GPT-5.6 三模型上線 DigitalOcean
DigitalOcean 把 OpenAI GPT-5.6 的 Sol、Terra、Luna 接入 Serverless Inference，開發者可在同一雲後端按任務切換模型與推理強度。
開發者在同一套雲後端裡調用大模型時，常要在性能、價格和部署複雜度之間做取捨。這次 DigitalOcean 把 OpenAI 的 GPT-5.6 三個模型接進無伺服器推理服務，讓選型更像調參，而不是重搭一套 API。
GPT-5.6 Sol、Terra、Luna 已在 DigitalOcean Serverless Inference 上線。
| 項目 | 數值 |
|---|---|
| 上線模型 | Sol、Terra、Luna |
| Sol 定價 | 輸入 $5 / 100萬 Token，輸出 $30 / 100萬 Token |
| Terra 定價 | 輸入 $2.50 / 100萬 Token，輸出 $15 / 100萬 Token |
| Luna 定價 | 輸入 $1 / 100萬 Token，輸出 $6 / 100萬 Token |
| 發布時間 | 2026-07-13 |
發生了什麼
訂閱 AI 趨勢週報
每週精選模型發布、工具應用與深度分析，直送信箱。不定期，不騷擾。
不會寄垃圾信，隨時可取消。
這次更新把 GPT-5.6 的三檔模型直接放進 DigitalOcean Serverless Inference。Sol 面向高強度推理，Terra 適合日常生產負載，Luna 則主打更快速度和更低成本。平台也同步提供 Max Reasoning 與 Ultra 兩種推理模式，用來處理更長鏈路、更多步驟的任務。
對已經把應用、資料庫和後端服務放在 DigitalOcean 的團隊來說，這不是單純多一個模型選項。推理請求可以直接嵌進現有工作流，少掉額外維運與額外雲帳號切換。若團隊要做客服、內容生成、程式輔助或資料摘要，三個模型可以按任務分流。
文章列出的定位也很清楚，三個模型不是同一個價格帶上的重複品，而是不同成本和能力的組合。Sol 偏向複雜推理，Terra 走平衡路線，Luna 則適合大量、低延遲請求。這讓開發者能先選任務，再選模型，而不是反過來。
- Sol 在 Terminal-Bench 2.1 上表現靠前，壓過 GPT 5.5、Claude Mythos 5、Fable5 和 Opus 4.8。
- 在 ExploitBench 2 上，Sol 只用約三分之一輸出 Token，就能接近 Mythos Preview 的結果。
- 在 ExploitGym 中，Sol、Terra、Luna 隨推理強度提升，網路安全能力都有增長。
- 三款模型都按 100 萬 Token 計費，雲端價格與 OpenAI 一致。
為什麼重要
對開發者來說，變化不只是多了幾個 model name，而是多了一個更容易工程化的入口。無伺服器推理把硬體維運、容量規劃和閒置成本抽掉，對流量波動大的產品特別有用。這類架構也更適合把 AI 功能做成按量計費的服務。
對中小團隊而言，重點在於統一接入和降低切換成本。若同一個雲平台就能在 GPT-5.6、其他商用模型與不同推理強度之間切換，工程團隊就少了重寫接入層的工作。這也讓產品可以先上線，再依成本和效果微調模型配置。
從產業角度看，雲廠商內建推理服務正在改變採購順序。過去常是先決定模型，再圍繞模型建系統；現在更像是先把推理能力納入雲栈，再按任務、延遲和價格動態選型。這對需要快速迭代的 SaaS、內部工具和 AI agent 專案都很直接。
問題也因此變得更具體：當模型可以在雲平台內即時切換，團隊還會把「選哪個模型」當成一次性決策嗎？