GPT-5.6 和 Claude Sonnet 5 把 Coding Agent 的选型变得更难了。GPT-5.6 分成 Sol、Terra、Luna 三档，并允许开发者调节推理强度；Sonnet 5 在 2026 年 8 月 31 日前提供优惠价，单个 Token 看起来明显便宜。
API 账单很少按价目表线性增长。Agent 会反复读取仓库、调用终端、修复测试、压缩上下文并重试。模型每次输出多少 Token、需要多少轮工具调用、最终能否交付可验证修改，都会改写单个任务的成本。
GPT-5.6 与 Claude Sonnet 5 的价格和任务成本差多少？
以下数据采用厂商公开 API 价格，并使用 Artificial Analysis 在最大推理强度下的 Intelligence Index 和每任务成本。每任务成本包含评测工作负载中的实际 Token 使用，能补充单纯价目表看不到的信息。
| 模型 | 输入 / 输出价格（每百万 Token） | AA Intelligence Index | AA 每任务成本 | 定位 |
|---|---|---|---|---|
| GPT-5.6 Sol | $5 / $30 | 59 | $1.04 | 高难度、长流程任务 |
| GPT-5.6 Terra | $2.5 / $15 | 55 | $0.55 | 中档通用任务 |
| GPT-5.6 Luna | $1 / $6 | 51 | $0.21 | 高频、成本敏感任务 |
| Claude Sonnet 5 | 优惠期 $2 / $10；之后 $3 / $15 | 53 | $2.29，按标准价测算 | Claude Code 与通用 Agent 工作流 |
Sonnet 5 的输出标价在优惠期只有 Sol 的三分之一。Artificial Analysis 的测试也发现，Sonnet 5 在最大推理强度下比 Sonnet 4.6 多使用约 40% 输出 Token，在知识工作评测中需要约三倍 Agent 轮次。标准价下，它的 Intelligence Index 每任务成本为 $2.29，比 Opus 4.8 高约 15%。单价优势被更长输出和更多轮次吃掉了一部分。
GPT-5.6 Sol 的输出价最高，但在同一独立评测中每个 Intelligence Index 任务花费 $1.04。Terra 和 Luna 分别降到 $0.55 和 $0.21。Artificial Analysis 还发现，Luna 与 Sol 在各自推理档位上形成了更好的成本—能力边界，Terra 的多个档位会被两者覆盖。
这些数字来自统一评测，不代表每个代码仓库都会复现相同比例。优惠价格、缓存命中、输入长度、工具费用和失败重试都可能改变排序。
Coding Agent 评测需要对齐模型与执行框架
OpenAI 公布的 Artificial Analysis Coding Agent Index 结果中，Sol、Terra、Luna 在 Codex 执行框架下分别得到 80、77、75。该指数结合 DeepSWE、Terminal-Bench 和 SWE-Atlas-QnA，覆盖代码修改、终端操作和代码库问答。
Sonnet 5 的独立评测显示，它相较 Sonnet 4.6 在 Terminal-Bench v2.1 提升 9 分，在 SciCode 提升 7 分；在 AA-Briefcase 和 GDPval-AA 等知识工作任务上可以接近或超过 Opus 4.8。Anthropic 也强调它在 Claude Code 中能够持续执行多步骤修改并主动验证结果。
两组结果不能直接拼成一张绝对排行榜。Coding Agent 的成绩依赖模型、推理强度、执行框架、工具权限、上下文压缩方式和测试预算。把 Codex 中的 GPT-5.6 成绩与 Claude Code 中的 Sonnet 成绩硬做横向排名，会把框架差异算到模型头上。
如何计算一次成功代码任务的完整成本？
团队可以用下面的口径替代“输入价加输出价”：
每个成功任务的总成本 =
（输入 Token + 缓存写入 + 缓存读取 + 输出 Token
+ 工具与沙箱费用 + 失败重试 + 人工复核时间）
÷ 最终通过验收的任务数其中有四个指标最容易漏掉。
- 成功率：模型完成了修改，但测试没过或需求理解错，账单仍然产生。
- 人工介入次数：每次重新解释上下文、纠正计划和批准命令都在消耗工程时间。
- 端到端时长：输出速度快，不等于整个 Agent 工作流结束得快；长时间思考和多轮工具调用可能占据主要等待时间。
