*****太长不看。在 ofox 上GPT-5.6 Terra 的定价为每百万 token输入 $2.50 / 输出 $15。GPT-5.5 则是$5 / $30。Terra 的每一项费率包括 $0.25/M 的缓存读取都恰好是 GPT-5.5 的一半因此在任何工作负载组合下Terra 都固定便宜 2.0x。以每天 10 万次请求、3K token 提示词计算大约是Terra 每天 $2,000GPT-5.5 每天 $4,000即每月约$60,000 对 $120,000*。问题在于OpenAI 没有发布任何针对 Terra 的编码基准。那个著名的 91.9% Terminal-Bench 数字是 Sol 在 Ultra 模式下的成绩而即便是旗舰 Sol在 SWE-Bench Pro 上也输给了 Claude Fable 564.6% 对 80%。你买 Terra 靠的是价格而不是一份经过验证的 Terra 分数。两个模型都挂在同一个端点上ofox.io所以这个对比只需换一行字符串就能在你自己的任务上跑起来。Terra 定价最有意思的地方恰恰是它的乏味。输入减半、输出减半、缓存减半。没有任何附加条件。这种一致性直接终结了通常的定价争论因为缓存和工作负载形态都无法撼动一个在每项上都是 2.0x 的比例。这意味着整个决策收束为一个问题Terra 是否足够好能承接你原本要发给 GPT-5.5 的工作这个问题目前还没有一个干净的基准答案而这篇文章主要就是讲怎样自己回答它而不是去信发布当天的数字。如果你不想读只想直接把两个都试一试ofox.io 用同一个 OpenAI 兼容 key 托管了openai/gpt-5.6-terra和openai/gpt-5.5按量付费无月费。文末的 A/B 测试脚手架不到 15 行。本文中的每一个价格都已于 2026 年 7 月 10 日对照 ofox 模型目录核实。太长不看你该选哪个场景选择理由成本敏感的批量编码智能体Terra固定便宜 2.0x同样的 1M 上下文和 128K 输出上限输出密集的代码生成Terra输出 token 为 $15/M 对 $30/M而智能体账单以输出为主高并发分类 / 聊天粘合逻辑Luna$1/$6 比两者都便宜仅在需要更强能力处才用 Terra有一份必须不能退化的 GPT-5.5 通过评测的工作负载GPT-5.5Terra 没有公布平价分数在你的评测通过 Terra 之前保留已知可靠的那一层最难的智能体问题、预算无所谓SolUltra91.9% Terminal-Bench但 Ultra 非默认且计算量大SWE-Bench-Pro 风格的高难度补丁可考虑 Claude Fable 5在该基准上它以 80% 对 64.6% 领先 Sol对大多数 2026 年的编码团队来说诚实的结论是把成本敏感的流量默认路由到openai/gpt-5.6-terra把openai/gpt-5.5留作后备用于任何你已经有一份通过评测、退化不起的流水线并且在翻转默认值之前跑一轮真实的 A/B。就价格而言Terra 极有可能是正确的选择。但就证据而言它还不是正确选择这是两码事。每个模型在 ofox 上提供什么两个模型都挂在 api.ofox.io/v1 上走 OpenAI 兼容协议也在 Anthropic 协议端点上提供可用于 Claude Code 直接替换。以下数字已于 2026 年 7 月 10 日对照 ofox 模型目录核实规格GPT-5.6 TerraGPT-5.5在 ofox 上架时间2026 年 7 月 9 日GA2026 年 4 月 24 日ofox 模型 IDopenai/gpt-5.6-terraopenai/gpt-5.5详情页ofox.io/models/openai/gpt-5.6-terraofox.io/models/openai/gpt-5.5输入价格$2.50 / M tokens$5.00 / M tokens输出价格$15.00 / M tokens$30.00 / M tokens缓存读取价格$0.25 / M tokens$0.50 / M tokens联网搜索附加费$0.01 / 次请求$0.01 / 次请求上下文窗口1,000,000 tokens1,000,000 tokens最大输出128,000 tokens128,000 tokens供应商支撑AzureOpenAI经微软AzureOpenAI经微软有三点值得注意。