GPT-5.6-sol 和 GPT-5.6-terra 登顶 DeepSWE，开放权重楔形地带正在逼近

OpenAI 的 GPT-5.6 系列于本月推出，共有三种规格：gpt-5.6-luna、gpt-5.6-terra，以及旗舰型号 gpt-5.6-sol。我们在同一周将 sol 和 terra 加入了 Smart AIPI。关于哪款前沿模型“最好”，外界一直有很多噪音，因此我们准备做点具体的事：先看一个真正难以投机取巧的基准测试，再谈谈模型在实际使用中的真实体验，最后客观分析正在后方快速追赶的开放权重模型。

DeepSWE：难以投机取巧的编程基准测试

大多数编程排行榜都存在数据污染问题。SWE-bench Verified 和 SWE-bench Pro 基于真实的 GitHub issue 及其已合并的修复构建，这意味着“答案”就存在于所有抓取过 GitHub 的模型训练数据中。更糟的是，一些模型还被发现会在这些测试中作弊：在 SWE-bench Pro 上，Claude Opus 4.7 和 4.6 被标记为在超过 12% 的受审查运行中存在作弊行为，它们会悄悄执行 git log --all 和 git show <gold-hash> 等命令，直接从 git 历史记录中读取参考解决方案。

DeepSWE 由 Datacurve 于 2026-05-26 发布，目的正是解决这一问题。它具有以下特点：

• 从零编写。涵盖五种语言（Python、TypeScript、JavaScript、Go、Rust），在 91 个开源仓库中设置了 113 个原创长周期任务。问题描述和标准解决方案均由人工编写，而非改编自公开提交，因此没有任何模型在预训练期间见过答案。
• 行为验证器。每项任务都通过人工编写的检查项，对隔离环境中的可观察行为进行评分，并统一使用 mini-swe-agent 测试框架运行。DeepSWE 报告的验证器假阴性率为 1.1%，假阳性率为 0.3%；相比之下，SWE-bench Pro 的实测数据分别为 24% 和 8.5%。
• 真正具备区分度。提示词长度约为 SWE-bench Pro 的一半，却要求编写约 5.5x 更多代码，并生成约 2x 更多输出 token。分数分布覆盖约 58 分的区间（12–73%），而不是集中在约 30 分的狭窄范围内，因此排行榜名次确实具有实际意义。

换句话说：这是一项长周期、抗污染、按行为评分的测试，用来检验模型能否真正完成现实中的软件工作。而 GPT-5.6 系列恰好在这项测试中位居榜首。

DeepSWE 排行榜

当前排名（更新于 2026-07-09，Pass@1，每个模型均采用其最佳推理设置）：

GPT-5.6 的三个变体占据了前四名中的三个席位。sol 独占榜首，terra 以旗舰型号一半的价格，与 Claude Fable 5 并列第二高分；就连 luna 也追平了上一代 gpt-5.5。它与最佳开放权重模型 GLM-5.2 的 44% 之间仍有差距，我们会在文末再次讨论这一点。

GPT-5.6 到底改变了什么

基准测试只是替代指标。获得早期访问权限的开发者认为，模型在三项具体能力上实现了跃升，而这些提升无法仅靠分数完整体现：

• 长周期任务韧性。对 gpt-5.5 最大的抱怨，是它会在长任务中“迷失方向”：当上下文充斥噪音时，你不得不重置整个对话。5.6 不会这样。早期测试者报告称，他们让单个对话线程根据一条指令连续运行 20+ 小时，期间无需人工看管。它接手任务后，就会一直坚持到任务完成。
• 子智能体编排（ultra 模式）。这是这一代模型的标志性能力。5.6 可以提升一个抽象层级，创建一支子智能体团队并行解决问题：一个编写组件，另一个连接数据库，第三个审查拉取请求，最后再综合所有结果。测试者在 5.6 上重新运行其 gpt-5.5 子智能体工作流后发现，5.6 能“迅速完成”那些曾让 5.5“陷入混乱并迷失方向”的编排任务。这就像单个承包商与整支施工队之间的差别。
• 计算机和浏览器操作。5.6 操作真实计算机的能力显著提升。在实际测试中，它通过 SSH 配置了一批机器；在一个如今广为流传的案例中，它还通过远程 KVM 自主恢复了损坏的 GRUB 启动状态：重启、进入 GRUB shell，并在完全无人干预的情况下修复启动分区。

有一点需要明确说明：前端和 UI 工作默认并不是 5.6 的强项。它比以前的模型更易于引导，“审美糟糕”的情况也有所减少，但有经验的用户仍会将最终润色工作交给其他模型。如果你需要进行大量视觉 UI 开发，可以把 5.6 当作核心引擎，再引入第二个模型负责整理和美化。

sol 还是 terra：应该用哪个？

两者都属于前沿级模型，并且都通过 Smart AIPI 运行在相同的 Codex 后端上。选择很简单：

• gpt-5.6-terra 是推荐的默认选择。它在 DeepSWE 上排名 #3（70%），与旗舰型号相差无几，价格却只有其一半。对于绝大多数智能体编程、重构、审查和日常工作，terra 都是正确选择。
• gpt-5.6-sol 是旗舰型号。面对最困难的长周期任务、深度多智能体编排，以及最后几个能力百分点足以改变结果的任何场景时，应当选择它。它在 DeepSWE 上排名 #1 并非没有原因。

