GPT-5.6 发布：Sol、Terra、Luna 三个版本

OpenAI 推出 GPT-5.6 系列，包含三个新尺寸：Sol、Terra 和 Luna。这三个名称分别对应太阳、地球和月球，用于区分不同能力层级的模型版本。

此次更新还引入了新的 ultra effort level。OpenAI 将其描述为最高能力设置，面向复杂任务时会协调多个智能体并行工作，以更快完成任务。

在推理档位上，文章提到：

• max 会给予 GPT-5.6 比 xhigh 更多推理时间，用于探索替代方案、执行检查并修正方法。
• ultra 默认会协调 4 个智能体并行，以更高 token 消耗换取更强结果，并缩短复杂任务的完成时间。

对于技术团队而言，这类推理档位的变化值得关注。它意味着模型调用不再只是“选一个模型”，还需要根据任务复杂度、成本预算和响应时间要求，选择合适的推理强度。类似模型能力演进与工程落地的观察，也可以参考长勺智库的相关技术内容。

基准测试与成本表现

文章称，在多个基准测试中，GPT-5.6 相比 Fable 或 Opus 具备更高性能和更低成本。

其中提到：

Terra 的表现略高于 Fable 5，Luna 超过 Opus 4.8；两者大约只需三分之一的时间、约一半输出 token，并且估算成本约为四分之一。

GPT-5.6 还被称为在 Terminal-Bench 2.1 和 DeepSWE 上取得新的最佳结果。

这两个测试的关注点有所不同：

• Terminal-Bench 2.1：侧重复杂命令行工作流，考察模型在终端环境中的任务执行能力。
• DeepSWE：侧重真实代码库中的长周期工程任务，更接近软件开发中的多步骤问题解决。

如果这些结果在更多公开评测和真实使用场景中得到验证，GPT-5.6 对开发者工具、自动化工程流程和智能体编程平台都会有实际影响。

不易量化但值得关注的能力

除可量化 benchmark 外，文章还提到 GPT-5.6 在以下方面有所改进：

• 计算机使用能力
• 演示文稿与文档生成
• 科学研究相关任务

这些能力较难通过单一基准测试完整衡量。比如，文档生成质量不仅取决于语言能力，还涉及结构组织、上下文理解、格式控制和目标读者匹配；科学研究任务也不仅是问答，而可能涉及资料整合、假设推理和实验设计辅助。

因此，这些改进更适合通过真实工作流来观察，而不是只看单项分数。

ChatGPT Work 与 Codex 桌面更新

OpenAI 同时推出 ChatGPT Work，并更新了 Codex 桌面应用。

文章认为，这可能是 OpenAI “超级应用”策略接近完成前的关键一步。当前仍未明确的问题，是其智能体浏览器后续会如何整合进这一体系。

从现有信息看，OpenAI 正在把以下几个方向进一步合并：

1. 模型能力：通过 GPT-5.6 提升推理、代码和复杂任务处理能力。
2. 工作场景：通过 ChatGPT Work 面向办公与企业协作需求。
3. 代码能力：通过 Codex 桌面应用强化开发者工作流。
4. 桌面端体验：让 AI 更接近用户的日常操作环境。

这意味着 ChatGPT 与 Codex 正在从单点工具，逐步演进为更完整的工作入口。对于开发者和技术团队来说，后续值得重点关注的是：这些能力会如何开放 API、如何定价、如何与现有 IDE 和企业系统集成，以及 ultra 推理档位在真实工程任务中的成本收益是否稳定。