gpt-5.6
راهنمای GPT-5.6 (۲۰۲۶): سطوح سول، ترا و لونا، قابلیتهای کدنویسی و روشهای دسترسی
MidassAI Team · ۲۶ تیر ۱۴۰۵ · 9 min read
Keywords: gpt-5.6 فارسی, مدلهای سول ترا لونا, دسترسی به gpt-5.6 ایران
Published: ۲۶ تیر ۱۴۰۵ Author: MidassAI Team
GPT-5.6 در اواسط ۲۰۲۶: بیش از یک نسخهبندی ساده
خانواده GPT-5.6 اوپنآی حدود دو ماه پس از GPT-5.5 منتشر شد و رویکرد محصولی واضحتری ارائه داد: سطوح سول / ترا / لونا که بهطور مستقیم به قابلیتها و قیمتگذاری مربوط میشوند، عاملهای کدنویسی قویتر، پنجره زمینه بسیار گستردهتر و مدیریت زیرعاملهای اولترا برای وظایفی که قبلاً نیازمند برنامهریزی سفارشی بودند.
پیشنمایشهای اولیه با همکاران نشان داد که GPT-5.6 سول اولترا در آزمون عمومی معتبر Terminal-Bench 2.1 بالاترین نمره را در میان مدلهای مشابه (از جمله Claude و Gemini) کسب کرده است — نشانهای از تشدید دوباره رقابت در حوزه عاملهای کدنویسی. برای توسعهدهندگان، نکته عملی کلیدی قیمتگذاری است: نرخ API سول همان GPT-5.5 است (۵ دلار ورودی / ۳۰ دلار خروجی به ازای هر میلیون توکن در گزارشهای اولیه)، در حالی که ترا و لونا برای بارهای کاری حجمی قیمت پایینتری ارائه میدهند.
خلاصه سریع
- توسعهدهندگان: از سول برای کدنویسی پیچیده و عاملها استفاده کنید؛ از ترا/لونا برای خطوط تولید حساس به هزینه.
- تیمها: اگر طول زمینه و پایداری عاملها برای شما مهم است، معماریهای مبتنی صرفاً بر Claude را دوباره ارزیابی کنید.
- کاربران عادی: از ChatGPT رسمی هنگامی که در دسترس باشد استفاده کنید؛ از MidassAI هنگامی که نیاز به چت سطح GPT در محیطی گستردهتر خلاقی دارید.
- امنیت: پیشنمایشهای محدود و وبسایتهای «آینهای» را با احتیاط بررسی کنید — ترجیحاً از ارائهدهندگان رسمی یا شفاف استفاده نمایید.
سول، ترا، لونا: تفاوت سطوح
اوپنآی شماره نسخهها (مثل GPT-5.6، GPT-5.7…) را از سطوح ثابت (سول، ترا، لونا) جدا کرده است؛ این سطوح میتوانند بهصورت مستقل و با سرعت خودشان بهروزرسانی شوند — مثلاً سول ۲، ترا ۲ و غیره — بدون اینکه کاربران هر ماه مجبور به یادگیری مجدد کل ساختار شوند.
| Tier | Role | API price (per 1M tokens, reported) | Terminal-Bench 2.1 (reported) | Typical use |
|---|---|---|---|---|
| GPT-5.6 Sol Ultra | Flagship + sub-agents | Not split separately | 91.9% | Cross-repo coding, security research, long agents |
| GPT-5.6 Sol | Max reasoning flagship | $5 in / $30 out | 88.8% | Hard coding, deep reasoning, science |
| GPT-5.6 Terra | GPT-5.5-class at ~half price | $2.50 in / $15 out | 82.5% | Support bots, internal tools, doc analysis |
| GPT-5.6 Luna | Lowest-cost tier | $1 in / $6 out | 84.3% | Summaries, drafts, batch automation |
ترا نقطه طلایی برای تیمهایی است که میخواهند کیفیت مدل پیشین را با نیمی از هزینه بهدست آورند. لونا قیمت را برای خودکارسازی با حجم بالا به حداقل میرساند.
مقایسه سریع GPT-5.6 و GPT-5.5
| بعد | GPT-5.5 (گزارششده) | GPT-5.6 سول | GPT-5.6 ترا | GPT-5.6 لونا |
|---|---|---|---|---|
| زمینه | حدود ۴۰۰ هزار | حدود ۱٫۵ میلیون (نشانههای اولیه) | حدود ۴۰۰ هزار | حدود ۴۰۰ هزار |
| Terminal-Bench 2.1 | ۸۸٫۰٪ | ۸۸٫۸٪ / اولترا ۹۱٫۹٪ | ۸۲٫۵٪ | ۸۴٫۳٪ |
| حالتهای استدلال | استاندارد / تفکر | حداکثر + زیرعاملهای اولترا | استاندارد | استاندارد |
| ذخیرهسازی پrompt | ضمنی | شکستهای صریح، حداقل ۳۰ دقیقه | همان سول | همان سول |
| API ورودی/خروجی (هر میلیون) | ۵ / ۳۰ دلار | ۵ / ۳۰ دلار | ۲٫۵۰ / ۱۵ دلار | ۱ / ۶ دلار |
| قطع دانش | حدود فوریه ۲۰۲۶ | حدود می ۲۰۲۶ | حدود می ۲۰۲۶ | حدود می ۲۰۲۶ |
دو پیشرفت اصلی برای استفاده تولیدی، پنجره زمینه ۱٫۵ میلیونی (پروژههای کامل یا مجموعههای تحقیقاتی در یک مرحله) و الگوی «عاملِ عاملها» در اولترا برای کارهای مهندسی چندمرحلهای است.
