GPT-5.6 Luna

OpenAI GPT-5.6 系列中速度最快、成本最低的輕量檔模型，專為高吞吐、低延遲的批次任務而生

大語言模型

https://openai.com/

前往官網

深度報告

GPT-5.6 Luna 是 OpenAI 於 2026 年 7 月 9 日正式釋出的 GPT-5.6 系列中的「輕量檔」模型，對應拉丁語中的「月亮」（Luna）。它與旗艦 Sol（太陽）、均衡 Terra（地球）同屬一個代際，但定位為家族中速度最快、成本最低的一檔。Luna 的 API 定價僅為每百萬輸入 token 1 美元、輸出 6 美元，約為上一代 GPT-5.5 的五分之一，官方稱其在大幅降低的單位成本下，效能可接近 GPT-5.5 的峰值水平。它不是用來取代旗艦做複雜推理的，而是為「量大、延遲敏感、結構穩定」的高頻任務而生：批次摘要、文字分類、意圖路由、FAQ 匹配、簡單抽取與常規自動化。
GPT-5.6 系列在經歷約兩週的有限預覽期、並與美國監管方就網路安全與生物風險能力完成溝通後，於北京時間 2026 年 7 月 10 日凌晨透過線上直播正式面向全球推出。Luna 作為三檔中最低成本的一檔同步上線，覆蓋 ChatGPT、Codex 與 OpenAI API，全球推送在 24 小時內完成。本次釋出還伴隨一系列生態動作：Codex App 正式併入 ChatGPT 桌面應用，OpenAI 推出對標 Claude Cowork、WorkBuddy 的桌面智慧體工具 ChatGPT Work，並引入 max / ultra 兩種新的推理強度設定。
Luna 與 Sol、Terra 共享相同的 105 萬 token 上下文視窗和 12.8 萬 token 最大輸出長度，知識截止於 2026 年 2 月。它接受文字、圖片與檔案作為輸入，輸出純文字，不支援原生音訊與影片，也不支援微調（fine-tuning）。在工具能力上，Luna 透過 Responses API 支援流式輸出、函式呼叫、結構化輸出、網頁搜尋、檔案搜尋、影象生成工具、程式碼直譯器、託管 shell、apply patch、skills、computer use、MCP 與工具搜尋。新增的 max 推理模式讓模型投入更多時間自檢與修正，ultra 模式則預設協調 4 個並行智慧體（最高可擴充套件至 16 個）處理複雜任務——儘管後者更多面向 Sol 這類旗艦場景。
Luna 的官方定價為每百萬 token 輸入 1 美元、輸出 6 美元，是 GPT-5.6 家族中最便宜的一檔，也是目前 OpenAI 面向高吞吐場景最具價效比的公開模型。在提示詞快取方面，GPT-5.6 引入了更可預測的快取機制：支援顯式快取斷點（cache breakpoint）與 30 分鐘最低快取生命週期；快取寫入按未快取輸入費率的 1.25 倍計費，快取讀取則享受 90% 的折扣。這意味著對 Luna 的典型負載——固定的系統提示、冗長的公司政策、知識庫片段、分類法——重複輸入成本可下降 90%，輸入價在快取命中時實際降至每百萬 token 0.10 美元。需要特別注意的是，不帶字尾的 API 別名 gpt-5.6 會路由到旗艦 Sol 而非 Luna，開發者應在程式碼中顯式指定 gpt-5.6-luna，避免悄無聲息地按最貴的費率付費。
在 Artificial Analysis 智慧指數上，Luna 得分 51.2（Sol 為 59），在 153 個已評測模型中排名第 10；GPQA Diamond 得分 91%，Humanity's Last Exam 約 37%，SciCode 53%，設計競技場 Elo 1263。速度方面，Luna 實測輸出約 160–204 token/秒，首 token 延遲（p50）約 1.4 秒，一個字的暖機回覆最快 658 毫秒返回，是第三方追蹤中第 7 快的模型。在長上下文檢索評測（512K–1M 多針檢索）上，Luna 得分僅 41.3，明顯低於 Sol 的 73.8 與 Terra 的 72.5——這說明它的長文件可靠性隨上下文拉長而急劇下降。在文件解析基準 ParseBench 上，Luna 比 Sol 便宜約 6 倍，在文字與表格上的精度損失僅屬輕微，但整個 GPT-5.6 家族在圖表與版式密集的頁面上仍偏弱。
Luna 的領地由三條標準定義：形態可預測、吞吐量大、答錯成本低。具體用例包括意圖分類、短文字抽取、FAQ 匹配、郵件分診、簡單摘要、批次自動化、客服機器人與高併發初稿撰寫。工程上更成熟的 AI 工作流應像交通系統一樣「分車道」：簡單、便宜、可預測的任務走 Luna；常規推理、業務處理、內部助手走 Terra；複雜智慧體、關鍵審查、高風險決策支援走 Sol。一個常見的生產模式是預設呼叫 Luna，只有當 schema 校驗、單元測試或置信度門控未透過時才逐級升級到 Terra 或 Sol——由於 Luna 支援推理 token，先調高它的 reasoning effort 往往比直接跳檔更省錢。
Luna 的核心優勢是極致的單位經濟性與速度：完整 105 萬 token 上下文、無上下文長度附加費、暖機回覆亞秒級、對「JSON only」等嚴格格式服從度高、批次分類與摘要首輪即可準確完成。它的主要侷限在於：在真正的多步硬推理上處於家族末位；不支援微調、無原生音訊、無法在消費版 ChatGPT App 中直接選擇、也未提交至獨立的 SWE-bench Verified 排行榜；長上下文檢索（512K–1M）能力斷崖式下滑，不適合需要跨數十萬 token 精準檢索的負載；圖表與版式解析是整代模型的共性弱項。綜合來看，Luna 是一個「按任務形狀路由」體系裡的高吞吐零件，而非旗艦的平替。
第三方實測普遍給出正面評價：ThePlanetTools 的 API 實測給 Luna 打出 8.6/10，稱其是「當體量與速度比最後那幾分原始智慧更重要時的首選檔」，並在策略文件摘要、釋出郵件草擬、工單批次分類與暖機回覆上表現乾淨利落。開發者社群將其概括為「為狹窄、可並行任務服務的快速廉價工人」。但也有共識性的提醒：基準資料多來自發布初期，應視為方向性參考並在自身負載上驗證；Luna 在中文寫作上「夠用」（中文訓練約佔其資料的 28%）；把它用於所有請求會拉低複雜場景質量，把所有請求都走 Sol 則賬單本身會變成一份架構審查報告。多數意見認為，選錯模型往往是路由策略的問題，而非模型本身。
- OpenAI 官方公告：GPT-5.6 系列（https://openai.com/zh-Hans-CN/index/gpt-5-6/） - OpenAI 幫助中心：GPT-5.6 Sol、Terra 與 Luna 預覽（https://help.openai.com/zh-hans-cn/articles/20001325-a-preview-of-gpt-56-sol-terra-and-luna） - 新華社：OpenAI 推出 GPT-5.6 系列模型（https://www.163.com/dy/article/L1FPS77G05346RC6.html） - 中國日報：OpenAI 推出 GPT-5.6 系列模型（https://cn.chinadaily.com.cn/a/202607/10/WS6a509d35a310d709c2fbcddb.html） - 機器之心：GPT-5.6 全面上線，Codex 被合併，ChatGPT Work 來了（https://c.m.163.com/news/a/L1FKQ07B0511AQHO.html） - Artificial Analysis 智慧指數與速度排行（https://modelgrep.com/models/openai/gpt-5.6-luna） - ThePlanetTools 實測評測（https://theplanettools.ai/tools/gpt-5-6-luna） - Apifox GPT-5.6 定價詳解（https://apifox.com/apiskills/gpt-5-6-ding-jie-xiang-jie-sol-terra-he-luna-de-cheng-ben-ji-sheng-qian-gong-lue-2） - PoloAPI 三檔路由建議（https://poloapi.com/poloapi-blog.html?slug=How-to-choose-between-three-levels-of-GPT-5.6） - Neodrop GPT-5.6 公開版解讀（https://neodrop.ai/zh-cn/post/qcoqpKwFH2L）

