# 充分發揮 GPT-5.6 的最大效能：Sol、Terra 與 Luna
> 📖 本站完整內容索引（documentation index）：[llms.txt](/llms.txt)
> 原作者：Cerebras (@cerebras) · 策展與摘要：EasyVibeCoding · 平台：X (Twitter) · 熱度：🔥🔥🔥 · 日期：2026-07-28
> 原始來源：https://x.com/cerebras/status/2081828128952095022
## 證據與延伸閱讀
- [Terra 成本是 Sol 的一半，Luna 是五分之一](https://pub-75d4fe1e4e80421b9ecb1245a7ae0d1a.r2.dev/curated/d00cce71a77f08a4.jpg)
- [在 Cerebras 上執行 Sol 速度達每秒 750 token](https://x.com/cerebras/status/2081828128952095022)
## 中文摘要
# 充分發揮 GPT-5.6 的最大效能：Sol、Terra 與 Luna
作者：@0xSero & Zhenwei Gao (@zhennydez)
---
你的 Codex 訂閱現在包含 3 個主要模型：Sol、Terra 和 Luna。它們各自獨立訓練與提供服務，並具備推理撥盤（reasoning dials）。結合在一起，能讓你在每個任務中自由選擇速度、成本與智慧程度的最佳平衡。
## 價格比較一覽（OpenAI 開發者定價，2026 年 7 月 21 日）
在價格方面，不論是短 context 還是長 context 的使用情境，Terra 的成本是 Sol 的一半，而 Luna 則是五分之一。
展開畫面重點
OpenAI Developers 網站的 Pricing 頁面，顯示 Flagship models（Our latest models）的 1M token 價格（Prices per 1M tokens）。頂部標籤有 Standard、Batch、Flex、Priority。表格欄位包含 Model、Short context（Input、Cached input、Cache writes、Output）、Long context（Input、Cached input、Cache writes、Output）。
表格內各 Model 資料如下：
- gpt-5.6-sol：Short context - Input $5.00、Cached input $0.50、Cache writes $6.25、Output $30.00；Long context - Input $10.00、Cached input $1.00、Cache writes $12.50、Output $45.00
- gpt-5.6-terra：Short context - Input $2.50、Cached input $0.25、Cache writes $3.125、Output $15.00；Long context - Input $5.00、Cached input $0.50、Cache writes $6.25、Output $22.50
- gpt-5.6-luna：Short context - Input $1.00、Cached input $0.10、Cache writes $1.25、Output $6.00；Long context - Input $2.00、Cached input $0.20、Cache writes $2.50、Output $9.00
- gpt-5.5：Short context - Input $5.00、Cached input $0.50、Cache writes -、Output $30.00；Long context - Input $10.00、Cached input $1.00、Cache writes -、Output $45.00
- gpt-5.5-pro：Short context - Input $30.00、Cached input -、Cache writes -、Output $180.00；Long context - Input $60.00、Cached input -、Cache writes -、Output $270.00
- gpt-5.4：Short context - Input $2.50、Cached input $0.25、Cache writes -、Output $15.00；Long context - Input $5.00、Cached input $0.50、Cache writes -、Output $22.50
- gpt-5.4-mini：Short context - Input $0.75、Cached input $0.075、Cache writes -、Output $4.50；Long context - 無資料
- gpt-5.4-nano：Short context - Input $0.20、Cached input $0.02、Cache writes -、Output $1.25；Long context - 無資料
- gpt-5.4-pro：Short context - Input $30.00、Cached input -、Cache writes -、Output $180.00；Long context - Input $60.00、Cached input -、Cache writes -、Output $270.00
頁面底部說明文字：Regional processing (data residency) endpoints are charged a 10% uplift for models released on or after March 5, 2026, that are eligible for data residency. See our Your data guide for supported regions and processing details. OpenAI models in Amazon Bedrock are billed through AWS and may differ from direct OpenAI pricing.
展開數據表
| 項目 | X | Y |
|---|
| GPT-5.6 Sol (low) | $0.20 | 49.5 |
| GPT-5.6 Sol (medium) | $0.31 | 53.5 |
| GPT-5.6 Sol (high) | $0.45 | 56.0 |
| GPT-5.6 Sol (xhigh) | $0.68 | 57.6 |
| GPT-5.6 Sol (max) | $1.04 | 58.7 |
展開畫面重點
流程圖從左側的「INCOMING TASK」（接收任務）開始，接著進入「TRY LUNA (CHEAP/FAST)」（嘗試使用 Luna，具備便宜／快速的特點），隨後到達判定點「MAKING PROGRESS?」（是否有進展？）。
若判定結果為「YES」（是），則直接導向右側的「DONE (CHEAP/WIN)」（完成，低成本獲勝）。
若判定結果為「NO / STALLED」（否／停滯），則走向「ESCALATE TO SOL」（升級至 Sol），接著再進行「SOLVED?」（是否已解決？）的判定：
- 若為「NO」（否），則進一步「ESCALATE TO MAX REASONING + TO」（升級至最大推理 + TO），隨後導向「DONE (CHEAP/WIN)」。
- 若為「YES」（是），則直接導向「DONE (CHEAP/WIN)」。
展開數據表
| 推理層級 | 每任務總成本 | 堆疊分項（由上而下） |
|---|
| GPT-5.6 Sol (low) | $0.20 | — |
| GPT-5.6 Sol (medium) | $0.31 | $0.08, $0.09, $0.07 |
| GPT-5.6 Sol (high) | $0.45 | $0.11, $0.10, $0.09, $0.13 |
| GPT-5.6 Sol (xhigh) | $0.68 | $0.13, $0.17, $0.15, $0.20 |
| GPT-5.6 Sol (max) | $1.04 | $0.16, $0.30, $0.17, $0.38 |
展開畫面重點
本流程圖展示不同 session 處理方式對成本的影響。
起始步驟為「LOAD CONTEXT ONCE」與「KEEP SESSION」，接著進入條件判斷「NEW SESSION EACH TASK?」。
- 若選「YES」：進入粉紅色標示的「FRESH INPUT AGAIN」，最終導致「HIGHER COST」。
- 若選「NO」：進入「REUSE CONTEXT」，接著透過青色標示的「CACHED INPUT 90% CHEAPER」，最終達成「LOWER COST」。
展開畫面重點
本圖為三欄式循序圖（Sequence Diagram），橫向分為三大參與者：「USER」、「WORKER AGENT」與「ADVISOR MODEL」。
圖中步驟與流程依時間順序包含：
1. USER 傳送 `Task` 給 WORKER AGENT。
2. WORKER AGENT 執行 `Work on task`。
3. WORKER AGENT 透過 `Stream session` 將資料串流至 ADVISOR MODEL。
4. ADVISOR MODEL 執行 `Watch for drift` 監控偏移。
5. 若偏離計畫，ADVISOR MODEL 發出 `Nudge when off-program` 回饋給 WORKER AGENT。
6. WORKER AGENT 執行 `Correct course` 修正航向。
7. 最後 WORKER AGENT 回傳 `Result` 給 USER。