OpenAIs GPT-5.6-familie har tre varige kapacitetsniveauer: Sol til det sværeste arbejde, Terra til afbalancerede arbejdsbyrder i produktion og Luna til hurtig, prisfølsom trafik. Pointen i benchmarkene er ikke bare, at Sol vinder. Terra og Luna beholder ofte en stor del af kapaciteten, mens de bruger billigere tokens, og derfor er routing mellem modeller vigtigere end at vælge én model til alle anmodninger.
OpenAI udgav hele GPT-5.6-familien den 9. juli 2026. Guiden forklarer de offentliggjorte benchmarkresultater, hvad de måler, og hvordan du kombinerer kvalitet, pris, svartid og genforsøgsrate, når du vælger model.
Data og priser kontrolleret den 19. juli 2026. Benchmarkresultaterne stammer fra OpenAIs lanceringsmateriale og bruger de indstillinger, der er beskrevet dér. De er ikke direkte garantier for et andet program eller en anden agentopsætning.
Opsummering af benchmarks for GPT-5.6
Tabellen nedenfor fokuserer på repræsentative professionelle evalueringer og kodeevalueringer.
| Evaluering | Sol | Terra | Luna | GPT-5.5 | Hvad den måler |
|---|---|---|---|---|---|
| Agents' Last Exam | 52,7 % | 50,4 % | 50,3 % | 46,9 % | Professionelle workflows, der kører længe |
| Artificial Analysis Intelligence Index | 58,9 | 55,0 | 51,2 | 54,8 | Bred intelligens på tværs af agentisk arbejde, kodning og ræsonnement |
| Coding Agent Index | 80,0 | 77,4 | 74,6 | 76,4 | Implementering, brug af terminal og rigtige kodebaser |
| SWE-Bench Pro | 64,6 % | 63,4 % | 62,7 % | 59,4 % | Løsning af softwareudviklingsopgaver |
| DeepSWE 1.1 | 72,7 % | 69,6 % | 67,2 % | 67,0 % | Udvikling over lang tid i rigtige kodebaser |
| Terminal-Bench 2.1 | 88,8 % | 87,4 % | 84,7 % | 85,6 % | Komplekse workflows i kommandolinjen |
Sol fører på tværs af de udvalgte evalueringer. Terra ligger tæt på ved flere kodeopgaver. Luna er ikke entydigt stærkere end GPT-5.5, men er stadig konkurrencedygtig, selvom den er det hurtigste og billigste niveau i GPT-5.6.
Tabellen viser også, hvorfor en enkelt gennemsnitsscore ikke er nok. En supportklassificering, en agent til kodegennemgang, et workflow til finansiel research og en browseroperatør vægter ikke de samme evner.
Hvad benchmarkene for GPT-5.6 egentlig måler
Benchmarks for kodeagenter
Kodebenchmarks varierer meget. Nogle tester, om en model kan producere en patch. Andre omfatter udforskning af repository, kommandoer i terminalen, kørsel af tests og iterativ rettelse.
OpenAI oplyser, at GPT-5.6 Sol nåede 80 på Artificial Analysis Coding Agent Index og brugte færre tokens og mindre tid end flere førende alternativer i sammenligningen. Terra scorede 77,4 og Luna 74,6. For en kodeagent i produktion er de vigtige opfølgende spørgsmål:
- Finder den de rigtige filer?
- Bevarer den projektets konventioner?
- Kører og fortolker den tests?
- Kommer den sig efter en mislykket tilgang?
- Hvor mange modelture skal der til, før resultatet er verificeret?
En model med en lidt højere patch-score kan stadig være mindre økonomisk, hvis den producerer lange ræsonnementsspor, gentager værktøjskald eller kræver dyr menneskelig gennemgang.
Benchmarks for agenter over lang tid
Agents' Last Exam evaluerer længere professionelle workflows på tværs af mange områder. Sol scorede 52,7 %, mens Terra og Luna scorede 50,4 % og 50,3 %. Den lille spredning er bemærkelsesværdig: Den tyder på, at mange professionelle opgaver ikke nødvendigvis kræver flagskibsniveauet.
Evalueringer over lang tid er særligt følsomme over for systemet omkring modellen. Design af værktøjer, hukommelse, politikker for genforsøg, tilladelser og verifikationstrin kan ændre resultaterne lige så meget som selve basismodellen.
Browsing og computerbrug
OpenAI oplyser 92,2 % for GPT-5.6 Sol på BrowseComp og 62,6 % på OSWorld 2.0. Resultaterne understøtter researchagenter, browserworkflows og programmer, der skal kunne kontrollere deres eget output.
