2026 年 7 月 9 日上午 10 点（太平洋时间），OpenAI 把 GPT-5.6 系列——旗舰 Sol、均衡 Terra、轻量 Luna——同时推上 ChatGPT、Codex、ChatGPT Work 和 API，全球滚动开放 24 小时内完成。距离 6 月 26 日的"受信任合作伙伴限量预览"过去了整整两周。这两周不是 OpenAI 在憋大招，是美国政府要求先审后放。

我们的 AI 日报从 6 月 26 日预览那天就在追这条线，今天终于可以把完整的图景拼出来：价格、基准、新 API 能力，以及——说实话最有意思的——它输给 Claude 的那几项。

三档模型：名字花哨，分工其实很朴素

太阳、大地、月亮，命名比 GPT-4o / o3 / o4-mini 那套字母数字汤好记多了。分工也直白：

三档都是 100 万 token 上下文、128K 最大输出、知识截止 2026 年 2 月 16 日。API 端不裁挡任何账户，自助开通就能用全部三档；裸模型 ID gpt-5.6 默认路由到 Sol。

ChatGPT 端有分层：免费档只在 Codex / Work 里给 Terra；Plus 给 Sol（中等推理档）；Pro 和 Enterprise 才有完整的 Sol Pro 变体和 Ultra 模式。

对着 Sol 的 $5/$30 看一眼隔壁：Claude 家旗舰的定价一直更高，而 Terra 那档 $2.50/$15 明显是冲着"把企业批量任务从竞品那里撬过来"去的——Simon Willison 转述 OpenAI 的说法是 Terra 和 Luna 在部分任务上"以十六分之一的成本跑赢 Fable 5"。厂商自己说的话打个折听，但价格表是实打实的。

基准：赢在 agent，输在 SWE-Bench Pro

OpenAI 这次公布的基准表值得逐项看，因为它没有全赢——这反而让数据更可信。

Sol 领先的：Terminal-Bench 2.1 拿到 88.8%（Ultra 配置 91.9%），比 Claude Fable 5 的 83.4% 高出一截；Agents' Last Exam（55 个领域的长时程专业工作流评测）53.6 分，比 Fable 5 高 13.1 分；OSWorld 62.6%，computer use 类任务基本是 Sol 的主场。

Claude 领先的：SWE-Bench Pro 上 Fable 5 拿 80%，Sol 只有 64.6%，差距不小。GDPval 的 Elo 排名和 Intelligence Index 也还是 Claude 在前。

有意思的是 OpenAI 对 SWE-Bench Pro 的回应：他们发文说估计约 30% 的题目本身是坏的，暗示这个基准不值得较真。我没法独立验证这个说法，但一个厂商在自家发布日专门发文攻击一个自己输掉的基准，这个动作本身就说明分数戳到痛处了。

Simon Willison 上手一天后的评价比较克制："肯定非常能干（definitely very competent），但复杂编码任务上还没有超过 Fable。"这和基准表的形状是吻合的：agent 编排、终端操作是 GPT-5.6 的强项，深水区代码修复还是 Claude 的地盘。

API 侧的真正新东西：Programmatic Tool Calling

这次发布里对开发者最实质的更新不是分数，是 Responses API 里的 Programmatic Tool Calling：模型不再一次一个地发 tool call JSON，而是直接生成一段 JavaScript，在一个无网络访问的隔离 V8 运行时里编排多个工具调用——循环、条件、并行都写在代码里。

省的是真金白银。MarkTechPost 引用的客户数据是 token 消耗降 38%–63.5%；OpenAI 自己的说法是编码基准上 Sol"用不到一半的输出 token 和不到一半的时间"跑完同样的活。如果你的 agent 每天要跑几千次"查数据 → 过滤 → 再查 → 汇总"这种链路，值得这周就去改造。

缓存也变了，这条容易被忽略但对账单影响很直接：

• 支持显式 cache breakpoint（此前只有自动检测），缓存至少存活 30 分钟
• 代价是从 GPT-5.6 起缓存写入要收 1.25 倍未缓存输入价，读取维持 90% 折扣

翻译成人话：以前缓存写入免费、命中打折，现在写入先多付 25%。长 system prompt + 高命中率的场景依然血赚，但"每次请求都换 prompt 前缀"的写法会比以前更亏。上线前拿自己的流量模式算一遍，别直接沿用旧的缓存策略。

