三个名字比三个型号更重要#

OpenAI 官方明确表示，GPT-5.6 的数字代表 generation，而 Sol、Terra、Luna 是可以按各自节奏继续演进的 capability tiers。

这句话很值得注意。

过去开发者习惯：

1
gpt-4
2
→ gpt-4.1
3
→ gpt-5
4
→ gpt-5.x

每次升级都像换发动机。

而新的思路更像：

1
Generation = GPT-5.6
2

3
Capability Tier:
4
Sol   → hardest work
5
Terra → balanced
6
Luna  → efficient
7

8
Reasoning Effort:
9
medium / high / max / ultra ...

开发者以后选择的可能不是“哪个模型最强”，而是：

这一步任务值得花多少智能预算？

“每 token 的有效工作量”开始成为核心指标#

GPT-5.6 发布页反复强调 efficiency。

这很合理。

当 Agent 任务从 30 秒扩张到 30 分钟、数小时，甚至同时启动多个 subagent 时，单 token 价格只是成本的一部分。

真正重要的是：

1
总成本
2
≈ token 单价
3
× 使用 token 数
4
× 模型回合数
5
× 工具调用成本
6
× 失败/重试次数

一个模型即使每百万 token 更贵，如果能少走很多弯路、少调用几次工具、少返工几轮，最终任务成本反而可能更低。

所以 OpenAI 这一代开始大量使用“更少输出 token”“更少回合”“更低 time-to-result”来描述能力。

我认为这是一个非常现实的变化：

Agent 时代的价格战，不只是 token 单价战，而是任务完成成本战。

Programmatic Tool Calling：减少“模型当搬运工”#

GPT-5.6 一个很值得开发者关注的 API 能力是 Programmatic Tool Calling。

传统 Agent 经常这样工作：

1
模型调用工具
2
→ 工具返回 100KB 数据
3
→ 全部塞回模型
4
→ 模型筛选
5
→ 再调用工具
6
→ 再塞回模型

这会产生大量中间 token。

Programmatic Tool Calling 的方向是让模型写并运行轻量程序，对工具返回的中间结果先做处理，只把真正需要的信息留在上下文里。

例如搜索 1000 条日志时，最笨的方式是把 1000 条都重新送给模型。

更合理的是：

1
Tool result
2
→ in-memory program filter
3
→ 只保留异常行
4
→ Model reasoning

当上下文越来越长，这种“先计算、再思考”的设计会非常重要。

Ultra：模型开始自己组织模型#

GPT-5.6 的 ultra 是我觉得最有代表性的变化之一。

官方描述中，Ultra 默认会协调 4 个 agents 并行工作；在 API 里，开发者也可以通过 Responses API 的 multi-agent beta 构建类似体验。

这意味着前沿模型的 test-time scaling 正从：

同一个模型思考更久

继续扩张到：

多个模型实例并行探索，再综合结果。

可以想象一个复杂任务：

1
主 Agent
2
├─ Subagent A：代码实现
3
├─ Subagent B：测试与边界条件
4
├─ Subagent C：查文档
5
└─ Subagent D：安全/架构 review
6
        ↓
7
      synthesis

这和人类团队越来越像。

但代价也很明显：并行 Agent 会增加 token 和计算消耗，所以它不应该被用于所有任务。

未来优秀 Harness 的职责之一，就是判断：

什么时候单 Agent 足够，什么时候并行才值得。

GPT-5.6 与 Coding Agent 的关系#

OpenAI 把 GPT-5.6 Sol 定位为其最强 coding model，并强调 Terminal-Bench、DeepSWE 等长任务评测。

但我更关注的仍然不是单个分数，而是官方描述里的这些行为：

• 可以写轻量程序协调工具；
• 可以持续监控任务进度；
• 可以选择下一步动作；
• 可以在 max 下花更多时间探索与验证；
• 可以在 ultra 下并行多个工作流。

这和我在 DeepSeek V4 / Grok Build 文章里提到的趋势完全一致：

Frontier AI 的单位正在从“一次回答”变成“一次完整任务”。

价格分层也开始服务 Agent 调度#

官方发布时 GPT-5.6 API 的三档价格为：

7 月 30 日，OpenAI 又宣布降低 Luna 与 Terra 的价格，其中 Luna 降幅达到 80%，Terra 降低 20%。

价格快速调整本身也说明一个趋势：中小模型/低成本 tier 会成为 Agent 系统的重要组成部分。

一个合理的多模型 Agent 完全可以这样做：

1
简单分类 / 摘要 → Luna
2
一般实现 / 日常任务 → Terra
3
高难度架构 / debug → Sol
4
特别复杂的长任务 → Sol max / ultra

不是每个 token 都需要最贵的模型。

这会推动“智能路由”成为基础设施#

如果模型有多个 tier、多个 effort、多个并行度，那么应用层自然会出现新的问题：

• 如何估计任务难度？
• 什么时候升级模型？
• 什么时候从 Luna 切 Sol？
• 什么时候值得启动 4 个 subagents？
• 如何控制最大预算？
• 如何在质量与延迟之间动态权衡？

这会让 model routing 从简单的 fallback，逐渐变成真正的调度系统。

我甚至觉得以后一个优秀 Agent 的优势，未必来自“只用最强模型”，而可能来自：

用最合适的模型完成每一个阶段。

还有一个很容易忽略的变化：模型开始直接面向“成品”#

GPT-5.6 发布中还重点展示了 documents、spreadsheets、presentations、frontend design 与 computer use。

它们共同表达的是同一个方向：

以前模型交付的是文本或代码。

现在模型被要求交付：

• 可以直接用的网页；
• 可以继续编辑的 PPT；
• 正确公式的表格；
• 修改完成并验证过的仓库；
• 调研完成的报告。

输出单位正在从“回答”变成 artifact。

这也是 AI 产品从聊天框向工作平台演进的核心。

我的判断#

GPT-5.6 真正值得记住的，不只是 benchmark 更高。

它把几个已经出现的趋势放在同一代产品里：

1. 模型分层：Sol / Terra / Luna；
2. 推理预算分层：默认 → max；
3. 并行 test-time compute：ultra / multi-agent；
4. 工具处理中间计算：Programmatic Tool Calling；
5. 从文本回答转向完整工作产物。

如果这些方向继续发展，未来“你在用哪个模型”可能会越来越不是一个简单问题。

因为在一个真正的 Agent 系统里，同一个任务背后可能已经动态调用了多种模型、多种工具和多个 subagents。

用户只看到一个目标和一个最终结果。

这大概才是 Agent 时代真正成熟以后应该有的样子。

参考资料#

• OpenAI：GPT-5.6: Frontier intelligence that scales with your ambition
  https://openai.com/index/gpt-5-6/
• OpenAI：Introducing GPT-5.5（用于上一代对比）
  https://openai.com/index/introducing-gpt-5-5/