GPT-5.6 开发者指南：更低成本，更强智能体

GPT-5.6 系列模型重新定义了价格与性能的平衡，让前沿级智能体能力变得大幅亲民，同时也在拓展能力上限。

本指南展示创业公司如何通过更聪明的模型选择和新的 API 控制（推理连续性、多智能体编排、程序化工具调用），以更低的成本构建更快、更强的智能体。

开箱即用的升级

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 延续了这一趋势：更强的智能体表现、更低的成本，且基础架构几乎不变。

在效率提升的基础上，低推理档位的准确性也更高了。例如，在 Agents' Last Exam 基准上，使用相同 harness，GPT-5.6 Sol 的“低”推理档表现超过了 GPT-5.5 的“高”档。创业公司在生产测试中也报告，通过降低推理强度，在多种工作流中获得了显著的成本改善。

模型选择

过去，长周期任务的最佳选择一直是最高推理档位的旗舰模型，因为它们在长上下文和工具调用上的能力远超成本优化模型。但 5.6 系列改变了这一点：借助更多测试时计算，Luna 和 Terra 在不少场景下表现接近 GPT-5.4 和 5.5，成本却低得多。

以 BrowseComp 基准为例：三个月前，GPT-5.5（Extra High）得分 84.36%，总成本 33.27 美元；而发布时的 GPT-5.6 Luna（Extra High）得分 84.04%，成本仅 1.33 美元。此后价格又进一步下调。查看最新降价详情。

5.6 系列中较小的模型非常适合高吞吐量、低延迟和智能体流程中的重复步骤。比如，法律科技初创公司在做智能体分析前，可以用 Terra 或 Luna 解析手写备忘录，而不必全程调用前沿模型，大幅节省成本。

Responses API：构建更高效的智能体

除了开箱即用的性能提升，OpenAI 还为 Responses API 增加了新原语，带来三个互补的架构干预，让智能体更高效：

1. 复用已完成的工作：通过跨轮次保留推理和原生压缩长对话，模型能在更长的任务周期中保持连贯，无需重建上下文。
2. 适当的并行分解：利用原生多智能体编排协调多个智能体并行处理子任务，加速完成复杂任务。
3. 把确定性工作交给代码：通过程序化工具调用，在模型上下文窗口之外过滤、聚合和编排工具输出，将模型 token 留给真正需要判断的部分，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 基准上，GPT-5.6 Sol 用标准 harness 得分为 13.3%；启用保留推理和压缩后，得分跃升至 38.3%，而输出 token 减少了约 6 倍。模型未变，性能却提升了近两倍。详见ARC-AGI-3 harness 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、过滤和合并数据的任务。

当智能体检索 100 份文件、按日期过滤并找出相关交易时，模型不必在上下文窗口内推理每一个中间结果。程序化工具调用让 GPT-5.6 编写 JavaScript 来编排工具、并行执行独立调用，并在上下文窗口外处理输出。这样，模型只专注于真正需要智能的部分——判断。

多智能体

对于复杂且可并行的任务，将动作和推理分布到多个智能体工作流中，能加快任务完成速度，也带来更高的智能水平。在这种架构中，主智能体负责编排子智能体并分配任务，子智能体并行推进目标，最后将输出交回主智能体进行综合。

开发者可以在 Responses API 中启用多智能体来原生使用这一能力。ChatGPT 的“超能力”设置也是同样原理。

虽然 GPT-5.6 能较好地把控子智能体的数量和启动时机，但多智能体行为高度可引导。通过指令明确何时调用子智能体，可以确保只在额外 token 投入能换来更好表现时才创建子智能体。

提示缓存

整个模型家族的提示缓存 TTL 已延长至至少 30 分钟，并且可以在模型上下文窗口内确定性地设置缓存断点，帮助创业公司显著提高缓存命中率。

除了设置缓存断点，继续使用合适的 prompt_cache_key 也能提高请求命中同一推理引擎的概率，从而降低延迟。

结论

这些例子最突出的一点是，构建智能体的经济性已经彻底改变。

过去每个环节都需要前沿模型的任务，现在通过更小的模型、调优推理强度和高效的架构选择，就能以几分之一的成本获得相当甚至更好的结果。