GPT-5.6 vs GPT-5.6 Terra
Lequel, quand — verdict de synthèse, pas un tableau de benchmarks
Terra est GPT-5.6 à moitié prix ($2.5/$15 contre $5/$30) sur le même contexte 1.05M. Si votre trafic n'a pas besoin du plafond du modèle complet, Terra est la même famille avec la même fenêtre à la moitié de la dépense — la définition d'une décision de bon dimensionnement.
Tarification
| GPT-5.6 | GPT-5.6 Terra | Δ | |
|---|---|---|---|
| Entrée / 1M tokens | $5 | $2.5 | 2× |
| Sortie / 1M tokens | $30 | $15 | 2× |
| Lecture en cache / 1M tokens | $0.5 | $0.25 | 2× |
| Écriture cache | aucun frais supplémentaire | aucun frais supplémentaire | — |
Tarifs issus du catalogue en direct au moment de la compilation ; chaque page de modèle présente la fiche actuelle.
Où ils se situent — prix en entrée pour 1M de tokens sur l'ensemble des 63 modèles chat pour cette unité de facturation (échelle logarithmique)
Capacités
| GPT-5.6 | GPT-5.6 Terra | |
|---|---|---|
| Utilisation d'outils | oui | oui |
| Contrôle de la réflexion | configurable | configurable |
| Sortie structurée | oui | oui |
| Mise en cache du prompt | implicite (automatique) | implicite (automatique) |
| Durée de vie du cache | 5–10m, up to 1h | 5–10m, up to 1h |
| Préfixe minimum mis en cache | 1024 jetons | 1024 jetons |
Spécifications
| GPT-5.6 | GPT-5.6 Terra | |
|---|---|---|
| Modalités d'entrée | texte image | texte image |
| Modalités de sortie | texte | texte |
| Sortie | 2026-07-09 | 2026-07-09 |
| Limite de connaissances | 2026-02 | 2026-02 |
| Fenêtre de contexte | 1.1M | 1.1M |
| Sortie maximale | 128K | 128K |
| Paramètre de réflexion | reasoning.effort | reasoning.effort |
| Valeurs acceptées | reasoning.effort
| reasoning.effort
|
| Par défaut | medium | medium |
Les spécifications sont transcrites à partir de la documentation de chaque fournisseur ; une ligne qu'un fournisseur ne publie pas est omise plutôt que déduite. Sources complètes : GPT-5.6 · GPT-5.6 Terra
Un prompt, deux modèles — mesurés via la passerelle
GPT-5.6 réussi · 3 sentences
Enabling reasoning makes the model generate many additional internal tokens before producing an answer, so each request consumes substantially more compute. Those reasoning tokens are billed even though they are not visible to users, and longer processing can also increase tool calls, retries, and output length. The bill doubled because our cost per request rose, not necessarily because usage volume increased; we can control it by limiting reasoning effort and routing simpler tasks to cheaper models.
sortie 126 tok (+30 réflexion) latence 3.0 s
GPT-5.6 Terra réussi · 3 sentences
Enabling reasoning makes the model generate additional internal analysis tokens and perform more computation before producing the final answer, increasing usage per request. Those extra tokens are billed like other model output or are reflected in higher-priced reasoning-model rates, so even unchanged user traffic can cost substantially more. The bill doubled because average cost per request rose, likely from longer reasoning traces, more complex model routing, or both.
sortie 120 tok (+31 réflexion) latence 2.4 s
Suivi de l'instruction (exactement trois phrases — comptables), adaptation à l'audience (registre CFO), et l'écart de facturation lié à la réflexion cachée que les compteurs de tokens ci-dessous révèlent.
