采用更高费率——输入价格变为2倍、输出价格变为1.5倍。因此，1.05M上下文是能力上限，不代表把上下文塞满最划算。

Sol：为最困难的问题付费

Sol是GPT‑5.6的旗舰型号。未带后缀的API别名 gpt-5.6 会自动指向 gpt-5.6-sol。

它适合：

• 大型代码库修改与架构重构
• 高价值代码审查
• 长时运行的编程代理
• 深度研究与复杂资料综合
• 财务、法律和科学分析
• 多工具、多步骤工作流
• 复杂网页与桌面操作
• 对正确率和最终完成度要求高的任务
• 高质量前端、网站和演示文稿设计

Sol的优势不只是“知道得更多”，而是在复杂任务中更能持续规划、发现错误、修正方向和完成最终交付。

它的缺点也很明确：输出token价格高达每百万30美元。如果任务本身只是抽取字段、分类或改写一句话，使用Sol通常是浪费。

Terra：最适合成为默认模型

Terra是三者中最均衡的型号。它的输入和输出价格都只有Sol的40%，同时保留1.05M上下文、128K最大输出、图片理解以及完整的工具调用能力。

它适合：

• 企业知识库问答
• 常规代码生成和Bug修复
• 带搜索的研究任务
• 文档、表格和演示文稿处理
• 客服与业务助理
• 工作流自动化
• 中等复杂度的数据分析
• 大多数生产环境中的智能代理

如果没有成熟的模型路由和评测体系，最稳妥的起点不是Sol，而是Terra。先以Terra运行大部分请求，只把失败成本高、推理链长或需要最终审判的任务升级到Sol。

简而言之：Sol是“能力上限”，Terra是“生产默认”。

Luna：便宜，但不是只能做简单分类

Luna的输入价格只有每百万token 0.20美元，输出价格为1.20美元，与Sol相差25倍，但它仍然拥有完整的1.05M上下文和工具能力。

它适合：

• 文本分类与内容标签
• 结构化信息抽取
• 排序、过滤、去重
• 批量摘要
• 查询改写
• 意图识别与请求路由
• 简单代码修改
• 子代理执行明确的小任务
• 大规模文档预处理
• 对话中的快速中间步骤

Luna特别适合多代理系统：让Sol或Terra负责规划、协调和最终判断，让大量Luna实例完成检索、扫描、抽取、验证等边界明确的工作。

但不能只因为Luna便宜就让它承担高风险最终决策。医疗、法律、金融结论、复杂代码合并以及不可逆操作，至少应由Terra或Sol复核。

三者共有的推理参数

GPT‑5.6全系列支持六档推理强度：

none
low
medium
high
xhigh
max

API参数为：

{
  "reasoning": {
    "effort": "medium"
  }
}

建议：

• none：纯生成、抽取、格式转换，延迟优先。
• low：轻量推理、简单工具调用。
• medium：默认平衡档，适合大多数任务。
• high：复杂分析、代码和多步骤任务。
• xhigh：困难研究和质量优先任务。
• max：最困难、值得投入大量推理成本的任务。

如果省略该参数，默认是 medium。GPT‑5.6官方使用指南

Pro模式并不是第四个模型

GPT‑5.6没有单独的 gpt-5.6-pro 模型名。Pro是一种执行模式，可以与Sol、Terra或Luna以及不同推理强度组合：

{
  "model": "gpt-5.6-sol",
  "reasoning": {
    "effort": "high",
    "mode": "pro"
  }
}

Pro模式会让系统投入更多模型工作，以提高困难任务的可靠性，但也会增加延迟和计费token。它适合高价值代码审查、复杂优化和深度分析，不适合日常请求。

一个容易被忽略的事实是：Sol + medium + pro、Sol + max 和 Terra + high 是三种不同的成本与质量配置，不能简单认为“所有参数都调到最大”一定最划算。

三者共有的高级能力

GPT‑5.6全系列还支持：

• Programmatic Tool Calling：模型编写轻量JavaScript，协调多个工具并处理工具结果。
• Multi-agent：由一个模型协调多个子代理并汇总结果，目前为Responses API测试功能。
• Persisted Reasoning：跨轮次继续利用已有推理信息。
• 显式Prompt Cache：主动指定可复用的缓存前缀。
• 原始图片尺寸：可按原始尺寸处理图片输入。
• Web Search、File Search、Code Interpreter
• Hosted Shell、Apply Patch、Computer Use
• Skills、MCP和Tool Search

三个型号在“有没有这些功能”方面基本一致，区别主要是“完成同一复杂任务时的可靠性、速度和总成本”。

一个实用的模型路由方案

生产环境可以从下面的配置开始：

Luna
├─ 分类、抽取、改写、路由
├─ 批量预处理
└─ 简单子代理任务

Terra
├─ 默认对话与问答
├─ 常规代码和分析
├─ 搜索、文件及工具工作流
└─ Luna结果的中等强度复核

Sol
├─ 最困难任务
├─ 高风险最终判断
├─ 复杂代码库和长时代理
└─ Terra失败后的升级处理

API调用示例：

from openai import OpenAI

client = OpenAI()

response = client.responses.create(
    model="gpt-5.6-terra",
    reasoning={
        "effort": "medium",
        "context": "all_turns"
    },
    input="分析这份项目计划，找出五个最可能导致延期的风险。"
)

print(response.output_text)

最终结论

三者的选择可以压缩成一句话：

• 结果价值高、错误代价高：选Sol。
• 不确定选谁、大多数正常业务：选Terra。
• 请求量大、任务明确、成本敏感：选Luna。

真正高效的方案往往不是只选一个模型，而是采用“Luna执行、Terra主力、Sol兜底”的三级路由。这样既能保留GPT‑5.6的能力上限，也能避免让所有请求都承担旗舰模型的成本。