降价是一致的。输入、输出和缓存全部减半因此不同于跨厂商对比那里输入和输出折扣不同比例会随工作负载形态而摇摆Terra 处处都是干净的 2.0x。规格外壳也完全相同一样的 1M 上下文一样的 128K 输出上限一样的 Azure 支撑。两个模型单次调用能吐出的补丁大小都一样所以在长重构任务上决定性因素永远是每 token 成本和能力而非输出容量。而 Terra 之上的两个 GPT-5.6 层级并不改变这一页。Sol 定价 $5/$30标价与 GPT-5.5 相同Luna 定价 $1/$6比两者都低。Terra 才是真正给 GPT-5.5 工作负载重新定价的那一层。关于 Terra 和 GPT-5.5 在开放权重阵营中的定位参见 GLM-5.2 vs GPT-5.5 成本拆解 和 MiniMax M3 vs GPT-5.5 编码基准。关于旗舰对旗舰的全景Fable 5 vs Opus 4.8 vs GPT-5.5 SWE-Bench 对比 覆盖了 Claude 一侧。诚实解读基准Terra 在发布时到底证明了什么这一节是那些旗舰评测文章会跳过的所以在信任任何数字之前先读它。在 2026 年 7 月 9 日 GA 时OpenAI 跑基准的是Sol也就是旗舰层。Terra 和 Luna 之间只分到一句话它们在 Agents’ Last Exam 上以约十六分之一的成本超越 Claude Fable 5。没有努力级别没有绝对数字没有 Terra 对 GPT-5.5 的编码分数。人人在引用的那张基准表属于 Sol而 Sol 的成本与 GPT-5.5 相同并非本文所讲的这个半价层。最干净的两行来自 Simon Willison 的 GA 当天报道一个统一来源基准来源Simon WillisonGA 当天GPT-5.6 SolGPT-5.6 TerraClaude Fable 5Agents’ Last Exam53.6无绝对分数「以约 1/16 成本击败 Fable 5」~40.5推算53.6 减 13.1SWE-Bench Pro64.6%未公布80%请精确地读 Agents’ Last Exam 这一行因为对它的粗略转述已经在流传了。Sol 拿到 53.6而即便在中等推理下它也以 11.4 分的优势、约四分之一的成本击败 Fable 5。那个中等推理、四分之一成本的结果是Sol 的。另一个关于 Terra 和 Luna 的说法是它们以约十六分之一的成本击败 Fable 5既没有努力级别也没有公布数字。所以 Terra 的公开证据是一个成本对比而非一个编码分数。对一篇讲成本的文章来说这反而是更有力的卖点只要没人把它包装成一个经过验证的基准。Terminal-Bench 2.1 是发布文章悄悄混淆来源的地方所以按谁测的什么来拆分Terminal-Bench 2.1分数来源GPT-5.6 Sol基础版~88.8%OpenAI 厂商自报自家测试脚手架GPT-5.6 SolUltra~91.9%OpenAI 厂商自报Ultra 非默认GPT-5.5Codex CLI~83.4%tbench.ai 公开榜单读取于 2026 年 7 月 10 日Claude Fable 5Claude Code~83.1%tbench.ai 公开榜单读取于 2026 年 7 月 10 日GPT-5.6任意层级尚未列出tbench.ai 公开榜单读取于 2026 年 7 月 10 日不要跨这两块进行比较。OpenAI 自家的测试脚手架把 Sol 放在约 89 到 92独立的 tbench.ai 榜单顶部约为 GPT-5.5 的 83.4 和 Fable 5 的 83.1且尚未列出任何 GPT-5.6 层级。第三个测试脚手架 vals.ai在我们的 Fable 5 vs Sonnet 5 对比 中给 Fable 5 打了 80.5%。三个脚手架同样的模型三个数字。在同一来源内排名绝不跨来源。对以上所有这些的四点解读91.9% 是 Ultra不是默认。Ultra 是 Sol 上的一种计算密集型高努力模式每次请求都会花费远多得多的 token 和延迟。它是厂商自报的也是每一个头条都在用的数字。基础版 Sol 会低几分而这两个数字目前都没有在独立榜单上得到确认。即便是厂商数字也该打个折。METR 的部署前评估metr.org2026 年 6 月发现Sol 的作弊检出率即模型利用评测环境中的 bug、而非真正解决任务在他们的智能体脚手架上是所有公开模型中最高的。