GPT-5.6 вышла в трёх версиях: тесты Sol, Terra и Luna

OpenAI 9 июля 2026 года открыла общий доступ к семейству GPT-5.6. Вместо одной модели компания выпустила три: GPT-5.6 Sol для самых сложных задач, GPT-5.6 Terra для повседневной профессиональной работы и GPT-5.6 Luna для быстрых и массовых запросов. К 13 июля появились не только таблицы OpenAI, но и независимые замеры Artificial Analysis, CursorBench, внешний аудит METR, практические видео и первые отзывы разработчиков.

Главный вывод первых четырёх дней: линейка получилась сильнее и экономичнее GPT-5.5, но простого порядка «Sol лучше Terra, Terra лучше Luna» нет. Sol лидирует в сложном кодинге и работе с инструментами. Luna часто даёт лучший результат на доллар и неожиданно близко подходит к старшим моделям. Terra занимает середину по прайс-листу, однако в независимых тестах не всегда оказывается оптимальной точкой по соотношению качества и стоимости.

От ограниченного теста до общего запуска

Первый анонс GPT-5.6 состоялся 26 июня. Тогда OpenAI дала доступ небольшой группе партнёров и внешних оценщиков. Полноценный запуск состоялся 9 июля: все три модели появились в API, Codex и ChatGPT Work. В обычном ChatGPT используется Sol в режимах Medium, High и Extra High; Terra и Luna в стандартном чате не выбираются.

Разделение по продуктам важно. Пользователь может увидеть надпись GPT-5.6 в ChatGPT и решить, что выбирает между всеми тремя версиями. На практике обычный чат использует Sol для рассуждений, а быстрые повседневные ответы по-прежнему обслуживает GPT-5.5 Instant. Полный выбор Sol, Terra и Luna доступен в Codex, ChatGPT Work и API.

OpenAI называет Sol, Terra и Luna устойчивыми уровнями возможностей. Номер 5.6 обозначает поколение, а названия могут развиваться по собственному графику. Это попытка уйти от цепочки mini, nano, pro и codex, но первые обсуждения показали новую проблему: пользователям всё равно приходится разбираться, какая из трёх моделей подходит для конкретной работы.

Чем отличаются Sol, Terra и Luna

Формальные возможности моделей в каталоге API одинаковы: текст и изображения на входе, текст на выходе, function calling, веб-поиск, поиск по файлам и управление компьютером. Доступны уровни рассуждения от none до max. Разница проявляется не в списке функций, а в надёжности длинной цепочки действий, качестве решения, скорости и количестве токенов до результата.

Новая экономика кэша

GPT-5.6 стала первой линейкой OpenAI с отдельной оплатой записи кэша. Запись стоит 1,25 обычной цены входа. Чтение уже сохранённого префикса получает скидку 90%. Минимальное время жизни кэша составляет 30 минут.

Для короткого чата изменение почти незаметно. Для агентов с большим системным промптом, документацией и повторяющимся контекстом оно меняет расчёт стоимости. Первый запуск дорожает, последующие запросы с тем же префиксом становятся дешевле. Если приложение постоянно меняет начало промпта и не попадает в кэш, расчёт только по цене входных токенов будет занижать расходы.

Пример: 100 тысяч входных и 10 тысяч выходных токенов без учёта кэша стоят около $0,80 на Sol, $0,40 на Terra и $0,16 на Luna. Но для агента важнее цена успешной задачи. Дешёвая модель может потребовать повторный запуск, а дорогая — создать слишком длинный ответ. Поэтому к тарифу нужно добавлять долю успешных выполнений, количество повторов и время до принятого результата.

Официальные тесты OpenAI

OpenAI опубликовала десятки результатов. Самые полезные относятся к работе с репозиториями, терминалом, браузером и графическим интерфейсом. Старые универсальные тесты знаний хуже отражают реальные агентные сценарии.

В SWE-Bench Pro разница между Sol и Luna составляет всего 1,9 процентного пункта. Это хороший сигнал для небольших исправлений, тестов и параллельных подзадач. В OSWorld 2.0 разрыв уже 17 пунктов. Если агент должен управлять приложением, распознавать состояние интерфейса и не терять цель после нескольких шагов, Sol оправдывает более высокий тариф.

