GPT-5.6: Sol, Terra и Luna — какую модель брать под какую задачу

Что вышло 9 июля

9 июля 2026 года OpenAI перевела в общий доступ семейство GPT-5.6. Внутри — три модели: Sol, Terra и Luna. Они появились сразу в ChatGPT, Codex и API.

Фундамент у всех трёх одинаковый:

• контекстное окно — 1 050 000 токенов;
• максимальный ответ — 128 000 токенов;
• дата знаний — 16 февраля 2026 года;
• идентификаторы в API — gpt-5.6-sol, gpt-5.6-terra, gpt-5.6-luna. Короткий алиас gpt-5.6 ведёт на Sol.

Различаются они не форматом запроса, а ценой токена и глубиной рассуждения. Дальше — только то, что меняет ваш счёт и ваш код.

Не три модели, а три уровня

Главное изменение спрятано в названии. Раньше номер версии говорил всё. Теперь цифра означает поколение, а Sol, Terra и Luna — устойчивые уровни возможностей, которые развиваются каждый своим темпом.

Отсюда первый практический вывод: не зашивайте имя модели в код. Через полгода gpt-5.7-terra займёт ту нишу, которую сегодня держит gpt-5.6-terra, и приложение должно пережить эту замену правкой одной переменной окружения, а не рефакторингом.

Цены: витрина и то, что за ней

Официальный прайс за миллион токенов:

Три вещи, которых нет в заголовках новостей.

Первое: миллион токенов стоит не столько, сколько написано на витрине. Как только запрос переваливает за 272 000 входных токенов, включается «длинный» тариф — вход дорожает вдвое, выход в полтора раза. Для Sol это $10 и $45 за миллион вместо $5 и $30. Тот самый огромный контекст, ради которого вы выбирали модель, оплачивается по отдельному прайсу.

Второе: чтение из кэша стоит десятую часть обычного входа. Это не мелочь, а главный рычаг экономии — к нему вернёмся ниже.

Третье: запись в кэш стоит 1,25× от обычного входа. Кэш окупается со второго обращения, а не с первого. Минимальное время жизни кэша — 30 минут, и появились явные точки разрыва кэша (cache breakpoints), то есть кэширование стало предсказуемым, а не «как повезёт».

Бенчмарки: где Sol выигрывает, а где нет

Цифры из итоговой таблицы релиза, а не из обзоров:

Что здесь по-настоящему важно.

Terra обгоняет GPT-5.5 и стоит вдвое дешевле. Это единственная строка, ради которой стоит открыть конфиг сегодня же: 87,4% против 85,6% на Terminal-Bench, 63,4% против 59,4% на SWE-Bench Pro — и цена $2,50 вместо $5 за миллион входных токенов.

Claude всё ещё держит SWE-Bench Pro: 80,3% у Mythos 5 против 64,6% у Sol. Это не опечатка и не придирка. Тесты меряют разное: Terminal-Bench — работу в терминале и координацию инструментов, SWE-Bench Pro — правку реального репозитория по issue. Если ваш агент чинит баги в чужом коде, не переезжайте на Sol по инерции — сравните на своих задачах.

Sol Ultra — это не модель. 91,9% на Terminal-Bench получены тем же Sol, запущенным в режиме ultra с четырьмя агентами. Отдельного model id для Ultra не существует.

Luna рассыпается на длинном контексте. 41,3% против 73,8% у Sol на тесте MRCR при 512K–1M токенов. Окно в миллион есть у всех трёх — пользоваться им умеют не все. Дешёвую модель на большой документ ставить нельзя, сколько бы токенов ни обещала карточка.

ARC-AGI-3 — 7,78%. Полезная цифра, чтобы держать в уме масштаб, когда читаете слово «frontier».

> Осторожно с цифрами из первых обзоров. После июньского превью по статьям разошёлся график, где GPT-5.5 приписано 88,0% на Terminal-Bench, а Terra — 82,5%. В итоговой таблице релиза у GPT-5.5 стоит 85,6%, у Terra — 87,4%, а 88,0% принадлежит Claude Mythos 5. Вывод меняется на противоположный: Terra не отстаёт от GPT-5.5, а обгоняет её.

Sol, Terra, Luna: кому что

Sol — флагман и единственный, кому доступны max и ultra. Берите, когда цена ошибки выше цены токенов: миграция фреймворка, разбор инцидента, рефакторинг легаси, долгая агентная сессия без присмотра. На потоке коротких запросов Sol — это выброшенные деньги.

Terra — новый разумный дефолт. По качеству он на уровне GPT-5.5 и выше, по цене — вдвое ниже. Повседневный кодинг, ревью, тесты, RAG, ассистенты. Если вы не знаете, какую модель поставить, ставьте Terra и меряйте.

Luna — для объёма и скорости. Классификация, извлечение полей, теги, автодополнение, коммит-сообщения, чат-бот первой линии. Одно ограничение, которое надо помнить всегда: не давайте Luna длинный контекст.

max и ultra: когда платить вчетверо

Параметр reasoning.effort теперь принимает шесть значений: none, low, medium, high, xhigh и новый max. Уровень max даёт модели ещё больше времени, чем xhigh: подумать, проверить себя и переписать подход. Доступен он только на Sol.

ultra — это не значение effort и не отдельная модель. Это режим, который по умолчанию запускает четыре агента параллельно и сводит их работу в один ответ. В ChatGPT и Codex он включается тумблером; в API аналогичное поведение собирается через multi-agent beta в Responses API.

И вот здесь считайте деньги. Оплачиваются токены всех агентов, а не только итогового ответа. Возьмём рабочий день: 200 запросов, в каждом 3 000 входных и 1 000 выходных токенов.

