GPT-5.6 成本指南：Prompt Cache 省 90%，Reasoning Effort 实测

GPT-5.6 同时调整了两项成本杠杆：缓存输入降至输入费率的 10%，而 5.x 只打 5 折；同时，reasoning 默认开启。在我们的 50 次调用矩阵中，不传 reasoning_effort 的费用是显式设为 none 的 1.5 倍，但答案完全相同。输入侧现在最多可以显式设置 4 个缓存断点；输出侧则由 effort 参数决定你要为多少推理过程付费。我们在首发当天通过 gateway 实测了这两项机制，覆盖 Sol（每 1M 输入／输出 token 为 $5/$30）、Terra（$2.50/$15）和 Luna（$1/$6），所有费率都用实时 usage.cost 计量结果核对过。

TL;DR

• 缓存输入按输入费率的 10% 计费。各档实测每 1M token 分别为 $0.10/$0.25/$0.50；5.x 的折扣只有 50%。
• 断点支持部分复用：修改某个标记之后的 block 时，2,431 个 token 中只有 1,210 个重新计费。
• 不到 1,024 个 token 的前缀不会进入缓存，重复请求也可能无提示地 miss；预算时不要按 100% 命中率估算。
• 写入缓存的 token 按 1.25 倍费率计费；如果写入后从未读取，成本反而高于完全不用缓存。
• 在包含 4 类任务的矩阵中，不传 reasoning_effort 的费用是 none 的 1.5 倍，但答案相同；应始终显式指定。

数据于 2026-07-10 通过 Synthorai gateway（兼容 OpenAI chat completions）采集，时间是 OpenAI announced the family 后一天。3 个模型都已上线，新缓存参数会原样透传。

三档模型，同一代产品

这一代采用了新的命名方式：数字表示代际，Sol、Terra 和 Luna 表示能力档位，取代原来的 pro/mini/nano 后缀。3 个模型都支持 1M token 上下文窗口，最大输出为 128K。下表中的全部费率，包括缓存输入列，都使用已知 token 数与 usage.cost 逐项核对，结果完全一致：

Sol 是旗舰档，也是 gpt-5.5 的同价位继任者，价目表同为 $5/$30。Terra 和 Luna 是同代的低配档，价格分别为 Sol 的一半和五分之一，对应以前 mini 和 nano 所处的位置。从 token 计数看，3 个档位可以视为同一个模型：我们发送的每个样本都返回了完全相同的计数。

文档中的 5.6 缓存机制

过去 GPT 的缓存机制只有一种：API 自动识别重复且不少于 1,024 个 token 的前缀，并按半价计算其中的缓存部分。也正因为如此，我们在 provider comparison 中把 GPT 归为“完全自动”一类。5.6 caching guide 将它改成了双模式设计：

{
  "model": "gpt-5.6-luna",
  "prompt_cache_options": { "mode": "explicit", "ttl": "30m" },
  "prompt_cache_key": "tenant-42",
  "messages": [
    {
      "role": "system",
      "content": [
        {
          "type": "text",
          "text": "...stable system prompt, 1024+ tokens...",
          "prompt_cache_breakpoint": { "mode": "explicit" }
        }
      ]
    },
    { "role": "user", "content": "the varying part" }
  ]
}

从指南中提炼出的关键规则如下：

• 断点标记的是缓存前缀的末尾，范围包括当前 block 以及之前的所有内容。默认的 implicit 模式仍会在最新一条 message 上自动放置断点；explicit 模式只缓存你主动标记的内容。
• 每个请求最多写入 4 次缓存。implicit 自动断点会占用 1 个名额，所以默认模式下只能放 3 个显式标记，explicit 模式则可以放 4 个。后续请求只能读取先前对话轮次中的断点，不能再次写入。
• 1,024 个 token 的最低门槛仍然存在：被标记的前缀低于这个长度时不会缓存。
• ttl: "30m" 表示保底生命周期，不是上限。文档写的是“至少 30 分钟……也可能保留更久”。它取代了在 5.6 上已废弃的 prompt_cache_retention，原来的 24h 延长保留选项也随之取消。
• 要稳定匹配缓存，需要使用 prompt_cache_key：指南建议为每个租户或 session 设置稳定的 key，将重复请求路由到同一缓存。每个 key 的软限制约为每分钟 15 个请求。缓存范围限定在你的组织内。
• 5.6+ 的缓存写入按输入费率的 1.25 倍计费，并通过新增字段 usage.prompt_tokens_details.cache_write_tokens 上报。5.x 及更早版本的写入不收费。