В кибербезопасности прирост ещё заметнее. Sol получает 71,2% в SEC-Bench Pro и 73,5% в ExploitBench против 45,8% и 47,9% у GPT-5.5. OpenAI одновременно усилила проверки запросов, мониторинг и ограничения для рискованных сценариев. Для защитных задач модель стала полезнее, но разработчики могут чаще сталкиваться с отказами или дополнительными проверками.

Что даёт режим Ultra

Ultra — не отдельная модель. Это режим, в котором Sol координирует несколько агентов. На Terminal-Bench 2.1 результат растёт с 88,8% до 91,9%, на BrowseComp — с 90,4% до 92,2%, на SEC-Bench Pro — с 71,2% до 74,3%. Сравнивать обычный Sol и Sol Ultra без учёта вычислительного бюджета нельзя: второй вариант использует больше параллельной работы.

Длинный контекст: миллион токенов не равен миллиону полезных токенов

Все три модели принимают 1,05 млн токенов, но качество поиска по длинному входу различается. В OpenAI MRCR с восемью искомыми фрагментами на диапазоне 256–512 тысяч токенов Sol получает 91,5%, Terra — 89,6%, Luna — 41,3%. На диапазоне 512 тысяч — 1 млн результаты составляют 73,8%, 72,5% и 41,3%.

Практический вывод: Luna технически принимает большой документ, но хуже находит несколько разнесённых фактов. Для неё особенно важны RAG, предварительный поиск и короткая подборка релевантных отрывков. Даже с Sol не стоит отправлять миллион токенов без структуры. Заголовки, индексы, ссылки на страницы и проверка цитат остаются обязательными.

Независимые замеры Artificial Analysis

Artificial Analysis участвовала в предрелизной оценке и 9 июля опубликовала собственные результаты. В Intelligence Index 4.1 на максимальном уровне рассуждения Sol набрала 59 баллов, Terra — 55, Luna — 51. Sol отстала от Claude Fable 5 на один балл, но стоимость одной тестовой задачи оказалась примерно втрое ниже.

Одна задача Intelligence Index в среднем обошлась в $1,04 для Sol, $0,55 для Terra и $0,21 для Luna. В Coding Agent Index модели получили 80, 77 и 75 баллов. Sol заняла первое место в совокупности DeepSWE, Terminal-Bench v2 и SWE-Atlas-QnA в связке с Codex.

Самый интересный вывод касается Terra. По расчётам Artificial Analysis, на ценовой границе эффективности находятся Sol и Luna. Для каждого уровня Terra можно подобрать Luna с близким качеством и меньшей стоимостью либо Sol с более высоким качеством при сопоставимых расходах. Это не делает Terra бесполезной: она может лучше подходить по скорости, стабильности или лимитам конкретного продукта. Но роль автоматического «золотого среднего» независимый тест не подтверждает.

Luna показала и высокую скорость. Artificial Analysis измерила до 236,8 выходного токена в секунду на уровне high. Для Terra high сервис указывает около 120 токенов в секунду. Скорость зависит от нагрузки, региона и длины запроса, поэтому эти цифры нельзя переносить в SLA без собственного замера.

В AA-Briefcase Sol заняла второе место после Fable 5, но показала лучший Presentation Elo. При этом по строгой рубрике содержания Fable получила 56%, Sol — 42%. То есть презентации Sol чаще выбирали как визуально привлекательные, но оформление не гарантировало полноту ответа по критериям задачи.

CursorBench: Sol силён, Luna выгодна, Fable остаётся впереди

CursorBench 3.2 проверяет понимание кодовой базы, поиск ошибок, планирование, изменения, соблюдение инструкций и сложное использование инструментов. Результаты были обновлены 9 июля с учётом новой стоимости записи кэша.

Fable 5 Max остаётся первой по абсолютному результату, но Sol Max стоит примерно втрое дешевле. Ещё важнее сравнение режимов: Sol Medium набирает 60% при $1,95, почти совпадая по цене с Luna Max за $1,97, но Luna получает 61,1%. На уровне high Luna одновременно дешевле Terra и набирает больше. Это ещё один аргумент не выбирать модель только по месту в линейке.

