GPT-5.6突袭：Codex隐退，Claude落败性价比大战

凌晨三点，开发者 Matt Shumer 在 X 上丢出一张图：一整座体素风的曼哈顿，精度高得像建模师手工雕出来的。他没写一行代码，只是把任务丢给模型，然后任由它自己跑了将近一周。图下方的标签还没改过来，但所有人都知道，这是刚上线的 GPT-5.6 Sol 干的。

就连习惯了奥特曼瘫坐在椅子上讲故事的人，这次也被节奏惊到了。没有预热的马拉松，一觉醒来，GPT-5.6 系列三个型号齐发：旗舰款 Sol，均衡款 Terra，主打性价比的 Luna。名字分别来自拉丁语里的太阳、大地和月亮，等级一目了然。

API 价格跟着拉开梯度：Sol 每百万 token 输入 5 美元、输出 30 美元；Terra 直接砍半，输入 2.5 美元、输出 15 美元；Luna 最便宜，只要 1 美元和 6 美元。

相比前代产品屡次跳票，这三款模型从发布那一刻起就开始全量推送，24 小时内陆续覆盖 ChatGPT、Codex 和 API。有用户在社交平台上调侃，Anthropic 这边似乎也默契地同步重置了 Claude 的额度——压力传导得相当直接。

更大的变化藏在产品层。Codex 独立 App 今天正式下线，但它的能力没有消失。所有 Codex 的基因被整体并入 ChatGPT，堆出一个新的 AI 超级应用。官方给出的定义很干脆：一个能跨应用、跨文件采取行动，项目执行持续数小时，最终把想法变成成品的智能体。这个新入口底下跑着的，就是 GPT-5.6 系列。

有意思的数字也随之浮出水面：Codex 每周有超过 500 万人在用，其中 100 多万人拿它干的活跟写代码没关系。也就是说，并入 ChatGPT 的 Codex，本来就已经是一个泛化使用的底座了。

如果只是发三款模型和整合一个产品，这场发布还不至于让 Claude 的名字反复出现。打开 GPT-5.6 的官方博客，你会发现 Anthropic 被提及的密度高得像在给对方打广告。

最直接的“点名”来自 Agents’ Last Exam 评测，一个横跨 55 个行业的长程智能体工作流测试。GPT-5.6 Sol 直接跑出 53.6 分，刷新纪录，比 Claude 最新自适应推理模型高出 13.1 分。OpenAI 还嫌不够，在博文里补了一句：就算 Sol 只开中档推理，也比该对手高 11.4 分，而花费的成本大约只有对方的四分之一。更小杯的 Terra 和 Luna，也在成绩上超过对手，成本进一步压到约十六分之一。

在覆盖面更广的 Artificial Analysis 智能指数上，Sol 启用最高推理档位时，与对手的分数只差 1 分，但完成任务消耗的时间少了 61%，成本低了一半左右。整场发布的核心话术其实就一个词：性价比。同样的投入干更多活，或者同样的活花更少的钱。

奥特曼本人也在 X 上同步发声，说 OpenAI 听到了企业客户对 AI 成本的担忧，而 5.6 Sol 在“每个任务花多少钱”这件事上跨了一大步，Terra 和 Luna 也一样。为了把这个省钱逻辑讲圆，计费规则也跟着做了调整：提示词缓存的写入费用按常规输入价的 1.25 倍收取，读取只收一折；开发者还可以手动设置缓存断点，缓存至少保留 30 分钟，账单从此变得更可预测。嘴上说得很好听，但实际执行时是不是另一回事，还要看后续开发者们的真实账单。

编程毫无疑问是主战场。Sol 在 Artificial Analysis 编程智能体指数上拿到 80 分，刷新纪录的同时，输出 token 不到对手的一半，耗时不到一半，成本便宜约三分之一。Terminal-Bench 2.1 和 DeepSWE 上的最高分也一并被刷新。

Terra 和 Luna 同样冲到了前排：Terra 在该指数上略高于对手，Luna 则超过 Opus 4.8，两者耗时都在对手的三分之一左右，成本约四分之一。已经上手的客户开始给出具体数据。Lovable 联合创始人称，新模型让用户构建应用的步骤少了约 25%，工具调用减少 35% 到 48%，卡死的任务降低了 15%。这些数字翻译过来就是一句话：开发过程中被打断、返工和等待的次数，整体变少了。

除了写代码，OpenAI 这次反复强调的还有两个能力：设计品味和电脑操作。官方的说法是，GPT-5.6 在设计判断力上是“跨越式进步”，只给出一个大概方向，它就能做出有审美且容易上手的界面。更关键的是，模型会利用强化后的电脑操作能力去自己查看渲染出来的结果，主动发现视觉和功能上的缺陷，收尾之后再交活。过去的模型写完代码就算完事，现在是写完还自己验收。

知识办公场景的提升同样明显。BrowseComp 网页浏览评测上，Sol 拿下 92.2% 的新纪录；OSWorld 2.0 电脑操作评测达到 62.6%，超过 Opus 4.8 的同时输出 token 少了 85%。做 PPT 这种打工人刚需，官方也给出了直观对比：让模型照着参考文件更新数据，上一代 GPT-5.5 的输出会丢失母版里的关键设计元素，而 GPT-5.6 能推断出整套设计系统，原样套用到新内容上，审美和效率双在线。