2026年7月9日，OpenAI的新一代旗舰模型正式上线了，这次一口气推出三个尺寸：Luna（小号）、Terra（中号）和Sol（大号）。

定价按每百万输入/输出token计算，分别是：Luna $1/$6，Terra $2.50/$15，Sol $5/$30。对比一下，Claude Opus系列是$5/$25，Claude Fable 5是$10/$50。不过话说回来，单纯看每百万token的价格已经不太能说明问题了——现在不同模型处理同一任务所需的推理token数量差异巨大，价格只是参考维度之一。

OpenAI这次最重磅的benchmark声称是关于长期运行的Agent性能。他们做了一个叫“Agent's Last Exam”的评估，覆盖55个领域的长期专业工作流，结果三个型号都超过了Claude Fable 5：

我们训练GPT-5.6让每个token产出更多实际工作。在Agent's Last Exam上，GPT-5.6 Sol创下53.6的新高，比Claude Fable 5（自适应推理）高出13.1分。即便在中档推理强度下，它也比Fable 5高出11.4分，而成本大约只有四分之一。这种效率优势也延伸到小模型——让智能更普及和廉价的关键：GPT-5.6 Terra和Luna以大约十六分之一的成本，就超过了Fable 5。

有意思的是，Fable 5在SWE-Bench Pro上以80%的成绩碾压了GPT-5.6家族的64.6%（Sol）。这个反差可能解释了为什么OpenAI昨天专门发了篇文章，质疑SWE-Bench Pro的问题——他们在审计时发现：“约30%的SWE-Bench Pro任务存在缺陷”，并建议模型开发者仔细核查结果。

其实我之前已经提前体验了GPT-5.6 Sol——确实很强，但截至目前，在我常用的复杂编码任务上，它并没有明显胜过Fable。当然，这只是个人第一印象，后续还得看更多案例。

和往常一样，GPT-5.6的模型使用指南是最有意思的部分。一大波新API功能值得深入探索（后续可能会加到LLM工具里），包括：

• Programmatic Tool Calling：模型可以“编写并运行Ja vaScript来编排工具调用”——这听起来像是能弥合MCP和完整终端会话之间的差距，让模型像组合CLI工具那样灵活地编排操作。也有点像Anthropic为Web搜索工具添加的动态过滤机制，允许在同一模型轮次中对网页结果执行代码。
• Multi-agent：模型可以“启动子袋里进行并行、聚焦的工作”——子袋里模式现在直接内置在核心API里了。
• Prompt cache breakpoints：OpenAI引入了类似Claude的提示缓存机制，允许你显式指定缓存断点，而不是让API自动检测。就个人而言，我更喜欢自动检测（OpenAI仍然支持），但要是愿意花功夫优化，这里应该能省不少成本。
• detail: original：图片请求可以设置这个参数，避免在预处理前对图像进行任何缩放。

下面是完整的对比页面，包含18种不同的“pelican”样例——覆盖三种模型从 none、low、medium、high、xhigh 到 max 六种推理力度。同时列出了token数和计算成本：最便宜的是gpt-5.6-luna在none推理力度下，仅0.71美分；最贵的是gpt-5.6-sol在max推理下，48.55美分。

关于pelican还有个小彩蛋：如果你跳到今天直播的17分50秒，会看到OpenAI自己演示的3D pelican骑三轮车、自行车、小马，甚至另一只pelican的场面！