选择从何开始：先看任务，再看参数
同一个应用里，模型选择也不必只有一种答案。我一开始把它理解成一张“强弱排行”，但真正把任务拆开后才发现：批量为商品补全结构化字段，与分析一份彼此矛盾的经营报告，虽然都在“调用大模型”，不确定性、失败成本和可验证性却完全不同。把所有请求交给最高档模型，会掩盖这些差别；只按价格选择，也会把成本转移到返工与人工复核。
因此可以把选择拆成两层。先选模型档位，决定这类任务的能力与单价基线；再选思考强度，决定这次请求是否值得投入更多推理时间。没有上下文时，Terra + medium 是便于开始评测的中间点；真正的配置仍应由成功率、延迟、成本与人工复核结果共同决定。
三模型的分工：同一代，不同经济性
OpenAI 将 Sol 定位为复杂专业工作的旗舰模型；Terra 用于平衡智能与成本；Luna 面向成本敏感的高吞吐工作负载。三者都有 105 万 token 上下文、12.8 万最大输出，支持文本输入输出与图像输入；也都支持函数调用、网页 / 文件搜索与计算机使用等工具。差别的核心不是“能不能做”，而是复杂任务的余量与单位成本。
GPT-5.6 Sol
旗舰档：复杂、专业、结果错误代价高的工作。
- API ID
gpt-5.6-sol（gpt-5.6指向它）- 文本价格 / 百万 token
- 输入 $4 · 输出 $20
- 适合
- 深度代码改造、复杂分析、长链路 Agent、正式交付物
GPT-5.6 Terra
平衡档：多数生产工作流的质量、延迟与成本折中点。
- API ID
gpt-5.6-terra- 文本价格 / 百万 token
- 输入 $2 · 输出 $12
- 适合
- 日常编码、文档分析、客服升级单、常规工具调用
GPT-5.6 Luna
吞吐档：规则明确、可批处理、需要极低单价的任务。
- API ID
gpt-5.6-luna- 文本价格 / 百万 token
- 输入 $0.20 · 输出 $1.20
- 适合
- 分类、抽取、标签、初筛、批量改写与路由
| 如果你的首要约束是… | 优先模型 | 为什么 |
|---|---|---|
| 正确性、复杂推理、难以返工 | Sol | 旗舰档更适合复杂专业工作；先将预算给最关键的决策点。 |
| 大部分产品功能的性价比 | Terra | 官方定位就是智能与成本的平衡，适合作为生产默认候选。 |
| 百万级重复请求的单位成本 | Luna | 价格约为 Terra 的十分之一，针对成本敏感、高量任务设计。 |
| 音频输入 / 输出 | 另选专用音频模型 | 这三个模型不支持音频；不要仅因同属 GPT-5.6 就硬套。 |
把任务约束写出来，模型选择才有依据
“这个任务适合哪个模型”若没有任务边界，答案必然流于型号推荐。这里的例子不把任务名称直接映射成模型，而是先暴露决定选择的条件：结果能否机器校验、错误会在何处被发现、是否需要多步工具调用、单次等待能否被用户接受。下面的组合只是工程起点；有真实数据集、延迟 SLA 与人工抽检结果时，应以自己的评测为准。
“重构一个跨 30 个文件的支付模块，并列出回归风险。”
依赖关系、边界条件和错误代价都高。先用 Sol 深入规划与实施；把测试失败后的定位也保留在 Sol，避免在关键链路上省错地方。
“读一组合同，提炼付款条款并生成待人工确认的摘要。”
需要理解与结构化输出，但结果仍有人工复核。Terra + medium 是合理起点；若涉及最终法律结论，应把它设计为辅助与升级流程，而不是直接替人下结论。
“给 200 万条商品标题打类目、提取品牌和容量。”
模式固定、字段明确、可用 JSON Schema 验证。用 Luna 批处理并设置异常队列；对置信度低或校验失败的少量记录，升级给 Terra。
“客服机器人根据知识库回答常见的退换货问题。”
检索与回答路径较短，低强度能降低等待时间。若用户表达投诉、退款争议或需要跨系统操作，再路由至 Terra + medium 或 Sol。
“基于销售、库存、促销三份互相矛盾的报表，找出异常并提出调查步骤。”
这是少量但高价值的歧义推理任务。提升强度有意义，但要给明确的停止标准，例如“列证据、标不确定项、不可自行编造数据”。
“从 10 万份简历中初筛，再为候选人生成结构化面试摘要。”
第一层规则和字段抽取交给 Luna；失败、冲突或高匹配样本升级至 Terra。分层比“所有简历都用 Sol”更可持续。
