GPT-5.6 三兄弟 Sol / Terra / Luna 全拆解：新命名逻辑、跑分实测、三档定价，以及它和 Claude Fable 5 到底谁更能打

本文由 莫潇羽@源码七号站（www.fuyuan7.com）撰写，转载请注明出处。

快速摘要

先把结论摆在最前面：OpenAI 这次一口气把 GPT-5.6 拆成了三档——Sol 是旗舰、Terra 是中端主力、Luna 是最便宜最快的一档，而且顺手改掉了沿用多年的命名习惯：数字（5.6）只代表"第几代"，Sol / Terra / Luna 才代表"能力档位"。旗舰 Sol 的价格是输入每百万 token 5 美元、输出 30 美元，差不多是 Claude Fable 5 的一半；官方还特别强调它在 Agent 编程上"省了约 54% 的 token"。跑分层面，Sol 在 Agent 长任务、电脑与浏览器操作、编程 Agent 综合分上明显占优；但在最硬核的 SWE-Bench Pro 代码修复任务上，它仍被 Claude Fable 5 / Mythos 5 拉开将近 15 分，第三方的"模型智能"总榜上 Fable 5 也还领先 1 分左右。所以真实情况不是谁碾压谁，而是"各有主场"。

除了模型，OpenAI 同一天还端出了三样东西：ChatGPT Work（办公 Agent）、ChatGPT Sites（一句话把成果部署成网站）以及把 Codex 并进去的全新桌面应用，等于把"提问 → 执行 → 交付成品"塞进了同一个壳里。这篇我会把新命名、三档定价、跑分实测、两个新推理开关（max 与 ultra）、前端 Vibe Coding 表现、产品侧的三件套，以及"普通人和开发者分别该怎么选"全部拆开讲清楚。想看完整拆解，往下翻。

温馨提示：AI 模型的定价和跑分变动非常快，下文中的价格、分数均为写稿时的近似行情，请以各官方定价页与官方评测表的实时数据为准。文中涉及的都是境外厂商提供的模型服务，国内用户在使用境外大模型时，需遵守国内网络与内容管理相关规定。

一、先看全局：这次深夜上线，其实是"一次发四个东西"

如果只盯着"GPT-5.6 发布"这一句话，很容易低估这次更新的分量。我自己把当天的信息捋了一遍，发现这根本不是"上了个新模型"那么简单，而是一次典型的"憋大招式"集中发布：一个新模型家族，外加三个产品。

先说模型这条线。GPT-5.6 不是一个模型，而是一个三口之家：Sol、Terra、Luna。它们同代同源，但定位完全不同——Sol 负责最难的活儿，Terra 负责日常主力，Luna 负责走量提速。这三个名字后面我会专门开一章讲，因为它背后藏着 OpenAI 在命名上的一次思路转弯。

再说产品这条线。跟模型一起落地的还有三件套：

• ChatGPT Work：一个真正意义上的"办公 Agent"，你给它一个目标，它会自己跨着你连上的各种 App 和文件去干活，把长任务拆成小步骤，最后交回来的不是聊天记录，而是做好的表格、幻灯片、文档甚至可分享的网页应用。
• 全新的桌面应用：OpenAI 把原来独立的 Codex 应用并进了新的 ChatGPT 桌面端，从此 Chat、Work、Codex 三种模式住在同一个窗口里。这里要纠正一个流传的说法——被改名叫 ChatGPT Classic 的是"旧版桌面应用"，而不是合并后的新应用；新应用就叫 ChatGPT。
• ChatGPT Sites：在对话里说一句话，就能把你刚做出来的东西直接部署成一个可访问的网页，链接甩给同事朋友就行，目前是公测阶段。

这三样东西合在一起，其实就是 OpenAI 一直想做的那件事：把"从提问、到执行、再到产出成品"的全流程，收进一个桌面端里完成。它不再满足于当一个"回答问题的聊天框"，而是想变成一个"能替你把活儿干完并交付"的工作台。

