Luna、Terra、Sol 三个怎么选？
按任务难度和成本敏感度选。Luna 面向成本敏感、高吞吐的日常任务（摘要、起草、常规自动化），AA Intelligence Index 51 分、每任务约 $0.21；Terra 面向高并发生产场景（客服、内部工具、文档分析），55 分、约 $0.55；Sol 面向最高难度的编程、科研与安全任务，59 分、约 $1.0 量级。Luna 的性价比约为每美元 24 个基准分，是三者中最高的。
GP
GPT-5.6 Luna
发布时间: 2026-06-26更新于: 2026-08-23知识截止: 2026-02-16浏览量: 1,031
模型参数
暂无数据
上下文长度
1.05M
多语言支持
支持
推理能力
3/5
GPT-5.6 Luna 是 OpenAI 于 2026 年 6 月 26 日限定预览、7 月 9 日正式全面开放的 GPT-5.6 系列低成本模型，面向摘要、起草、分类和常规自动化等高吞吐日常任务。2026 年 7 月 30 日 OpenAI 将其价格一次性下调 80%，当前为每百万 tokens 输入 0.20 美元、输出 1.20 美元，比旗舰 Sol 便宜约 25 倍。反直觉的是它的智能体成绩并不低：Agents’ Last Exam 50.3 分，与 Terra 的 50.4 和 Sol 的 53.6 仅差 3.3 分；其余为 AA Intelligence Index 51、Terminal-Bench 2.1 84.70、DeepSWE 67.20、AA Coding Agent Index 74.6，每任务成本约 0.21 美元。但它有一个必须避开的硬伤：MRCR 长上下文召回仅 41.3%，而 Sol 为 91.5%、Terra 为 89.6%，因此尽管名义上下文同为 1.05M tokens，也不应用于大文档分析或长代码库推理，只适合较短、范围明确的任务。
数据优先来自官方发布（GitHub、Hugging Face、论文），其次为评测基准官方结果，最后为第三方评测机构数据。 了解数据收集方法
GPT-5.6 Luna
模型基本信息
推理过程
支持
思考模式
思考水平 · 中 (Medium) (默认)常规模式思考水平 · 低 (Low)思考水平 · 高 (High)
上下文长度
1.05M tokens
最大输出长度
128K tokens
模型类型
推理大模型
输入/输出模态
文本、图像 → 文本
发布时间
2026-06-26
模型文件大小
暂无数据
MoE架构
未公布
总参数 / 激活参数
未公布 / 未公布
知识截止
2026-02-16
GPT-5.6 Luna
开源和体验地址
代码开源状态
不开源
预训练权重开源
不开源
GitHub 源码
暂无
Hugging Face
暂无
在线体验
暂无
GPT-5.6 Luna
官方介绍与博客
DataLearnerAI博客
暂无
GPT-5.6 Luna
API接口信息
接口速度
5/5
💡默认单位：$/100万 tokens。若计费单位不同，则以供应商公开的原始标注为准。
标准模式
| 类型 | 适用条件 | 输入 | 输出 |
|---|---|---|---|
| 文本 | - | $0.200/ 1M tokens | $1.20/ 1M tokens |
long-context
| 类型 | 适用条件 | 输入 | 输出 |
|---|---|---|---|
| 文本 | - | $0.400/ 1M tokens | $1.80/ 1M tokens |
缓存定价Prompt缓存
| 类型 | 有效期 | 写入 | 读取 |
|---|---|---|---|
| 文本 | 30m | $0.250/ 1M tokens | $0.020/ 1M tokens |
表中「—」表示该模态在此方向不计费，或供应商未公开对应价格。
GPT-5.6 Luna
评测结果
GPT-5.6 Luna 当前已收录的代表性评测结果包括 PinchBench v2（4 / 45，得分 88.67）、GPQA Diamond（28 / 253，得分 91.60）、ECI（21 / 167，得分 156.32）。 本页还汇总了参数规模、上下文长度与 API 价格，便于结合评测结果与部署约束一起判断模型适配度。
抽象归纳与泛化
共 15 项评测评测名称 / 模式
得分
排名/总数
科学知识与推理
共 10 项评测评测名称 / 模式
得分
排名/总数
自主开发与终端任务
共 11 项评测评测名称 / 模式
得分
排名/总数
仓库修复与多文件工程
共 5 项评测评测名称 / 模式
得分
排名/总数
跨能力聚合指数
共 5 项评测评测名称 / 模式
得分
排名/总数
图像感知与视觉推理
共 6 项评测评测名称 / 模式
得分
排名/总数