思考强度是什么：一枚可调的推理预算旋钮
思考强度（reasoning effort）控制模型在给出最终回答前投入多少推理工作。提高它通常可能改善多步骤规划、约束权衡、工具使用与复杂问题的可靠性；代价则是更高的延迟和 token 成本。它不是“回答写得更长”的开关，也不等价于把 prompt 写得更详细。
Sol、Terra、Luna 都支持 none、low、medium（默认）、high、xhigh 与 max。实务上，从 medium 起步最稳妥；工具调用、规划或多步判断仍然重要时，官方建议先尝试 low，而不是直接退到 none。只有评测证实有增益，才继续提高。
组合策略：模型档位 × 思考强度
| 工作负载 | 建议组合 | 配合方式 |
|---|---|---|
| 实时 UI 小任务 | Luna + none | 只做确定性抽取 / 分类；用 schema、正则或业务规则兜底。 |
| 高频但含少量判断 | Luna + low | 测量尾延迟；不确定样本进入升级队列。 |
| 常规业务 Agent | Terra + medium | 将检索、工具权限和停止条件写清，观察任务成功率而非只看“感觉”。 |
| 棘手的编码 / 分析请求 | Sol + high | 让模型先列计划与验证项，再执行；把人审放在不可逆动作前。 |
| 极少数关键决策 | Sol + xhigh / max | 先做小规模 A/B 评测；要求引用依据、标注不确定性、输出可审计中间结论。 |
推荐的两级路由
请求进入
│
├─ 规则明确、可机器验证？ ── 是 ──► Luna + none / low
│ │
│ 校验失败 / 低置信度
│ ▼
└─ 否 ───────────────────────────► Terra + medium
│
高风险、复杂、多轮失败
▼
Sol + high
路由的重点是可升级：不是一开始猜出“最强模型”，而是让便宜、快速的路径处理大多数明确任务，把预算集中到少数真正复杂的例外上。
API 中如何设置
在 Responses API 中通过 reasoning.effort 指定强度；Chat Completions 使用 reasoning_effort。下面是一个将“模型选择”和“思考强度”显式写入配置的最小示例。
from openai import OpenAI
client = OpenAI()
response = client.responses.create(
model="gpt-5.6-terra", # 生产默认候选
reasoning={"effort": "medium"},
input="把这份产品需求整理为验收标准，并标记不确定项。"
)
print(response.output_text)
生产系统里建议把模型与强度抽成配置，而不是散落在业务代码中；记录任务类型、模型、强度、延迟、成本、自动校验结果与人工评分。这样下一轮选型才有依据。
关键概念速查表
| 问题 | 快速答案 |
|---|---|
| 不知道该从哪里开始？ | Terra + medium；用真实任务评测后再调整。 |
| 何时选 Sol？ | 复杂专业工作、失败代价高、难以自动验证、需要多步规划时。 |
| 何时选 Luna？ | 高量、成本敏感、模式稳定且可校验的任务；设计升级通道。 |
| Terra 的角色？ | 大多数生产工作流的平衡档，而不是“低配版 Sol”。 |
| 思考强度越高越好吗？ | 不是。它换来潜在可靠性，也增加时间与成本；只在评测证明值得时升档。 |
| 默认思考强度？ | 三款 GPT-5.6 模型的默认值都是 medium。 |
| 三个模型支持音频吗？ | 不支持；音频场景应选 OpenAI 的专用音频 / 实时模型。 |
把选择做成可以被修正的系统
模型选型并不在第一次上线时结束。为一小批有代表性的任务保存输入、期望结果与验收标准，观察不同组合的成功率、尾延迟、单次成本和人工复核量；当任务结构变化时，再重新比较。这样，Sol、Terra 与 Luna 不再是需要一次猜对的档位，而是可以在同一条工作流里各得其所的工具。
权威来源
- OpenAI API Models：模型定位、能力、价格与上下文规格。
- GPT-5.6 Sol、Terra、Luna：各模型官方页面。
- OpenAI Model Guidance：思考强度的默认值与调节建议。