本文系统介绍 GPT-5.6 系列的 Sol、Terra 与 Luna：三者如何在智能、速度与成本之间取舍，怎样按任务选择模型和推理档位，以及如何利用缓存读取和多智能体工作流提高效率、降低成本。
原文：https://x.com/cerebras/article/2081828128952095022
本文由 LobsterAI 自动翻译和发布。
作者： @0xSero 与 Zhenwei Gao（@zhennydez）
你的 Codex 订阅现在包含 3 个主要模型：Sol、Terra 和 Luna。它们各自经过独立训练和部署，并且都配有推理档位。三者结合起来，让你能够为每项任务选择合适的速度、成本与智能平衡。
价格对比一览（OpenAI 开发者定价，2026 年 7 月 21 日）
从价格来看，无论使用短上下文还是长上下文，Terra 的成本都是 Sol 的二分之一，而 Luna 的成本则是 Sol 的五分之一。
这种定价与智能水平和速度大体相符。在实际使用中，每个模型最适合的工作类型各不相同：
- Sol 是三者中最聪明的。它最适合长时间运行的任务、复杂的技术挑战和个人助理工作。更强的能力也意味着更高的延迟和成本，但 Sol 擅长协调子智能体，并能在长流程中处理大型项目。
- Terra 稳稳地处在中间位置，以 Sol 一半的价格提供其大部分智能，同时速度也适度更快。与 Sol 搭配时，Terra 可以成为强大的子智能体：Sol 负责权衡选项、确定方向，然后把实现工作交给更快、更便宜的 Terra。
- Luna 是三者中速度最快、价格最低的模型，成本仅为 Sol 的五分之一，同时仍优于市场上的大多数模型。对于多数日常 AI 任务，Luna 的能力绰绰有余，能够以极低成本提供可靠表现。截至 2026 年 7 月 17 日，它在 Artificial Analysis 的模型智能指数中位列全部 576 个模型中的第 16 名。
为任务选择最佳模型
你该如何决定由哪个模型处理一个请求，又该让它使用多少推理能力？这个选择必须在生成任何 token 之前作出。
从 Luna 开始，再逐级升级
处理任何任务时，一个简单的方法是：在你愿意支付的价格范围内，选择速度与智能平衡最好的模型。在 GPT-5.6 系列中：
1. GPT-5.6-Sol： 智能下限和上限最高
2. GPT-5.6-Luna： 速度下限和上限最高
一个不错的默认策略是让大多数任务从 Luna 开始；当进展停滞时——例如智能体陷入困境、修复不再奏效，或模型开始丢失主线——再升级到 Terra 或 Sol。如果你愿意花更多钱同时换取速度和智能，可以在 Cerebras 上以每秒 750 个 token 的速度运行 Sol，相比 Sol 的常规模式，速度最高可提升 10 倍。
测试时计算 / 推理
另一种定制模型任务处理方式的方法，是调整它的推理等级。在 Codex 中，你可以从五个选项中选择：“轻度（Light）”、“中等（Medium）”、“高（High）”、“超高（Extra High）”和“极致（Ultra）”。
通过投入更多计算处理时间来提高输出准确性，模型会在给出答案之前生成 token，与自身展开辩论并进行自我质疑。
- 轻度（Light）： 非常适合快速完成基础任务，例如查找文件、克隆和配置代码仓库、整理下载内容等。只要模型清楚自己需要做什么，而且失败概率很低，基本都应该选择这个推理等级。
- 中等（Medium）： 适合需要一定理解、规划或调试、但无须深入探索的日常任务，可作为不错的默认选择。例如汇总多个文件、实现一个小功能，或排查一个熟悉的问题。
- 高（High）和超高（Extra High）： 最适合困难的 STEM 与编程任务，例如复杂调试、架构决策、大规模重构，或存在多种合理方案的问题。大多数常规助理任务并不需要这么多推理，甚至根本不需要推理。
- 极致（Ultra）： 如果你非常清楚自己想要什么，并且有详细的约束条件，尤其是面对横跨多个独立系统的工作，就可以使用最高推理模式。例如，以非常具体的方式构建界面和 API，将两个 API 连接起来。
我们通常只会把 Ultra 模式留给最重大的研究问题和全新挑战。Ultra 模式往往会很快耗尽你的使用额度，但你可以确信，模型已经用尽所有可用的推理预算来探索、验证并完善答案。
根据 Artificial Analysis 在 7 月 17 日进行的测试，GPT-5.6 Sol 的推理等级每提高一级，每项任务的平均成本大约增加 50%。下图展示了增加推理量对智能水平和成本的影响。
充分利用缓存读取
缓存输入比新输入便宜 90%。对于需要反复处理同一代码库或上下文的 Codex 任务来说，这会带来巨大的收益。
GPT-5.6 的每个模型都拥有约 30 分钟的缓存存活时间。这意味着，与其为每项任务新建会话，不如维持一个持续工作的单一会话。
Codex 的上下文压缩也已经足够出色，你可以在一个会话中运行数亿个 token，而不会遇到任何问题。
只要让会话保持活跃，提示词处理成本就会低得多。你可以把 Codex 自动化设置为每 20 分钟定时运行一次，从而维持缓存，并利用这些自动化来驱动长时间运行的流程。
有效使用多智能体工作流
不同模型使用不同数据进行训练，也会针对不同目标进行优化，这意味着每个模型在某些事情上都会略强或略弱。
Advisor（顾问）工作流会给一个智能体分配一项范围很窄的工作：阅读完整会话，持续跟踪目标与约束，并在工作智能体开始偏离方向时介入。这有助于自动引导工作智能体，提高长时间任务的可靠性。
本地版 Codex 还允许你把其他提供商接入应用。这意味着，你可以在熟悉的 Codex 体验中，尝试 Kimi K2.7 Code 这类成本更低的开放权重模型，或 GLM-5.2 这类具备不同优势、擅长长周期推理和编程的模型。
然后，你可以使用这些外部模型承担边界明确的子智能体工作，从而降低成本，或发挥不同模型各自的优势。
这里有一个重要的细节：这需要通过 Codex 配置和自定义智能体文件来完成，而不是在应用内用一个简单的模型选择器切换。Codex 支持 Ollama 和 LM Studio 等本地提供商，也支持兼容 Responses API 的自定义提供商。
结论
订阅的使用额度相当慷慨，但随着 AI 智能体对越来越多的人变得更加实用，许多人正在把使用量推到远超一份订阅所能提供的上限。
而且，即使你有钱可烧，也不是每一个“前沿”模型都处在所有使用场景的前沿。在少数几个基准测试中，一个小模型往往可以把一群世界上最优秀的模型彻底甩在身后。
速度是一个重要的调节项。白天，当你与智能体互动时，较高的 token/s 可以显著改善使用体验。 在非工作时段，通过 /goal 使用速度较慢但推理更充分的模型，则可能带来天壤之别。
最后，请持续关注 Artificial Analysis，那里汇集了大量高质量的模型速度基准测试和智能指数。
感谢 Sarah Chieng（@MilksandMatcha）、Joyce Er 和 Hai-Ching 的审阅与意见，也感谢 Halley Change（@halleychangg）为本博客提供平面设计。