GPT-5.6 三模之争：Sol、Terra、Luna 加六档推理，到底该怎么选

开场

上周，朋友在群里问了个问题：新接手的项目用的是 GPT-5.6，Sol 开高档推理跑了一整天，账单出来竟然是 800 美元，老板当场就变了脸色。他想不通，官方文档明明说 Terra 已经够用，团队为什么还是习惯把配置直接拉满？

这种情况并不少见。GPT-5.6 一次推出了 Sol、Terra、Luna 三款模型，还提供 none、low、medium、high、xhigh、max 六档推理强度。只算模型和推理强度，就有 18 种组合；再加上 Standard、Fast 两档速度，实际搭配接近 30 种。选错一次，成本可能差 5 倍，延迟也可能增加 10 秒，但答案质量未必同步提升。

下面会拆开讲三款模型的实际差异、六档推理强度分别适合什么情况，以及不同场景下该怎么选。文中的决策矩阵和选型表，也可以留着在评审接入方案时参考。

一句话结论

先说结论：

Sol 是旗舰，Terra 是主力，Luna 更适合走量。 三个型号都支持 1M 上下文和 128K 输出上限，但价格不同：输入每百万 token 分别为 5/2.5/1 美元，输出分别为 30/15/6 美元。实际能力也各有侧重。

六档推理并不是投入翻倍，质量就会同步提升。 从 none 到 medium，通常是性价比较高的范围；从 high 到 max，收益开始变小；xhigh 则主要适合少数对结果要求极高、确实需要强推理能力的任务。

选型时，重点是任务是否匹配，而不是型号越强越好。 对大多数线上任务，Terra + medium 基本够用。Sol + max 更适合调用频率不高，但一次出错就可能带来高昂代价的场景。后面的内容会围绕这三点展开。

三模同源不同命

先看命名。这次 OpenAI 没有继续使用 Instant、Mini 这类名称，而是改用了天体名称：Sol（太阳）、Terra（地球）、Luna（月亮）。名字听起来浪漫，逻辑却很直接：数字表示世代，名称区分定位。以后，三款模型可以各自演进。

Sol 是旗舰模型。它主要处理复杂代码生成、多步骤推理和长链条规划等任务，这些任务对准确性要求很高，容错空间很小。Sol 也是唯一支持 max 推理档的模型，延迟最高，单价也最高。金融风控、法律合规、深度研究等场景更适合使用它，因为一次错误造成的损失，通常高于多运行一天的成本。

Terra 是均衡型主力。它的价格正好是 Sol 的一半，能力覆盖日常任务的大约 80%，包括客服对话、内容生成、中等复杂度的代码补全和 RAG 问答。对大多数团队来说，默认模型应该选 Terra，而不是 Sol。

Luna 负责大规模调用。它的单价只有 Sol 的 1/5，适合分类、摘要、意图识别、简单改写等高并发、低复杂度任务。它不是「阉割版」，而是专门针对规模化调用做了优化。用 Sol 做意图分类，就像用挖掘机挖花盆，不是做不到，只是成本和能力都用过了头。

三款模型的思路很清楚：按场景分层，不再试图让一个模型包办所有任务。开发者需要根据任务选择合适的模型。这也是这一代产品设计中最明显的变化。

差距到底在哪

很多人对比模型时只看跑分，但跑分最容易掩盖实际差异。三款模型的区别，主要体现在下面几个方面。

训练算力和参数规模。 官方没有公布具体数字，但从推理延迟和上下文利用率来看，可以大致推测，Sol 的激活参数明显多于 Terra，Terra 又多于 Luna。这会影响模型处理长上下文时的注意力衰减速度。同样输入 80 万 token，Sol 对末尾内容的召回率还能维持在 90% 以上，Luna 则会降到 60% 左右。

训练语料的侧重点。 Sol 在代码、数学和科研论文上的训练权重更高，Terra 更偏通用对话和工具使用，Luna 则通过大量蒸馏来处理高频短任务。所以面对同一道 LeetCode Hard，Sol 可能一次答对，Luna 却可能反复出错。原因不一定在模型本身，而在于 Luna 接触这类语料的程度不够。

对齐策略的差异。 Sol 在 RLHF 阶段更倾向于“不知道就不回答”，Luna更倾向于尽快给出答案。实际使用时，Sol 的拒答边界通常更保守，Luna 则更容易给出听起来合理、实际并不准确的内容。在严肃场景中，这种差异通常比跑分更值得关注。

能力边界的实测差异。 Sol 更适合需要深度推理的任务，Terra 的适用范围更广，Luna 的优势则是响应速度。只看 MMLU 分数，很难判断该选哪一个。跑分相差 3 个百分点，放到真实业务里，可能会影响模型是否可用，也可能只表现为一次运行多花两秒。