GPT-5.6 réussi · 8/8 cases
```python def longest_run(xs): if not xs: return 0 best = cur = 1 for i in range(1, len(xs)): if xs[i] == xs[i - 1]: cur += 1 else: best = max(best, cur) cur = 1 return max(best, cur) ``` The original code counted equal *transitions* rather than items, so a run of one had length `0`, a run of three had length `2`, and tracking from zero caused the off-by-one error. The corrected version starts each run at length `1`, resets to `1` when the value changes, and performs a final `max` after the loop so a run ending at the last element is included; an empty input still returns `0`.
sortie 277 tok (+93 réflexion) latence 4.2 s
GPT-5.6 Terra réussi · 8/8 cases
```python def longest_run(xs): if not xs: return 0 best = 1 cur = 1 for i in range(1, len(xs)): if xs[i] == xs[i - 1]: cur += 1 else: cur = 1 best = max(best, cur) return best ``` The bug is that `cur` and `best` were counting adjacent *matches* rather than the number of items in a run: a run of one item has zero matching adjacent pairs, and a run of length `n` has only `n - 1` such pairs. Initializing both counters to `1` for a nonempty list and resetting `cur` to `1` when the value changes makes them represent actual run lengths. Updating `best` on every iteration also ensures a run that continues through the final element is included.
sortie 196 tok latence 2.6 s
Si le correctif est réellement juste (exécutable), la densité de l'explication, et l'efficacité en tokens sur une tâche bornée.
GPT-5.6 réussi · 5/5 fields, guidance "withheld pending the Q4 close"
{ "company": "Meridian Robotics", "quarter": "September quarter", "revenue_usd_m": 412, "growth_pct": null, "guidance": "withheld pending the Q4 close" }
sortie 179 tok (+118 réflexion) latence 3.7 s
GPT-5.6 Terra réussi · 5/5 fields, guidance "withheld pending the Q4 close"
{"company":"Meridian Robotics","quarter":"September quarter","revenue_usd_m":412,"growth_pct":null,"guidance":"withheld pending the Q4 close"}
sortie 149 tok (+103 réflexion) latence 2.3 s
Respect du schéma (aucun champ inventé), pression d'hallucination (guidance est explicitement retenue), et différences de chemin pour la sortie structurée.
GPT-5.6 réussi · 120 words, 0 banned, 1 question
Today we are introducing Prompt Cache, a new API gateway feature that stores reusable prompt prefixes and serves them across supported model providers. By recognizing identical system instructions, tools, examples, and context blocks, Prompt Cache reduces repeated input processing, lowers latency, and helps control token costs without changing application code. Teams can configure retention windows, cache keys, provider routing, encryption, and regional storage policies from one dashboard or API. What happens when a preferred provider is unavailable? The gateway can route requests to another provider while reusing eligible cached content, preserving performance and consistency. Built-in metrics report hit rates, savings, latency, and provider usage, while audit logs support governance. Prompt Cache is available today in public preview for all customers.
sortie 628 tok (+473 réflexion) latence 7.3 s
GPT-5.6 Terra réussi · 120 words, 0 banned, 1 question
Today, our API gateway introduces cross-provider prompt caching, reducing repeated token processing while preserving your existing model routing. Teams can store reusable system prompts, policy blocks, and long context prefixes once, then serve them to supported providers with consistent cache keys and observability. The feature tracks hit rates, latency savings, and estimated cost reductions in the dashboard you already use for requests. Why pay to recompute identical context on every call? Configure cache policies by route, tenant, model, or TTL, and fall back automatically when a provider lacks compatible caching. Built-in controls help protect sensitive data through encryption, regional settings, and explicit expiration. Start with a single endpoint, compare results across providers, and scale prompt reuse without rewriting application logic.
sortie 631 tok (+475 réflexion) latence 6.0 s
Respect des contraintes (budget de mots, liste de mots interdits, l'unique question), empreinte stylistique, et contrôle de la longueur.
