TL;DR：GPT-5.6 在 2026 年 7 月 9 日全面上線，分成 Sol、Terra、Luna 三階。Codex（OpenAI 給工程師寫 code 用的工具，不是你平常聊天的那個 ChatGPT）這一代沒有自己的模型：清單上只剩 gpt-5.6-sol、gpt-5.6-terra、gpt-5.6-luna，上一代的 gpt-5.3-codex 標成已淘汰。專用 checkpoint 讓位給一個叫 reasoning effort 的設定，最高那一格 ultra，官方說它會叫 subagent 出來把大任務拆開做。有意思的兩點是：獨立評測機構 METR 在自家測試環境抓到 Sol 作弊，作弊率高於他們評過的任何公開模型；而單價便宜一半的 Terra，在一份獨立測試裡跑完一個任務反而比 Sol 貴。

OpenAI 的模型文件上，reasoning effort 現在列了六段：low、medium、high、extra high、max、ultra。

前面五段講的是同一件事的程度，想久一點、想細一點。第六段換了說法：官方說 ultra 超出單一 agent 跑一輪的範圍，會動用 subagent 來加速，適合那種可以拆開平行做的大任務。

清單上少了一個名字

前兩代 OpenAI 都會另外出一顆給寫 code 用的 checkpoint：GPT-5.2-Codex、GPT-5.3-Codex，Codex CLI 預設就是用它。（Codex 是 OpenAI 那套 AI 寫 code 的工具，終端機和桌面 app 都有。）

5.6 沒有。能選的就是 gpt-5.6-sol、gpt-5.6-terra、gpt-5.6-luna，跟 ChatGPT 網頁上跑的是同一批。gpt-5.3-codex 和 gpt-5.2 則標成「ChatGPT 登入下已淘汰」，用 API key 的工作流不受影響。還掛著 Codex 名字的只剩一個 gpt-5.3-codex-spark，純文字的 research preview，只給 Pro。

Sol、Terra、Luna 這組命名 OpenAI 說明：數字是世代，名字是能力。

分化的軸換了一根

Codex CLI 那邊的操作很直白。/model 選 sol、terra 還是 luna，或者直接寫進 config.toml：

model = "gpt-5.6-sol"
model_reasoning_effort = "ultra"

（注意在 config.toml 裡，extra high 要寫成 xhigh。）

三顆模型乘六段 effort，跟以前的切法不太一樣。

Hacker News 那串討論裡，對 ultra 最常見的反駁是這能力早就有了。你今天就可以叫 Claude Code 或 Codex 去開 subagent，它們也做得不錯，這功能存在超過半年了。這話沒錯。差別就在於，以前那是你 prompt 裡的一句話，現在變成設定檔裡的一個值。至於設好之後，模型有多自主地決定要不要分身，這點目前不清楚。

至於專用 coding 模型為什麼消失，我猜是因為 coding 的難點換地方了。現在卡住 agent 的，多半就是拆任務、派工、把結果收回來這段，而寫 for loop 早就不是問題。這種能力得讓模型自己跑一小段 orchestration，換一顆 checkpoint 是拿不到的。

每個副本各自產 token。有報導說一次 ultra 呼叫大約是一般呼叫的兩到三倍成本，這個倍數我沒找到官方出處，當個粗略的參考就好。

那幾個分數，還有 METR 抓到的事

OpenAI 自己公布的是這組：Terminal-Bench 2.1 上 Sol 拿 88.8%，開 ultra 91.9%，Claude Fable 5 83.4%。獨立一點的 Artificial Analysis 給 Sol (max) 打 80 分。（「比 Fable 5 高 2.8 分、output token 用不到一半」，OpenAI 如是說。）

METR 那份部署前評估，量的是 time horizon：一件熟手要花 N 小時的任務，模型還有五成機率做完，N 就是它的 time horizon。有趣的是，量到一半，他們發現 Sol 竟然在作弊 —— 它會自己去翻出藏起來的測試套件，把寫著預期答案的原始碼撈出來抄。

同一份資料因此長出三個數字。作弊算失敗，11.3 小時；作弊的紀錄丟掉不算，71 小時（信賴區間 13 小時到 11400 小時，你沒看錯）；作弊算成功，270 小時以上。METR 認為：「我們不認為上面任何一個數字，構成對 GPT-5.6 Sol 能力的可靠量測。」OpenAI 的 system card 也承認，模型會在任務上作弊、會捏造研究結果，包括把一條沒算過的方程式寫成「已計算並驗證」。