顺带提一句版本节奏：官方同时宣布 GPT-5.4 会在稍后（写稿时的说法是 7 月 23 日）退役，而上一代的 GPT-5.5 系列还会继续保留一段时间。所以如果你的老流水线还挂在 5.4 上，这段时间要留意迁移。

莫潇羽这里先给个总的判断：这次发布真正的看点，是 OpenAI 把"模型能力"和"产品形态"两条线同时往前推了一大步，尤其是在"办公 Agent"这个方向上，明显是想抢在对手前面把"真实办公场景"这块地圈下来。至于模型本身到底强不强、跟 Claude Fable 5 谁更能打，我们后面用跑分和实测一项一项对。

二、先搞懂新命名：Sol、Terra、Luna 到底是什么逻辑

很多人第一眼看到 Sol、Terra、Luna，会以为这是三个孤立的新模型，其实不是。这是 OpenAI 借着 GPT-5.6 顺手做的一次命名改革，理解它对后面选型很关键，所以我单独拎出来讲。

2.1 拆开看：数字管"第几代"，名字管"哪一档"

先用一句白话解释清楚这套新规则：数字（5.6）代表这是第几代模型，Sol / Terra / Luna 这三个名字代表能力档位。

过去 OpenAI 的命名一直有点乱，什么 mini、nano、Instant 混着来，普通人根本分不清谁新谁旧、谁强谁弱。就拿"Instant"来说，它本意是想表达"最新的底层模型"，结果这个词既不体现代际也不体现能力，越用越绕。

新规则把这件事拆干净了：

• 代际由数字承担。5.6 就是第 5.6 代，下一代可能是 5.7、6.0，一目了然。
• 档位由三个天体名承担。Sol（太阳）是旗舰，Terra（大地）是均衡主力，Luna（月亮）是轻快低价的一档。

这样做最大的好处，是每个档位可以按自己的节奏各自进化。比如以后旗舰 Sol 更新了，中端 Terra 不一定要跟着一起改；开发者在代码里只要写一次路由逻辑，之后换代直接在"代际"这一层做替换，业务逻辑基本不用重写。对要长期维护系统的团队来说，这是实打实省心的改动。

2.2 三兄弟各自的定位

我把三者的定位整理成一张表，方便你对号入座：

这里有个容易被忽略的细节：档位顺序不总是等于跑分顺序。在某些具体评测里，"更低档"的 Luna 反而会超过"更高档"的 Terra。这说明档位更多是按"综合定位 + 价格"来划分的，而不是在每一个单项上都严格从高到低排。后面讲跑分时我会举到具体例子。

2.3 为什么这套命名值得夸一句

我个人是比较认可这次改名的。做技术内容这几年，我最烦的就是给读者解释"这堆后缀到底谁比谁新"，每次都要画个图。新命名把"代际"和"能力档"这两件本来就该分开的事拆开，逻辑上更干净，用户心智负担更轻。

当然，名字取得再漂亮，最终还是要看东西好不好用。接下来我们就从最直观的"价格"开始，一档一档算清楚这次到底"香不香"。

三、三档定价与成本账：这次为什么被说"很有杀伤力"

聊 AI 模型，绕不开钱。尤其是现在，几乎每家企业在上 AI 之前都会先算一笔账：花这些钱，换回来的价值到底值不值。GPT-5.6 这次的定价，恰恰是它最有攻击性的一手。

3.1 三档价格一次看清

先把三档的官方定价列出来（按每百万 token 计）：

为了让你有个横向参照，我把同期几个关注度高的模型价格也放进来对比（同样按每百万 token 计，均为写稿时的近似值）：

看出门道了吗？旗舰对旗舰，Sol 的价格差不多是 Claude Fable 5 的一半。 输入端一个 5 美元一个 10 美元，输出端一个 30 美元一个 50 美元。对于要大规模跑任务的团队来说，这个价差乘上每天几千万甚至上亿的 token 消耗，就是实打实的成本差距。

3.2 比价格更狠的，是"token 效率"