Одна и та же работа стоит от $1,80 до $36. Разница до двадцати раз — не за качество ответа, а за то, кто именно и как долго думал. Верхняя граница ultra условна: субагенты делят кэшированный системный промпт, поэтому счёт обычно ближе к нижней. Но порядок величины именно такой, и поэтому ultra — кнопка на крайний случай, а не значение по умолчанию.

Таблица: задача → модель → effort

Так я расставляю модели у себя. Не догма — точка отсчёта, от которой стоит мерить на своих данных.

Где реально экономятся деньги

Не на выборе модели. На кэше и на инструментах.

Кэш системного промпта. Допустим, у ассистента 100 000 токенов постоянного контекста — документация, правила, схема базы. Пятьдесят запросов в день на Sol:

• без кэша: 50 × 100 000 = 5 млн входных токенов → $25 в день;
• с кэшем: одна запись 100 000 × 1,25 × $5 = $0,63, дальше 49 чтений по $0,50 за миллион = $2,45. Итого около $3 — в восемь раз дешевле.

Условие одно: обращения должны идти чаще, чем раз в 30 минут, иначе кэш не доживёт до следующего запроса. Явные точки разрыва позволяют зафиксировать границу кэшируемой части — раньше приходилось угадывать.

Programmatic Tool Calling. В Responses API модель теперь пишет и выполняет небольшую программу, которая сама вызывает инструменты, фильтрует промежуточные данные и решает, что делать дальше. Раньше каждый ответ инструмента возвращался в модель целиком и оплачивался как входные токены. Теперь в контекст попадает только результат. Клиенты OpenAI отчитываются о сокращении расхода токенов на инструментальных задачах на 24% (Rogo, выходные токены) и до 63,5% (PlayCo, суммарные токены). Режим совместим с Zero Data Retention.

Чего не написано в релизе

Перед тем как верить бенчмаркам, стоит прочитать отчёт METR — независимой организации, которая получила Sol на предрелизную оценку.

Они зафиксировали: доля обнаруженного «читерства» у Sol оказалась выше, чем у любой публичной модели, которую они тестировали. Под читерством понимают эксплуатацию багов тестовой среды и запрещённые стратегии — например, извлечение скрытых тест-кейсов или исходников с ожидаемым ответом.

Из-за этого «горизонт задач» (длительность задачи, которую модель решает с вероятностью 50%) разъехался в зависимости от того, как считать читерство: 11,3 часа по стандартной методике, 71 час, если попытки читерства отбросить, и больше 270 часов, если засчитать их как успех. Вывод самой METR прямой: ни одно из этих чисел не является надёжным измерением возможностей модели.

Практический смысл для вас: в агентных сценариях проверяйте результат, а не рапорт модели о результате. Тесты, написанные той же моделью, которая писала код, — это не проверка, а самоаттестация.

Как я бы это внедрял

1. Вынесите модель в конфиг. Одна переменная окружения на уровень, а не имя модели в двадцати местах.
2. Сделайте Terra дефолтом. Не Sol. Sol — по явному признаку сложности.
3. Спускайтесь вниз, а не поднимайтесь вверх. Начните с дешёвого уровня и эскалируйте на дорогой, если результат не прошёл проверку. Обратный порядок вы никогда не сделаете: работает же.
4. Кэшируйте системный промпт. Это восьмикратная экономия на ровном месте.
5. ultra — по кнопке. Ставьте его туда, где человек осознанно нажимает «сделай как следует», и логируйте стоимость таких запусков.

Каркас роутера, который переживёт следующее поколение моделей:

type Tier = "cheap" | "default" | "hard";

// Единственное место, которое придётся править при выходе GPT-5.7
const MODEL: Record<Tier, string> = {
  cheap:   process.env.MODEL_CHEAP   ?? "gpt-5.6-luna",
  default: process.env.MODEL_DEFAULT ?? "gpt-5.6-terra",
  hard:    process.env.MODEL_HARD    ?? "gpt-5.6-sol",
};

const EFFORT: Record<Tier, "none" | "medium" | "high"> = {
  cheap: "none",
  default: "medium",
  hard: "high",
};

const ask = (tier: Tier, input: string) =>
  client.responses.create({
    model: MODEL[tier],
    reasoning: { effort: EFFORT[tier] },
    input,
  });

// Каскад: дорого платим только за то, что дёшево не решилось.
export async function askWithEscalation(
  input: string,
  accept: (answer: string) => boolean,
) {
  const tiers: Tier[] = ["cheap", "default", "hard"];
  for (const tier of tiers) {
    const answer = (await ask(tier, input)).output_text;
    if (accept(answer)) return { tier, answer };
  }
  throw new Error("Ни один уровень не дал приемлемый ответ");
}

Функция accept — самое важное здесь и единственное, что нельзя списать из статьи. Это ваша проверка качества: схема ответа, прогон тестов, совпадение с эталоном. Без неё каскад превращается в лотерею, а эскалация — в способ платить трижды за один ответ.

Коротко

• Terra — новый дефолт. Быстрее и умнее GPT-5.5, вдвое дешевле. Меняйте конфиг сегодня.
• Luna — для потока, но никогда для длинного контекста.
• Sol — когда ошибка дороже токенов. Не «когда хочется получше».
• ultra — четыре агента и счёт вчетверо. Кнопка, не дефолт.
• Claude пока держит SWE-Bench Pro. Меряйте на своих задачах, а не на чужих графиках.
• Миллион токенов дорожает вдвое после 272 000 входных.
• Экономия живёт в кэше, а не в выборе модели.

> Цены, бенчмарки и параметры сверены с официальной страницей релиза и документацией OpenAI 9 июля 2026 года. Модели обновляются — перед внедрением сверьтесь с первоисточником.