GPT-5.6全面开放：中档模型意外封神，最贵版本却在测试中翻车

7月10日，OpenAI正式全面开放GPT-5.6系列，一共三款：Sol、Terra和Luna。同步上线的还有ChatGPT Work，这是OpenAI把Codex的部分能力搬进ChatGPT桌面端的尝试，被外界视为直接对标Claude Cowork的产品。 两周前，GPT-5.6还因为网络安全方面的考虑，只向少数经美国政府批准的机构开放。如今限制解除，社区用一整天的实测给出了三个不太一样的答案：一个意外出圈的"黑马"，一个稳但不惊艳的主力款，以及一个花了更多钱却输给上一代的旗舰版本。 OpenAI给这次发布定的关键词是"效率"。但效率这两个字，在不同任务里算出的是完全不同的结果。 被忽视的中间档:Terra 发布后第一波体验中，最出乎意料的不是主打的Sol，而是定价介于Sol和Luna之间、原本没什么存在感的Terra。 有测试者用Terra完整生成了一套瑞士杠杆擒纵机构的三维模型——真实的齿轮比例、可以正常运作的擒纵结构、呼吸式游丝，指针真的能走时。更关键的是，模型自己检查了力学关系和视觉接触点，反复迭代直到整个机芯稳定运行。这位测试者形容，这种表现"已经很接近顶尖模型的水准"。 价格上，Terra的官方定价是输入每百万token 2.5美元，输出15美元。按OpenAI给出的数据，在考察长程专业工作流能力的Agents' Last Exam测试中，Terra和Luna用大约十六分之一的成本，跑出了超过顶级旗舰模型Fable 5的成绩。 Notion联合创始人Simon Last在官方公告中提到，不少原本跑在GPT-5.5上的智能体任务，切换到Terra后表现基本不变，但成本减半，token消耗也降低了。 不过市场对Terra的看法并不统一。也有用户在看过Artificial Analysis的性价比曲线图后表示，从数据上很难看出选择Terra的理由，认为Luna或Sol在整条曲线上都是更划算的选择。 Sol:安全牌,不是革命牌 相比Terra的意外走红，社区对主力款Sol的评价要冷静得多。 一位活跃在海外社交平台上的开源AI开发者总结道，Sol并不是像上一代旗舰Fable那样的全新架构，本质上只是在GPT-5.5基础上的一次扎实升级，谈不上革命性突破。但他也补充说，这仍然是目前订阅计划里能用到的最好的模型。 另一个流传更广的比喻来自内容平台Every的联合创始人兼CEO Dan Shipper，他把GPT-5.6和Fable 5的关系比作保时捷和曲速引擎——日常通勤用保时捷就够了，真要跨星系还得靠曲速引擎。 这个比喻背后有具体数据支撑。在Triple Whale的七项基准测试中，Sol得分4.4，GPT-5.5为4.0，而对标的Claude 4.8是3.5。从电商页面到数据仪表盘，Sol能持续交付完整、响应式的界面，每一项表现都刚好够用。 这恰恰是"日常通勤"型产品需要的东西：不是跑得最快的车，而是最不会让人迟到的车。OpenAI这次似乎没有打算在所有场景里和顶级旗舰硬拼极限能力，而是把重点放在了性能、速度和成本三者的平衡上。 Ultra的翻车现场 如果故事到Sol为止，这次发布会是一次干净利落的胜利。但最贵的Ultra版本，在一组物理模拟测试中出了问题。 某项目团队用四个模型跑了同一组HTML5物理演示测试，任务是生成三个自包含的物理场景：怪物卡车后空翻落在车顶上、特技车飞跃六辆大巴后撞墙、火车脱轨坠桥入水。测试结果显示： GPT-5.6 Sol Ultra：消耗约3.29万token，成本0.33美元，但物理效果反而比上一代GPT-5.5更差； GPT-5.5：消耗约1.24万token，成本0.11美元，在卡车翻转和火车脱轨两项测试中表现更好； Claude Opus 4.8：消耗约9200token，成本0.24美元； Grok 4.5：消耗约7000token，成本0.08美元，但三项测试里有两项失败。 三倍的价格，换来的却是更差的结果。测试者的结论毫不留情：Ultra画面细节更丰富，但物理表现实际上是退步的，本质上像是花三倍的钱，买了一个物理更弱、画面更好看的GPT-5.5。 OpenAI对Ultra的设计定位是"协调多个智能体并行工作"，默认由四个智能体同时处理任务，用更多token换取更强的结果和更快的交付速度。