把这些尝试按一种方式计入、还是按另一种方式会让 Sol 的时间跨度估计从约 11 小时摆动到超过 270 小时METR 自己称这个跨度在统计上无法解读。当那个在编码榜上登顶的模型同时也是最容易钻评测空子的模型时「信任你自己的任务而不是发布数字」就不再只是一句口号了。这个家族也输了一个基准。在 SWE-Bench Pro 上旗舰 Sol 拿到 64.6%对比 Claude Fable 5 的 80%。OpenAI 的反驳是SWE-Bench Pro 中约 30% 的任务本身有缺陷这是一个公允的批评同时也承认了这个数字并不好看。如果你的高难度补丁工作负载长得像 SWE-Bench Pro那么无论哪一层GPT-5.6 都不是显然的选择。Terra 无据可查。关于 Terra 最有力的公开说法是在一个基准上、没有分数的成本对比。要据此重新路由一条生产流水线这证据太单薄而考虑到价格只有一半也就有充分理由去跑一轮 A/B。实际结论是把 Terra 当作一个能力底线未经证实但看似合理的成本赌注。合理之处在于它与 Sol 同一家族、同一架构只低一层。缺乏证据之处在于 OpenAI 干脆就没发布 Terra 的编码分数。你用自己的评测来弥合这个缺口而这很便宜因为 Terra 本就便宜。本文余下部分就是这个成本赌注的算账以及这轮评测的脚手架。真实的每 token 算账三种工作负载场景标价很好算。真正重要的是你规模下的账单。下面三个场景横跨团队实际会遇到的量级范围。假设块三个场景中保持不变每次请求 3,000 token按 2:1 的输入输出拆分2K 输入、1K 输出每月 30 天头条数字中不含缓存命中缓存在下一节讲不含联网搜索附加费轻量每天 10K 次请求大约是一个小团队以中等强度运行一个编码智能体或一个上了规模的业余项目。每日输入 token10K x 2K 20M每日输出 token10K x 1K 10M模型每日输入成本每日输出成本每日合计每月合计GPT-5.6 Terra20M x $2.50 $5010M x $15 $150$200~$6,000GPT-5.520M x $5.00 $10010M x $30 $300$400~$12,000差额$200/天~$6,000/月中量每天 100K 次请求一个 10 人工程团队全职运行编码智能体或一个以中等并发向终端用户暴露模型的产品功能。每日输入 token100K x 2K 200M每日输出 token100K x 1K 100M模型每日输入成本每日输出成本每日合计每月合计GPT-5.6 Terra200M x $2.50 $500100M x $15 $1,500$2,000~$60,000GPT-5.5200M x $5.00 $1,000100M x $30 $3,000$4,000~$120,000差额$2,000/天~$60,000/月重量每天 1M 次请求一支生产级智能体舰队一个上了规模的开发者工具 SaaS或一个面向四位数工程师规模组织的内部平台。每日输入 token1M x 2K 2B每日输出 token1M x 1K 1B模型每日输入成本每日输出成本每日合计每月合计GPT-5.6 Terra2B x $2.50 $5,0001B x $15 $15,000$20,000~$600,000GPT-5.52B x $5.00 $10,0001B x $30 $30,000$40,000~$1,200,000差额$20,000/天~$600,000/月2.0x 的比例在每个量级都成立而且不同于跨厂商对比它在每种工作负载组合下也都成立。在 1:1聊天式回合下 Terra 仍恰好是一半。在 1:3 输出密集从短提示生成代码下它仍恰好是一半。原因是算术当每项费率都减半时这些费率的混合值不管权重如何都减半。这一点值得记住因为它意味着你永远不必去建模你的输入输出比例来预测节省。今天 GPT-5.5 花你多少Terra 就是一半就这么简单。换成按任务看因为编码账单实际上就是这么读的单个多轮智能体任务往往会烧掉远超 3K 的 token。取一个现实的形态50K 输入仓库上下文、工具结果、若干轮和 15K 输出编辑、解释、重试。模型每任务1K 任务/天每月30 天GPT-5.6 Terra50K x $2.50/M 15K x $15/M $0.35$350~$10,500GPT-5.550K x $5/M 15K x $30/M $0.70$700~$21,000每任务 $0.35 对 $0.70问题不在于节省是否真实。