六档推理拆解

官方文档对推理档位的说明比较含糊，实际使用时很容易踩坑。下面把六档的区别说清楚。

none：不思考，直接回答。 基本相当于关闭 chain-of-thought，思考 token 几乎为 0，延迟也最低。适合意图分类、格式转换、翻译等任务，这类任务通常不需要额外推理。

low：只进行很短的思考。 内部大约生成几百到 1K 个思考 token，用于理解意图和规划基本结构。客服对话、简单 RAG、日常问答都可以使用。对 Luna 来说，这一档的表现比较合适。

medium：进行中等程度的思考。 思考 token 通常在 2K 到 8K 之间。模型会分步骤处理问题，并做一定程度的自我验证。适合中等复杂度的代码生成、报告写作和数据分析。这是 Terra 的默认档位，大多数团队也可以从这一档开始。

high：进行深度思考。 思考 token 可能超过 20K。模型会多次检查结果，并比较不同方案。它适合复杂代码重构、长链条推理和疑难问题诊断，但延迟会明显增加，一次调用可能超过 30 秒。

xhigh：进行极深思考。 思考 token 可以超过 50K，模型会投入大量计算来组织推理和验证。适合科研级问题、竞赛级数学题和复杂系统设计。成本与延迟大约是 high 的 2 到 3 倍。

max：目前只在 Sol 上开放。 这一档没有思考 token 上限，模型会进行近似穷举式的推理和验证。在真实场景中，一次调用可能需要 2 到 5 分钟，费用也可能达到几美元。除非用于前沿研究或极其复杂的决策问题，否则通常不建议使用。

关键认知是：推理档位越高，思考 token 增长得越快，但答案质量的提升会逐渐变小。从 none 调到 medium，效果通常提升得很明显；从 high 调到 max，提升幅度就很有限了。有些任务甚至会因为想得太多，反而答错。

选型决策矩阵

如果线上还在纠结模型怎么选，可以先看下面这张矩阵。很多团队迟迟定不下来，不是因为不了解模型，而是没有把任务类型、延迟要求和预算约束放在一起比较。

按任务类型选择模型：

• 分类、意图识别、摘要、翻译 → Luna
• 客服对话、内容生成、常规 RAG、日常代码补全 → Terra
• 复杂代码重构、多步骤推理、金融风控、法律合规 → Sol

按延迟要求选择档位：

• 需要秒级响应，例如客服、搜索联想 → none 或 low
• 能接受 5-15 秒，例如生成、分析 → medium
• 能接受 30 秒以上，例如后台任务、异步处理 → high 或 xhigh
• 几乎不考虑延迟，例如离线批处理、决策报告 → max

按预算敏感度组合：

• 高并发、低预算：Luna + none/low，用调用规模摊薄成本
• 均衡型：Terra + medium，通常更划算，能覆盖大多数业务
• 质量优先型：Sol + high，把预算花在真正重要的任务上
• 极限场景：Sol + xhigh/max，适合每天调用量不超过几百次的严肃决策

比较实用的做法是：先用最低配置跑出基线，再根据 Bad Case 逐步升配。 很多团队的问题不是档位太低，而是一开始就把配置拉满，成本先上去了，效果却还没验证。

边界与陷阱

前面介绍了不少推荐组合，也得说明哪些场景不适合这么用。技术文章常见的问题是只讲方案，不讲它的适用范围。

别对 Luna 抱有幻想。 它不适合处理需要多步推理的任务。即使调到 high 档，实际效果也赶不上 Terra 的 medium。想用低成本解决大问题，前提是问题不能超出它的能力范围。

别默认 Sol + max 一定最好。 有个团队曾用 Sol + max 做客服路由分类。单次调用耗时 40 秒，成本是 Luna + low 的 200 倍，准确率却只高了 1.2 个百分点。业务上几乎感觉不到差别，账单倒是涨了一个数量级。

别忽视上下文利用率。 官方标注支持 1M 上下文，不等于把内容全部塞进去后还能稳定处理。三个模型在超过 30 万 token 后，召回率都会明显下降，Luna 的下降最明显。处理长上下文时，优先考虑 Sol，也可以先分段，再做召回。

别频繁切换档位。 有些团队会按请求特征，在 low、medium、high 之间动态切换。路由逻辑会增加额外开销，还可能导致缓存失效，也很难做好 A/B 归因，省下的成本往往就这样被抵消了。除非请求量足够大、监控足够细，否则固定使用一个档位更稳。

别把六档推理当成调参游戏。 它不是普通超参数，而是任务定义的一部分。把“这个任务需要几档”写进 PRD 和 code review 检查项，通常比上线后再调更有效。

迁移与调优

如果正从 GPT-4 系列或 GPT-5 早期版本迁移到 5.6 三模体系，可以按下面的步骤执行。

第一步：任务盘点。列出所有调用 LLM 的接口，记录调用频次、平均输入长度、延迟要求和错误代价。整理完这张表，大部分模型选型问题就有答案了。

第二步：基线对齐。每类任务先用 Terra + medium 跑一版基线，记录准确率、延迟和成本。不要一开始就用 Sol，也不要急着为了省钱直接降到 Luna。先以 Terra + medium 为基准。

第三步：分类调整。基线跑完后，把任务分成三类：

• 效果达标：尝试降到 Luna 或更低档位，确认能否在不影响效果的前提下降低成本。
• 效果不足：改用 Sol 或提高档位，直到满足要求。
• 效果超标：继续下调模型或档位，否则多出来的效果只会增加成本。

第四步：AB 灰度。模型或档位配置变更后，按 5% → 20% → 50% → 100% 逐步放量。重点监控业务准确率、P95 延迟和单次调用成本。

第五步：成本监控。按模型 × 档位打点，每天生成账单。账单曲线突然上升时，先检查任务的默认档位是否被误改。这类事故至少遇到过三次，每次损失通常都从几万美元起。

技术文章最怕两件事：只讲概念，不讲代价；只讲方案，不讲边界。希望这篇文章能帮你理清 GPT-5.6 三模的定位、六档推理机制，以及选型时需要做出的取舍。团队里如果有人负责 AI 接入或成本优化，直接转给他就行，省得再重复解释一遍。

也欢迎在评论区聊聊：你们线上默认用的是哪种组合？之前为此踩过最贵的坑，又是什么？