چهار بهبود مهندسی ارزشمند
۱. عاملهای کدنویسی در Terminal-Bench
نمره گزارششده ۹۱٫۹٪ سول اولترا در Terminal-Bench 2.1 اهمیت دارد، چرا که این آزمون تکمیل وظایف عاملی در محیط CLI را اندازهگیری میکند، نه کدنویسی تکگامه در چت. رویکرد اوپنآی بر سیگنالهای پاداش شفافتر، جداسازی دقیقتر هویتهای عاملی در زنجیرههای طولانی و دادههای SFT کمآلودهتر تأکید دارد — که منجر به کاهش شکستهایی مانند «هوشمند به نظر میرسد اما در گام دوازده منحرف میشود» میشود.
۲. پنجره زمینه حدود ۱٫۵ میلیون توکن
ردپای اولیه و لاگهای همکاران نشان میدهد زمینه قابل استفاده بین ۱٫۴ تا ۱٫۵ میلیون توکن است — تقریباً ۳٫۷ برابر پنجره عملی GPT-5.5. این امکانات را فراهم میکند:
- بررسی کامل کدهای متوسطاندازه در یک مرحله
- پردازش مجموعههای گسترده حقوقی یا تحقیقاتی بدون تقسیم اجباری
- ذخیرهسازی طولانی جلسات همراه با استنادات در یک رشته گفتگو
همیشه محدودیتهای دقیق را در مستندات پلتفرم اوپنآی برای سطح حساب خود بررسی کنید — اعداد پیشنمایشی قابل تغییر هستند.
۳. اولترا: زیرعاملها بهجای یک رشته واحد
ماکس محاسبات بیشتری را در داخل یک عامل تخصیص میدهد. اولترا برای اهداف فرعی موازی، چندین زیرعامل را راهاندازی میکند — نزدیکتر به دستور «بازنویسی ۵۰ فایل، اجرای تستها، بهروزرسانی مستندات» بدون نیاز به تنظیم دستی.
اولترا قدرتمند اما پرهزینه است (اغلب چند برابر مصرف توکن ماکس). آن را فقط برای وظایفی که واقعاً نیازمند کاوش موازی هستند، اختصاص دهید.
۴. ذخیرهسازی پrompt قابل پیشبینی
GPT-5.6 شکستهای صریح ذخیرهسازی، حداقل عمر ذخیرهسازی ۳۰ دقیقه و اقتصاد آشنا ۱٫۲۵× نوشتن / ۰٫۱× خواندن را اضافه کرده است. برای رباتهای RAG و بررسی کد با پیشوندهای سیستمی ثابت، این میتواند هزینهها را بهطور قابل توجهی کاهش دهد — اگر پرمپتها برای حداکثر بازیابی از ذخیره طراحی شده باشند.
اشتراکهای ChatGPT (نقشهبرداری انتظاری)
دسترسی کامل به GPT-5.6 در ChatGPT در قالب پیشنمایشهای مرحلهای قبل از انتشار عمومی انجام شد. خود طرحها بدون تغییر باقی ماندند؛ دسترسی به مدلها با گسترش انتشار اوپنآی افزایش مییابد:
| طرح | دسترسی تقریبی (در زمان انتشار عمومی) |
|---|---|
| رایگان | لونا (محدود) |
| پلاس (~۲۰ دلار/ماه) | ترا + لونا؛ سول با سقف محدود |
| پرو (~۱۰۰ دلار/ماه) | دسترسی به سول/ترا/لونا با محدودیتهای بالاتر؛ اولویت اولترا |
در chat.openai.com روی گزینه انتخاب مدل درونبرنامهای کلیک کنید — نامها و سهمیهها با هر انتشار تغییر میکنند.
مقایسه سطحی GPT-5.6 با Claude و Gemini
| Dimension | GPT-5.6 Sol | Claude flagship (reported) | Gemini 3.1 Pro (reported) |
|---|---|---|---|
| Input $/1M | $5 | ~$10 | ~$3.50 |
| Output $/1M | $30 | ~$50 | ~$10.50 |
| Context | ~1.5M | ~200K | ~1M |
| Terminal-Bench 2.1 | 88.8% / Ultra 91.9% | ~83–88% | ~78% |
| Agent story | Ultra sub-agents | Deep tool + IDE integrations | Experimental agents |