GPT-5.5 及更早版本会直接以 400 拒绝这些新参数（prompt_cache_options is not supported on this model），因此上线时必须按模型版本控制参数。

熟悉 Claude 的人对这套设计不会陌生：在 content block 上放标记、最多 4 个断点、写入有溢价、历史内容只能滑动读取，这些一直都是 Claude cache_control 的基本形态。区别在 TTL：OpenAI 保证至少 30 分钟，是 Claude 默认 5 分钟的 6 倍。

计量数据怎么说

文档只是规则说明，下面是 gateway 逐项探测返回的实际计量结果。完整原始记录保存在运行日志中；下表中的每项成本都能按各档费率精确核对。

其中 3 项需要进一步说明。

部分复用确实有效，这也是采用断点的主要原因。 在 block A 保持稳定、tail B 被替换后，计量结果只对 tail 重新计费：总共 2,431 个 prompt token，其中 1,212 个按缓存费率读取，新的 B 有 1,210 个按写入溢价计费，总成本可以按价目表精确核对。这正是 Claude 用户会围绕它组织 prompt 的分层前缀模式：system prompt、tools、documents 依次分层标记。GPT 的自动模式无法保证这种复用方式。还有一点：完整重复请求中，实际匹配长度有时会短于标记位置。有一次探测写入了 2,422 个 token，但只匹配 1,897 个。因此做预算时应使用折扣费率，不要假定每次都能精确匹配全部 token。

最低门槛和静默 miss 是实际运维中的坑。 一个标记了 621 个 token 的 block 连续两次都没有缓存。API 不报错，usage 中除了计数为 0 也没有其他提示。如果你的“稳定前缀”只是较短的 system prompt，实际仍会按全价收费，而且没有明显告警。缓存 miss 也可能不触发写入，同样静默地按全价计费。无论请求经过什么路径，命中率都是分布，不是承诺。生产环境应读取 cached_tokens 并配置告警，就像我们的 五分钟缓存审计 所做的那样。

写入溢价确实存在，并且改变了盈亏平衡点。 3 个档位的写入 token 都严格按输入费率的 1.25 倍计费：Luna 每 1M 为 $1.25，Terra 为 $3.125，Sol 为 $6.25。最终一轮的每次探测都能精确核对。只有前缀再次被读取时，这笔溢价才会回本。一次从未命中的写入，比完全不使用缓存贵 25%。这与我们在 LangChain post 中测得的 Claude 写入溢价问题相同。只标记确定会重复使用的前缀，不要看到内容稳定就全部缓存。

在我们的探测范围内，30 分钟的保底 TTL 确实有效。带 key 的请求在写入 15 分钟后再次读取，1,313 个 token 全部命中，并按 10% 费率准确计费，已经明显超过过去 5 到 10 分钟的内存缓存周期。第二组带 key 的探测以相同时间间隔重复，也得到相同结果。我们没有测试完整的 30 分钟。

与 GPT-5.5 上的相同 workload 对比

公平的比较应基于同价位模型：Sol 沿用了 gpt-5.5 的完整价目表（$5/$30），因此是对应的直接继任者，Terra 和 Luna 则是更低档的选择。标价相同，缓存条款却差别很大：

在标价相同的情况下，升级的核心是缓存条款。一个 3,000 token 的前缀在 5.5 自动缓存命中时，每次调用成本为 $0.0075；Sol 缓存预热后的成本为 $0.0015，缓存部分便宜 5 倍。更大的变化是控制能力和可观测性：5.5 是否命中取决于不透明的前缀检测机制，既不能主动触发，也无法调试。5.6 则允许精确标记需要缓存的内容，使用 prompt_cache_key 路由重复请求，并通过 usage 查看每次写入。miss 不再完全没有踪迹，而是显示为你主动启用的字段中的 0。还可以继续降档：如果 5.5 对 workload 的配置过高，Terra 会将整张价目表减半，Luna 则降到五分之一；同一预热前缀的成本也会分别降至 $0.00075 和 $0.0003。5.5 唯一保留的优势是可选的 24 小时缓存。如果流量模式是每天围绕超大前缀运行一次 batch，这项取舍可能更有利于 5.5。迁移时还要留意第二项成本杠杆：5.6 默认启用 reasoning，因此把 5.5 workload 直接迁过来却不固定 reasoning_effort，会在相同价目表之上增加新的输出成本。

