在 Tabbit 中使用 GPT-5.6 Luna
在 Tabbit 中使用 GPT-5.6 Luna
精选提示词
The builder’s guide to GPT-5.6：Luna 的模型选择、代理编排与缓存
OpenAI 的官方构建者指南不提供一段“万能提示词”，而是建议通过模型路由、推理努力等级、保留 reasoning、原生压缩、多智能体、程序化工具调用和 Prompt Caching 共同设计工作流。对 Luna 的核心建议是：把它放在高频、低延迟、重复步骤和抽取类任务中；复杂判断可用更高能力的模型。
Get started with OpenAI GPT-5.6 on Amazon Bedrock：推理、工具调用与缓存
AWS 文章把 Luna 定位为高吞吐、低延迟的分类、摘要和路由模型，并通过 Responses API 示例说明如何设置 reasoning effort、调用工具、把模型输出完整带回下一轮，以及使用 prompt cache key 和 cache breakpoint 缓存稳定前缀。
GPT-5.6 Luna API 模型参数与成本配置
官方模型页确认 Luna 的当前 API ID、价格、推理档位、工具面和速率限制，可直接作为高吞吐路由的配置基线，但 272K 以上的单次请求会触发整单加价。
GPT-5.6 Prompting Guide：Luna 的工作契约与模型路由
这篇面向营销、写作和开发工作流的长文把“提示词技巧”改写为工作契约：定义 Goal、Context、Output、Boundaries 和 Completion check，再依据任务风险选择 Luna、Terra 或 Sol。它建议把 Luna 用于抽取、分类、转换和高频任务，用更高能力模型承担复杂判断，并强调“reasoning effort 是计算预算，不是真实性开关”。
Reddit Codex：Luna 子代理与 Sol 审查的多模型路由配置
这不是官方配置，而是 Codex 用户分享的个人路由方案：把 Luna 用于普通实现、头脑风暴和子代理，把 Sol high 用于计划审查和最终判断，把快速模型用于测试执行。它把“便宜模型做高频工作、强模型做质量闸门”落成可执行配置。
GPT-5.6 Luna 低风险首轮与升级路由工作流
把 Luna 放在摘要、标签、轻量 review precheck 和脚手架等低风险首轮，并把失败或复杂任务升级给 Terra/Sol，是 CodeRabbit 对三档编码 Agent 的可复用路由建议。
测评与真实反馈
GPT-5.6 Luna Benchmarks & Pricing（公开基准与定价）
BenchLM 将 GPT-5.6 Luna 评为 67.3/100，在 218 个模型中排名第 23。它的公开证据最强项是 Coding：73.0 分、6/135；Agentic 为 43/130。页面同时列出 $0.20/百万输入 token、$1.20/百万输出 token、缓存输入 $0.020/百万 token。BenchLM 特别提醒：速度尚未独立测量，部分类别没有足够的公开证据，排名不应脱离证据覆盖率理解。
GPT-5.6 Luna is really underrated：Codex 用户体验
发帖者认为，GPT-5.6 Luna 在 medium thinking 下接近 GPT-5.4 mini 的速度和能力，在 high effort 下可以接近 GPT-5.5 medium。评论区有用户把 Luna Max 设为默认模型，也有人认为 Luna 的质量和价格优势明显，但对速度、上下文和任务完成可靠性的评价并不一致。
Thoughts after using GPT-5.6 Luna for 48 hours
这篇 48 小时体验与 Codex 社区的积极评价形成对照：作者在 Hermes agent 的个人助理场景使用 GPT-5.6 Luna high，认为它“聪明但慢”、会反复迭代、消耗额度较快、偶尔漏掉明确指令，并且在凭据和验证码场景中更保守。作者的结论是：它更适合较大的编码项目，不适合作为轻量个人助理的默认模型。
GPT-5.6 Luna Max vs. Sol Medium：X 用户成本实测
X 的 Google 索引摘要显示，作者比较了 GPT-5.6 Luna Max 与 Sol Medium，并称 Luna 使用了更多 token，但平均每个 session 成本约 $1.20，而 Sol 约 $29。该结果适合用作“单次任务成本可能远低于旗舰模型”的社区实测线索，不能替代完整实验报告。
GPT-5.6 Luna Semgrep IDOR 安全基准与每真阳性成本
Semgrep 的安全测评认为 Luna 在每个真阳性成本上约比更重模型低 6 倍、F1 仅有边际牺牲，但 precision/recall 与 harness 强相关，不能把裸模型分数直接当生产防护能力。
OpenAI
在 Tabbit 中使用 GPT-5.6 Luna
整理 GPT-5.6 Luna 的模型路由、提示词工作契约、成本基准与代码场景反馈，适合高频和易验证任务选型。