OpenAI 發布 GPT-5.6 時，也公布了 Sol、Terra、Luna 與 GPT-5.5、Claude Fable 5、Claude Opus 4.8、Gemini 3.1 Pro Preview 的多項評測比較。這些分數可以用來了解大致定位，但不同機構和測試條件不應直接合併成一個總排名。
簡單結論：GPT-5.6 Sol 面向最困難的編碼、知識工作和 Agent；Terra 適合作為日常預設模型；Luna 則主打速度與成本。GPT-5.5 仍是可靠的上一代基準，Claude Fable 5 在部分專業評測中領先，Claude Opus 4.8 與 Gemini 3.1 Pro Preview 也在特定工作負載中具備競爭力。
專業評測
| 評測 | 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 |
| 內部管理顧問任務 | 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，三款 GPT-5.6 都高於 GPT-5.5；GDPval-AA v2 則由 Claude Fable 5 領先，Sol 緊隨其後。Fable 5 的綜合指數略高於 Sol，但不代表它在所有工作負載都更好。
編碼與命令列任務
| 評測 | 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% |
Sol 在 Coding Agent Index、DeepSWE 和 Terminal-Bench 上屬於第一梯隊，ultra 讓 Terminal-Bench 分數進一步達到 91.9%。但在 SWE-Bench Pro 上，Claude Fable 5 與 Claude Opus 4.8 高於 Sol。實際編碼還要看程式庫理解、工具呼叫、測試修復、token 成本和長流程穩定性。
科學與健康任務
| 評測 | 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（內部） | 48.3% | 35% | 30.4% | 35.5% | — | — |
| HealthBench Professional | 60.5% | 57.7% | 55.7% | 49.5% | 53% | — |
Sol 在這些評測上明顯高於 GPT-5.5，Terra 和 Luna 也有所提升。不過科學和健康屬於高風險領域，評測分數不能取代專業複核、來源檢查和安全流程。
電腦操作與瀏覽
| 評測 | 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 上表現強勁，Terra 和 Luna 也高於 GPT-5.5。對瀏覽、桌面自動化、圖表生成和前端工作的任務，實際操作成功率往往比純文字評測更重要。
網路安全評測
| 評測 | 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 在網路安全評測上提升明顯，但這些能力具有雙重用途。OpenAI 透過 Trusted Access、即時檢查和帳號級控制管理高風險工作。使用時應限定在授權環境，優先用於防禦性稽核、修補驗證和藍隊測試。
價格與效能要一起看
GPT-5.6 API 每百萬 token 的價格為：Sol 輸入 5 美元、輸出 30 美元；Terra 輸入 2.50 美元、輸出 15 美元；Luna 輸入 1 美元、輸出 6 美元。GPT-5.5、Claude 和 Gemini 的價格、快取折扣、上下文限制和產品入口不同，不能只用評測表決定採購。
更實際的做法是建立自己的小型評測集，包含真實程式庫、文件問答、工具呼叫和結構化輸出，並記錄品質、延遲、token、快取命中率和人工返工時間。
怎麼選
- 複雜 Agent、跨檔案編碼、專業研究和高價值工作：優先測試 GPT-5.6 Sol。
- 日常辦公、一般編碼和大多數預設請求：從 GPT-5.6 Terra 開始。
- 分類、摘要、擷取和高吞吐處理：優先測試 GPT-5.6 Luna。
- 如果 GPT-5.5 已穩定運作，先用同一批樣例做 A/B 測試再遷移。
- 程式碼修復不要只看一個 benchmark，應比較 Claude Fable 5、Claude Opus 4.8 和 GPT-5.6 在自己程式庫中的返工率。
- 瀏覽、桌面操作和前端生成則應關注 OSWorld、BrowseComp、BenchCAD 及實際互動成功率。
GPT-5.6 並不是要用 Sol 取代所有模型，而是以三個檔位覆蓋不同預算和任務難度。橫向評測只能縮小選擇範圍，最後仍應由自己的資料、工具鏈和成本模型決定。
資料來源：OpenAI GPT-5.6 官方發布頁。