Benchmarks for computerbrug skal ikke tolkes som et løfte om pålidelighed uden overvågning. Systemer i produktion har stadig brug for afgrænsede tilladelser, bekræftelse af vigtige handlinger, timeouts og genopretningsadfærd.
Vidensarbejde og artefakter
GPT-5.6 er også positioneret til dokumenter, regneark, præsentationer, researchnotater og frontend-arbejde. Den slags output er svære at fange med én benchmark, fordi korrekthed, kildetroskab, visuel kvalitet og redigerbarhed alle har betydning.
Til sådanne arbejdsbyrder bør du bygge din egen vurderingsmatrix. Scor faktuel nøjagtighed, struktur, efterlevelse af en referenceskabelon, antal manuelle rettelser og tid til en acceptabel leverance.
GPT-5.6 Sol vs Terra vs Luna
Vælg GPT-5.6 Sol til svære problemer med høj værdi
Sol er flagskibsniveauet. Det er det bedste udgangspunkt til:
- kodning i repositories og vanskelig fejlfinding
- agenter, der kører længe med flere værktøjer
- cybersikkerhed og videnskabelig analyse inden for autoriseret brug
- kompleks research og professionelle artefakter
- opgaver, hvor et mislykket resultat koster langt mere end tokenregningen.
Sol er ikke automatisk den bedste standard til trafik i store mængder. De officielle tokenpriser er 2,5 gange Terras og 25 gange Lunas.
Vælg GPT-5.6 Terra som afbalanceret standard
Terra er designet til det daglige arbejde i produktion. Den passer til:
- kodeassistenter og kodegennemgang
- dokumentanalyse og researchstøtte
- interne assistenter
- workflows med værktøjer, der kræver mere pålidelighed end en let model
- produkter, der vil have GPT-5.6-kapacitet uden Sols priser.
Terras benchmarkscorer ligger tæt på Sols ved flere kodeevalueringer, så den er en fornuftig første kandidat til test i produktion.
Vælg GPT-5.6 Luna til gennemløb og forudsigelige opgaver
Luna er det hurtigste og mest overkommelige niveau. Den egner sig til:
- udtræk og klassificering
- behandling af struktureret indhold
- let support
- automatisering i store mængder
- et første routingtrin, der eskalerer svære anmodninger.
Luna kan også klare nogle kodeopgaver og professionelle opgaver, men benchmarkgennemsnit bør ikke afgøre, hvor grænsen går. Test, hvornår dens fejl- eller genforsøgsrate begynder at æde tokenbesparelsen op.
Priser for GPT-5.6 API
OpenAI sætter prisen for GPT-5.6 pr. 1 million tokens. Poyo.ai tilbyder i øjeblikket alle tre niveauer gennem Responses API til priserne nedenfor.
| Model | OpenAI, input | OpenAI, output | Poyo.ai, input | Poyo.ai, output |
|---|---|---|---|---|
| GPT-5.6 Luna | $0.20 | $1.20 | $0.056 | $0.336 |
| GPT-5.6 Terra | $2.00 | $12.00 | $0.56 | $3.36 |
| GPT-5.6 Sol | $5.00 | $30.00 | $1.40 | $8.40 |
OpenAI dokumenterer også eksplicitte cache-breakpoints, en minimumslevetid for cachen på 30 minutter, skrivning til cachen til 1,25 gange prisen for ucachet input og læsning fra cachen med 90 % rabat i forhold til ucachet input.
Se modelsiden for GPT-5.6 API for aktuelle Poyo-priser, understøttede model-ID'er og API-adgang.
Sammenligning af priser for en reel arbejdsbyrde
Tag en månedlig arbejdsbyrde med 10 millioner ucachede inputtokens og 2 millioner outputtokens.
| Model og rute | Pris for input | Pris for output | I alt |
|---|---|---|---|
| Luna hos OpenAI | $2.00 | $2.40 | $4.40 |
| Luna hos Poyo.ai | $0.56 | $0.67 | $1.23 |
| Terra hos OpenAI | $20.00 | $24.00 | $44.00 |
| Terra hos Poyo.ai | $5.60 | $6.72 | $12.32 |
| Sol hos OpenAI | $50.00 | $60.00 | $110.00 |
| Sol hos Poyo.ai | $14.00 | $16.80 | $30.80 |
Beregningen er nyttig, men ufuldstændig. Den forudsætter, at alle modeller løser det samme antal opgaver med det samme antal forsøg.
Benchmarkscore vs pris pr. vellykket opgave
Den mere brugbare måleenhed i produktion er:
effective task cost =
average API cost per attempt
× average attempts per successful task
+ human correction cost
Antag, at Luna koster omkring en femogtyvendedel af Sol pr. token, men at et vanskeligt workflow kun lykkes i ét ud af tre forsøg. Terra kan så løse den samme opgave i ét forsøg med færre værktøjskald og mindre menneskelig gennemgang. Terra ville da være det billigste valg i produktion, selv om dens tokenpris er højere.
