OpenAI 发布 GPT-5.6 时，同时公布了 Sol、Terra、Luna 与 GPT-5.5、Claude Fable 5、Claude Opus 4.8、Gemini 3.1 Pro Preview 的多项评测对比。这个表格适合用来了解模型的大致定位，但不能把不同机构、不同测试条件下的分数直接当成统一总排名。
先给结论：GPT-5.6 Sol 面向最高难度的编码、知识工作和 Agent；Terra 更适合作为日常默认模型；Luna 重点是速度和成本。GPT-5.5 仍然是可靠的上一代基线，Claude Fable 5 在部分专业评测中很强，Claude Opus 4.8 和 Gemini 3.1 Pro Preview 则各自在特定任务上有竞争力。
官方专业评测
| 评测 | GPT-5.6 Sol | GPT-5.6 Terra | GPT-5.6 Luna | GPT-5.5 | Claude Fable 5 | Claude Opus 4.8 | Gemini 3.1 Pro Preview |
|---|---|---|---|---|---|---|---|
| Agents’ Last Exam | 52.7% | 50.4% | 50.3% | 46.9% | 40.5% | 45.2% | 32.1% |
| GDPval-AA v2 | 1,747.8 Elo | 1,593 Elo | 1,591.8 Elo | 1,493.7 Elo | 1,759.6 Elo | 1,600.1 Elo | 962.3 Elo |
| 管理咨询任务（内部） | 43.2% | 37.2% | 35.4% | 31.3% | 35.5% | 31.6% | 13.2% |
| Big Finance Bench | 53% | 51% | 36% | 49% | — | 44% | — |
| Artificial Analysis Intelligence Index v4.1 | 58.9 | 55 | 51.2 | 54.8 | 59.9 | 55.7 | 46.5 |
在 Agents’ Last Exam 上，Sol、Terra 和 Luna 都高于 GPT-5.5；GDPval-AA v2 则是 Claude Fable 5 领先，Sol 紧随其后。Artificial Analysis Intelligence Index 也显示，Fable 5 的综合指数略高于 Sol，但这不代表它在所有场景都更好。
编码和命令行任务
| 评测 | GPT-5.6 Sol | GPT-5.6 Sol Ultra | GPT-5.6 Terra | GPT-5.6 Luna | GPT-5.5 | Claude Fable 5 | Claude Opus 4.8 | Gemini 3.1 Pro Preview |
|---|---|---|---|---|---|---|---|---|
| Artificial Analysis Coding Agent Index | 80 | — | 74.6 | 76.4 | — | 77.2 | 72.5 | 42.7 |
| SWE-Bench Pro | 64.6% | — | 63.4% | 62.7% | 59.4% | 80.3% | 77.8% | 54.2% |
| DeepSWE v1.1 | 72.7% | — | 69.6% | 67.2% | 67% | — | 69.7% | 11.8% |
| Terminal-Bench 2.1 | 88.8% | 91.9% | 87.4% | 84.7% | 85.6% | 88% | 83.1% | 70.7% |
编码评测的结果比较有代表性：Sol 在 Coding Agent Index、DeepSWE 和 Terminal-Bench 上处于第一梯队，ultra 在 Terminal-Bench 上进一步提升到 91.9%。不过在 SWE-Bench Pro 上，Claude Fable 5 和 Claude Opus 4.8 的分数高于 Sol。
这说明“编码能力”不是单一指标。真实项目还要看模型是否能理解仓库结构、调用工具、修复测试失败、控制 token 成本以及持续工作。Sol 更强调长流程工程和工具协作，Claude 模型在部分代码修复评测中表现突出。
科学与健康任务
| 评测 | GPT-5.6 Sol | GPT-5.6 Terra | GPT-5.6 Luna | GPT-5.5 | Claude Opus 4.8 | Gemini 3.1 Pro Preview |
|---|---|---|---|---|---|---|
| GeneBench Pro | 28.7% | 23.3% | 10.8% | 12% | 16% | 3.1% |
| LifeSciBench | 59.9% | 56% | 51.2% | 50.4% | 53.6% | — |
