GPT-5.6家族——旗舰Sol、均衡型Terra、性价比型Luna——结束了数月的限量预览，正式向更广泛用户开放。这次发布最扎眼的不是模型本身，而是OpenAI挑的对比对象和给出的结果：在多项自选跑分上，Sol被描述为全面压制Anthropic的Claude Fable 5，且成本更低、速度更快。但把这份成绩单摆到独立第三方评测机构Artificial Analysis的公开榜单旁边，两边给出的答案并不一致——这才是这次发布真正值得追问的地方。

三档模型先算成本账

GPT-5.6按能力和价格分成三档，官方定价（每百万token）是：Sol输入5美元/输出30美元，Terra输入2.5美元/输出15美元，Luna输入1美元/输出6美元。这次还新增了ultra模式，默认协调四个智能体并行处理复杂任务，用更高的token消耗换取更快的完成速度；配合Responses API里的Programmatic Tool Calling，模型可以自己写小程序调度工具、过滤中间结果，减少来回调用模型的次数。

模型输入价格($/百万token)输出价格($/百万token)定位
Sol530旗舰，复杂任务
Terra2.515均衡，日常工作
Luna16性价比优先

按官方给出的数据，Terra和Luna在编程类基准上分别接近或超过Fable 5，成本却只有对方的四分之一到十六分之一。这个价格结构本身没有争议，争议出在跑分怎么算。

官方说赢了，独立榜单说没赢

OpenAI在Agents' Last Exam上给出Sol以53.6分领先Fable 5达13.1分，在Coding Agent Index上以80分领先2.8分，且token消耗和延迟都明显更低。这些都是自选基准，由OpenAI自己搭建或主导解读。

问题在于，独立聚合评测机构Artificial Analysis的公开榜单讲的是另一个故事：其Intelligence Index上Fable 5以60分排名第一，领先GPT-5.5；同一机构的Coding Index（注意，这是模型层面的编程能力评测，不同于OpenAI引用的"Coding Agent Index"，后者衡量的是Terminal-Bench、DeepSWE等agent配置下的综合表现）上，Fable 5同样以76分领先。两套指标名字相近、口径不同，但给普通读者的直观印象确实是冲突的：一边说自己赢了，第三方榜单却没把冠军给它。

跑分的可信度，最终取决于谁定义了"赢"

这不代表OpenAI的数据造假——在Terminal-Bench 2.1这类具体单项测试上，第三方报告确实显示Sol以约88.8%对Fable 5约84.3%小幅领先，双方在细分项目上互有胜负。但把"agent综合指数"和"模型能力指数"混在一起对比，本身就容易让读者误以为是全面碾压。选跑分讲故事，是这轮前沿模型竞赛里几乎所有厂商都在做的事，GPT-5.6只是又一个例子。

限量发布背后的"政府要求"

比跑分分歧更值得留意的是一句容易被忽略的表述：OpenAI在公告里提到，此前的限量预览是应美国政府要求在更广泛发布前进行的。这和产能爬坡式的常规渐进发布逻辑不同，更像是监管介入已经嵌进了前沿模型的发布流程，而不再只是商业节奏。

配套的安全工程细节倒是给得比较实在：Sol和Terra采用"激活分类器"在推理时监控模型内部激活状态，全系列用两层安全推理机制，OpenAI称投入超过70万个A100e GPU小时用于自动化越狱发现和红队测试，内部发现的一条通用越狱路径在缓解后成功率降到了0%。相比笼统地说"我们很安全"，这些数字至少提供了可以被后续验证的锚点。

  • 提醒.cyber安全防护收紧后，官方承认会给合法防御工作制造摩擦，因此在ChatGPT和Codex里保留了"降级重试"的选项——这本身说明safeguard的误伤率还没压到理想水平。

Terra、Luna可能才是真正的焦点

开发者社区的真实反应，和官方主推旗舰Sol的叙事有落差。围绕Sol/Terra/Luna这套命名的吐槽不少，更多讨论其实集中在Terra和Luna的性价比上——尤其是Luna，用极低成本跑赢了上一代旗舰级别的对手，这对需要大批量调用、精打细算token开销的企业客户更有实际意义。

  • 结论.对多数开发者而言，值得盯的不是Sol能不能赢过Fable 5几分，而是Terra/Luna能不能把日常任务的单位成本压得更低。

接下来该看的是三件事：ChatGPT和Codex端何时完整开放GA、Anthropic会不会针对Coding Agent Index的差距做出回应、以及独立机构会不会尽快补齐GPT-5.6在Artificial Analysis上的完整数据。在那之前，"谁真的更强"这个问题，暂时还没有一个双方都认的答案。