科学计算与科研编程
共 6 项评测评测名称 / 模式
得分
排名/总数
客服与业务流程
共 8 项评测评测名称 / 模式
得分
排名/总数
法律
共 3 项评测评测名称 / 模式
得分
排名/总数
金融
共 3 项评测评测名称 / 模式
得分
排名/总数
数学
共 5 项评测评测名称 / 模式
得分
排名/总数
机器学习工程
共 2 项评测评测名称 / 模式
得分
排名/总数
文档与图表理解
共 5 项评测评测名称 / 模式
得分
排名/总数
和其他模型对比
GPT-5.6 Luna
发布机构
OpenAI
查看发布机构详情 GPT-5.6 Luna
模型解读
系列里最便宜的一档，便宜得很夸张
GPT-5.6 Luna 是 OpenAI 于 2026 年 6 月 26 日限定预览、2026 年 7 月 9 日随 GPT-5.6 系列正式全面开放的低成本高吞吐模型，面向摘要、起草、分类和常规自动化这类量大、单价敏感的日常任务。
它最戏剧性的变化发生在 2026 年 7 月 30 日：OpenAI 一次性把 Luna 的价格下调了 80%，当前为每百万 tokens 输入 0.20 美元、输出 1.20 美元，缓存输入 0.02 美元。对比同系列旗舰 Sol（促销价 4/20 美元），Luna 在输入和输出两端都便宜 约 25 倍。
令人意外的是，它的智能体成绩并不低
便宜 25 倍通常意味着能力断崖，但 Luna 在部分基准上的表现相当反直觉：Agents’ Last Exam 50.3 分，而旗舰 Sol 是 53.6、Terra 是 50.4——三者只差 3.3 分。其它成绩包括 Artificial Analysis Intelligence Index（max 档）51 分、Terminal-Bench 2.1 84.70、DeepSWE 67.20、AA Coding Agent Index 74.6，每任务成本约 0.21 美元，约为 Sol 的五分之一，折算下来性价比约为每美元 24 个基准分。
但有一个硬伤，必须避开
Luna 的长上下文召回是整个系列的明显断点：MRCR 仅 41.3%，而 Sol 为 91.5%、Terra 为 89.6%。这不是「略差一些」，而是量级差异。
它的直接含义是：不要把 Luna 用在大文档分析、长代码库推理或任何需要跨长上下文准确检索的场景——哪怕它名义上也支持 1.05M tokens 的上下文窗口，塞进去的内容它未必找得回来。真正适合它的是较短、范围明确、单步能完成的任务。需要读长文档时，升到 Terra 的成本仍然远低于 Sol。
规格与安全评估
上下文窗口 1.05M tokens（输入最高 922K、最大输出 128K），知识截止 2026 年 2 月 16 日，输入支持文本与图像。与系列一致，单次输入超过 272K tokens 后按输入 2 倍、输出 1.5 倍计费。
Luna 与 Sol、Terra 共享同一份 OpenAI GPT-5.6 系统卡，网络安全与生物/化学两项风险能力评级均为 High，详细披露见 GPT-5.6 Sol 页面。
官方来源
GPT-5.6 Luna
常见问题
Luna 不适合做什么？
不适合大文档长链路工作流。它的长上下文召回相对偏弱，MRCR 只有 41.3%，虽然名义上下文是 1.05M tokens，但实际在超长上下文里精确检索信息的能力跟不上。官方和实测都指向同一结论：把它用在较短、范围明确的任务上。
Luna 的价格是多少？
每百万 tokens 输入 $1.00、缓存命中输入 $0.10、输出 $6.00（另有 $2.00 / $9.00 一档的计价档位）。作为对比，Terra 是 $2.50 / $15.00，Sol 是 $5.00 / $30.00——Luna 大约是 Sol 的五分之一。
Luna 的实测成绩怎么样？
在库内已收录的成绩中，Terminal-Bench 2.1 无工具档 84.70 排 44 个模型第 10，DeepSWE 67.20 排 27 个第 6，Agents' Last Exam 50.30 排 11 个第 3，FrontierMath v2 82.11 排 34 个第 8，GPQA Diamond 91.60 排 226 个第 27。作为系列里最便宜的一档，这些成绩相当能打。但 AA Intelligence Index 51 分在 8 个模型中排第 7，综合智能水平确实是三者最低。
Luna 的安全评级如何？
Luna 与 Sol、Terra 共享同一份 OpenAI GPT-5.6 system card 安全评估，网络安全与生物/化学风险两项能力评级均为「High」。详细披露内容在 GPT-5.6 Sol 页面。
DataLearner 官方微信
欢迎关注 DataLearner 官方微信，获得最新 AI 技术推送