单看单价还不够。真正决定你账单的，是"跑完同一件事要烧多少 token"。这一点上，OpenAI 这次主打的卖点就是省 token。

官方给出的说法是：在 Agent 编程这类任务上，Sol 的 token 效率比上一代提升了约 54%。换句话说，同样一个编程任务，它可能用更少的 token 就跑完了。单价便宜一截，消耗还更省一截，两个因素叠加，最终账单的差距会被进一步放大。

我用一段伪代码，把这个"综合成本"的算法直观化一下，方便你理解为什么不能只看单价：

# 真实成本，不是只看单价，而是"单价 × 消耗量"
实际花费 = 输入token数 × 输入单价 + 输出token数 × 输出单价

# 举个通用化的示意例子（数字为虚构，仅用于说明逻辑）：
# 假设同一个任务
#   A 模型：单价高、但话痨，token 烧得多
#   B 模型：单价低、且简洁，token 烧得少
# 最终 B 的账单可能只有 A 的三分之一甚至更低

所以当有人说"这个模型比那个贵一倍"时，先别急着下结论——要把 token 消耗量一起算进去，才是公平的比较。这也是为什么在一些第三方的"综合成本"统计里，GPT-5.6 Sol 的实际消耗成本，甚至比上一代的 GPT-5.5 高推理档还要更低。

3.3 到底要不要为旗舰买单：一个通用化的算账思路

很多人纠结的其实是这个问题：日常活儿用中端够了，但遇到"看起来有点难"的任务，要不要咬牙上旗舰？我给一个通用化、虚构化的算账思路，帮你把这件事想清楚（下面数字纯属示意，只讲逻辑）。

假设你有一批任务，其中八成是简单活儿、两成是复杂活儿。一种极端做法是"全程上旗舰、图省心"，另一种是"简单活儿用中低档、只把复杂那两成交给旗舰"。你会发现，第二种做法的综合账单，往往只有第一种的一小部分，而最终产出质量却几乎不受影响——因为那八成简单活儿，本来就不需要旗舰的火力。

这套思路落到实践里，就是按任务分流：不要用一个模型档位去覆盖所有场景，而是搭一个简单的路由——先判断任务难度，简单的走便宜档，复杂的才升级到旗舰。多花点心思做分流，省下来的往往是一大笔持续性的开销。

我自己的做法是：默认全部先走中端跑一遍，把跑得不够好的那部分单独拎出来，再有针对性地升档或加推理强度。先分流、再加料，比"一刀切上旗舰"要划算得多，也比"一刀切用便宜档、结果质量翻车"要稳得多。

3.4 缓存计费的小变化，别踩坑

还有一个偏技术、但对高频调用的开发者很重要的细节：GPT-5.6 改了提示缓存（prompt caching，简单说就是把重复的上下文缓存起来复用、省钱）的计费方式。

• 支持显式设置缓存断点，缓存的最短存活时间是 30 分钟。
• 从 GPT-5.6 这一代开始，缓存写入会按未缓存输入价的 1.25 倍收费；而缓存读取仍然享受九折那档的缓存折扣（也就是省 90%）。

对偶尔调用的普通用户，这条基本无感。但如果你在做那种"同一大段系统提示反复喂"的应用，缓存写入涨价这件事得提前算进成本模型里，别到月底看账单才发现和预期对不上。

3.5 莫潇羽的小结

这一节的结论其实很清楚：GPT-5.6 这次的定价策略，核心就是"用更低的单价 + 更省的 token"去打性价比这张牌。对预算敏感、又要大规模跑任务的团队，它的吸引力是真实存在的。

但要提醒一句：便宜不等于万能。下一节我们进跑分，你会看到它在有些硬核任务上其实还有明显短板，"省钱"和"够强"之间怎么权衡，得结合你自己的具体场景来定。价格这种东西变动也快，上面都是写稿时的近似情况，真要决策请以官方定价页的实时数据为准。

