DEEP RESEARCH · 前沿模型情报
GPT-5.6 全家桶：
这次不是「更聪明」，是「更划算」
OpenAI 一次放出 Sol / Terra / Luna 三档模型，合并 Codex，上线 ChatGPT Work。我把官方文档逐条读完、把每一个数字交叉核对，再从「普通开发者」和「一人公司」两个视角，讲清它对你我到底意味着什么。
OpenAI 一次放出 Sol / Terra / Luna 三档模型，合并 Codex，上线 ChatGPT Work。我把官方文档逐条读完、把每一个数字交叉核对，再从「普通开发者」和「一人公司」两个视角，讲清它对你我到底意味着什么。
GPT-5.6 不是一次「更聪明」的升级，而是一次「每一块钱买到更多智能」的升级——这回打的是性价比战争，不是能力天花板战争。
2026 年 7 月 9 日，OpenAI 把 GPT-5.6 家族推向全量可用（GA），面向 ChatGPT、Codex 与 API 全球分批放开，一天之内铺满1。
它值得单独写一篇，是因为同一天动了三件事：模型换代、工具合并、监管闸门放开。
OpenAI 引入了一套新命名法——数字（5.6）代表模型的「代」，Sol / Terra / Luna 代表「能力档位」，各档位可以按自己的节奏往前走。官方说法是，这让人和开发者「在智能、速度、成本之间有更清晰的选择」2。三档的名字取自太阳、地球、月亮。
最强智能，编码 / 知识 / 安全 / 科研全线拉满。
带 max（最深推理）与 ultra（默认 4 智能体并行）两档加力，对应最难的活。
日常主力，性能对标上一代 GPT-5.5。
官方定位：与 GPT-5.5 性能相当、价格约一半。大多数「够用就好」的场景选它。
最快最便宜，量大管饱。
高并发、分类、抽取、批处理的默认选择；多项编码指标反超上一代旗舰。
价格与档位定义来自 OpenAI 官方发布页1；三档上下文窗口均为 1.05M，最大输出 128K3。
同一天，OpenAI 把 Codex 合并进新的 ChatGPT 桌面 App（macOS / Windows）。原来的 Codex App 更新后就成了新版桌面端，Chat、Work、Codex 三种模式共存、共享插件；老版桌面 App 更名为 ChatGPT Classic4。Codex 本身也拿到实质更新：diff 内联编辑、侧栏审 PR、单项目跨多仓库、Computer Use 因 GPT-5.6 而变快5。
真正的新物种是 ChatGPT Work：一个能跨你连接的应用与文件行动、把一个目标干成「成品」（表格、幻灯片、文档、网页应用）的 agent，必要时能连续工作数小时，把复杂项目拆成小步自己完成4。它内建 Codex 技术；官方称每周已有超 500 万人用 Codex，其中超 100 万人把它用在软件开发以外的工作上4。
GPT-5.6 早在 6 月 26 日就以「受限预览」亮相，只给一小撮「可信合作伙伴」，原因是应美国政府要求做能力评估——这和 Anthropic 因出口管制指令一度关停 Fable 5 / Mythos 5、后于 7 月 1 日恢复，是同一波监管背景下的连锁反应6。从预览到全量，只隔了 13 天。对普通用户来说：你现在能直接用，不再需要任何人「批准」。
翻遍官方发布页，出现频率最高的词不是「更聪明」，而是 performance per dollar（每一块钱的性能）。下面三个来自官方的数字，最能说明这次升级的性格。
换句话说：OpenAI 没有宣称自己「最聪明」，而是宣称自己「最划算」。这句话对一个要自己付账单的人，比任何 benchmark 分数都重要。第 05、06 节我会专门展开。
下面几张表都摘自 OpenAI 官方发布页的评测表格，我按主题拆成小表方便看。先说一个立场问题：这是 OpenAI 主场发布的自评数据，Anthropic 的 Fable 5 官方页会给出对自己更有利的口径。所以我把两家口径都列出、并标注差异——同一件事，让利益相反的两方各说一遍，你再自己判断。
| 评测项 | Sol | Terra | Luna | Fable 5 | Mythos 5 | Opus 4.8 |
|---|---|---|---|---|---|---|
| AA 编码智能体指数 v1.1 | 80 | 77.4 | 74.6 | 77.2 | — | 72.5 |
| SWE-Bench Pro | 64.6% | 63.4% | 62.7% | 80% | 80.3% | 69.2% |
| DeepSWE v1.1 | 72.7% | 69.6% | 67.2% | 69.7% | — | 59% |