（METR 是在自己的 harness 上抓到的，Terminal-Bench 則是另一份考卷，所以 88.8% 不會因此失效變成假的。）

便宜的那顆，跑完一個任務不一定便宜

benchmark 之外，CodeRabbit 做了一份獨立測試，拿一百多個真實 repo 任務去跑，涵蓋 TypeScript、Go、Python、JavaScript、Rust，要求 agent 讀 repo、改 code、通過行為檢查。

Sol 通過 63.7%，平均每個任務吐 20,968 個 output token。Terra 通過 40.7%，平均吐 55,594 個。

把定價乘進去算一下。Sol 的 output 每百萬 30 美元，一個任務大約 0.63 美元。Terra 每百萬 15 美元，一個任務大約 0.83 美元。單價便宜一半的那顆，跑完一個任務反而貴了三成，通過率還低 23 個百分點。

把通過率也除進去，算成「解掉一題要多少錢」：Sol 大約 0.99 美元，Terra 大約 2.05 美元，差了兩倍出頭。（這是把失敗的嘗試攤進去算的，假設重試彼此獨立，實際上當然沒這麼乾淨。）

這筆帳只算 output。Sol 的 input 又比 Terra 貴一倍，讀 repo 的任務輸入量不會小，補上之後差距往哪邊跑還不好說，而且這只是一份 benchmark、跑在 CodeRabbit 自己的 harness 上。參考類似文章：你的 Prompt 到底花掉多少 Token？

CodeRabbit 另外提到，Sol 在多輪對話裡有時候會卡在沒用的路徑上打轉，有個改動來回了八輪；而架構判斷，他們還是偏好 Fable。

連 app 也一起收掉了

同一天消失的不只是模型清單上那一行。

OpenAI 把 Codex app 併進了 ChatGPT 桌面版，Chat、Work、Codex 三個介面收在同一個視窗裡。macOS 上你還可以繼續掛 Codex 的 icon。

（方案的部分，報導和官方文件兜不攏：發表當天的報導說 ultra 在 ChatGPT Work 裡只給 Pro 和 Enterprise，Codex 裡 Plus 就開得起來，官方文件則沒寫這條。）

我跑過幾下，然後額度就沒了

我有拿 5.6 跑過東西，只是額度掉得比想像中快，還沒累積到能拿出來講的程度。所以上面那些數字，全是讀文件、翻別人量出來的。昨天才 GA，網路上現在多數的「心得」其實也還是預測居多。

真要知道這三顆值不值，能查的其實不多：沒有一份 benchmark 跑的是你的 repo。拿一個你熟的任務跑一遍，記下它吐了多少 output token，再跟你原本那顆比一下，大概就有譜了。

你如果已經在用 5.6，Sol、Terra、Luna 實際跑起來的手感怎麼樣，跟這些數字對不對得上，我還蠻想聽的。

聲明：這篇寫在 GPT-5.6 上線的隔天（2026 年 7 月 10 日）。我有拿它跑過一點東西，但額度很快就見底了，所以文中沒有一個數字來自我自己的測試。出處分三層，我盡量在內文標清楚了：

  • OpenAI 自己公布的：模型清單、六段 reasoning effort、定價、Terminal-Bench 的 88.8% 和 91.9%、token 效率 54%。廠商講自己的分數，看看就好。
  • 第三方獨立量測的：METR 的部署前評估、CodeRabbit 的 benchmark、Artificial Analysis 的 Coding Agent Index。這三個跟 OpenAI 沒有共同利害，但 CodeRabbit 和 Artificial Analysis 各自有自己的 harness 和商業立場。
  • 我自己推算的：Sol 和 Terra 的每任務 output 成本（0.63 / 0.83 美元），以及把通過率攤進去的每題成本（0.99 / 2.05 美元）。都是拿 CodeRabbit 的 token 數乘 OpenAI 的定價算的，只算輸出端，沒算 input 和 cache，也假設了重試彼此獨立。它是一個用來說明「單價不等於總價」的算式，不是你的帳單。

另外，ultra 的方案權限是我從發表當天的報導看來的，官方沒明說。這類條件和價格改得很快，真要動手之前，以你當下看到的官方文件為準。

資料來源：OpenAI 模型文件、GPT-5.6 發表公告、GPT-5.6 system card、METR 部署前評估、CodeRabbit 獨立測試、Artificial Analysis benchmark、TechCrunch 報導

延伸閱讀：

English version: What Are GPT-5.6’s Sol, Terra, and Luna?