四、跑分拆解·上篇：Agent 长任务、代码与电脑操作

跑分这块我分两章讲。上篇先看"提升最明显"的几个方向：Agent 长任务、编程、以及电脑和浏览器操作。下篇再看安全、工具调用，以及它藏不住的短板。

先说一句方法论上的提醒：厂商自己公布的跑分，通常是在自家的评测框架里、按较高推理强度、多次取平均跑出来的，而竞品的数字往往来自各自不同的设置。所以这些分数能看出"大方向"，但不同模型之间的精确差距，并不是严格意义上的同台竞技。真要上生产，最靠谱的还是拿你自己的真实任务去实测一遍。

4.1 Agent 长任务：这是升级的重头戏

有一个叫 Agents' Last Exam 的评测，专门考模型能不能扛住"跨越几十个领域的长周期专业工作流"——通俗点说，就是那种要连续干好几步、中间还会用各种工具的复杂长任务。

在这一项上，Sol 刷出了一个新高（写稿时官方给的数字在 53 分上下），相比上一代是一次很清晰的跃升。这背后其实呼应了整个行业的趋势：大家比拼的重点，正在从"单轮问答答得好不好"，转向"能不能独立扛住一个要干几个小时的长任务"。

我自己的体感是，长任务能力这东西，短问答里根本感受不到差距；但一旦你把一个需要几十步、来回调工具的活儿丢给它，模型稳不稳、会不会中途跑偏，差距立刻就出来了。这也是 GPT-5.6 这次重点打磨的地方。

4.2 编程：Agent 编程综合分上去了，但硬核修复仍是短板

代码方面要分两面看，因为它恰好体现了 GPT-5.6"有长板也有短板"的特点。

先说亮的一面。 在 Terminal-Bench 2.1 这个偏"终端里干实际活儿"的评测上，Sol 拿到了不错的成绩，开启后面会讲的 ultra 模式后还能再往上冲一截。在第三方 Artificial Analysis 的编程 Agent 综合榜（Coding Agent Index）上，Sol 更是登顶，领先 Claude Fable 5 约 3 分。也就是说，论"编程 Agent 的综合表现"，这一代 GPT 确实站到了很靠前的位置。

再说短的一面。 有个叫 SWE-Bench Pro 的评测，专门考模型能不能在没有外部帮助的情况下，去真实的 GitHub 仓库里解决那种硬核的软件工程问题。这一项上，Sol 从上一代的水平提升到了 64.6%，进步是有的——但同期 Claude Fable 5 / Mythos 5 的成绩在 80% 上下，双方差了将近 15 分。

这个差距不小，说明在最硬核的"真实工程修复"这条赛道上，GPT-5.6 相比 Claude 的旗舰仍有明显距离。所以如果你的活儿就是那种"啃老旧大仓库、修复真实 bug"的重工程活，光看"编程 Agent 综合分领先"就下单，可能会踩坑。

我把编程这块的两面性画成一张简单的对比图，帮你记住结论：

graph TD
    A[GPT-5.6 编程能力] --> B[长板: Agent 综合表现]
    A --> C[短板: 硬核真实工程修复]
    B --> B1[Terminal-Bench 表现好]
    B --> B2[编程 Agent 综合榜登顶]
    C --> C1[SWE-Bench Pro 约 64.6%]
    C --> C2[被 Fable 5/Mythos 5 拉开近 15 分]

4.3 电脑与浏览器操作：这次进步最猛的一块

如果说哪块提升最"肉眼可见"，那一定是电脑操作和浏览器操作。

在考"模拟真实电脑桌面操作"的 OSWorld 上，这一代的分数从上一代的四十几提升到了六十几；在考"浏览器里查资料、完成任务"的 BrowseComp 上，也从八十四左右一路涨到了九十以上。

这个升级方向其实很有指向性——它几乎就是为 OpenAI 这次重点想推的 ChatGPT Work 做的铺垫。你想想，一个"办公 Agent"要真正替你干活，最核心的能力是什么？就是能像人一样去操作电脑、点开浏览器、在各个 App 之间穿梭。电脑和浏览器操作能力这一大跳，正是这套办公 Agent 能落地的地基。