Basculez de l'un à l'autre avec une seule ligne
Les deux ids sont dans chaque onglet ci-dessous — la paire de lignes en surbrillance est la seule modification. Même endpoint, même clé, même structure de requête.
from openai import OpenAI
client = OpenAI(
base_url="https://synthorai.io/v1",
api_key="sk-syn-...",
)
resp = client.chat.completions.create(
model="gpt-5.6",
# model="gpt-5.6-terra", # décommentez cette ligne, commentez celle du dessus
messages=[{"role": "user", "content": "Summarize this diff"}],
reasoning_effort="medium",
)
print(resp.choices[0].message.content)import OpenAI from "openai";
const client = new OpenAI({
baseURL: "https://synthorai.io/v1",
apiKey: "sk-syn-...",
});
const resp = await client.chat.completions.create({
model: "gpt-5.6",
// model: "gpt-5.6-terra", // décommentez cette ligne, commentez celle du dessus
messages: [{ role: "user", content: "Summarize this diff" }],
reasoning_effort: "medium",
});
console.log(resp.choices[0].message.content);curl https://synthorai.io/v1/chat/completions \
-H "Authorization: Bearer sk-syn-..." \
-H "Content-Type: application/json" \
-d '{
"model": "gpt-5.6",
# "model": "gpt-5.6-terra", # décommentez cette ligne, commentez celle du dessus
"messages": [{"role": "user", "content": "Hello"}],
"reasoning_effort": "medium"
}'package main
import (
"context"
"fmt"
"github.com/openai/openai-go/v3"
"github.com/openai/openai-go/v3/option"
)
func main() {
client := openai.NewClient(
option.WithBaseURL("https://synthorai.io/v1"),
option.WithAPIKey("sk-syn-..."),
)
resp, _ := client.Chat.Completions.New(context.TODO(), openai.ChatCompletionNewParams{
Model: "gpt-5.6",
// Model: "gpt-5.6-terra", // décommentez cette ligne, commentez celle du dessus
Messages: []openai.ChatCompletionMessageParamUnion{
openai.UserMessage("Summarize this diff"),
},
ReasoningEffort: openai.ReasoningEffortMedium,
})
fmt.Println(resp.Choices[0].Message.Content)
}import com.openai.client.OpenAIClient;
import com.openai.client.okhttp.OpenAIOkHttpClient;
import com.openai.models.chat.completions.*;
import com.openai.models.ReasoningEffort;
OpenAIClient client = OpenAIOkHttpClient.builder()
.baseUrl("https://synthorai.io/v1")
.apiKey("sk-syn-...")
.build();
ChatCompletion resp = client.chat().completions().create(
ChatCompletionCreateParams.builder()
.model("gpt-5.6")
// .model("gpt-5.6-terra") // décommentez cette ligne, commentez celle du dessus
.addUserMessage("Summarize this diff")
.reasoningEffort(ReasoningEffort.MEDIUM)
.build());
System.out.println(resp.choices().get(0).message().content().orElse(""));FAQ
Lequel est le moins cher, GPT-5.6 ou GPT-5.6 Terra ?
GPT-5.6 Terra est moins cher sur entrée / 1m tokens ($2.5 contre $5, avec un écart de 2.0×). D'autres lignes peuvent indiquer l'inverse — le tableau ci-dessus contient la fiche complète, et le coût réel dépend de votre combinaison.
Puis-je faire un test A/B de GPT-5.6 par rapport à GPT-5.6 Terra sans deux intégrations ?
Oui. Les deux sont servis via le même endpoint compatible OpenAI avec une seule clé API — le basculement est un changement de chaîne de modèle en une ligne, vous pouvez donc diriger une fraction du trafic vers chacun et comparer les factures directement.
Est-ce que GPT-5.6 et GPT-5.6 Terra prennent en charge le prompt caching ?
Oui — les deux facturent les lectures en cache en dessous de leur tarif d'entrée, donc les charges de travail à préfixe chaud coûtent moins cher que ce que les tarifs de base suggèrent. Les lignes exactes des lectures en cache se trouvent dans le tableau de tarification ci-dessus.