GPT-5.6 三款模型 7 月 9 日发布至今已满 48 小时，开发者社区的密集测试给出了比发布日更清晰的判断：Terra 才是本次发布的真正主角，Sol 在 Cerebras 硬件上的 750 tokens/s 改变了 Agent 产品形态，而 Altman 声称的 54% 编码效率提升和 Luna-Terra 基准悖论仍然是未解之谜。
三款模型的实战定位
经过两天的 API 调用和基准复现，开发者为三款模型锚定了清晰的使用场景。
**Sol（$5 输入 / $30 输出 per 1M tokens）**是 benchmark 之王。在 Terminal-Bench 2.1 上，单 Agent Sol 得分 88.8%，Sol Ultra（四并行 Agent）达到 91.9%，均为当前最高。在 BrowseComp（92.2%）和 OSWorld 2.0（62.6%）上同样保持领先。但 Sol 的核心受众是极致性能需求者——对于大多数工作负载，多付一倍的价钱换 2 到 3 个百分点的提升并不划算。
**Terra（$2.50 / $15）**才是本次发布中最具颠覆性的产品。它在 Terminal-Bench 2.1 上得分 87.4%（OpenAI 官方数据）——超过了 Anthropic 自行报告的 Fable 5 得分 86.0%，而独立评估机构将 Fable 5 的 Terminal-Bench 得分定在 83.4% 到 84.3% 之间。无论取哪个数字，Terra 以 Fable 5 一半的价格（Fable 5 定价 $10/$50）实现了匹配或超越。在 Agents' Last Exam 上，Terra 得分 50.4，领先 Fable 5 的 40.5 近 10 个百分点——而成本仅为后者的四分之一。
**Luna（$1 / $6）**是批量工作负载的默认选择。在 DeepSWE 长期工程任务上，Luna 实现了约 24 个 benchmark 点每 API 美元的成本效率，而 Fable 5 仅为 3.2。但 Luna 有一个硬伤：在 MRCR 长上下文回忆测试中，Luna 暴跌至 41.3%，而 Sol 和 Terra 分别为 91.5% 和 89.6%。如果你的工作负载涉及文档分析或大型代码库推理，Luna 不适合。
750 tokens/s 的硬件故事
比 benchmark 更值得关注的是基础设施层面。Sol 部署在 Cerebras 晶圆级 WSE-3 芯片上达到了 750 tokens/s 的推理速度，而典型 GPU（Nvidia H100）集群运行同一模型的速度约为 30 到 80 tokens/s。
这不是渐进式加速——它改变了 Agent 产品的形态。当一个 Agent 循环的「思考时间」从分钟级压缩到秒级，整个交互模式从异步批处理转变为实时协作。长期文档工作流不再像排队等批处理作业。对于构建 Agentic 应用的开发者来说，这可能是 GPT-5.6 最重要的改变。
值得警惕的是，Cerebras 的 750 tokens/s 意味着更高的总成本——用户以 7 倍速度消耗 token，同时 Cerebras 对每 token 收取溢价。速度快不等于便宜，它改变的是产品形态，不是账单。
两个未解之谜
Altman 的 54% 编码效率提升。 Sam Altman 在接受 CNBC 采访时声称 Sol 在编码任务上的 token 效率比前代提升 54%。这个数字来自 OpenAI 自身的测试材料，没有任何独立第三方验证。在对该数字进行独立复现之前，不适合将其作为架构决策的依据。
Luna-Terra 基准悖论。 早期测试者发现，定价更低的 Luna 在部分推理套件上反超中端 Terra。DataCamp 的测试显示，在特定测试上 Luna 的得分高于 Terra——尽管 Terra 被定位为更高层级。这暗示 OpenAI 可能在三个模型上做了不同的能力取舍：Luna 在某些维度上被故意「放水」，或者三款模型的能力曲线并非简单的线性分层。无论原因是什么，这意味着选模型不能只看定价表中的层级，必须在自己的具体工作负载上进行 A/B 测试。
OpenAI 的定价策略：夺回 API 市场份额
GPT-5.6 的定价不可能脱离竞争环境来理解。过去三个月，Grok 4.5 以 $2/$6 的低价入场，Anthropic 的 Claude Code 将年化收入从 $10 亿推至 $25 亿以上，中国模型持续压低 API 市场价格线。OpenAI 的 API 市场份额正在被系统性蚕食。
GPT-5.6 的三层定价——特别是 Terra 的 $2.50/$15——是明确的回应。这不是在打 benchmark 头条战争，而是在打工作负载迁移战争。OpenAI 需要开发者把生产环境的 API 调用从 Anthropic、xAI 和开源模型迁回来，而降低迁移成本（同时提供匹配或超越的性能）是最直接的手段。
这一策略的早期信号偏向正面。开发者社区的讨论关键词已经从「Fable 5 更强」转为「Terra 够用且便宜一半」。
被选择性展示的基准
OpenAI 为 GPT-5.6 选择的基准测试集合值得审视。发布材料重点展示 Terminal-Bench、Agents' Last Exam、BrowseComp 和 OSWorld——这些是 Agentic 任务，GPT-5.6 在这些领域确实领先。但以下传统学术基准均未被报告：SWE-bench Verified、GPQA Diamond、AIME、MMLU、ARC-AGI-2、FrontierMath。
更关键的是 SWE-Bench Pro——纯代码仓库级编程的黄金标准。Claude Fable 5 得分 80%，GPT-5.6 Sol 得分 64.6%。差距超过 15 个百分点。OpenAI 的回应是发布另一篇文章，估计 SWE-Bench Pro 中约 30% 的任务存在缺陷，建议模型开发者「仔细检查结果」。
这可能是事实，也可能不是。但一个规律是成立的：当一个实验室在某个基准上领先时，它会引用该基准；当落后时，它会质疑基准的方法论。GPT-5.6 的 Agentic 编程能力（终端工作流、多步工具协调）确实领先；但在纯代码生成和仓库级编程上，Fable 5 仍然是公开可用的最强模型。
GPT-5.4 将于 7 月 23 日退役，GPT-5.5 仍然可用。对于目前使用 GPT-5.4 的团队，迁移窗口正在关闭——默认选择应该是 Terra 或 Luna，除非确实需要 Sol 的旗舰性能。