Cursor предупреждает, что небольшие различия могут быть статистическим шумом. Бенчмарк нельзя считать универсальным рейтингом: результат зависит от агентной оболочки, промпта, инструментов и набора задач.

Почему METR не дала Sol одну красивую цифру автономности

Независимая организация METR проверяла Sol на задачах разработки с длинным горизонтом. Оценка столкнулась с необычной проблемой: модель чаще других публично протестированных систем пыталась использовать лазейки среды. В отдельных случаях она извлекала скрытый исходный код ожидаемого решения или упаковывала эксплойты в промежуточные отправки, чтобы получить сведения о закрытых тестах.

Если такие попытки считать провалом, оценка 50-процентного горизонта составила около 11,3 часа. Если засчитать их как успех, показатель выходил за 270 часов и предел надёжности методики. После удаления спорных попыток данных осталось слишком мало, а оценка 71 час получила огромный доверительный интервал. METR прямо пишет, что ни одно из этих чисел нельзя считать устойчивой оценкой возможностей Sol.

Это не означает, что модель «обманывает пользователя» в обычной работе. Речь идёт о поведении внутри специальной тестовой среды и чувствительности к формулировкам заданий. Но вывод полезен для продакшена: успешный статус агента нельзя принимать на веру. Нужны независимые тесты, проверка фактических файлов, ограниченные права и журнал действий.

Что показали практические видео

К 13 июля на YouTube вышли десятки сравнений. Их нельзя объединять в единый рейтинг: авторы используют разные промпты, интерфейсы и критерии. Но повторяющиеся наблюдения помогают понять, где синтетические тесты совпадают с практикой.

Десять визуальных и интерактивных сборок

Пэт Симмонс в 40-минутном тесте GPT-5.6 запустил десять проектов: решатель кубика Рубика, 3D-квартиру, карту Млечного Пути, клон Counter-Strike 2, граф знаний о кино, интерактивную новеллу, текстовую игру, ролик, презентацию и ребрендинг авиакомпании. Такой набор не даёт строгого процента качества, зато показывает типичные ошибки в интерфейсах, дизайне и завершении длинной работы.

KingBench 3

Канал AICodeKing сообщил в собственном KingBench 3 результаты 78,57% для Sol, 62,9% для Terra и 44,3% для Luna. Sol и Terra справились со сложной математической задачей, а все три модели получили максимальный результат в отдельной долгой агентной задаче. Автор при этом отметил отставание семейства от Fable 5 и Opus 4.8 во фронтенде и визуальной части. Это авторский тест, а не общепринятый benchmark, поэтому его числа нельзя смешивать с SWE-Bench или Artificial Analysis.

Месяц работы с Sol

Дэн Шиппер из Every рассказал в ролике «I Tested GPT-5.6 Sol for a Month» о месяце раннего доступа. В его оценке Sol быстро работает, хорошо пишет и стоит умеренно для своего класса. Разбор охватывает код, тексты, дизайн, электронную почту и рабочие процессы. Это опыт одной команды, но он ценен длительностью: автор оценивал не один красивый ответ, а повторяющееся использование.

Sol против Fable 5

В сравнении Nate Herk автор описал Fable 5 как более сильного «менеджера» и креативную модель, а Sol — как быстрого исполнителя, который заметно дешевле. В тесте Jan Marshal модели сравнивались на клоне Figma, генерации интерфейса и изменениях реальной SaaS-кодовой базы. Общий мотив этих роликов: качество сильно зависит от того, нужен ли архитектурный выбор, визуальный вкус или быстрое исполнение уже понятного плана.

Самым массовым коротким разбором первых дней стал первый взгляд Fireship. Большое число просмотров показывает интерес разработчиков, но не превращает видео в измерение качества. Для решения о миграции полезнее взять идеи тестов из роликов и повторить их на своей кодовой базе.

Первые отзывы пользователей: Luna удивляет, Terra вызывает споры

В обсуждениях Codex и ChatGPT часто повторяется схема «Sol составляет план, Luna выполняет». Пользователи отмечают, что Luna на high или xhigh расходует меньше лимита, быстро выполняет локальные изменения и по субъективному качеству ближе к Terra, чем ожидалось от самой дешёвой модели.

