GPT-5.6 这轮发布，我作为开发者最大的感受是，做智能体的成本逻辑变了。官方说得很直白，这个模型家族把前沿级智能体能力做到便宜得明显，性能边界还往前推了一步，以前只有旗舰模型能干的事，现在换更小的模型、更低的推理档位就能拿下。
低推理档位是最意外的。在 Agents’ Last Exam 基准上，GPT-5.6 Sol 用 low 档跑赢了 GPT-5.5 用 high 档的成绩，以前需要拉满推理的场景，现在降一档甚至两档就够。AI 研究公司 Hex 把 5.6 接进他们的 harness 后也有同感，低推理档位直接给出最好结果，它知道数据什么时候不在那里，不会追错误线索，用更少的 token 就找到正确答案，这个反馈当时让我挺意外，毕竟按以前的思路，这种事怎么也得把推理档位拉满。
模型选择上，Luna 和 Terra 能平替旗舰。文档处理公司 Hypha 实测，Luna 保持 GPT-5.5 约 98% 的信息抽取准确率，成本只有后者的十八分之一。另一个对比更直观，BrowseComp 基准上，三个月前 GPT-5.5 拿 84.36% 花了 33.27 美元，GPT-5.6 Luna 拿 84.04% 只花 1.33 美元，性能几乎持平价格掉了二十多倍。所以高并发和低延迟的活儿，还有智能体里的重复环节，优先考虑 Terra 或 Luna 这类小模型就对了，这组数据我盯着看了两遍，性价比差距不是一点点。
光靠模型还不够。这次还给 Responses API 加了三组能力。一是推理持久化加原生压缩，推理过程跨轮次保存，长对话不用每次重拼上下文，在 ARC-AGI-3 上，Sol 从标准 harness 的 13.3% 跳到 38.3%，输出 token 还少了约六倍。二是原生多智能体编排，主智能体把任务拆给子智能体并行处理，ultra 能力档位底层就是这套机制，而且行为可调，你可以显式告诉它什么时候才允许派生子智能体。三是程序化工具调用，让模型直接写 JavaScript 编排工具，过滤、汇总加编排这类确定性工作交给代码，上下文窗口不再被中间结果塞满，金融研究公司 Rogo 用上后输入 token 少了 21%。
Prompt 缓存也升级了，整个 5.6 家族 TTL 最少 30 分钟，缓存断点可以在上下文窗口内确定性设置。AI 工程公司 Ploy 在共享的 29000 token 提示词里加了缓存断点和按工作区分的 key，未缓存输入直接砍掉 28%。这数字很实在。
整体看下来，最值得注意的不是某个单一数字，是构建智能体的经济学真的变了。会选模型、会用新 API，比无脑上旗舰省得多，GPT-5.6 把工具备齐了，接下来就看怎么用。