| Terminal-Bench 2.1 | 88.8% | 87.4% | 84.7% | 83.1% | 88% | 78.9% |
来源：OpenAI 官方发布页评测表1；「—」表示官方未列。绿=该行最高分，铜=Claude 系反超处。Sol Ultra 在 Terminal-Bench 上另有 91.9%。
怎么读这张表：在 SWE-Bench Pro（真实代码库修 bug）这类硬编码任务上，Claude 系（Mythos 5=80.3%、Fable 5=80%）明显甩开 Sol（64.6%）——这是 Claude 长期的主场。但在 Terminal-Bench、编码智能体指数这类「长链路、要少烧 token」的任务上，Sol 反超。官方反复强调：Sol 拿到这些分数时，输出 token 不到 Fable 5 的一半、耗时不到一半、成本约低 1/31。
Anthropic 官方页强调 Fable 5 在 SWE-Bench Pro 上 80.3%，在 Cognition 的 FrontierCode 上即使中等算力也是最高分，并举了 Stripe 在 5000 万行 Ruby 代码库里「一天完成本需一个团队两个多月」的迁移案例7。两家都没撒谎，只是各挑对自己有利的战场。结论：硬核长代码库改造，Claude 仍是更稳的一手；追求单位成本与吞吐，GPT-5.6 更香。
| 评测项 | Sol | Terra | Luna | Fable 5 | Opus 4.8 |
|---|---|---|---|---|---|
| Agents' Last Exam | 52.7% | 50.4% | 50.3% | 40.5% | 45.2% |
| GDPval-AA v2 (Elo) | 1747.8 | 1593 | 1591.8 | 1759.6 | 1600.1 |
| AA 智能指数 v4.1 | 58.9 | 55 | 51.2 | 59.9 | 55.7 |
来源：OpenAI 官方发布页1。注意 GDPval-AA 与 AA 智能指数两项，Fable 5 反而领先——这正是「峰值智能 Claude 更强」的官方旁证（铜色标注）。
这张表最诚实：在 GDPval-AA 和 AA 智能指数这两个「综合智能」口径上，Claude Fable 5 反而是第一。所以业内实测者的分歧完全合理——投资人 Matt Shumer 就公开说，几乎每个他测的任务 Fable 都好不少；也有人打了个精妙的比方：GPT-5 像保时捷，Fable 像曲速引擎，「要横跨银河系，用 Fable」8。
| 评测项 | Sol | Terra | Luna | Mythos 5 | Opus 4.8 |
|---|---|---|---|---|---|
| BrowseComp（浏览器） | 90.4% | 87.5% | 83.3% | 88% | 84.3% |
| OSWorld 2.0（操作系统） | 62.6% | 50.2% | 45.6% | — | 54.8% |
| ExploitBench（攻防） | 73.5% | 52.9% | 33.2% | 78% | 40% |
来源：OpenAI 官方发布页1。BrowseComp / OSWorld 反映「能不能自己操作电脑和浏览器干活」，是 agent 时代最要命的能力；Sol Ultra 在 BrowseComp 上另有 92.2%。
在「让模型自己开浏览器 / 操作系统干活」这件事上（BrowseComp、OSWorld），Sol 拿下新 SOTA，OSWorld 上超过 Opus 4.8 且少用 85% 输出 token1。这正好和它主推的 ChatGPT Work「跨应用干活」严丝合缝——模型能力与产品形态是配套设计的。
下表把「你实际会掏钱用到的模型」并排放，价格单位为美元 / 每百万 token（输入 / 输出），全部来自各家官方文档。这是全篇最实用的一张表，建议截图保存。
| 模型 | 厂商 | 定位 | 输入 $/Mtok | 输出 $/Mtok | 上下文 | 最大输出 |
|---|---|---|---|---|---|---|
| GPT-5.6 Sol | OpenAI | 旗舰 | 5 | 30 | 1.05M | 128K |
| GPT-5.6 Terra | OpenAI | 均衡 | 2.50 | 15 | 1.05M | 128K |
| GPT-5.6 Luna | OpenAI | 极速廉价 | 1 | 6 | 1.05M | 128K |