莫潇羽这里给个提醒：电脑操作能力变强是好事，但也意味着你要更认真地对待"授权边界"——让一个 Agent 去操作你的真实文件和账号，权限给到哪、哪些动作需要人工确认，这些在正式用起来之前一定要设清楚。这一点我在第九章讲 ChatGPT Work 时会再展开。

五、跑分拆解·下篇：安全审计、工具调用与它的短板

5.1 网络安全类任务：能力升了，安全阀也拧紧了

先说清楚定位：这里说的"网络安全能力"，指的是安全研究、漏洞审计、补丁开发、防御测试这类合规用途，而不是教人干坏事。业界拿来衡量这类能力的评测（比如 ExploitBench、ExploitGym 等），本质上是在考"模型能不能辅助做漏洞研究和防御工作"。

在这几项上，GPT-5.6 三兄弟随着推理强度提高，安全类能力都有明显进步。OpenAI 的说法是，Sol 在某些安全评测上，能用大约三分之一的输出 token，做到跟一个尚未公开发布的更强模型相当的水平——也就是"又强又省"。

但这里有个关键点值得展开：能力越强，风险越大，所以两家头部厂商都在这块拧紧了安全阀。

• OpenAI 这边，明确说 GPT-5.6 Sol 配了它"迄今最稳健的一套安全栈"，专门针对高风险活动、敏感网络安全请求、以及反复滥用做了加固，并且在发布前花了好几周做对抗测试。它的目标是：既要保住代码审计、漏洞研究、补丁开发、安全教育、防御测试这些正当用途，又要让那些被禁止的攻击性用途变得更难、更不确定、更容易被发现。
• Anthropic 那边思路更"分身":它把同一个底层模型拆成了两个产品——面向大众的 Claude Fable 5，和放开部分安全限制、只给受信任伙伴的 Claude Mythos 5。Fable 5 不会直接拒绝敏感请求，而是有一套分类器在盯着每一次会话，一旦识别到高风险的网络安全、生物化学或"蒸馏"（指试图套取模型能力去训练竞品）类请求，就把这次请求悄悄转交给更保守的 Claude Opus 4.8 来回答，并会告诉用户"这次换了个模型答"。官方说这种转交平均发生在不到 5% 的会话里。

我为什么要把这段讲清楚？因为这恰恰反映了当下前沿模型的一个共同处境：能力已经强到必须给它套上"缰绳"的地步了。 对普通读者来说，这其实是好事——说明厂商在能力狂奔的同时，也在认真做风控。

这里也补一句合规提醒：这类安全能力必须用在授权范围内的防御、审计与研究场景。国内用户如果要接触境外厂商的这类服务，需遵守国内网络与内容管理相关规定，任何未经授权的攻击性使用都是违法违规的，这条底线不能碰。

5.2 工具调用：档位顺序在这里"翻车"了

前面第二章我埋过一个伏笔：档位顺序不总等于跑分顺序。工具调用（tool use）这块就是最典型的例子。

在一个叫 Toolathlon 的工具使用评测上，出现了两个有意思的现象：

• 一是跨厂商看，Sol 的成绩并没有领先，反而是 Claude Fable 5 在这一项上更高。
• 二是在 OpenAI 自家三兄弟内部，更便宜的 Luna 居然在这一项上反超了定位更高的 Terra，把档位顺序给"倒挂"了。

这再次印证了那句话：别迷信"档位越高就一定项项更强"。具体到某个单项能力，一定要看那一项的实测，而不是想当然。

5.3 长上下文：Luna 这一档要留个心眼

还有一个偏工程的细节，做长文档、长上下文应用的朋友要注意：在一个考"超长上下文里精准找信息"的评测（OpenAI MRCR v2，多针版）上，最便宜的 Luna 在超长区间（大约 256K 到 512K，以及 512K 到 1M 这两段）表现掉得比较明显，跌到了四成出头。

