GPT-5.6 时代：智能体成本结构重塑，模型选择逻辑彻底变了

文章目录一、数字说话性能持平成本相差25倍二、三大API原语推理持久化、多智能体编排、程序化工具调用三、场景落地从文档提取到浏览器自动化Luna的性价比突围四、被忽视的缓存优化30分钟TTL与确定性断点五、结论正确的位置用正确的模型让架构匹配任务一、数字说话性能持平成本相差25倍过去选模型逻辑差不多是固定的。要处理长上下文要调工具就用旗舰推理强度拉满成本高一点也认了。到 GPT-5.6 这一代这件事开始松动。Luna 和 Terra 这类成本更低的模型加上足够的测试时计算已经能在不少场景里追到 GPT-5.4 和 5.5 附近花的钱却少得多。先说两个最直接的数字。BrowseComp 是测试模型搜索冷门事实能力的基准。GPT-5.5 在 Extra High 推理强度下拿到 84.36% 的得分成本 33.27 美元。GPT-5.6 Luna 同样开 Extra High得分 84.04%成本只有 1.33 美元。性能几乎一样成本大约差了 25 倍。而且这是降价前的数据。另一个变化发生在 ARC-AGI-3 上。GPT-5.6 Sol 用标准评测框架跑得分只有 13.3%。启用保留式推理和压缩之后分数升到 38.3%输出 token 反而减少了大约 6 倍。模型本身没有改只是推理架构做了调整。这个结果比很多模型升级带来的收益还大也解释了为什么这篇文章说最实际的改变在 API 原语而不是模型权重。二、三大API原语推理持久化、多智能体编排、程序化工具调用OpenAI 在 Responses API 里加了三个新的原语都指向智能体场景。第一个是推理持久化。简单说推理过程可以在模型轮次之间保留下来再配合原生压缩把长时间对话压住。好处是模型在长任务里不容易丢上下文也不需要每轮都重建之前的状态。ARC-AGI-3 上接近三倍的提升主要就来自这里。第二个是原生多智能体编排。复杂且能并行的任务可以把推理和行动拆到多个子智能体上主智能体负责分派和汇总。Obvious 的联合创始人 Jon Bell 说他们一次给 GPT-5.6 抛了六份规格说明同时写作、构建和讨论它全程都跟住了质量没有垮。第三个是程序化工具调用也是最底层的改动。过去模型要对上下文窗口里的每个中间结果都推理一遍现在它可以写 JavaScript 来编排工具把独立的调用并行跑起来在上下文窗口外处理输出。模型只把判断力用在该用的地方。Rogo 在金融研究场景里试过输入 token 使用量减少了 21%。这些变化叠加起来模型选择的逻辑就变了。三、场景落地从文档提取到浏览器自动化Luna的性价比突围高吞吐、延迟敏感的场景Luna 和 Terra 足够用。长周期复杂推理还是交给 Sol因为架构优化空间大。文档理解和信息提取Luna 能以大概十八分之一的成本保住 98% 的提取准确率。浏览器自动化Luna 的任务完成率 78%成本 14 美元对比之下 SOTA 方案要 235 美元。代码探索和决策建模Luna 能把成本降低 64%响应时间缩短 90%F1 还提升了 5%。一个常见做法是让 Sol 负责规划和决策Luna 去执行那些已经明确的编码、测试和评估环节。提示词缓存也是个经常被忽略的成本优化点。缓存 TTL 现在延长到至少 30 分钟而且可以在上下文窗口内确定性设置缓存断点。Ploy 公司给一个共享的 29000 token 提示词加了缓存断点后未缓存输入减少了 28%。Ploy 的工程师 Lorenzo Gentile 说30 分钟的缓存窗口意味着智能体可以在多次运行里复用同一段上下文不用每次都从头来。整体看下来这篇文章真正想说的不是 GPT-5.6 有多强而是智能体的成本结构变了。过去那些每步都要前沿模型扛着的场景现在可以用更小的模型、不同的推理强度和更合理的架构搭出来结果差不多甚至更好。重点不是选最贵的那个而是在正确的位置用正确的模型再让架构去匹配任务。四、被忽视的缓存优化30分钟TTL与确定性断点过去选模型逻辑差不多是固定的。要处理长上下文要调工具就用旗舰推理强度拉满成本高一点也认了。到 GPT-5.6 这一代这件事开始松动。Luna 和 Terra 这类成本更低的模型加上足够的测试时计算已经能在不少场景里追到 GPT-5.4 和 5.5 附近花的钱却少得多。先说两个最直接的数字。BrowseComp 是测试模型搜索冷门事实能力的基准。GPT-5.5 在 Extra High 推理强度下拿到 84.36% 的得分成本 33.27 美元。GPT-5.6 Luna 同样开 Extra High得分 84.04%成本只有 1.33 美元。性能几乎一样成本大约差了 25 倍。而且这是降价前的数据。另一个变化发生在 ARC-AGI-3 上。GPT-5.6 Sol 用标准评测框架跑得分只有 13.3%。启用保留式推理和压缩之后分数升到 38.3%输出 token 反而减少了大约 6 倍。模型本身没有改只是推理架构做了调整。这个结果比很多模型升级带来的收益还大也解释了为什么这篇文章说最实际的改变在 API 原语而不是模型权重。OpenAI 在 Responses API 里加了三个新的原语都指向智能体场景。第一个是推理持久化。简单说推理过程可以在模型轮次之间保留下来再配合原生压缩把长时间对话压住。好处是模型在长任务里不容易丢上下文也不需要每轮都重建之前的状态。ARC-AGI-3 上接近三倍的提升主要就来自这里。第二个是原生多智能体编排。复杂且能并行的任务可以把推理和行动拆到多个子智能体上主智能体负责分派和汇总。Obvious 的联合创始人 Jon Bell 说他们一次给 GPT-5.6 抛了六份规格说明同时写作、构建和讨论它全程都跟住了质量没有垮。第三个是程序化工具调用也是最底层的改动。过去模型要对上下文窗口里的每个中间结果都推理一遍现在它可以写 JavaScript 来编排工具把独立的调用并行跑起来在上下文窗口外处理输出。模型只把判断力用在该用的地方。Rogo 在金融研究场景里试过输入 token 使用量减少了 21%。五、结论正确的位置用正确的模型让架构匹配任务这些变化叠加起来模型选择的逻辑就变了。高吞吐、延迟敏感的场景Luna 和 Terra 足够用。长周期复杂推理还是交给 Sol因为架构优化空间大。文档理解和信息提取Luna 能以大概十八分之一的成本保住 98% 的提取准确率。浏览器自动化Luna 的任务完成率 78%成本 14 美元对比之下 SOTA 方案要 235 美元。代码探索和决策建模Luna 能把成本降低 64%响应时间缩短 90%F1 还提升了 5%。一个常见做法是让 Sol 负责规划和决策Luna 去执行那些已经明确的编码、测试和评估环节。提示词缓存也是个经常被忽略的成本优化点。缓存 TTL 现在延长到至少 30 分钟而且可以在上下文窗口内确定性设置缓存断点。Ploy 公司给一个共享的 29000 token 提示词加了缓存断点后未缓存输入减少了 28%。Ploy 的工程师 Lorenzo Gentile 说30 分钟的缓存窗口意味着智能体可以在多次运行里复用同一段上下文不用每次都从头来。智能体的成本结构变了。过去那些每步都要前沿模型扛着的场景现在可以用更小的模型、不同的推理强度和更合理的架构搭出来结果差不多甚至更好。重点不是选最贵的那个而是在正确的位置用正确的模型再让架构去匹配任务。