北京
出品 | 网易智能
作者 | 辰辰
编辑 | 王凤枝
OpenAI说，GPT-5.6的关键词是"效率"。
社区测了一天，算出了三个答案。
Terra意外出圈；Sol稳，但谈不上革命；最耗资源的Ultra，却在一组物理测试里花了GPT-5.5三倍的钱，结果还更差。
7月10日，OpenAI全面开放GPT-5.6系列：Sol、Terra和Luna。一起上线的还有ChatGPT Work，OpenAI把Codex的部分能力带进ChatGPT桌面端，直接对标Claude Cowork。
两周前，GPT-5.6还因网络安全问题，只向少数经美国政府批准的机构开放。
现在限制解除，用户只关心一件事：
多花出去的token，到底有没有换来更好的结果？
一、被低估的那个
第一波体验中，一个容易被忽略的名字开始出现：Terra。
有人用Terra跑了钟表制造测试，生成完整的瑞士杠杆擒纵机构三维模型。真实的齿轮比、可工作的擒纵、呼吸式游丝，指针真的在走时。然后它自己检查了力学和视觉接触点，反复迭代直到整个机芯稳定。
评测者的原话："感觉非常接近 Mythos级别的模型。"
Terra 的官方定价：输入每百万 token 2.5美元，输出15美元。按 OpenAI 官方估算，在考察长程专业工作流的 Agents' Last Exam 中，Terra 和 Luna 以约十六分之一的成本超过了 Fable 5。
这不是 Sol。这是中间那档。
Notion 联合创始人西蒙·拉斯特（Simon Last）在官方公告中的评价更直接："很多跑在 GPT-5.5上的智能体，换到 Terra 上表现一样好，成本减半，token 消耗少16%。"
对 Sol 本身的评价，社区要冷静得多。
技术大 V Jun Song 是活跃在 X 上的开源 AI 开发者，他的总结被大量转发："不是 Fable 那样的全新架构。只是基于 GPT-5.5的一次扎实升级。三个月等来的更新，谈不上革命。"但他加了一句："仍然是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 Every 公司的联合创始人兼 CEO 丹·希珀（Dan Shipper），他发帖称："GPT-5.6像保时捷，Fable 5像曲速引擎。跨星系用 Fable。日常通勤用5.6。"
前端设计有这样一个具体数字。在 Triple Whale 的七项基准测试中，Sol 得分4.4，GPT-5.5是4.0，Claude 4.8是3.5。从电商页面到仪表盘，持续交付完整、响应式的界面。每一项都刚好够好。这恰好是"日常通勤"所需要的：不是最快的车，是最不会让你迟到的车。
这是一个比"颠覆性"更诚实的定位。Sol 不是来推翻 Fable 的。它是来让更多人在更多场景下用得起够好的 AI。
听起来像是精准的市场定位。
更准确地说，OpenAI 没有在所有场景里和 Fable 硬拼极限能力，而是把重点放在性能、速度和成本的平衡上。
但也有人不同意 Terra 的好评。有用户看了 Artificial Analysis 的性价比曲线图后直接评论："看不出用 Terra 的理由。Luna 或 Sol 在整条线上都是更好的选择。"
二、Ultra 的翻车现场
如果 GPT-5.6的故事到此为止，它是干净的。效率提升，定位清晰，社区多数人点头。
但至少在一组 HTML5物理演示测试里，Ultra 翻车了。
Atomic Chat 项目团队跑了一组 HTML5物理演示测试。四个模型，同一个提示词：生成三个自包含的物理场景，怪物卡车后空翻落车顶、特技车飞跃六辆大巴撞墙、火车脱轨坠桥入水。
结果如下：
- GPT-5.6 Sol Ultra：32900个 token，0.33美元。物理效果比 GPT-5.5更差。
- GPT-5.5：12400个 token，0.11美元。卡车翻转和火车脱轨两项，赢了 Sol Ultra。
- Opus 4.8：9200个 token，0.24美元。
- Grok 4.5：7000个 token，0.08美元（三个测试两个失败）。
三倍的价格。更差的结果。
依据这个账单，测试者的结论不留情面："Sol Ultra 画图跟 GPT-5.5一样，只是细节更多。物理真的变弱了。本质上是 GPT-5.5加更弱的物理和更好看的画面，收你三倍的钱。"
OpenAI 对 Ultra 的定义是"协调多个智能体并行工作"，默认四个智能体同时跑，用更多 token 换更强结果和更快交付。
逻辑上说得通。
但物理测试揭开了逻辑裂缝：多智能体协调本身消耗 token。如果协调没有让最终输出更好，用户就是在花钱买更多内部讨论，而不是更好的结果。
AI 领域意见领袖罗翰·保罗（Rohan Paul）转述了这项测试，并补充了技术解释："物理演示暴露了普通编码基准隐藏的弱点。一个模型可以花更多 token 描述更丰富的场景，却仍在难的部分失败：维持力、动量、碰撞时机和跨帧的可信物体行为。"
