GPT-5.6 Sol、Terra、Luna：OpenAI 把 Agent Coding 分成三档
OpenAI 预览了 **GPT-5.6** 系列：**Sol、Terra、Luna**。 这次最值得关注的，不只是“又一个更强模型来了”，而是 OpenAI 开始把 agentic coding 模型明确拆成三档：一个冲顶、一个日常、一个高频低成本��
OpenAI 预览了 GPT-5.6 系列：Sol、Terra、Luna。
这次最值得关注的，不只是“又一个更强模型来了”，而是 OpenAI 开始把 agentic coding 模型明确拆成三档：一个冲顶、一个日常、一个高频低成本。
官方在 Codex 的模型列表里给了三个非常直接的定位：
- gpt-5.6-sol：Latest frontier agentic coding model.
- gpt-5.6-terra：Balanced agentic coding model for everyday work.
- gpt-5.6-luna：Fast and affordable agentic coding model.
换成产品语言就是：Sol 负责难题，Terra 负责主力工作，Luna 负责速度和规模。
先说结论
GPT-5.6 的真正变化，是模型选择逻辑从“默认用最强”变成“按任务路由”。
过去很多团队选模型时，习惯问一个问题：哪个模型最强？
但 agentic coding 的成本结构不一样。一个真实工程任务可能包含阅读代码、搜索资料、修改文件、跑测试、修复失败、写总结等多个阶段。每一步都让最强模型来做，效果不一定显著提升，成本和延迟却会迅速上升。
GPT-5.6 的三档结构更像一个工程队列：
- 简单、重复、高频任务交给 Luna。
- 日常开发、写作、研究、规划交给 Terra。
- 真正复杂、关键、需要长时间推理的任务升级到 Sol。
如果你在做 AI 编程工具、内部自动化 Agent、研发助手，重点不是把所有请求都切到 Sol，而是设计一套合理的任务路由。
Sol：面向最难工程问题的前沿档
GPT-5.6 Sol 是这次发布里的旗舰模型。
OpenAI 在发布页中把 Sol 描述为最强模型，并强调它在编码、生物和网络安全等 agentic 任务上有提升。对开发者来说，最关键的是两点：
第一，Sol 面向复杂 coding workflow。OpenAI 提到它在 Terminal-Bench 2.1 上刷新表现，这类评测关注的不是单个函数补全，而是命令行工作流里的计划、迭代和工具协调。
第二，Sol 引入了更重的推理配置。官方提到新的 max reasoning effort，以及利用 subagents 处理复杂工作的 ultra 模式。这意味着 Sol 的定位更像“困难任务处理器”：当问题复杂到需要多轮调查、多文件改造、长链路验证时，它才最能体现价值。
Sol 适合：
- 跨模块代码改造。
- 难复现 bug 的调查与修复。
- 大型 PR 的审查和重构建议。
- 需要大量上下文的技术研究。
- 高价值、低容错的 agentic coding 任务。
但 Sol 不应该成为所有任务的默认值。它更贵，也更适合用在“多等一会儿值得”的问题上。
Terra：大多数人的默认工作模型
GPT-5.6 Terra 是三档里最像“日常主力”的模型。
OpenAI 对 Terra 的定位是 balanced model for everyday work。帮助中心也把它描述为更低成本的强模型；发布页提到 Terra 的性能与 GPT-5.5 有竞争力，同时成本低一半。
这类模型往往最重要。因为真实工作里，最常见的不是极限难题，而是大量中等复杂度任务：
- 根据需求写一版实现。
- 阅读项目并解释结构。
- 起草技术方案。
- 写测试和修复常规失败。
- 整理会议纪要或产品文档。
- 把一个想法拆成可执行步骤。
如果要给团队配置默认 agentic coding 模型，Terra 很可能是起点。它的价值不在于每个 benchmark 都第一，而是在“足够强、足够快、成本可控”之间取得平衡。
更现实的做法是：默认 Terra，遇到复杂任务再升级 Sol。
Luna：为速度和规模准备的轻量档
GPT-5.6 Luna 是最快、最低成本的一档。
这类模型容易被低估，因为它不是发布会里最耀眼的部分。但在真实系统里，低成本模型决定了 agent 能不能规模化。
Luna 适合：
- 摘要、改写、分类、标签生成。
- 日志初筛和告警解释。
- 简单代码片段生成。
- 批量文档处理。
- 高频用户交互里的轻量问题。
