OpenAI在7月9日把GPT-5.6全系——Luna、Terra、Sol——推上线，三档价格分别是Luna每百万token 1美元/6美元、Terra 2.5美元/15美元、Sol 5美元/30美元，比Anthropic旗舰Claude Fable 5的10美元/50美元便宜近一半。OpenAI自己拿出的成绩单也很漂亮：在自设基准Agents' Last Exam上，Sol以53.6分把Fable 5甩开13.1分。可翻到另一张业内公认的编程基准SWE-Bench Pro，风向整个反过来——Fable 5拿到80%，Sol只有64.6%，落后近16个百分点。更耐人寻味的是，GPT-5.6上线前一天，OpenAI专门发文说SWE-Bench Pro"约30%任务已损坏"，建议同行谨慎对待这个基准的结果。三件事摆在一起，比单看哪个模型更强更值得琢磨。
一张考卷考出两个分数
Agents' Last Exam覆盖55个专业领域的长程任务，是这次发布里OpenAI最卖力宣传的指标：Sol 53.6分，中等推理档也能以约四分之一的成本反超Fable 5约11.4分；连最小的Luna，也能以约十六分之一的成本追平甚至超过Fable 5。数字漂亮，但这张考卷是OpenAI自己出的，题目和评分标准都握在自己手里——第三方转述里出现的是"Sol在code mode下得分50.9%"，和官方引用的53.6存在差距，是模式不同还是版本迭代，目前没有更清楚的说明。一场自设基准的胜利，含金量本来就要打折扣，分数本身还对不齐，更值得多问一句：哪个数字才是最终口径。
公认基准上，Fable 5反超近16分
Fable 5的80%分数经Anthropic官方定价页确认，Sol的64.6%却只出现在这篇转述里，暂时没找到OpenAI官方原始出处。更巧的是时间点——GPT-5.6上线前一天，OpenAI刚发过一篇文章，质疑SWE-Bench Pro约30%的任务"已损坏"。
自己占优的基准大力宣传，对手占优的基准先发文质疑可信度
这套组合拳在基准营销里不算新鲜，但发生在同一周，很难不让人多想一层。需要留个心眼的是，OpenAI官方还有一篇标题相近、内容是"为什么不再评测SWE-bench Verified"的文章，容易和"约30%任务已损坏"这篇被混着引用——SWE-bench Verified和SWE-bench Pro是两个不同的基准，看到有人把两者的结论安在一起，最好回头查一下原文标题。
- 风险.Sol在SWE-Bench Pro的64.6%这个具体数字暂无独立信源核实，不宜当成双方都认可的公开数据。
开发者体验，可能跟基准分数没什么关系
拿到Sol早期访问权限的观察者反馈很值得记一笔：在复杂编程任务上，Sol表现称职，但没有明显强于Fable 5——这和官方基准里"全面碾压"的结论方向相反。一个可能被忽略的解释是，Anthropic在Fable 5上加强了安全防护，比如针对越狱的检测框架，有用户反映编程类请求被拦截或路由的频率变高了。如果真是这样，开发者对Sol的偏好里，有一部分可能是躲避Fable 5的"误伤"，而不是Sol的代码能力真的更强——这是两回事，基准分数测不出来。
- 结论.基准分数测不出来的，往往是产品体验层面的摩擦，而这部分才真正决定开发者会不会切换。
定价之外，真正要看的是新API
除了跑分打架，GPT-5.6这次更实在的更新在API层面：Programmatic Tool Calling让模型直接编排JS调用工具链，Multi-agent把子代理机制做进了核心API，Prompt cache breakpoints引入显式缓存断点，最短缓存生命周期30分钟，写入按1.25倍未缓存价格计费，读取仍有90%折扣。这套显式缓存的思路是从Anthropic那边学来的，只是OpenAI依然保留了自动检测缓存的选项，两条路子谁更省钱，得看具体工作流，不是一句话能说清。
| 模型 | 输入价格/1M | 输出价格/1M |
|---|---|---|
| GPT-5.6 Luna | $1 | $6 |
| GPT-5.6 Terra | $2.50 | $15 |
| GPT-5.6 Sol | $5 | $30 |
| Claude Opus | $5 | $25 |
| Claude Fable 5 | $10 | $50 |
对企业客户来说，眼下最现实的动作不是急着切换，而是把同一段代码分别丢进Sol和Fable 5跑一遍，看实际花费和完成质量，而不是照抄任何一方发布的跑分。