- 改动后的返工量：能够生成大量代码的模型，未必能减少审查和回滚。应记录最终保留的代码比例。
OpenAI 从 GPT-5.6 开始对缓存写入按普通输入价的 1.25 倍收费，缓存读取继续享受 90% 折扣。Anthropic 同样区分缓存写入与命中价格。长代码库频繁复用上下文时，缓存策略会直接改变模型账单。
GPT-5.6 Sol 面向高失败代价的复杂任务
GPT-5.6 Sol 适合失败代价高、需要持续推理和工具协同的任务，例如跨模块重构、生产事故定位、复杂迁移、长流程代码审查，以及需要同时交付代码、测试和文档的工作。
独立评测给出的优势集中在高推理强度、Coding Agent Index 和较低的任务级 Token 使用。团队愿意为较高单价换取更少的重试和更完整的交付时，Sol 的总账单可能低于标价较便宜的模型。
Sol 也需要设置预算上限。低难度批量任务全部使用最高推理强度，会让能力冗余转化成额外费用和等待时间。
GPT-5.6 Luna 与 Terra 如何分工？
GPT-5.6 Luna 适合高频、可自动验收的任务，包括补测试、修复格式与类型错误、更新依赖、生成迁移脚本、批量处理小型工单。它在 Artificial Analysis 的最大推理档位达到 51 分，接近 Sonnet 5 的 53 分，每任务成本却只有 $0.21。
GPT-5.6 Terra 位于中间档。独立评测认为它没有稳定占据成本—能力前沿，因为 Luna 提高推理强度或 Sol 降低推理强度，可能以相近成本提供更高能力。Terra 仍可以作为运营上的统一默认档：团队只想维护一种中档配置、任务难度波动较小，或者产品套餐已经默认提供 Terra 时，减少路由复杂度也有价值。
Claude Sonnet 5 延续 Claude Code 既有工作流
Claude Sonnet 5 对已经围绕 Claude Code 建立权限、Hooks、项目约定和审查流程的团队更有吸引力。迁移执行框架本身会产生工程成本，已有工作流的稳定性有时比一次榜单领先更值钱。
Sonnet 5 的优惠期价格为每百万输入 Token $2、输出 Token $10，适合在 8 月 31 日前完成真实仓库压测。测试时需要单独记录输出量和 Agent 轮次，避免把便宜单价当成便宜任务。优惠结束后恢复 $3 / $15，预算模型也要同步切换到标准价。
它还适合依赖 Claude Code 行为特征的棕地工程：长时间浏览旧仓库、遵循项目约定、在修改后主动补测试和验证。此类优势主要来自 Anthropic 与早期客户报告，采购前仍应使用内部任务集复核。
用 20 个真实任务完成内部选型
一个可执行的内部评测可以从 20 个历史任务开始，分成五组：
- 四个明确的小修复，检查低成本模型的稳定性。
- 四个跨文件缺陷，检查定位、修改和回归测试。
- 四个旧代码重构任务，检查项目约定和改动范围控制。
- 四个终端或浏览器工具任务，检查权限使用和失败恢复。
- 四个长流程交付任务，要求同时提交代码、测试、文档和验证记录。
所有模型应使用相同仓库快照、相同工具权限、相同验收测试和明确的时间上限。推理强度需要记录，不能把 Sol 的 max 与 Sonnet 的 low 混为一组。每个任务收集成功率、总 Token、缓存费用、工具轮次、墙钟时间、人工介入和最终保留代码比例。
测试结果通常会导向分层路由。Luna 承接便宜且可自动验收的任务，Sol 处理高风险和高复杂度任务；Claude Code 已深度接入的团队可以让 Sonnet 5 保留主力位置，再用同一批任务判断是否值得分流。模型选型由仓库里的失败率、返工量和总账单决定，公开榜单负责提供候选名单。
REFERENCES
参考链接
- 01GPT-5.6: Frontier intelligence that scales with your ambition | OpenAI
- 02Introducing Claude Sonnet 5 | Anthropic
- 03GPT-5.6 benchmarks across Intelligence, Speed and Cost | Artificial Analysis
- 04How GPT-5.6 Sol, Terra, Luna compare on intelligence vs cost | Artificial Analysis
- 05Claude Sonnet 5: strong agentic performance at a higher cost per task | Artificial Analysis