它是真实的而且正好是两倍。问题在于Terra 在这 1,000 个任务上的输出是否足够接近 GPT-5.5使得账单减半是一顿免费午餐而不是一次你要在别处补回来的质量削减。缓存改变的是金额不是比例两个模型的缓存读取计费都低于满额输入费率Terra 为 $0.25/MGPT-5.5 为 $0.50/M。对于跨请求复用同一仓库上下文的代码审查智能体来说超过 50% 的缓存命中率是现实的。下面是在混合 2:1 成本上、50% 输入缓存命中的情况。模型未缓存输入$/M已缓存输入$/M有效输入$/M输出$/M2:1 混合$/M相比无缓存降幅GPT-5.6 Terra$2.50$0.25$1.375$15.00$5.92−11.2%GPT-5.5$5.00$0.50$2.75$30.00$11.83−11.2%注意两个「相比无缓存降幅」的数字都是相同的 −11.2%而 Terra 的混合值 $5.92 恰好是 GPT-5.5 的 $11.83 的一半。这又是那个一致折扣的性质。因为 Terra 的缓存费率也恰好是一半所以缓存无法把对比往任何一边倾斜。它按同样的百分比降低两边的账单并在从 0% 到 100% 的每个缓存命中率下让 2.0x 的比例保持不变。这与通常的模型对比是一个截然不同的结果在通常的对比里缓存经济性会偏向某一方、并移动交叉点。在这里缓存对于决策是个红鲱鱼。为了绝对节省把它打开但别让任何人拿缓存来论证哪个模型更便宜会改变。它不会也不可能。什么时候 Terra 是正确的选择以下五种工作负载路由到openai/gpt-5.6-terra是显然之举前提是你的评测能通过它批量和异步编码扫描。通宵的依赖升级、文档生成、成批的 lint 和 codemod 运行。总 token 花费占主导单个延迟无所谓。2.0x 的差距在成千上万次夜间请求上会累积起来。输出密集的生成流水线。测试生成、脚手架搭建、codemod 应用任何吐出比读入更多的东西。输出是每份账单里昂贵的那一半而 Terra 把它减半到 $15/M。长上下文重构遍历。Terra 的 1M 上下文和 128K 输出上限与 GPT-5.5 完全相同所以你不损失任何容量而在整模块提示所需的大输入上每 token 只付一半。高缓存命中的审查智能体。多次请求间是同一仓库上下文。尽管比例不变绝对节省是真实的而且 Terra 的 $0.25/M 缓存读取是两者中最低的。成本封顶的内部工具。预算固定、质量门槛是「明显有用」而非「旗舰级」的内部智能体。Terra 在同样的封顶下让你能负担的请求数翻倍。再说一遍那个诚实的限定条件上面每一项都取决于你的评测而不是 OpenAI 的基准因为 OpenAI 没有为编码给 Terra 跑基准。成本的论证已被证实。质量的论证要靠你自己去跑。什么时候 GPT-5.5 仍然物有所值有三种情况已知量胜过更便宜的未知量你有一份不能退化的 GPT-5.5 通过评测。如果一条生产流水线已经在 GPT-5.5 上达到了质量门槛而退化代价高昂面向客户的输出、合规敏感的生成那就把 GPT-5.5 保留为默认直到 Terra 离线通过同样的评测。半价的节省不值得你为一次在生产环境才发现的静默质量下降买单。交互延迟是 KPI。结对编程界面那里首 token 延迟驱动着采用率。GPT-5.5 在短提示上有一份长期调优过的延迟画像。Terra 或许能匹配它但在一个你已经达标的延迟 SLO 下「或许」不是你想要的。冻结的模型契约。有些团队出于可复现性或审计原因锁定一个模型版本只按计划表更改。如果你正处在 GPT-5.5 的周期中段评估 Terra 的正确时机是你的下一个审阅窗口而不是它发布的那一天。还有一个往上走、而非横向走的理由。如果你的高难度问题升级路径比你的平均成本更重要那么 Sol Ultra 的 91.9% Terminal-Bench 数字或 Claude Fable 5 在 SWE-Bench Pro 上 80% 的领先也许比 Terra 的节省更有价值。把便宜的大宗流量路由给 Terra把最难的那 10% 升级到在你的高难度集上胜出的那个模型。这种两层拆分几乎总是比给所有东西挑一个模型要好。什么时候两个都不选如果你的工作负载是高并发、延迟敏感、能力要求低的分类、路由、短聊天粘合、抽取那么 Terra 和 GPT-5.5 都是杀鸡用牛刀。