新GPT-5.6系列：Luna、Terra、Sol

OpenAI 最新旗舰模型于今早正式上线，共推出三个尺寸版本：Luna、Terra 和 Sol（从小到大）。新模型按每百万输入/输出 token 定价为：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，但如今同一任务下不同模型的推理 token 数量差异巨大，每百万 token 的价格已无法说明太多问题。OpenAI 最大的 benchmark 宣称集中在长时 agent 性能上，一项 benchmark 显示所有三个模型均优于 Claude Fable 5：我们训练了 GPT-5.6，让每个 token 产出更多有用工作。在 Agents' Last Exam（一项横跨 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，比 Claude Fable 5（自适应推理）高出 13.1 分。即使在中等推理水平下，它也比 Fable 5 高出 11.4 分，而预估成本仅为后者的约四分之一。这种效率延伸到了更小的模型，这对让智能更丰富、更廉价至关重要：GPT-5.6 Terra 和 GPT-5.6 Luna 以约十六分之一的成本超越了 Fable 5。有趣的是，Fable 5 在 SWE-Bench Pro 上碾压了 GPT-5.6 系列——Fable 5 达到 80%，而 GPT-5.6 Sol 仅为 64.6%。这或许有助于解释为何 OpenAI 昨天专门发表了一篇文章，指出他们在审计 SWE-Bench Pro 时发现的问题：基于这些结果，我们估计约 30% 的 SWE-bench Pro 任务存在缺陷，并建议模型开发者仔细检查结果。我提前体验了 GPT-5.6 Sol——它确实非常能干，不过到目前为止，在我使用 Anthropic 模型进行的那种复杂编码任务上，它并未让我觉得比 Fable 更好。像往常一样，使用 GPT-5.6 的模型指南包含了最有趣的细节。有一批新的 API 功能需要我去探索（并可能为 LLM 添加支持），包括：Programmatic Tool Calling 允许模型“编写并运行编排工具调用的 JavaScript”——在我看来，这有助于弥合 MCP 与完整终端会话之间的差距，后者能以有用的方式组合 CLI 工具。这也让人联想到 Anthropic 在其 web 搜索工具中添加的动态过滤机制，该机制允许在单个模型轮次中对 web 结果执行代码。Multi-agent 让模型“启动子 agent 进行并行、聚焦的工作”——子 agent 模式现已内置于核心 API 中。Prompt cache breakpoints 将 Claude 的 prompt 缓存模式引入 OpenAI，让你可以明确指定缓存断点位置，而无需依赖 API 自动检测。我个人更偏好自动检测（OpenAI 仍支持），但如果你投入精力，这里应该能节省优化成本。你现在可以在图像请求中设置 detail: original，以避免在处理前对图像进行任何缩放。这里有一个包含 18 只不同 pelican 的完整页面——展示了三个不同模型在 none、low、medium、high、xhigh 和 max 推理努力级别下的表现。它还列出了它们的 token 和计算成本——最便宜的是 gpt-5.6-luna 在 effort none 下，花费 0.71 美分；最贵的是 gpt-5.6-sol 在 max 推理级别下，花费 48.55 美分。更多 pelican 消息：如果你跳到今早直播的 17:50，你会看到 OpenAI 自己的演示——3D pelican 骑着三轮车、自行车、小马，还有另一只 pelican！

标签：ai，openai，generative-ai，llms，llm-tool-use，llm-pricing，pelican-riding-a-bicycle，llm-release，gpt-5