OpenAI 在 8 月 13 日发布了《GPT-5.6 构建者指南》（The builder’s guide to GPT‑5.6），面向正在生产环境中搭建智能体的开发者与初创团队，系统梳理了 GPT-5.6 家族在模型选择、推理强度以及运行方式上的优化路径。官方对这份指南的定位很明确：GPT-5.6 让「前沿水平的智能体性能」变得明显更便宜，同时也向前推进了能力边界。
指南的核心不是单点技术参数，而是一套成本与性能的调度思路。OpenAI 认为，开发者应当先理解 GPT-5.6 的三个模型档位——旗舰的 Sol、平衡的 Terra 和低成本、面向高吞吐的 Luna——再结合任务难度、失败代价、延迟要求来决定「哪一步该用哪个模型」，而不是把所有任务都压在旗舰模型上。
一个被广泛引用的对比来自 BrowseComp 检索基准。OpenAI 给出的数据显示，三个月前 GPT-5.5 在 Extra High 推理档位下得分 84.36%，总成本约 33.27 美元；而 GPT-5.6 家族中最小、最便宜的 Luna 在 Extra High 档位下得分 84.04%，成本仅约 1.33 美元，性能几乎持平，成本差距约 25 倍。OpenAI 还提到，发布后价格已进一步下调。类似的结论也出现在 Agents’ Last Exam 上：在保持测试框架不变的情况下，GPT-5.6 Sol 在 low 推理档位的表现已经超过 GPT-5.5 在 high 档位的表现。
这意味着过去「长期任务必须上旗舰、开最高推理」的经验正在失效。指南指出，借助更多的 test-time compute，Luna 和 Terra 常常能在显著更低的成本下接近 GPT-5.4、GPT-5.5 的表现，尤其适合大批量负载、对延迟敏感的交互，以及智能体工作流中反复出现的提取、分类、检索判断等步骤。官方举了一个法律科技场景：如果一家初创公司需要在智能体分析前解析手写备忘录，提取环节可以改用 Terra 或 Luna，而不必全程调用旗舰模型。
除了模型选择，指南花了大量篇幅介绍 Responses API 新增的原生能力。OpenAI 表示，GPT-5.6 是端到端地配合三项互补的架构改进训练的：
- 复用已完成的工作：通过持久化推理（persisted reasoning）让推理状态跨轮次保留，并用原生压缩（compaction）压缩长对话，让模型在更长任务周期内保持连贯，而不必反复重建上下文。
- 在合适的场景做并行分解：通过原生多智能体编排（multi-agent orchestration）协调多个智能体在并行工作流中分工，更快完成复杂任务。
- 把确定性工作交给代码：通过程序化工具调用（Programmatic Tool Calling）在模型上下文窗口之外完成过滤、聚合与编排，把 token 留给真正需要判断的部分。
这三项能力的组合效果，官方用 ARC-AGI-3 的例子做了说明：GPT-5.6 Sol 在标准测试框架下得分为 13.3%，启用推理保留和压缩后升至 38.3%，输出 token 却减少到约六分之一——模型本身没有变化，改变的是运行它的框架。
其中，程序化工具调用针对的是一类常见但低效的工作：模型往往要先在上下文里读取大量中间结果，再逐一判断下一步。指南用一个例子说明问题——当智能体需要检索 100 份文件、按日期筛选并识别相关交易时，它不应该对每一个中间结果都进行推理。程序化工具调用允许 GPT-5.6 编写 JavaScript 来编排工具、并行执行独立调用，并在上下文之外处理输出，只把需要判断的压缩结果送回模型。据指南引述，金融研究公司 Rogo 在质量持平的情况下，输入 token 减少了约 21%。
原生多智能体则适用于可明确拆分的并行任务：主智能体负责编排并向下属智能体分配任务，子智能体并行推进，最后把结果交回主智能体汇总。指南引用了 Obvious 联合创始人 Jon Bell 的说法，GPT-5.6 一次处理六份规格说明时没有出现质量崩塌；Quadrillion 创始人 E Chi 则表示，GPT-5.6 Sol 相较 GPT-5.5 有明显提升，完成速度几乎快过其测试的所有其他模型。
缓存机制也在 GPT-5.6 上得到调整。OpenAI 表示，全家族提示词缓存的 TTL 已延长到至少 30 分钟，并且可以在上下文窗口内设置确定性的缓存断点；合适的 prompt_cache_key 还能提高请求落在同一推理引擎上的概率，从而降低延迟。对于长期运行的智能体，这些改动直接影响真实账单。
指南还传递了一个更朴素的方法论：模型选择正在变成资源调度，而不是「永远用最强」。官方建议在迁移时先保留原有推理档位跑一轮测试，再降一级推理强度对比；而第三方评测也印证了「档位越高未必越好」。软件公司 Superconductor 在自家 Rails 代码库上的测试显示，GPT-5.6 Sol High 的质量得分约 77%，低于另一系统的约 83%，但前者通常 5 到 6 分钟完成任务，后者需要 23 到 25 分钟，最终团队选择接受约 6 个百分点的质量差距，换取约四倍的速度。A-CODE-LLM 用 10 项软件开发任务测试 GPT-5.6 家族时，也出现了 Luna 基础版在某些项目上得分超过更贵配置的情况。
整体来看，这份构建者指南把成本优化的重点从「选一个便宜的模型」推进到了「按任务调配模型、推理档位与运行方式」。对开发者而言，最实用的起点可能是：挑一个调用最频繁或花费最高的任务，保留现有配置跑一版，再降一档模型或推理档位跑一版，把成功率、总成本、耗时、重试次数和人工复核时间放在一起比较，才能判断便宜的选择有没有把工作转移给人。