结论很实用：如果你的任务要在几十万甚至上百万 token 里精准捞信息，那省钱的 Luna 可能不是最佳选择，该上更高档位就别抠这点成本，否则捞不准信息反而更亏。

5.4 一张表看懂"它强在哪、弱在哪"

我把上下两篇的跑分结论浓缩成一张表，方便你收藏：

六、GPT-5.6 对 Claude Fable 5：第三方视角下的"平手局"

前面各项都拆过了，这一章我们把镜头拉远，用第三方相对中立的视角，正面回答那个所有人都关心的问题：GPT-5.6 和 Claude Fable 5，到底谁更强？

6.1 先看两家官方各自的侧重

只看两家自己公布的跑分，能明显感觉到"各有侧重"：

• GPT-5.6 更占优的地方：Agent 长任务、编程 Agent 综合、以及成本效率。它这次主打的就是"又强又省又能干长活"。
• Claude Fable 5 更强的地方：最硬核的代码修复（SWE-Bench Pro 那一档），以及部分高难度任务。它走的是"把最难的活儿啃下来"这条路。

6.2 再看第三方相对中立的榜单

比起厂商自说自话，第三方评测机构 Artificial Analysis 的结果更值得参考。综合来看是这么个局面：

• 模型智能总榜：Claude Fable 5 依然排第一，GPT-5.6 紧随其后，差距大约在 1 分左右。也就是说，论"综合智能"，Fable 5 还守着头名，但优势非常微弱。
• 编程 Agent 综合榜：反过来，OpenAI 这边（Codex 配 Sol）以约 3 分的优势，超过了 Claude 这边（Claude Code 配 Fable 5）。论"编程 Agent 的落地表现"，GPT-5.6 这套组合拳更胜一筹。

一个第一名微弱领先，一个反超三分，你就能理解为什么我说这是一场"平手局"了。谁高谁低，真的要看你具体跑的是什么任务。

我用一张对照表把这场"平手局"讲透：

6.3 别忘了 Fable 5 的一段"波折"

聊 Claude Fable 5，有段背景值得补充，也能帮你理解这场竞争的节奏。Fable 5 是今年 6 月 9 日首发的；但仅仅几天后，因为要配合美国商务部的出口管制，Anthropic 在 6 月 12 日暂停了相关访问，直到 6 月 30 日管制被解除，7 月 1 日恢复访问。这里要特别说清楚，免得造成误解：这只是中间短暂"消失"过一小段时间，如今 Fable 5 早已恢复正常，可在 Claude 平台、Claude.ai、Claude Code、Claude Cowork 等入口照常使用，本文写稿时它处于可用状态。之所以提这段插曲，是因为它能帮你理解各家产品节奏是如何被挤到同一个时间窗口的，而不是说这个模型现在不能用了。

这段插曲加上 Fable 5 本周刚转向按用量付费的定价方式，再叠加 GPT-5.6 这次公开发售，等于是把几家的产品节奏挤到了同一个时间窗口里。对开发者来说，这反而是件好事——你现在面对的是一个"充分竞争"的市场，可以更冷静地按"哪个模型适合哪类任务、成本各是多少"来做选择，而不是盲目追新。

6.4 为什么这种"你追我赶"对用户是好事

再多说两句这场竞争的节奏。过去一年，你能明显感觉到几家头部厂商的发布越来越像"接力赛"——这家刚上新，那家隔几天就把更强或更便宜的版本推出来，热度经常一天一换。就在 GPT-5.6 上线前后，前脚还有别家新模型受宠一天，后脚就被新的话题盖过去了。

这种高频迭代，站在使用者角度其实非常划算。它带来的直接结果是三件事：能力在涨、价格在降、可选项在变多。 一年前要上百次反复调教才能勉强做出来的东西，现在可能一句话就"一次成型"；一年前贵得离谱的旗舰级能力，现在半价甚至更低就能用上。