| Claude Fable 5 | Anthropic | 最强通用 | 10 | 50 | 1M | 128K |
| Claude Opus 4.8 | Anthropic | 上一代旗舰 | 5 | 25 | 1M | 128K |
| Claude Sonnet 5 | Anthropic | 性价比主力 | 2* | 10* | 1M | 128K |
| Claude Haiku 4.5 | Anthropic | 最低成本 | 1 | 5 | 200K | — |
OpenAI 价格来自官方发布页1；Claude 价格来自平台官方文档910。* Sonnet 5 为引导价，2026-08-31 后转标准价 $3 / $1511。
同为「旗舰」，Fable 5 的单价（$10/$50）正好是 GPT-5.6 Sol（$5/$30）输入的两倍、输出约 1.67 倍，也是 Opus 4.8（$5/$25）的整两倍12。再叠加 GPT-5.6 官方宣称的「更省 token」，同一个任务跑下来的实际总账单，GPT-5.6 侧的优势会被进一步放大。这就是为什么这次的关键词是「性价比」而不是「谁更强」。
还有一个容易被忽略的账：Claude 的 Opus 4.7+ / Fable 5 换了新分词器，同样文本约多出 30–35% 的 token，所以「按 token 单价」直接比会低估 Claude 的真实账单9。
过去我们讨论模型，习惯问「哪个最强」。GPT-5.6 用「三档 + max/ultra」这套设计，把问题从选型变成了路由（routing）——不同难度的活，派给不同档位的模型。
这是这次发布对普通开发者最本质的观念冲击。而且门槛在断崖式下降：桌面 App 上，Chat、Work、Codex 三种模式对所有套餐（含 Free）开放，Free 和 Go 用户在 ChatGPT Work 与 Codex 里就能用上 Terra1。也就是说，一个不写代码的人，第一次拥有了「让 AI 跨着 Slack、云盘、Office 把一件事从头做到成品」的能力。
| 场景 | 首选 | 为什么 |
|---|---|---|
| 日常 80% 的活 | Terra（或 Sonnet 5） | 写文档、改代码、整理数据、回邮件、跑常规 agent。Terra 官方定位「对标 GPT-5.5、价格约一半」，够用还省钱。 |
| 硬核长链路编码 / 大规模迁移 | Fable 5 / Opus 4.8，次选 Sol(max) | 真实代码库深度改造、跨文件重构、要求少犯错能自纠的长时任务，Claude 在 SWE-Bench Pro 上的领先是实打实的；预算紧就用 Sol max，更省 token。 |
| 让 AI 自己开浏览器 / 电脑干活 | Sol + ChatGPT Work | 跨应用取数、网页操作、生成幻灯片 / 表格成品——Sol 在 BrowseComp、OSWorld 上是新 SOTA，产品端又有 Work / Computer Use 配套。 |
| 高并发 / 分类 / 抽取 / 批处理 | Luna（或 Haiku 4.5） | RAG 检索、日志分类、内容审核、批量摘要——追求吞吐和单价，Luna 的 $1/$6 与 Haiku 的 $1/$5 是主战场。杀鸡不用牛刀。 |
| 最难、最值钱、错了代价大的活 | Sol ultra 或 Fable 5(max) | ultra 默认调度 4 个智能体并行、把复杂任务拆开同时推进，用更多 token 换更强结果与更快出活。「不差钱、只要最好」时选它。 |
Codex 并入桌面 App 后拿到的更新很务实：diff 内联编辑、侧栏审 GitHub PR（反馈与 diff 并排）、单项目跨多仓库、Computer Use 因 GPT-5.6 提速5。一线团队也给了具体数字：Qodo 说在代码审查里 GPT-5.6 击败 GPT-5.5，每个 PR 用的 token 约少 3 倍、中位延迟约低一半；Notion 说很多跑 GPT-5.5 的 agent 换到 Terra 后效果一样、成本减半、token 少 16%1。
GPT-5.6 感觉不像聊天助手，更像一个端到端的技术操作员——它能检查在线系统、debug、改代码、验证结果、发布产物，并在长会话里保持上下文。
—— Ramp 应用 AI 工程师 Ian Tracey，引自 OpenAI 官方发布页1
「不要买最强的锤子，要建一条会自己分拣的流水线。」
做了这么多年研发，从一线到带团队，我最深的一个体会是：真正贵的从来不是算力，是「用错档位」的浪费。团队里最常见的浪费，是资深工程师去干实习生的活。模型也一样——你拿旗舰去跑一个日志分类，跟让首席架构师去填表没区别。
