GPT-5.6 Luna (Global)

GPT-5.6 Luna (Global) 属于 gpt-luna 系列，2026-07-09 发布，经 Amazon Bedrock 提供调用，目前只在一家平台上架。它要解决的是长材料处理与工具编排之间的矛盾：上下文窗口达 1.05M tokens，单次最多输出 128K tokens，可以一次性容纳长文档、跨文件代码库或多轮对话历史，再通过推理、工具调用和结构化输出给出可用结果。输入支持文本与图像附件，输出仅为文本，所以图像更适合作为上下文信息并入以文本为主的流程。知识截止到 2026-02-16，之后的时效性问题需要外部检索补齐。本站未收录该模型的公开跑分，横向能力缺少可比的量化依据，实际选型建议以自建评测为准。定价处于家族低价档：输入 0.2 美元、输出 1.2 美元每百万 tokens，缓存读 0.02 美元每百万 tokens，适合调用频次高、提示词复用率高的业务。

选型建议需要百万级上下文、图像输入且预算敏感的文本任务可优先考虑；若要求开源权重、本地部署或更低单价，则应转向 GPT-6 Luna 或自托管方案。

• 将上百页合同或财报一次性输入，抽取条款并输出结构化字段
• 在 Agent 流程中编排多轮工具调用，维持长上下文任务记忆
• 接收截图或扫描件图像，结合文本指令生成说明性内容
• 对整库代码做跨文件审阅，输出重构建议与变更清单
• 批量清洗与归类工单、评论等非结构化文本

沿用 gpt-luna 家族的闭源技术路线，官方未披露参数规模与训练细节，可确认的是超长上下文、多模态输入与工具调用能力。

• 结构继承 gpt-luna 家族的稠密解码器思路，权重不开源，层数、参数量等细节未公开，公开资料较少。
• 能力原生支持推理、工具调用与结构化输出，可接收文本与图像附件，输出仅文本，便于接入既有 API 流水线。
• 披露上下文 1.05M tokens、单次最大输出 128K tokens、知识截止 2026-02-16，训练数据与对齐方式未在事实范围内说明。

开源权重

否

模型家族

gpt-luna

长上下文承载与输出长度是该模型最明确的可确认优势，量化跑分缺席是评估时最大的不确定项。

• 强项百万级上下文配合 12.8 万 tokens 单次输出，长文档、长代码库与多轮工具链不易被截断，减少分段带来的信息丢失。
• 短板本站未收录公开跑分，推理与图像理解的实际水平缺少可比数值；涉及强时效的问题也需外接检索，而非依赖模型记忆。
• 适合以文本产出为主、需要一次性读入大量材料并调用外部工具的分析、审阅与批处理任务，而非纯图像生成场景。

定价处在 gpt-luna 家族的低价档，区域版本之间存在小幅价差，缓存机制是主要的成本杠杆。

• 定位输入 0.2 美元、输出 1.2 美元每百万 tokens，在家族内属偏低档位，适合调用量大、单次提示较长的业务。
• 横向对比比 India、US 两个区域版便宜约 10%，但输入价约为 GPT-6 Luna 的两倍；与 GPT-5.6 Sol 相比则低一个数量级。
• 平台差价models.dev 与 models.dev·amazon-bedrock 报价完全一致，Global 区域相对输入价为 0.0%，没有额外区域溢价。
• 省钱缓存读为 0.02 美元每百万 tokens，仅为输入价的十分之一，固定系统提示与重复长材料走缓存可显著摊薄成本。

同一个模型在不同网关的报价可能不同。本页基准取官方口径 $0.2/M / $1.2/M（输入 / 输出，美元 / 百万 tokens），其余来源的差价在「相对输入价」列列出，供比价参考。

取上下文相近（约 0.5~2 倍）的同类主流模型；同厂商、同家族优先；价格差为相对本模型的输入价

• 口径跑分一栏为空，价格与上下文均取自平台标价；区域版本价格存在约 10% 差异，横向比价需先对齐区域与计费方式。
• 边界权重闭源、输出仅文本、目前只在一家平台上架，无法本地化部署，供应商锁定与数据合规的迁移成本需自行评估。

本页资料由多个公开来源交叉整理：按「官方目录 → 通用网关 → 开源仓库 → 中文资料」的优先级合并， 冲突时取优先级高的来源。价格单位是美元 / 百万 tokens，为各平台对 API 调用的报价，不含自部署成本。 资料由公开来源整理，不代表 AiTest 已对该模型或其收录中转站做过真实性、稳定性或安全检测。

本页的模型介绍、架构、性能与性价比解读为 AI 综合公开信息整理，部分未经本站逐项核实；规格、价格与跑分以本页数据字段为准。