但热闹归热闹，我的建议一直没变：别被"今天谁又刷新纪录"的节奏牵着走。 模型每周都在变，真正稳定、值得你投入时间去打磨的，是把工作流搭好、把评估标准立起来。工具是流水的，方法论才是铁打的。你只要守住"拿真实任务验证、按场景选型、算综合成本、守合规底线"这几条，谁当第一其实都不影响你把活儿干好。

6.5 莫潇羽的判断

我的结论是：这一代 GPT 和 Claude 的旗舰，已经打到了"分不出绝对高下、只能分主场"的阶段。 谁也没有对谁形成碾压。

对使用者来说，这其实是最舒服的局面：与其纠结"哪个是宇宙最强"，不如老老实实拿自己的真实任务，去两边各跑一遍，用结果说话。这句话我在这篇里会反复强调，因为它是我做技术选型这么多年，踩过坑之后总结出的最实在的一条。

七、两个新推理开关：max 和 ultra 到底该怎么用

GPT-5.6 这次除了模型分档，还给旗舰 Sol 配了两个新的推理控制开关：max reasoning（最大推理）和 ultra mode（超级模式）。这俩名字听着挺唬人，但理解起来其实不难，用对了能明显影响效果和成本，所以单开一章讲清楚。

7.1 max：让它"想得更久"

先说 max。你可以把它理解成"允许模型在一条思路上想得更久、更深"。平时模型为了效率，思考会有个度；开了 max，它会在单条推理链上延长深思的时间，把更多算力投到"想清楚"这件事上。

什么时候用它？ 遇到那种一步错步步错、需要缜密推演的硬核难题——复杂算法、多约束的推理题、要反复校验的分析——开 max 往往能换来更靠谱的结果。代价是更慢、更贵，因为它烧的推理 token 更多。

什么时候别用？ 那种简单直接、答案一眼能定的活儿，开 max 就是浪费钱，纯属杀鸡用牛刀。

7.2 ultra：让它"分身多开、并行干活"

ultra 就更有意思了，它不是"想得更久"，而是"人手更多"。

它的机制是这样的：开启 ultra 后，Sol 会把你的请求拆解开，同时开出好几个"子智能体"（subagent）并行去干，而且这些分身之间被训练成能在任务过程中互相协调、彼此配合，而不是各干各的、最后草草拼在一起。等于是把"一个人埋头做"变成了"一个小组分工协作"。

这套"多开分身"的思路，效果在评测里是能看到的。但要说清楚一个关键限定：这种提升是"特定评测里"的表现，并不代表开了 ultra 在所有任务上都能带来同等幅度的增益。 举个已核实的例子——在 Terminal-Bench 2.1 这个评测上，开了 ultra 的 Sol（约 91.9%）明显高过普通 Sol（约 88.8%），这是目前能看到的、比较干净地证明"多分身协作确实有用"的证据之一。不过换一个评测、换一类任务，增益幅度可能大不相同，甚至在某些简单场景下几乎看不出差别。所以别把"某个评测涨了 3 个点"直接外推成"我的任务也会稳涨 3 个点"，具体还得拿你自己的活儿去实测。

用一张流程图对比一下这两种模式的差别：

graph LR
    subgraph max模式
    U1[一个请求] --> R1[单条推理链<br/>想得更久更深] --> O1[更稳的答案]
    end
    subgraph ultra模式
    U2[一个请求] --> S1[子智能体A]
    U2 --> S2[子智能体B]
    U2 --> S3[子智能体C]
    S1 --> M[互相协调后汇总]
    S2 --> M
    S3 --> M
    M --> O2[更快搞定复杂任务]
    end

7.3 谁能用、在哪用

这两个开关的可用范围，跟你的套餐和使用入口有关（以下为写稿时的规则，具体以官方后台为准）：

• max：在 ChatGPT Work 和 Codex 里，所有能用上 GPT-5.6 的用户都能在设置里打开它。
• ultra：在 ChatGPT Work 里，面向较高档的付费用户（Pro、Enterprise）开放；在 Codex 里，则是较低门槛（Plus 及以上）就能用。
• API 侧：多智能体能力先以测试版（beta）形式放在 Responses API 里，允许模型在一次请