开始使用 GPT-5.6 Luna 聊天
使用 GPT-5.6 Luna 及其完整模型系列,每天可获得更多消息额度。
GPT-5.6 Luna:关键规格
以下是 GPT-5.6 Luna 的主要规格,以及其在实际使用中的表现。
- 1,050,000 个令牌上下文窗口：GPT-5.6 Luna 可以处理非常大的提示、长文档、存储库上下文或检索包，这有助于减少大规模分析工作流程程中的分块。
- 128,000 个最大输出令牌：当任务需要扩展文本时，模型可以生成长结构化答案、摘要、提取的数据集、报告和转换输出。
- 文本和图像输入与文本输出：GPT-5.6 Luna 可以在返回文本的同时处理书面和视觉上下文，支持文档审查、屏幕截图分析、多模态分类和可视化数据提取。
- 具有推理令牌支持的高推理能力：GPT-5.6 Luna 可以将推理令牌用于更困难的任务，使其比基本的低成本文本模型更适用于复杂的分类、路由、编码和分析。
- 每 1M 个输入令牌 1.00 美元，每 1M 缓存输入令牌 0.10 美元，每 100 万个输出令牌 6.00 美元：此定价支持每个请求成本很重要的生产工作负载。
- 流式传输、函数调用、结构化输出 和 Responses API 工具：GPT-5.6 Luna 支持使用 网络搜索、文件搜索、图像生成、代码解释器、托管 Shell 的自动化工作流程程， 应用补丁、技能、计算机操作、MCP 和 工具搜索。
比较 GPT-5.6 Luna、GPT-5.6 Sol 和 GPT-5.6 Terra
简要介绍各模型在性能、速度与应用场景上的差异。
| 功能 | GPT-5.6 Luna | GPT-5.6 Sol | GPT-5.6 Terra |
|---|---|---|---|
| 知识截止 | 2026 年 2 月 16 日 | 2026 年 2 月 16 日 | 2026 年 2 月 16 日 |
| 上下文窗口（Token） | 1,050,000 个令牌 | 1,050,000 个令牌 | 1,050,000 个令牌 |
| 最大输出长度（Token） | 128,000 个令牌 | 128,000 个令牌 | 128,000 个令牌 |
| 输入模式 | 文字、图像 | 文字、图像 | 文字、图像 |
| 输出模式 | 文本 | 文本 | 文本 |
| 延迟(OpenRouter 数据) | 快速；实际延迟因提示长度、输出长度、工具使用、推理工作和部署条件而异。 | 快速；实际延迟因提示长度、输出长度、工具使用、推理工作和部署条件而异。 | 快速；实际延迟因提示长度、输出长度、工具使用、推理工作和部署条件而异。 |
| 速度 | 快速地 | 快速地 | 快速地 |
| 每百万 Token 输入／输出成本 | $1.00 输入，$0.10 缓存输入，$6.00 输出 | $5.00 输入，$0.50 缓存输入，$30.00 输出 | $2.50 输入，$0.25 缓存输入，$15.00 输出 |
| 推理性能 | 高的。 GPT-5.6 Luna 官方评价包括 GPQA Diamond 92.3%、FrontierMath Tier 1-3 v2 78.6%、FrontierMath Tier 4 v2 58.5% 和 Artificial Analysis Intelligence Index v4.1 得分 51.2。 | 最高。官方 GPT-5.6 评估列出 Sol 在 Agents' Last Exam 上为 52.7%，在 GDPval-AA v2 上为 1,747.8 Elo，在 Artificial Analysis Intelligence Index v4.1 上为 58.9，在 BrowseComp 上为 90.4%，在 OSWorld 2.0 上为 62.6%。 | 高的。官方 GPT-5.6 评估列出 Terra 在 Agents' Last Exam 上的得分为 50.4%，在 Artificial Analysis Intelligence Index v4.1 上的得分为 55，在 HealthBench Professional 上的得分为 57.7%，在 BrowseComp 上的得分为 87.5%。 |
