GPT-5.6三模型实测：Sol、Terra、Luna全面对比

三款新模型登场：Sol、Terra、Luna

OpenAI 推出了 GPT-5.6 系列的三个新版本，形成了清晰的能力梯队。据深度体验数周的产品经理博主介绍，三款模型各有定位：

Sol：新一代前沿旗舰模型，面向最复杂的任务；
Terra：均衡型模型，面向日常高效工作；
Luna：轻量级定位，价格低廉，适合高并发、大批量任务。

作者的实测重点锁定在 Sol 与竞品 Fable 之间的对决——这也是她日常工作真正会用到的模型层级。

Sol 比 Fable 便宜近一半：价格优势一览

定价是本次实测的一大亮点。作者给出了明确的对比数据：

Sol：输入 5 美元/百万 tokens，输出 30 美元/百万 tokens；
Fable：输入 10 美元/百万 tokens，输出 50 美元/百万 tokens。

按 API 定价，Sol 的成本几乎只有 Fable 的一半。

Token 定价与大模型经济学：大语言模型的 API 定价以"每百万 tokens"为计量单位。Token 是模型处理文本的基本单位，大致对应英文中的 3/4 个单词或中文的 1-2 个汉字。输入 token（prompt）和输出 token（completion）分开计费，原因在于生成文本比理解文本消耗更多算力——模型需要逐 token 自回归生成，而非并行处理。因此输出价格通常是输入价格的 4-10 倍。Sol 的 6 倍差价（5→30 美元）与 Fable 的 5 倍差价（10→50 美元）都符合行业惯例。对于高频 API 调用的产品团队，仅凭输入端的半价优势，在百万次调用规模下即可节省数千美元，这也是定价成为核心竞争力的根本原因。

作者还指出，OpenAI 订阅内置了一定使用额度，低价加高性能构成了 Sol 的第一重竞争力。

评测方法：「How I AI Vibe Review」框架

为摆脱纯感觉判断，作者搭建了一套覆盖真实产品场景的半自动化评测框架。

五大测试维度

PRD 撰写：产品需求文档的生成质量；
原型设计：针对不同 App 创意的完整设计与线框图；
代码调试：多步骤 agentic 调试的准确性；
Agentic 语音：模型拟人对话能力；
综合审美。

PRD 与原型设计作为 AI 能力测试维度的意义：产品需求文档（PRD）和原型设计是产品经理日常工作的核心交付物，也是综合考察 AI"是否真正理解产品思维"的绝佳测试维度。PRD 要求模型能够结构化拆解用户需求、定义功能边界、平衡技术可行性与商业目标，并以清晰逻辑组织文档——这不仅是语言能力，更是业务理解力的体现。原型设计则涉及视觉层次、用户旅程和交互逻辑，能暴露模型在空间想象力和设计审美上的差异，是比代码生成更难量化、却更贴近真实产品价值的评测维度。

参评模型包括 Fable 5、Sonnet 5，以及 GPT-5.6 的三个版本。评测采用 LLM 评审（GPT-5.5 担任「最严格法官」）+ 人工品味评分的混合方式，最终以 70% 人工 + 30% 机器 的权重合成 Clairvaux 加权指数。

LLM-as-Judge 评测方法论：用大语言模型作为评审是近年 AI 评测领域兴起的重要方法，最早由 Zheng 等人在 2023 年的 MT-Bench 论文中系统化提出。传统人工评测耗时且主观性强，而 LLM 评审可以大规模、低成本地进行标准化打分。但这一方法存在已知偏差：模型倾向于给自身或同系列模型更高评分（自我增强偏差），对格式工整的长输出打分偏高（冗长偏差）。文章作者采用 70% 人工 + 30% 机器的混合权重，正是为了利用 LLM 的效率同时抑制其偏差——使用 GPT-5.5 而非参赛模型自身担任法官，也是规避自评偏差的关键设计。

Clare 加权指数结果

实测结论：Sol 综合夺冠

在这套加权指数下，GPT-5.6 Sol 以显著优势拿下最高品味分。作者强调这是盲测结果，评分完成后才知道输出对应哪个模型，结论更具说服力。

各任务细分冠军如下：

原型设计：Sol 胜出，功能完整、设计最有想法；
PRD 撰写：Terra 更受青睐，简洁直接；
代码 Bug 排查：Sonnet 5 获 LLM 评审最高分；
Agentic 语音：Sonnet 5 获评「除了破折号，你就像个真人」。

