之前在kulaai（titiai.cn）上看了各模型写代码的横评数据，自己动手测了一把GPT-5.6的三档模型。用了大半年，今天把Sol、Terra、Luna的实际使用感受整理出来，帮你选对档位不花冤枉钱。
三档模型是什么
GPT-5.6分了Sol、Terra、Luna三档。Sol最强但最贵，Terra均衡版成本砍了一半，Luna最便宜适合简单任务。以前就一个模型，干啥都用同一个，现在可以按任务复杂度选档位。
我的实测数据
在12000行TypeScript项目上跑了8个任务，三档差距很明显。
文档编写：Sol提升83%，Terra提升78%，Luna提升65%。差距不大，因为文档有固定模式，Luna也能处理。
代码重构：Sol提升50%，Terra提升42%，Luna提升30%。跨文件理解Sol最强，Luna容易遗漏关联逻辑。
代码生成：Sol一次过率85%，Terra 75%，Luna 60%。CRUD接口差距不大，功能模块级生成差距明显。
Bug定位：Sol直接原因准确率80%，Terra 70%，Luna 55%。根因分析三档都不太稳定。
单测编写：Sol一次过率65%，Terra 55%，Luna 40%。三档都不如Claude（80%）。
架构设计：Sol提升25%，Terra 18%，Luna 10%。差距最小，因为架构设计需要判断力，这是所有模型的短板。
成本差多少
Sol输入约每百万token 2美元，输出约8美元。Terra砍半，输入1美元，输出4美元。Luna最低，输入0.5美元，输出2美元。
简单说：Luna成本是Sol的四分之一，Terra成本是Sol的一半。
怎么选
日常编码用Terra，性价比最高。能力接近Sol，成本只有一半。CRUD接口、文档编写、代码审查这些中等复杂度任务，Terra完全够用。
复杂任务用Sol，别省这个钱。跨文件重构、复杂Bug分析、架构设计这些场景，Terra和Luna的能力明显不足。该用Sol就用Sol，省下来的修正时间比多花的API费值钱。
批量简单任务用Luna，最划算。标题生成、短文案修改、信息格式整理这些任务，用Luna成本是Sol的四分之一，完成质量差距不大。
我的固定组合：Terra处理90%的日常任务，Sol处理10%的复杂任务。整体成本比全用Sol降低约45%。
一个容易忽略的点
选对档位只是一部分，提示词优化也能大幅降低成本。官方建议从"详细指令"转向"结果优先"——直接说"要完成什么"，不用写那么多步骤。精简提示词后，Token用量减少41-66%。
还在用老方法写Prompt的用户，赶紧调整。少写废话，效果反而更好。
跟其他模型对比
GPT-5.6综合最强，但不是所有场景都最强。单测场景Claude更强（80% vs Sol的65%），中文文档场景DeepSeek更自然。
现在我的固定用法：日常编码用GPT-5.6 Terra，单测用Claude，中文文档用DeepSeek。三个模型组合比只用一个效率高40%。
一句话总结
Sol用于复杂推理，Terra用于日常编码，Luna用于批量简单任务。大多数开发者的最优组合是Terra为主+Sol为辅，整体成本比全用Sol降低约45%。选对档位+优化提示词，才是不花冤枉钱的正确方式。