使用者評論

AliceJackson

—

把公司的批次摘要管線切到了 Luna，跑了一整天沒出岔子，成本直接從之前的每月三千塊壓到不到一千，省下來的預算還能再多跑幾個方向。不過我們同時用 Sol 跑了一條同樣的資料做對比，發現 Luna 在摘要的資訊密度上確實有差距，關鍵細節偶爾丟失，但勝在量大管飽速度起飛。

hAROLD17

—

今天試了下 Luna 做分類任務，確實快，響應基本在一秒內。但一丟複雜邏輯它就露怯了，拿不準的還是得上 Terra。

DennisPhillips_88

—

之前用 Opus 4.8 跑的資訊抽取現在全換 Luna 了，質量沒降多少，價格降到四分之一不到，這價效比確實離譜。唯一的問題是 Luna 在抽取巢狀 JSON 結構時偶爾會丟欄位，後來我在 prompt 里加了詳細的 schema 示例和必填欄位檢查，之後基本沒出過問題。

JJimenez_66

—

Luna 的上下文視窗竟然也有一百萬 token，用 Prompt Caching 之後，長篇文件處理幾乎不要錢。

EVsmi

—

Luna 做客服對話的意圖識別，響應時間平均 600 多毫秒，比之前用的模型快了一倍。量大的時候體驗差距特別明顯。

47wi8

—

一開始以為 Luna 只是個縮水版，實測下來其實該有的工具箱全都有，tool calling、structured output、reasoning effort 一個不落，就是推理深度有限。