当然，需要说明的是，这组测试选的是物理模拟，一个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表现不同。但物理测试恰恰暴露了它的结构性弱点：当任务不可拆分时，更多智能体不等于更好结果。
而且烧掉的更多 token，是用户在付钱。
三、模型还没用熟，下一代传闻已经来了
GPT-5.6发布当天，X 上已经开始流传 GPT-6可能很快到来的消息。相关传闻尚未得到 OpenAI 确认，其发布时间和技术路线也都没有可靠结论。
但传闻本身仍然击中了开发者的一种真实焦虑：模型迭代越来越快，为一个新模型调整提示词、参数和工作流之后，这套适配究竟能使用多久？
一位用户问："人们还没时间真正用上5.6，已经在谈6了。这不就让整个5.6系列显得毫无意义？"
这个判断未必公平。新模型出现，也不意味着旧模型立刻失去价值。
但对企业来说，模型效率不能只算每百万 token 的价格。切换模型、重新测试边界、修改提示词和迁移工作流，同样都是成本。
模型省下的钱，只有在它被稳定使用足够长时间后，才真正算数。
四、效率牌，打给谁看
GPT-5.6的效率故事，有两个观众。
一个是开发者社区。他们在跑分、比价、算性价比。结论是分裂的。Ultra 不值，Sol 够用，Terra 吵得最凶。有人说它接近 Mythos，有人说它在性价比曲线上没有存在理由。两种判断同时成立，因为测的不是同一件事。
另一个是华尔街。
OpenAI 已秘密提交 IPO 招股书。CNBC 和《纽约时报》的最新报道显示，其私募市场估值约为8520亿美元，而且 OpenAI 正在寻求1万亿美元的 IPO 估值。Anthropic 在5月完成新一轮融资，据《卫报》当时的报道，估值达到9650亿美元，由此成为全球最有价值的 AI 公司。两家都在抢上市窗口。
"更好或持平，但更便宜"，这是说给企业 CFO 听的，不是说给开发者听的。 CFO 关心单位智能成本，开发者关心极端场景下的表现。两种人关心的不是同一件事。
而在 GPT-5.6发布当天，三个外围动作让"效率"这张牌更显拥挤。
GPT-5.6发布后，Anthropic 也宣布调整 Claude 的周度费率。有用户将这一时间点解读为对 OpenAI 新动作的回应。
科技分析师、AI 领域大 V 金·艾森伯格（Kim Isenberg）的说辞一针见血："态度很明确了。"
Meta 同日发布 Muse Spark 1.1。SpaceX 前一天发了 Grok 4.5。同一周，四家公司有大动作。
效率不是 OpenAI 的独家故事。它是全行业的价格战。 OpenAI 说"我们效率高"，翻译一下：别去找更便宜的替代品。
GPT-6的幽灵在上面飘着。你刚买的模型，可能下个月就过时了。效率是时间的函数，你得用够久，省下的钱才算数。
五、那道线
回到社区评测。
把24小时的数据放在一起看，GPT-5.6的画像比官方博客复杂，也更诚实。
第一，Terra 是最被低估的一款。 接近 Mythos 级的表现，十六分之一的价格。如果 OpenAI 的定价让你困惑，为什么 Terra 夹在 Sol 和 Luna 中间好像没有存在感，Terra 的存在本身就是解释。它证明了效率提升是真实的，只是不在你最先关注的那个型号上。
第二，Sol 是安全的选择，不是革命的选择。 "保时捷不是曲速引擎"被传播得这么快，因为它精准地绕过了官方叙事的夸大，给了一个用户能用的定位：日常通勤的最优解。
第三，Ultra 的物理测试至少暴露了一个问题：多智能体并行并不会自动带来更好的结果。 在需要维持统一物理规则和跨帧一致性的任务里，协调成本可能抵消并行收益。这不是对多智能体路线的否定，而是提醒用户：Ultra 适合什么任务，仍需要按场景验证。
第四，GPT-6的幽灵悬在整个5.6系列上空。 这是效率叙事最深的矛盾：你告诉我这个模型很省、很值，但我也知道你可能下个月就让它过时。
社区翻完 GPT-5.6的第一天账单，答案不是"好"或者"坏"。
而是同一个"效率"，在不同任务里算出了不同结果。
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；企业最终要算的，则是切换模型、重新适配和长期运行之后的总账。
GPT-5.6的效率提升是真的。但它不是统一的、全面的，也不是换上新模型就会自动兑现。
Terra 在部分工作流里显示出了很强的性价比；Sol 提供了更稳妥的性能与成本平衡；Ultra 则需要更挑任务，多花的 token，必须换来足够好的结果，才算效率。
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，仍然只有一种：花更少的钱，把事情做完，还不用返工。