另外两个小但实用的：推理档位加了 max（原来到 xhigh 封顶）；Ultra 模式默认四个 agent 并行跑分解后的子任务，用 token 换墙钟时间——只开放给 Pro / Enterprise 和 Codex 付费档，本质是个"花钱买快"的开关。

为什么被政府压了两周

6 月 26 日预览时只给了大约 20 家合作伙伴，官方解释是美国政府要求对更广泛发布做审查。VentureBeat 当时的标题直接点了原因：per US Gov。

审什么？公开信息指向网络安全能力：GPT-5.6 在 ExploitBench 上拿到 73.5%，上一代是 47.9%——漏洞利用能力接近翻倍，这种跳变触发分阶段发布协议并不意外。上线后的产品里也留着痕迹：生成过程中会出现几秒的停顿，分类器在中途审查输出。用 API 做流式输出的注意下，这个停顿会影响你的超时和心跳逻辑。

顺带一提，GA 当天没有独立第三方审计报告发布。政府审完了，但审了什么、结论是什么，外界只有"放行"这一个事实。

上手第一周的几条 best practice

这些是从官方文档和这两天各家实测里能确认的做法，按"改动小、见效快"排序：

1. 别把 Sol 当默认。 裸 ID gpt-5.6 会路由到 Sol，很多人图省事直接写这个，等于每个请求都按 $5/$30 计费。正确做法是在自己的代码里做一层路由：分类、抽取、格式转换走 Luna，需要多步推理才升 Terra，只有 agent 编排和真正的难题给 Sol。OpenAI 自己的宣传口径是 Terra 在部分任务上以十六分之一的成本达到旗舰级效果——厂商话术归话术，但"大部分流量根本用不着旗舰"这件事在哪家模型上都成立。

2. 推理档位从低往高试。 这一代的 effort 梯子是 none / low / medium / high / xhigh / max 六档。习惯性拉满 max 的人，账单会先教育你。先用 medium 跑一遍自己的评测集，不达标再逐档往上加——很多任务在 high 和 max 之间根本看不出差别，token 却翻着涨。

3. 缓存策略要重写，不是沿用。 写入收 1.25 倍之后，赚钱公式变成了：命中率越高越赚，前缀越不稳定越亏。把 system prompt、few-shot 例子、工具定义这些不变的部分固定在最前面，打上显式 breakpoint，30 分钟窗口内的请求全部吃 90% 折扣。反过来，如果你的 prompt 前缀每次都在变（比如把时间戳、用户 ID 放开头），先把它们挪到末尾再谈别的。

4. 有多步工具链路的，优先改造成 Programmatic Tool Calling。 判断标准很简单：你的 agent 是不是经常"调工具 A → 拿结果过滤 → 再调工具 B → 汇总"？是的话每一步来回都在烧 token，改成让模型写一段 JS 一次性编排，实测省 38%–63.5%。注意那个 V8 沙箱没有网络访问，工具本身还是你宿主侧执行，别指望在里面 fetch。

5. 流式输出加宽超时。 生成中途会有几秒的安全分类器停顿，老代码里"5 秒没新 token 就断线重试"的心跳逻辑会误杀正常请求。上线前拿长输出任务压一遍。

6. Ultra 别当性能开关用。 它是花钱买墙钟时间：四个 agent 并行，token 消耗成倍涨。只对"可分解、赶时间"的任务值得——比如 code review 一个大 PR。日常任务开 Ultra 属于给 OpenAI 捐款。

怎么选：一个偷懒但够用的决策表

写给正在用 API 干活的人：

• 在跑 agent / 终端自动化 / computer use → 换 Sol，这是它基准上最能打的领域
• 大批量分类、客服、文档处理 → Terra，$2.50/$15 的价位配 1M 上下文，这一档目前没有明显更便宜的同级对手
• 摘要、草稿、轻量自动化 → Luna，$1/$6 和上一代小模型持平
• 深水区代码修复、大型 codebase 重构 → 先别急着全换，SWE-Bench Pro 的 15 个点差距和 Simon Willison 的上手感受都指向同一个结论：这类活 Claude 还是更稳

我们自己的判断：这次发布最被低估的是 Terra。旗舰对比抢头条，但真正走量的是 $2.50 档——企业批量任务的性价比之战才刚开始，DeepSeek V4 官版下周就来，还带着峰时定价。这一段我们会继续在每日 AI 日报里跟。

Sources：Simon Willison: The new GPT-5.6 family · MarkTechPost: GPT-5.6 Programmatic Tool Calling · DigitalApplied: GPT-5.6 GA · VentureBeat: limited preview per US Gov