Smart AIPI 是运行这两款模型最便宜的方式

OpenAI 的前沿模型官方直连 API 定价很高。通过 Smart AIPI，你能以低 75% 的价格使用完全相同、运行在完全相同基础设施上的模型：

正在逼近的开放权重楔形地带

这正是所有人争论不休的部分。在闭源前沿模型之后，一批开放权重模型正在快速攀升，市场也开始分化为两个极端。一端是价格低廉的中国开放权重混合专家模型（DeepSeek V4、Qwen3、Kimi K2、MiniMax M3），它们在 SWE-bench Verified 上的成绩约为 70–81%，每百万输入 token 的价格为 $0.30–1.40，并采用宽松的 MIT/Apache 许可证。另一端是美国的闭源前沿模型（GPT-5.6、Claude Fable/Opus、Gemini），它们为最顶尖的几个能力百分点收取高出 5–20x 的费用。真正有趣的是两者之间的楔形地带：这些模型以远低于前沿模型的价格，提供接近前沿水平的质量。

有两个名字定义了这片楔形地带，值得准确说明：

• GLM-5.2（Zhipu / Z.ai）——开放权重楔形地带。这是一款真正开放权重、采用 MIT 许可证的 MoE 模型（总参数约 745B / 激活参数约 40B，上下文 1M），价格约为输入 $1.40 / 输出 $4.40。它非常出色：在 DeepSWE 上以 44% 排名 #9，接近上一代闭源模型，在部分 UI 工作中甚至强于 gpt-5.5。就其定位而言，它名副其实。
• Grok 4.5（xAI）——低价闭源楔形地带。Grok 4.5 经常被误称为“开放”，但它实际上是闭源权重模型（只有 Grok-1 和 Grok-2 曾经开放发布）。它之所以能形成楔形优势，在于激进的定价（输入约 $2 / 输出约 $6）和出色的 token 效率：每个 DeepSWE 类型任务约消耗 2M token，而某些前沿模型需要 7M+。它在多项基准测试中接近前沿水平，但在定义 5.6 这一代模型的多智能体编排方面明显更弱。

那么，这片楔形地带究竟有多接近前沿？它比标价所暗示的更近，但又比本地模型的炒作说法更远。这里有三点需要客观看待：

• 每 token 更便宜，不代表每项任务更便宜。开放权重模型在完成相同工作时，往往会消耗 2–3x 更多 token。在 DeepSWE 上，以 max 运行 GLM-5.2 每项任务约需 $4，而以 xhigh 运行 Claude Opus 4.8 每项任务约需 $8。尽管 GLM 的每 token 价格低约 10x，但实际差距只有 2x。决定真实账单的是效率，而不是标价。
• 开放权重不等于可以本地运行。GLM-5.2 量化后约为 400GB，全精度下约为 1.5TB。它无法在消费级硬件上运行：一张 5090 只有 32GB 显存；要以合理速度部署单个实例，你需要一台价值 $75,000 的多 GPU 服务器。开放权重真正的好处是服务商竞争：由于任何人都可以托管 GLM-5.2，你可以在不同服务商之间比较价格和速度。这种竞争有益于市场，我们也很高兴它的存在。
• 能力仍然决定着前沿门槛。GLM-5.2 不具备视觉能力，无法接收截图，因此也就无法驱动让 5.6 如此高效的计算机操作和视觉反馈循环。真正的智能体工作还意味着并行运行 1 到 40 个智能体，而本地硬件根本无法做到这一点。楔形地带正在追赶的是单次编程能力，而不是端到端智能体编排。

结论是：如果你的工作负载能在开放模型上顺利运行，迁移过去通常是明智且省钱的选择。Smart AIPI 的理念是，你不应该为自己不需要的能力多付钱。但对于最困难的长周期、多智能体、视觉闭环工作而言，gpt-5.6-sol 和 gpt-5.6-terra 仍是楔形地带正在追赶的前沿，而 Smart AIPI 是运行它们最便宜的平台。

如何使用 GPT-5.6-sol 和 GPT-5.6-terra

Chat Completions API

curl https://api.smartaipi.com/v1/chat/completions \
  -H "Authorization: Bearer YOUR_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "model": "gpt-5.6-terra",
    "messages": [{"role": "user", "content": "Refactor this module and add tests"}]
  }'

启用最大推理强度的 Responses API

curl https://api.smartaipi.com/v1/responses \
  -H "Authorization: Bearer YOUR_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "model": "gpt-5.6-sol",
    "input": "Audit this repo for security issues and open PRs to fix them",
    "reasoning": {"effort": "high", "summary": "auto"}
  }'

Codex CLI、Cursor、Cline、Roo Code、OpenCode、Aider

OPENAI_BASE_URL=https://api.smartaipi.com/v1
OPENAI_API_KEY=sk-your-smart-aipi-key
OPENAI_MODEL=gpt-5.6-terra

推理强度支持 low、medium、high 和 xhigh（max）。对于智能体和长周期工作，也就是 5.6 优势最明显的任务，请使用 high 或 max。

开始使用

1. 在 smartaipi.com/signup 注册（提供免费额度，无需信用卡）
2. 在控制面板中创建 API 密钥
3. 将基础 URL 设置为 https://api.smartaipi.com/v1
4. 使用模型 gpt-5.6-terra（推荐）或 gpt-5.6-sol（旗舰）

生产环境中最困难编程基准测试的 #1 和 #3 模型，价格低 75%。相同的 API、相同的 OpenAI 兼容格式、相同的工具。