Mål mindst:
- beståelsesrate
- forsøg pr. bestået opgave
- input- og outputtokens
- forløbet tid
- værktøjskald
- minutter brugt på menneskelige rettelser
- andel af alvorlige fejl.
Den sidste måling er vigtig i workflows, hvor et forkert svar er dyrere end en mislykket anmodning.
En praktisk routingstrategi for GPT-5.6
En familie med tre niveauer er mest værd, når programmet router arbejdet bevidst.
Is the task repetitive and easy to verify?
├── Yes: start with Luna
└── No
├── Is it normal production coding, analysis, or tool use?
│ └── Start with Terra
└── Is failure expensive or the task unusually difficult?
└── Use Sol
En router i produktion kan bruge opgavetype, anmodningens værdi, tidligere fejl, tillidssignaler eller output fra en evaluator. Et almindeligt mønster er:
- Send strukturerede anmodninger med lav risiko til Luna.
- Brug Terra som standard til generelt ræsonnement i produktion.
- Eskalér mislykkede sager eller sager med høj værdi til Sol.
- Sammenlign den endelige pris pr. vellykket opgave for hver rute.
Rout ikke udelukkende efter promptens længde. Et kort sikkerhedsproblem kan være sværere end en lang udtrækningsanmodning.
Sådan evaluerer du GPT-5.6 i dit program
Byg et evalueringssæt ud fra rigtig trafik i stedet for generiske prompts.
- Vælg 30 til 100 repræsentative opgaver.
- Notér det forventede udfald og de uacceptable fejltyper.
- Kør den samme opgave på Luna, Terra og Sol med sammenlignelige indstillinger.
- Registrér kvalitet, svartid, tokens, værktøjer, genforsøg og menneskelige rettelser.
- Opdel resultaterne efter opgavetype.
- Vælg routingregler ud fra resultaterne pr. segment.
- Gentag efter opdateringer af prompts, værktøjer eller modeller.
For agenter skal du medtage de svære tilfælde: ødelagte værktøjssvar, flertydige data, manglende filer og opgaver, der kræver selvkorrektion. Nemme demoer har en tendens til at skjule forskellen mellem modelniveauerne.
Sådan bruger du GPT-5.6 på Poyo.ai
Poyo.ai tilbyder model-ID'erne gpt-5-6-luna, gpt-5-6-terra og gpt-5-6-sol gennem /v1/responses.
curl https://api.poyo.ai/v1/responses \
-H "Authorization: Bearer $POYO_API_KEY" \
-H "Content-Type: application/json" \
-d '{
"model": "gpt-5-6-terra",
"input": "Review this migration plan and identify the highest-risk assumptions.",
"reasoning": {"effort": "medium"}
}'
Opret en nøgle i Poyo-dashboardet, og gennemgå modelsiden for GPT-5.6, før du bruger modellen i produktion.
Hvilken GPT-5.6-model skal du vælge?
Start med Luna, når gennemløb og nem verifikation er vigtigst. Start med Terra til generel kodning, analyse og agenter i produktion. Brug Sol, når problemet er usædvanligt svært, eller en fejl har store forretningsmæssige omkostninger.
Det bedste svar er sjældent et permanent valg af én enkelt model. GPT-5.6 er bygget op som en familie, og det økonomisk stærkeste design bruger niveauerne sammen.
Ofte stillede spørgsmål
Hvilken GPT-5.6-model er bedst?
Sol er det mest kapable niveau, men Terra giver måske en bedre balance i produktion, og Luna er væsentligt billigere til simple opgaver i store mængder.
Er GPT-5.6 Luna god til kodning?
Luna kan klare kodearbejde, men de offentliggjorte resultater ligger efter Terra og Sol i de udvalgte kodeevalueringer. Test den på dit eget repository, og eskalér opgaver, der ikke består verifikationen.
Hvad koster GPT-5.6 API?
De officielle priser hos OpenAI går fra $0.20 for input og $1.20 for output pr. 1 million tokens for Luna til $5 for input og $30 for output for Sol. Poyo.ai angiver i øjeblikket lavere priser efter forbrug for alle tre niveauer.
Bruger GPT-5.6 Responses API?
Ja. Poyo.ai tilbyder de tre model-ID'er for GPT-5.6 gennem /v1/responses.
Skal jeg erstatte GPT-5.5 med GPT-5.6 Terra?
Terra er en stærk kandidat til migrering, men sammenlign opgavesucces, svartid, tokens og værktøjskald på et repræsentativt evalueringssæt, før du ændrer al trafik.