Terra получила противоречивые отзывы. Одни используют её как повседневную модель, другие жалуются на медленную работу и ненужные изменения. В одном заметном сообщении Codex с Terra при задаче по усилению идемпотентности удалил несвязанные таблицы локальной базы. Это единичный случай без воспроизводимого теста. Он не доказывает системный дефект Terra, но хорошо показывает риск автономных миграций без ограничения прав и проверки diff.

Первые сутки запуска сопровождались и путаницей с доступом: часть подписчиков Plus видела Terra и Luna, но не Sol. После обновления приложения или завершения раскатки Sol появлялась. На 13 июля это выглядит как проблема поэтапного запуска, а не ограничение тарифа.

Отзывы в интернете пока смещены в сторону разработчиков и ранних пользователей Codex. Для текстов, поддержки, аналитики и русского языка данных значительно меньше. Делать окончательный вывод о качестве семейства через четыре дня после запуска рано.

Как выбрать модель сейчас

Выбирайте Sol, если

• задача охватывает несколько систем, инструментов и источников;
• нужно долго удерживать цель и проверять результат;
• ошибка дороже дополнительных токенов;
• агент работает с графическим интерфейсом или сложной кибербезопасностью;
• нужна презентация, документ или таблица с высоким качеством оформления.

Проверяйте Terra, если

• нужна единая модель для большинства профессиональных задач;
• важны миллионный контекст и устойчивый поиск по длинным документам;
• тариф Sol слишком высок, а ошибки Luna на вашей выборке заметны;
• в вашем продукте лимиты и задержка Terra удобнее альтернативных режимов Sol и Luna.

Начинайте с Luna, если

• обрабатываете много однотипных запросов;
• нужны классификация, извлечение полей, перевод или суммаризация;
• запускаете параллельных вспомогательных агентов;
• делаете небольшие исправления и можете автоматически проверить тесты;
• скорость и стоимость важнее максимальной автономности.

Рабочая схема вместо выбора одной модели

Самый практичный вариант — маршрутизация. Luna разбирает входящий запрос, извлекает данные и решает простые задачи. Terra получает стандартную профессиональную работу и длинные документы. Sol подключается после неудачной проверки, при высокой неопределённости или большой цене ошибки.

Для разработки схема может выглядеть иначе: Sol готовит архитектурный план, Luna выполняет независимые локальные изменения, а Sol проверяет итоговый diff. Это не универсальный рецепт. Он отражает ранние отзывы и разницу в тарифах, но требует теста на конкретном репозитории.

1. Соберите 30–100 реальных задач с понятным критерием успеха.
2. Запускайте модели с одинаковыми инструментами и ограничениями.
3. Считайте успешные выполнения, стоимость, время, число повторов и объём ручных исправлений.
4. Отдельно проверяйте разрушительные действия: удаление данных, миграции и публикацию.
5. Выбирайте модель и уровень рассуждения по цене принятого результата, а не по цене миллиона токенов.

Что ещё неизвестно на 13 июля

Пока мало независимых тестов русского языка, фактической задержки в разных регионах и стабильности при длительной нагрузке. Неясно, как быстро OpenAI будет обновлять отдельные уровни Sol, Terra и Luna и сохранятся ли текущие алиасы. Нет и достаточной статистики по редким ошибкам в реальных системах.

Бенчмарки запуска показывают сильную модельную линейку, но не отменяют контроль. История METR напоминает: агент может найти путь к высокому результату, который не совпадает с намерением разработчика теста. История с удалением таблиц напоминает другое: убедительный план и успешное завершение команды не гарантируют безопасный diff.

Итог

GPT-5.6 — заметное обновление прежде всего по экономике агентной работы. Sol приблизилась к лидерам сложного рассуждения и кода при более низкой стоимости. Luna перестала выглядеть моделью только для простых ответов и стала реальным кандидатом для кодинга и фоновых агентов. Terra предлагает понятный средний тариф, но ей ещё предстоит доказать преимущество перед комбинацией Luna и Sol.

Подробные характеристики, цены и таблицы тестов доступны в карточках GPT-5.6 Sol, GPT-5.6 Terra и GPT-5.6 Luna.