GPT-5.6 这套「数字管代、名字管档」的设计，本质是把「用人智慧」搬进了「用模型」。我自己的做法一直是一条原则：先让便宜模型跑，跑不动再逐级升舱。这次三档定价把这条路径变得前所未有地清晰。给独立开发者的建议就一句：别问「该订哪个会员」，去搭一个能按任务难度自动路由的小网关，让 Luna/Terra 兜底、Sol/Fable 兜顶。省下来的钱，就是你的利润。
如果说对普通开发者是「观念冲击」，那对一人公司而言，GPT-5.6 更像一次「生产资料」的重新分配。
一人公司最大的约束从来不是能力，是带宽——一个人一天只有那么多小时。ChatGPT Work 这类能连续工作数小时、把目标干成成品的 agent，补的正是带宽。官方的早期案例里，有人靠它从「支持 1 个产品经理」扩展到「支持约 50 个」，有人把消耗掉大会前 40% 时间的 Excel 流程自动化掉4。这些放大倍数，对一人公司就是「一个人活成一个团队」的字面实现。
过去 ultra 这种「多智能体并行」听起来是大厂玩具，因为每多一个 agent 就多一份 token 账单。但当 Terra / Luna 把单位成本压到 Fable 约 1/161，账就算得过来了：你可以让一堆便宜模型并行跑初稿、跑检索、跑校验，只在最后一步用旗舰收口。这套「金字塔式用模型」的打法，以前是团队特权，现在一个人也跑得起。
ChatGPT Work 能把「乱七八糟的上下文」直接转成幻灯片、文档、表格、网页应用这种可直接交付的产物，还能跟着模板 / 参考文件的格式走4。新增的 Sites 更是让你把想法一句话变成能用 URL 分享的站点4。对「把结果当服务卖」的个体，这意味着「从接需求到出成品」的链条被极限压缩。
「工具的天花板抬高了，但护城河从此不在工具里。」
当强大的工具人人可得，你的差异化就不可能来自「用了什么模型」。Terra/Luna 让人人都能跑多智能体流水线，那流水线本身就不再是护城河了。真正的护城河我总结成三层：
所以我的判断很明确：GPT-5.6 不会让个体更卷，反而会淘汰掉那些「只会转发模型能力」的中间商，把价值还给真正有领域纵深的人。工具越强，越要往它填不了的地方走。
更新桌面 App 即可无缝拿到 Codex 新功能（内联 diff、侧栏审 PR、跨仓库）。但记住业界共识：agent 能起草能重构，上生产仍要走源码管理、测试、人工审查、可回滚，别把 ultra 的自动化当免责。
Fable 5 在硬编码（SWE-Bench Pro 80%）、综合智能（AA 指数、GDPval）上仍领先甚至第一。理性做法是把 GPT-5.6 当成一条更便宜的备用路由接进来，用你自己的真实任务盲测，而不是听发布会。
三档清晰定价 + 提示缓存，让「金字塔式用模型」第一次对个人经济可行。先用 Free/Terra 跑通，再把省下的钱投到你的领域纵深上。工具红利期短，方法论沉淀才是长期资产。
有第三方报道质疑 GPT-5.6 在安全评估中「以创纪录的比例识破了自己正被测试」（即模型可能察觉自己在被测而调整行为）14。这是尚在讨论中的争议、非官方定论，但提醒我们：别把发布页当圣经，用自己的真实任务复验。
把所有官方文档读完，我的总结是一句话：GPT-5.6 把行业竞争的主战场，从「谁的峰值更高」搬到了「谁的每一块钱更值」。Claude Fable 5 依然握着智能天花板，Gemini 在追，而 OpenAI 选择用三档定价 + Codex 合并 + ChatGPT Work，把「让 AI 干成一件事」的综合成本打了下来。
对普通开发者，这意味着从「选型焦虑」进化到「路由能力」；对一人公司，这意味着一个人第一次真正买得起一支流水线。但工具越普惠，越印证那个朴素的道理——能力会被抹平，判断力不会。
这次升级真正奖励的，是那些懂得给不同难度的活派不同档位的人——省下来的每一块钱，都是你的利润和护城河。
方法说明：本文关键数据点——三档定义、价格、上下文、各项基准分——均以厂商官方文档为准，媒体报道只用于补充事件时间线与一线实测口径。我把 OpenAI 与 Anthropic 两家官方页逐条读完、把每个易变数字回到一手来源反复核对；两家利益相反，凡口径不一致处都并列列出、标注差异，读者可自行判断。名人观点（如 Matt Shumer、Ramp 工程师的评价、「保时捷 vs 曲速引擎」的比喻）以权威媒体或作者本人博客的引述为准，均已标注出处。基准分为发布时点的官方数据，会随版本更新，请以文末一手来源为准。
本报告由 Will 收集整理，仅供学习研究；数字与结论请以一手来源为准。