| 编码性能 （基于 SWE-bench Verified） | 适合低成本型号。官方评价包括Artificial Analysis Coding Agent Index v1.1得分74.6、SWE-Bench Pro 62.7%、DeepSWE v1.1 67.2%和Terminal-Bench 2.1 84.7%。 | 非常强。官方 GPT-5.6 评估将 Sol 在 Artificial Analysis Coding Agent Index v1.1 上列为 80，在 SWE-Bench Pro 上为 64.6%，在 DeepSWE v1.1 上为 72.7%，在 Terminal-Bench 2.1 上为 88.8%。 | 强的。 GPT-5.6 官方评估显示 Terra 在 Artificial Analysis Coding Agent Index v1.1 上得分为 77.4，在 SWE-Bench Pro 上得分为 63.4%，在 DeepSWE v1.1 上得分为 69.6%，在 Terminal-Bench 2.1 上得分为 87.4%。 |
| 适用场景 | 大容量分类、摘要、路由、结构化提取、实时应用程序、编码支持和成本敏感的代理工作流程程 | 复杂推理、专业编码、长上下文研究、知识工作、网络安全、科学、计算机操作、设计和高级代理工作流程程 | 产品编码、结构化数据提取、内容工作流程程、通用代理、长上下文分析和成本意识知识工作 |
适合使用 GPT-5.6 Luna 的场景
最佳 GPT-5.6 Luna 用例
- 需要对文本、文档或基于图像的输入进行快速、经济高效的决策的大容量分类系统。
- 汇总和路由工作流程，模型在其中压缩、令牌、确定优先级或将工作发送到其他模型或工具。
- 从支持票证、表单、PDF、屏幕截图、长文档和检索增强上下文包中提取结构化数据。
- 实时应用程序中，较低的延迟和较低的每个令牌成本比使用 GPT-5.6 系列中最高功能的模型更重要。
- 编码支持和代理子步骤，例如存储库搜索、问题分类、简单代码编辑、测试解释和工具协调的工作流程程。
- 教育、写作、研究和生产力助手，需要长上下文、图像输入和可靠的文本输出，而无需旗舰定价。
如何访问 GPT-5.6 Luna
如何访问 GPT-5.6 Luna
1.官方API
OpenAI 在 API 中将 GPT-5.6 Luna 列为 gpt-5.6-luna。它支持 Chat Completions 和 Responses 端点、文本和图像输入、文本输出、流式传输、函数调用、结构化输出 以及受支持的 Responses API 工具。
2.EssayDone AI Chat
当该模型在产品中可用时，EssayDone AI Chat可以通过易于使用的聊天界面来访问该模型。
这对于写作、学习、研究、总结、提取和生产力任务很有用，但对于需要直接控制端点、参数、工具和部署设置的开发人员来说，它并不能取代官方的 API。
探索更多AI模型
找到你需要的模型——搜索或选择查看完整资料。
常见问题
以下是关于 GPT-5.6 Luna 的常见问题。
是的。 GPT-5.6 Luna支持推理令牌，并被具有高推理能力的OpenAI列出。它旨在为成本敏感的工作负载带来强大的推理能力，而不是取代更高功能的 GPT-5.6 Sol 模型。
OpenAI 列出了 GPT-5.6 Luna API 的定价为每 100 万个输入令牌 1.00 美元，每 100 万个缓存输入令牌 0.10 美元，每 100 万个输出令牌 6.00 美元。超过 272K 输入令牌的提示按完整请求的 2 倍输入和 1.5 倍输出定价，缓存写入按未缓存输入令牌费率的 1.25 倍计费。
GPT-5.6 Luna 针对成本敏感的大批量工作进行了优化，例如分类、汇总、路由、结构化提取、实时应用程序、轻量级编码支持和代理工作流程程子步骤。
GPT-5.6 Luna支持文本和图像输入并返回文本输出。它可以处理多模式工作流程程，例如屏幕截图分析、文档审查、图像感知分类和视觉信息提取，但不支持音频和视频。
与GPT-5.6 Terra和GPT-5.6 Sol相比，GPT-5.6 Luna是该系列中速度最快、成本最低的型号。 OpenAI 将其描述为大致对应于早期的 Nano 层，同时仍然提供 GPT-5.6 系列长上下文、推理、编码和工具使用功能。
在 EssayDone AI Chat中使用 GPT-5.6 Luna 可以提供一种便捷的方式，使用快速、经济高效的 OpenAI 模型进行写作、研究、总结、学习、提取和日常生产力任务，而无需设置 API。