CPatel_2024

—

最香的是 Luna 帶完整智慧體工具棧，能在低預算下跑 RAG 管線，我們整個知識庫的問答對就是 Luna 批次生成的。

MoonMoonMiller

—

簡單問答和文案生成 Luna 完全夠用，但讓它做個競品分析就明顯不如 Terra 了，生成的結構淺，維度不全。

騎士915

—

Luna 在 Terminal-Bench 2.1 上竟然比 Terra 還高，這讓我挺意外的。不是 Luna 強，是 Terra 在這項上表現一般。

月光_25

—

寫了個路由層，簡單任務走 Luna，中等難度走 Terra，硬骨頭交給 Sol，一個月下來 token 開銷降了 60%。三檔分層的價值在這時候最明顯。Luna 大概處理了 70% 的請求量，但開銷只佔總賬單的 20%，這個比例足以說服老闆給我撥預算做更多 AI 實驗了。

Megan_Torres_7

—

Luna 速度是真的快，大概 Sol 的三倍，但用的時候心裡得有數——它只是最便宜的那個選擇，不是萬能的。

NodeKpng

—

我們的批次文字分類全切 Luna 了，準確率跟之前用 GPT-5.5 時差不多，但賬單直接從 3000 刀掉到 600 刀，老闆很開心。不過有個坑——Luna 在多標籤分類任務上不如單標籤穩定，後面給 prompt 加了排序約束條件，準確率才回到之前水平。

Adam.King_66

—

Luna 的 long-context 不能迷信。有個評測說它長上下文只有 41.3%，我之前用它讀一篇 8 萬 token 的文件，中間確實丟了不少細節。

MargaretKim_2020

—

做內容稽核管線 Luna 簡直神器，又便宜又快，準確率還能接受。超出置信區間的再路由給人工，整體效率提升巨大。

DhruvPatil

—

說實話這個定價策略挺聰明的，Luna 負責跑量、Terra 負責日常、Sol 負責最難的任務，按難度路由之後總成本直接打下來一多半。我算了一下，我們團隊之前全部用 GPT-5.5 一個月大概 8000 刀，切到三檔路由後壓縮到不到 3000 刀，而且實測 Luna 在小任務上的表現和 5.5 沒本質區別。

蕭晨飛

—

Luna 雖然價格低，但 fine-tuning 目前不支援，這對想定製模型的企業來說是個硬傷，希望後續能加上。

JHernandez_2024566

—

其實 Luna 最超值的用法是做 prompt caching 的測試環境，系統提示詞隨便改、隨便試，跑一萬輪也就幾塊錢，除錯成本直接歸零。

CarolynPowellZ

—

試了一圈 Luna 做程式碼審查，簡單的程式碼風格問題和明顯的 bug 能抓到，但涉及設計模式或者效能最佳化的建議就沒啥見地了。

BillyWhiteIII

—

Luna 最大的槽點是消費者版 ChatGPT 裡選不了，只能 API 或者 ChatGPT Work 才能用，對個人使用者太不友好了。

Zachary.CampbellX

—

今天把 Luna 接入了自動客服，日呼叫量十幾萬次，響應基本沒延遲。偶爾會有答非所問的情況，但加一層校驗後基本能兜住。不過有個問題就是 Luna 不太能處理多輪對話中的上下文漂移，三四輪之後容易跑偏，我們在前面加了個 context summarizer 做壓縮後才穩定下來。

曾建

—

小團隊福音，之前用 GPT-5.5 每月 API 賬單大幾千，現在大部分流量走 Luna，賬單降到兩千以內，而且核心功能沒減配。

Dkmit

—

Luna 做郵件模板生成的效率太高了，幾千封營銷郵件的內容變體，十分鐘跑完，成本才幾毛錢。放以前得專門安排實習生幹一整天。

AdamBaileyIII

—

輸出 $6/1M tokens，用 batch 還能再打五折。我們算了一筆賬，一個典型的摘要任務在 Luna 上大概 0.0002 美分一次，可以忽略不計了。

Jonathan_Simmons0071

—

不支援原生音訊有點可惜，但純文字高吞吐場景它也用不上音訊。

BlockReward736

—

一句話：簡單便宜可預測走 Luna，常規業務走 Terra，複雜智慧體走 Sol，別讓一個模型幹所有活。

KeithCooper37

—

專案初期原型驗證全部用 Luna，快又省，等產品方向確定了再決定要不要切到更貴的模型。這種漸進式策略在創業團隊裡應該很普遍。

BullRunMeyer

—

我們把「先 Luna 不行再升級 Terra/Sol」寫進了重試邏輯，出問題自動跳檔，體驗很絲滑。

ticklishmeercat996

—

雖然 Luna 是系列裡最便宜的檔位，但它超越 Opus 4.8 這件事本身就說明現在輕量模型的底線已經被拉得很高了。

Debra525

—

首 token 1.4 秒、暖機 658 毫秒，這速度做實時互動完全夠。

PMorgan_66

—

Luna 在 ExploitGym 上的表現說明它做基礎安全過濾是夠用的，隨著推理強度提升還有空間，但對重量級安全掃描還是得 Sol。

GPT-5.6 Luna

深度報告

使用者評論

相關連結

同類產品