- 作为复杂任务前的预处理或路由模型。
在一个成熟的 Agent 系统里，Luna 可以先判断任务难度、提取关键信息、整理上下文；只有当任务升级时，再调用 Terra 或 Sol。
这会让整体系统更像工程系统，而不是一个“大模型单点调用”。
价格信号很清楚：OpenAI 想让你分层使用
OpenAI 帮助中心给出的 API 价格是按每 100 万 token 计费：
| 模型 | 输入 | 输出 | 定位 |
|---|---|---|---|
| GPT-5.6 Sol | $5.00 | $30.00 | 最强、最适合复杂任务 |
| GPT-5.6 Terra | $2.50 | $15.00 | 日常均衡 |
| GPT-5.6 Luna | $1.00 | $6.00 | 快速、低成本、高频 |
这个价格梯度本身就是产品建议：不要把所有事情都丢给最贵的模型。
对于 coding agent 来说，输出 token 往往比输入 token 更容易失控，因为模型会写计划、读日志、改代码、解释失败、再输出总结。Sol 的输出价格是 Luna 的 5 倍，这会直接影响自动化工作流的边际成本。
因此，团队应该尽早做三件事：
- 给任务分级：轻量、常规、复杂。
- 给每一级配置默认模型。
- 记录失败率、升级率、延迟和成本。
模型路由会成为 AI 工程系统里的基础能力。
可用性：不要把预览当成全面开放
截至 2026 年 7 月 10 日，OpenAI 的公开说明里有两层信息。
第一，GPT-5.6 Sol、Terra、Luna 已进入有限预览，API 和 Codex 的访问面向少量受信任合作伙伴和组织；OpenAI 帮助中心此前明确说明没有公开申请或 waitlist。
第二，OpenAI 之后更新了 ChatGPT 侧说明：GPT-5.6 Sol 正在向符合条件的 ChatGPT 计划逐步推出；Terra 和 Luna 不在标准 ChatGPT 对话中直接选择，但可在 Work、Codex 和 API 等场景使用，具体取决于计划和工作区权限。
所以普通用户现在最需要注意的是：看不到模型不代表配置错误，也不代表所有入口都已经开放。
对开发者来说，Codex CLI 还要求最低版本。OpenAI 帮助中心列出的最低版本是 Codex CLI 0.144.0。
这对开发团队意味着什么
GPT-5.6 的三档结构，会推动 coding agent 从“单模型体验”走向“多模型调度”。
一个实际可落地的策略可以是：
- Luna 负责入口层：摘要、分类、简单问答、任务难度判断。
- Terra 负责执行层：多数代码修改、文档、分析和常规自动化。
- Sol 负责升级层：复杂架构、关键修复、跨系统推理和高风险任务。
这套结构会带来一个新的产品问题：什么时候自动升级？
常见升级信号包括：
- 任务涉及多个仓库或多个系统。
- 测试连续失败且错误原因不明显。
- 需要阅读大量历史上下文。
- 用户明确要求高准确性。
- 操作可能影响生产环境。
- 模型自己判断需要更深推理。
未来的 AI 编程产品，差异可能不只在“用了哪个模型”，而在“什么时候用哪个模型”。
安全和治理不能被省略
OpenAI 在发布页和系统卡中都强调，GPT-5.6 的能力提升伴随更强的安全栈，尤其针对网络安全和生物相关高风险请求。更强的模型能帮助防御者发现和修复漏洞，但也会提高滥用风险。
这对企业落地 Agent 很关键。
只升级模型，不升级治理，是危险的。至少需要：
- 工具权限分级。
- 高风险操作人工确认。
- 终端、浏览器、代码仓库和生产系统的审计日志。
- 对 prompt injection 的隔离和检测。
- 输出验证与回滚机制。
- 敏感数据最小化暴露。
Agent Coding 的目标不是让模型“自由行动”，而是让模型在清晰边界内完成更多工作。
对开发团队的启示
GPT-5.6 Sol、Terra、Luna 的发布，标志着 OpenAI 对 agentic coding 的模型产品化进入了更明确的阶段。
Sol 代表上限，Terra 代表默认生产力，Luna 代表规模化成本。
对个人用户来说，感知可能是：复杂任务更稳，模型更像能推进工作的助手。
对开发团队来说，真正的机会是：把模型当成可调度资源，而不是一个固定按钮。
未来一段时间，AI 编程工具的核心竞争力会从“接入最强模型”变成“把任务正确分配给合适的模型，并在需要时升级推理强度”。
参考资料
License: CC BY-NC 4.0
Updated a month ago
Was this article helpful? Give it a like.
0 comments