设计质量对比

在全保真原型对比中，Sol 五次里有三到四次胜出。值得一提的是，Sol 极度偏爱一种「woodland（林地）」森林绿配色——这种风格一致性暗示 GPT-5.6 系列在训练数据或 RLHF 阶段可能强化了特定美学倾向，对需要品牌调性统一的产品团队既是优势，也是需要留意的潜在约束。

Sol 的核心优势：实用而非炫技

作者用一句话点出 Sol 与 Fable 的本质区别：「Fable 是理论上极度聪明，Sol 是实践中真正有效。」

像正常人一样写作

Fable 的表达极度技术化、学究气，「像是第一天来到地球的工程师」。Sol 的沟通清晰、直接、少废话，无论执行摘要还是长文档都更易读、更易协作。

突破自我设限，直达用户价值

作者分享了一个真实案例：原型工具中有一个被 Fable「过度硬化」的工具调用循环，Fable 坚称「这是模型本身的问题」；切换到 Sol 后，她让它「按你认为正确的方式做」，Sol 一次性跳出思维定式修复了问题。

Agentic AI 与工具调用循环："Agentic"（代理式）AI 指模型不仅回答问题，还能主动规划步骤、调用外部工具（代码执行器、浏览器、API）并根据结果迭代行动的工作模式。Fable 陷入"过度硬化的工具调用循环"，指的是模型因过于严格的约束规则或自我验证逻辑，反复调用工具却无法推进任务，形成死循环。这是当前前沿模型的一个已知痛点：**过度对齐（over-alignment）**或过度谨慎的安全机制，有时会导致模型在实际任务中无法像人类协作者那样灵活变通。Sol 能够"跳出思维定式"完成任务，体现了其在 agentic 场景下更优的任务完成率（task completion rate）——这与 OpenAI 近期在模型训练中更注重"有用性"权重的策略方向一致。

突破自我限制

类似地，在洞察摄取产品中，Fable 执着于让所有结果「可复现、可验证、可引用」，背离了做出好产品的目标。Sol 则生成了真正有用的 wiki 页面。

多次评测验证

作者点评道：「我很难和那些理论上聪明、却什么都做不成的同事共事。」Sol 理解用户目标、愿意适当放松约束、把事情做成，正是它的价值所在。

Sol 的两个杀手级应用场景

视频剪辑

将长视频拖进 Codex，说「把这段剪成 5 个横版社交短片、节奏更快更紧凑」，Sol 自动挑出精彩片段生成 hype 视频，导入 CapCut 配乐后即可发布，省去大量手动剪辑时间。

浏览器操作（Browser Use）

作者称 Sol 在浏览器操作上「是头猛兽」。通过在 Codex 中挂接 Chrome，她让 Sol 处理约 500 条 LinkedIn 消息，按「只回复一线公司高管」的标准自动筛选回复，还用它测试 Web 应用、填写繁琐表单。

Browser Use 与计算机使用代理：浏览器操控（Browser Use）是近年 AI Agent 能力扩展的前沿方向，指模型通过编程接口（如 Chrome DevTools Protocol、Playwright 或 Puppeteer）直接操控浏览器完成点击、填表、抓取、导航等任务，本质上是赋予 AI 一双"数字之手"。2024 年 Anthropic 推出 Computer Use、OpenAI 推出 Operator 之后，这一能力开始从研究走向实用。与传统 RPA（机器人流程自动化）依赖预设规则不同，基于 LLM 的浏览器代理能理解自然语言指令并动态应对页面变化。这类场景对模型的"现实感知"要求极高：需要理解真实网页的非结构化布局、处理异常状态、在多步骤中保持任务目标，因此成为检验模型实用性的黄金标准之一。Sol 在此表现突出，也印证了其在 agentic 任务上的整体优势。

总结：各有所长的模型分工

经过这场实测，作者给出了务实的模型分工建议：

GPT-5.6 Sol：日常主力，擅长零到一原型、清晰写作、复杂技术问题、视频剪辑与浏览器操作；
Terra：简洁直接的商业写作与 PRD；
Fable：无需对话时，写 Web 应用代码质量依然出色；
Sonnet 5：拟人化 agentic 语音及部分代码调试场景。

对追求性价比与实际交付效率的产品团队而言，GPT-5.6 Sol 以更低价格提供了更贴近真实工作流的能力，值得优先考量。Sol 的价值主张可以用一个公式概括：更低 token 成本 × 更高任务完成率 × 更强 agentic 适应性 = 产品团队的最优实用解。