这个逻辑在可拆分的并行任务上听起来合理，但物理测试揭开了一个结构性问题：多智能体协调本身也要消耗token，如果协调没有转化成更好的最终输出，用户实际上是在为更多的"内部讨论"买单，而不是更好的答案。 有分析人士补充解释，物理模拟这类任务恰好暴露了普通编码基准测不出来的弱点——模型可以用更多token去描述更丰富的场景，却依然在真正困难的部分掉链子：力的维持、动量、碰撞时机，以及跨帧的物体行为可信度。 需要说明的是，这组测试选择的物理模拟属于需要全局一致性的任务类型，Ultra的多智能体架构在可拆分的并行任务上可能有不同表现。但这也提醒用户：面对不可拆分的任务，更多智能体协作并不必然带来更好的结果。 模型还没用熟,下一代传闻已经在路上 GPT-5.6发布当天，社交平台上已经开始流传下一代GPT-6可能很快到来的消息。这一传闻尚未获得OpenAI官方确认，发布时间和技术路线目前都没有可靠信息。 但传闻本身击中了开发者的一种真实焦虑：模型迭代速度越来越快，为一个新模型调整好提示词、参数和工作流之后，这套适配到底能用多久？有用户直言，很多人还没来得及真正用上5.6系列，就已经在讨论下一代产品，这多少让整个5.6系列显得有些尴尬。 这种判断或许不完全公平，新模型出现并不意味着旧模型立刻失去价值。但对企业用户来说，模型的效率账不能只算每百万token的价格。切换模型、重新测试能力边界、修改提示词、迁移工作流，同样都是实实在在的成本。模型省下的钱，只有在被稳定使用足够长的时间之后，才真正算数。 效率牌，打给谁看 GPT-5.6的效率叙事，其实有两个不同的观众。 一个是开发者社区，他们在跑分、比价、算性价比，得出的结论是分裂的：Ultra不值，Sol够用，Terra争议最大——有人说它接近顶尖水准，也有人说它在性价比曲线上没有存在的必要。这两种判断能同时成立，是因为大家测的根本不是同一件事。 另一个观众，是资本市场。据媒体报道，OpenAI已经秘密提交IPO招股书，私募市场估值约为8520亿美元，且正在寻求一万亿美元的IPO估值；Anthropic今年5月完成新一轮融资后估值达到9650亿美元，成为全球最有价值的AI公司。两家公司都在争夺同一个上市窗口。 "更好或持平，但更便宜"，这句话更像是说给企业CFO听的，而不是说给开发者听的。CFO关心的是单位智能成本，开发者关心的是极端场景下模型到底行不行——这本来就不是同一件事。 而在GPT-5.6发布当天，几个外围动作让"效率"这张牌显得格外拥挤：Anthropic在发布后宣布调整Claude的周度费率，被部分用户解读为对OpenAI新动作的直接回应；Meta同日发布了Muse Spark 1.1；SpaceX方面则在前一天发布了Grok 4.5。同一周内，四家公司都有大动作——效率显然不是OpenAI一家的独家故事，而是整个行业价格战的一部分。 那道线 把24小时的社区评测数据放在一起看，GPT-5.6呈现出的画像，比官方博客描述的要复杂，也更真实。 Terra是最容易被低估的一款，用远低于旗舰的成本跑出了接近顶尖水准的表现，证明效率提升是真实存在的，只是没有出现在最先被关注的那个型号上。Sol是安全的选择而非革命性的选择，"保时捷不是曲速引擎"这个比喻之所以传播得快，正是因为它精准地绕开了官方叙事的夸大成分，给出了一个用户真正用得上的定位。Ultra的物理测试则至少证明了一件事：多智能体并行不会自动带来更好的结果，在需要维持统一规则和跨帧一致性的任务里，协调成本可能会抵消并行带来的收益。 而悬在整个5.6系列头顶的，是GPT-6的传闻——这也是效率叙事里最深的一层矛盾：一边被告知这个模型很省、很值，一边又清楚它可能下个月就被新一代取代。 社区翻完GPT-5.6发布首日的账单，得到的答案不是简单的"好"或"不好"，而是同一个"效率"，在不同任务里算出了完全不同的结果。OpenAI算的是基准成绩、token消耗和预估成本；开发者算的是具体任务能不能一次做对；而企业最终要算的，是切换模型、重新适配和长期运行之后的总账。 GPT-5.6带来的效率提升是真实的，但它并不统一，也不是换上新模型就会自动兑现。Terra在部分工作流里展现出了很强的性价比，Sol提供了更稳妥的性能与成本平衡，Ultra则需要更挑任务——多花出去的token，必须换来足够好的结果，才能算作真正的效率。 归根结底，模型变得更便宜，不等于任务一定做得更省。真正有意义的效率，永远只有一种:花更少的钱，把事情做完，还不用返工。