OpenAI GPT-5.6 性能革新与成本优化

GPT-5.6 开发者指南：性价比新标杆

GPT-5.6 模型家族让前沿级智能体性能变得大幅更便宜，同时将能力边界向前推进。本文介绍初创公司如何通过更聪明的模型选择，以及响应 API 新增的推理连续性、多智能体编排和程序化工具调用控制，以更低成本构建更快、更强的智能体。

开箱即用的体验更好了

自 GPT-5 以来，每一代模型都致力于用更少的 token 处理更长周期的任务。GPT-5.6 延续了这一方向：更强的智能体性能、更低的成本，底层测试框架几乎不用改变。

性价比提升不仅体现在总成本上，还体现在低推理强度下的准确率提高。例如在 Agents' Last Exam 基准上，使用相同测试框架，GPT-5.6 Sol 在“低”推理强度下的表现超过了 GPT-5.5 在“高”推理强度下的表现。一些初创公司在生产测试中也发现，把推理强度从原来的默认值调低后，多个工作流的成本都显著下降。

模型选择

过去，长周期任务的最佳选择一直是最高推理强度的旗舰模型，因为它们在处理长上下文和工具调用时远强于成本优化模型。GPT-5.6 家族改变了这一局面：有了更多 test-time compute，Luna 和 Terra 在多数情况下能达到接近 GPT-5.4 和 5.5 的效果，同时便宜得多。

以 BrowseComp 基准为例，这个搜索类基准测试模型查找冷门事实的能力。三个月前，GPT-5.5（Extra High）在该基准上得分 84.36%，总成本 33.27 美元。而 GPT-5.6 Luna（Extra High）在发布时达到几乎相同的性能——84.04%，成本仅 1.33 美元。此后 OpenAI 又进一步降价。了解最新降价详情。

5.6 家族的小模型适合高吞吐量、低延迟场景，以及智能体工作流中的重复步骤。例如，一家法律科技初创公司需要先解析手写备忘录再做智能体分析，现在可以改用 Terra 或 Luna 做提取，而不是全程使用前沿模型，从而节省大量成本。

用 Responses API 构建更高效的智能体

除提升模型本身性能外，OpenAI 还向 Responses API 增加了新的原语。GPT-5.6 采用端到端训练，内置三种互补的架构干预手段：

复用已完成的工作：允许推理结果跨轮次持久化，并使用原生压缩来压缩长对话，让模型在更长任务周期中保持连贯，不必每次都重建上下文。
并行分解任务：通过原生多智能体编排，协调多个智能体并行工作，更快完成复杂任务。
把确定性工作下沉到代码：用程序化工具调用在模型上下文窗口之外过滤、聚合和编排工具输出，让模型 token 只用于判断，从而降低成本、延迟和上下文腐化。

组合使用效果显著。例如在 ARC-AGI-3 上，GPT-5.6 Sol 用标准测试框架得分 13.3%；开启推理持久化和压缩后，得分跃升至 38.3%，同时输出 token 减少了约 6 倍。模型没有变，性能却接近原来的三倍。详见 ARC-AGI-3 测试框架调查。

程序化工具调用

智能体工作流通常包含两类任务：需要判断的任务，以及主要是移动、过滤、合并数据的任务。当智能体检索 100 份文件、按日期过滤并找出相关交易时，模型不应在上下文窗口中对每个中间结果进行推理。程序化工具调用让 GPT-5.6 可以编写 JavaScript 来编排工具、并行执行独立调用、在上下文窗口外处理输出，模型只需专注于真正需要智能的部分：判断。

多智能体

在复杂且可并行化的任务上，将推理和行动分配到多个智能体工作流中，可以加快任务完成速度并提升整体智能水平。在这种架构中，主智能体负责编排子智能体并分配任务，子智能体并行完成目标后，将结果传回主智能体做最终综合。团队现在可以在 Responses API 中启用多智能体，ChatGPT 的“超强”能力设置也是这么工作的。

虽然 GPT-5.6 对何时创建子智能体、创建多少个有很强的直觉，多智能体行为也是可引导的。告诉模型何时该调用子智能体，可以确保只有在额外 token 能带来更好性能时才会生成子智能体。