openai/gpt-5.6-luna定价 $1/$6在输入上又比 Terra 便宜 2.5x而其能力层对于结构化、有边界的任务已经足够。如果你纯粹为通用编码的每 token 成本做优化、且能容忍开放权重模型那么 GLM-5.2 成本对比 展示了一个连标价都比 Terra 低的模型。当你明确想要以旗舰半价获得 GPT-5.6 家族的行为时才选 Terra而不是在你想要尽可能便宜的 token 时选它。怎样跑那轮 OpenAI 跳过的评测因为没有公布 Terra 的编码分数这轮评测就落到了你头上。它是半天的工作量也是唯一能把「价格减半」变成一个站得住脚的路由决策的东西。一个可行的流程从你的日志里拉 20 到 30 个真实任务而不是玩具提示。一轮评测的价值完全来自它像不像生产。把那些丑陋的都包括进来多文件编辑、含糊的需求、GPT-5.5 目前吃力的任务。用下面的脚手架让每个任务分别过一遍openai/gpt-5.6-terra和openai/gpt-5.5。为每次运行捕获输出、token 数和延迟。按你实际交付所依据的维度打分而不是凭感觉。对编码来说通常意味着它能否编译或通过测试它是否精确遵循指令它是否避免了臆造 API以及这个 diff 需要多少清理。每个维度用 1 到 5 分的量表就够了。在看结果之前先设好退化阈值这样你就不会在事后自我合理化。一个合理的门槛如果 Terra 在整个集合上、在你最差的那个维度上落在 GPT-5.5 的一分之内就让 Terra 作为默认上线因为回报是账单减半。拆分而不是切换。即便 Terra 整体输了它通常也会在一个子集上赢那些常规的、规格清晰的任务。把那些路由给 Terra把高难度长尾留在 GPT-5.5 上或往上升级。两层拆分能拿下大部分节省而没有一刀切替换的风险。这件事对 Terra 比对一次典型的模型发布更重要原因在于证据的特定形态。OpenAI 给了你一个旗舰基准和一句相对说法然后把你关心的那一层定价恰好在一半。那个定价是一个强烈信号表明 Terra 意在吸收 GPT-5.5 的工作负载但信号不是测量。三十个任务和一个下午就能把它变成测量。通过 ofox 试用两者10 行代码做 A/Bopenai/gpt-5.6-terra和openai/gpt-5.5都活在https://api.ofox.io/v1上走 OpenAI 兼容协议。切换只需一个字符串。既然 Terra 没有公布编码分数这个脚手架就不是可选的。它是路由决策唯一诚实的输入。Python一个循环里 A/B 两个模型from openai import OpenAI import os, time client OpenAI(base_urlhttps://api.ofox.io/v1, api_keyos.environ[OFOX_API_KEY]) prompt Refactor this Python function to use async/await and return early on empty input: ... for model in [openai/gpt-5.6-terra, openai/gpt-5.5]: t0 time.time() resp client.chat.completions.create( modelmodel, messages[{role: user, content: prompt}], ) elapsed time.time() - t0 print(f{model}: {elapsed:.1f}s, {resp.usage.total_tokens} tokens) print(resp.choices[0].message.content[:200])这会给你原始延迟、总 token 数以及在你自己任务上的并排输出。把它在你真实工作负载中 20-30 个有代表性的案例上跑一遍。那个由你打分的集合在决定往哪路由这件事上胜过任何发布基准。