| MedChemBench（内部） | 48.3% | 35% | 30.4% | 35.5% | — | — |
| HealthBench Professional | 60.5% | 57.7% | 55.7% | 49.5% | 53% | — |
Sol 在 GeneBench Pro、LifeSciBench 和 MedChemBench 上都明显高于 GPT-5.5。Terra 与 Luna 也比上一代基线有提升，但科研和健康领域属于高风险场景，评测分数不能替代专业人员复核、数据来源检查和安全流程。
计算机使用与浏览
| 评测 | GPT-5.6 Sol | GPT-5.6 Terra | GPT-5.6 Luna | GPT-5.5 | Claude Fable 5 | Claude Opus 4.8 | Gemini 3.1 Pro Preview |
|---|---|---|---|---|---|---|---|
| OSWorld 2.0 | 62.6% | 50.2% | 45.6% | 47.5% | — | 54.8% | — |
| BrowseComp | 90.4% | 87.5% | 83.3% | 84.4% | 88% | 84.3% | 85.9% |
| BenchCAD | 70.6% | 62.3% | 63.1% | 44.4% | 38.4% | 35.5% | 27.3% |
| BenchCAD（Python 工具） | 83.4% | 78.2% | 73.9% | 55.8% | 65% | 51.8% | — |
Sol 在 OSWorld 2.0、BrowseComp 和 BenchCAD 上取得很强结果，Terra 和 Luna 也超过 GPT-5.5。对需要浏览网页、操作桌面应用、生成图表或制作界面的任务，模型的计算机使用能力往往比纯文本问答分数更重要。
网络安全评测
| 评测 | GPT-5.6 Sol | GPT-5.6 Sol Ultra | GPT-5.6 Terra | GPT-5.6 Luna | GPT-5.5 |
|---|---|---|---|---|---|
| Capture-the-Flag Challenges | 96.7% | — | 91.8% | 85.2% | 88.1% |
| SEC-Bench Pro | 71.2% | 74.3% | 57.7% | 48.9% | 45.8% |
| CyberGym | 84.5% | — | 81.8% | 77.9% | 81.8% |
| ExploitBench | 73.5% | — | 52.9% | 33.2% | 47.9% |
| ExploitGym | 33.7% | — | 23.2% | 12.4% | 15.1% |
GPT-5.6 在网络安全评测上的提升很明显，尤其是 ExploitBench、ExploitGym 和 SEC-Bench Pro。但这些能力具有双重用途。OpenAI 表示，模型更擅长发现和修复漏洞，并通过 Trusted Access、实时检查和账号级限制控制高风险使用。实际使用时应限定在授权环境，并优先用于安全审计、补丁验证和防御性测试。
价格和性能不能分开看
GPT-5.6 API 的价格为：Sol 输入 5 美元、输出 30 美元；Terra 输入 2.50 美元、输出 15 美元；Luna 输入 1 美元、输出 6 美元，均按每百万 token 计算。GPT-5.5、Claude 和 Gemini 的价格体系、缓存折扣、上下文限制和套餐入口并不完全相同，因此不能只用表格分数决定采购方案。
更实际的做法是先建立自己的小型评测集：准备真实代码库、文档问答、工具调用、结构化输出和失败重试样例，然后同时记录质量、延迟、输入输出 token、缓存命中率和人工返工时间。
怎么选
- 复杂 Agent、跨文件编码、专业研究和高价值任务：优先测试 GPT-5.6 Sol。
- 日常办公、普通编码和大多数默认请求：从 GPT-5.6 Terra 开始。
- 分类、摘要、提取和高吞吐处理：优先测试 GPT-5.6 Luna。
- 现有系统已经稳定运行 GPT-5.5：先用同一批样例做 A/B 测试，再决定是否迁移。
- 代码修复任务：不要只看一个 benchmark，同时比较 Claude Fable 5、Claude Opus 4.8 与 GPT-5.6 在自己仓库中的实际返工率。
- 需要浏览、桌面操作或前端生成：重点关注 OSWorld、BrowseComp、BenchCAD 和真实交互成功率。
总的来说，GPT-5.6 的变化不是让所有场景都由 Sol 取代其他模型，而是通过 Sol、Terra、Luna 三档能力覆盖不同预算和任务难度。横向评测可以帮助缩小选择范围，最终仍应以自己的数据、工具链和成本模型做决定。
数据来源：OpenAI GPT-5.6 官方发布页。