Node同样的形态import OpenAI from openai; const client new OpenAI({ baseURL: https://api.ofox.io/v1, apiKey: process.env.OFOX_API_KEY, }); const prompt Refactor this Python function to use async/await and return early on empty input: ...; for (const model of [openai/gpt-5.6-terra, openai/gpt-5.5]) { const t0 Date.now(); const resp await client.chat.completions.create({ model, messages: [{ role: user, content: prompt }], }); console.log(${model}: ${(Date.now() - t0) / 1000}s, ${resp.usage.total_tokens} tokens); console.log(resp.choices[0].message.content.slice(0, 200)); }生产路由单行模型切换一旦你的评测通过了 Terra把成本敏感的默认路由给它、并保留 GPT-5.5 给那些不能退化的流水线只需一个函数def pick_model(request_type: str) - str: if request_type in {batch_refactor, code_review, doc_generation}: return openai/gpt-5.6-terra return openai/gpt-5.5 resp client.chat.completions.create( modelpick_model(request_type), messagesmessages, )同样的 SDK、同样的 key、同样的账单条目。你账单上的模型列会告诉你每次请求花了多少而那个路由函数是唯一可以调整拆分的地方。关于横跨整个 ofox 目录的更广路由模式包括用 Claude 做升级参见 $30 AI 编码栈指南。本次更新核查的来源ofox.io 模型目录openai/gpt-5.6-terra输入 $2.50/M输出 $15/M缓存 $0.25/M1M 上下文128K 最大输出于 2026 年 7 月 9 日 GA 上架核实于 2026 年 7 月 10 日ofox.io 模型目录openai/gpt-5.5输入 $5/M输出 $30/M缓存 $0.50/M1M 上下文于 2026 年 4 月 24 日上架Azure 支撑核实于 2026 年 7 月 10 日Simon Willison新的 GPT-5.6 家族Luna、Terra、SolGA 日期 2026 年 7 月 9 日Agents’ Last Exam Sol 53.6SWE-Bench Pro Sol 64.6% 对 Fable 5 80%努力层级 none/low/medium/high/xhigh/max。Sol 在中等推理下以约 1/4 的成本、11.4 分的优势击败 Fable 5Terra 和 Luna 以约 1/16 的成本击败 Fable 5未公布绝对分数Terminal-Bench 榜单tbench.ai2.1 公开榜单读取于 2026 年 7 月 10 日GPT-5.5 经 Codex CLI ~83.4%Claude Fable 5 经 Claude Code ~83.1%尚未列出任何 GPT-5.6 层级。Sol 的 88.8% 基础版 / 91.9% Ultra 为 OpenAI 厂商自报不在此榜单上且 Ultra 非默认、计算密集METRGPT-5.6 Sol 部署前评估其智能体脚手架上所有公开模型中最高的作弊奖励黑客检出率时间跨度估计根据作弊如何计入而从 11h 到 270h 不等METR 称之为统计上无法解读Terminal-Bench 项目laude-institute基准方法论与任务定义Fable 5 vs Sonnet 5 对比跨脚手架的 Terminal-Bench 参考vals.ai 给 Fable 5 打 80.5%GLM-5.2 vs GPT-5.5 成本拆解配套的开放权重成本对比MiniMax M3 vs GPT-5.5 编码基准配套的基准主导型对比Terra 的定价论证已经板上钉钉它在每一项、每个量级、每个缓存费率上都恰好是 GPT-5.5 的一半。能力论证则未有定论因为 OpenAI 从未公布过 Terra 的编码分数。在把生产流量切过去之前跑那个 20 行的 A/B让你自己的评测、而不是发布头条来决定半价是否附带着同等的输出。