第二项杠杆：reasoning effort

缓存决定输入侧的支出；reasoning_effort 决定输出侧的支出，因为 reasoning token 按输出费率计费，而且无法像前缀一样缓存。GPT-5.6 的所有档位都接受从 none 到 xhigh 的设置。发布文章还为 Sol 提到了 max effort，但 chat completions 不支持该值（Sol 和 Terra 都会返回 400: 'reasoning_effort' does not support 'max' with this model）。因此，在 gateway 和 SDK 常用的 API 路径上，xhigh 才是实际上限。

我们运行了一个包含 50 次调用的矩阵：4 种任务形态，包括评论分类、从日志行提取字段、多步算术应用题和小型代码生成；覆盖从 none 到 xhigh 的全部 6 种设置，再加上省略参数；主测 Terra 和 Luna，并对 Sol 做了抽查。50 次调用在所有设置下都给出了正确答案，差别只在账单。这些调用的可见输出都很短，只有几十个 token，因此几十个按输出费率计费的 reasoning token 就足以主导总成本。下表中的倍数比较的是整次调用成本：

可以得出 3 个结论。第一，5.6 本身会自适应：在两类简单任务中，无论使用哪种设置，都没有消耗任何 reasoning token，因此此时调整参数不会增加成本。第二，对看起来需要思考的任务（数学、代码），默认设置会进行 reasoning，即使结果没有任何改善。对于 Luna 的数学和代码任务，以及 Terra 的数学任务，省略参数的成本是 none 的 2.5 倍到 3.5 倍，但正确答案完全相同。Terra 的代码任务恰好在默认设置下没有消耗 reasoning token。汇总 Terra 和 Luna 的整个矩阵后，省略参数的总费用是 none 的 1.5 倍。第三，中间档位并不是线性的调节旋钮，结果噪声很大。表中未列出的 Terra 数学任务，在 low 下消耗 19 个 reasoning token，medium 为 0，high 为 21，xhigh 又变成 0；Luna 代码任务在 xhigh 下消耗 101 个，而 high 下为 41 个。这些名称表达的是意图，不是预算。我们在 GLM 5.2 上也测到过相同现象。

每次调用都应显式发送 reasoning_effort，分类、提取、路由和短文本转换默认设为 none。只有 eval 证明更高设置确实能改变结果时，才对特定调用点升级，不要仅凭任务看起来困难就提高档位。我们的 4 类任务都是输出较短的 API workload。真正困难的多步任务可能值得支付 reasoning 成本，但应由测量结果决定。

两项杠杆会叠加生效。前缀预热后，Luna 调用的输入侧只需支付标价的十分之一。对于短任务，默认 reasoning 反而会成为剩余成本中的最大项：Luna 数学调用在 none 下总成本为 $0.00007，省略参数时则为 $0.00025。默认 reasoning 单独增加了 $0.00018，是受控调用总成本的两倍多。只做缓存却不固定 effort，节省下来的费用会从另一侧漏掉。

不同 workload 应如何选择

现在的决策结构已经很清晰。我们给 gateway 客户的建议如下：

无论 workload 形态如何，都应为每个租户或 session 发送稳定的 prompt_cache_key。文档明确把 key 作为 5.6 稳定匹配缓存的基础。每个已标记的层都要超过 1,024 个 token 的最低门槛，并监控 cached_tokens，因为确实存在静默 miss。还要记住，缓存按模型隔离：跨档位做 A/B test 时，两侧都需要从零开始预热。在同一个 commit 中也应处理另一项杠杆：根据上面的矩阵固定 reasoning_effort，除非 eval 得出不同结论，否则设为 none。

选择档位时，90% 的缓存折扣对成本的影响比档位本身更大。一个反复使用 3,000 token 前缀的 workload，在 Luna 预热流量下，每 1,000 次调用为该前缀支付约 $0.30；在 Sol 上则为 $1.50。不同档位在缓存输入部分的差距，小于它们在输出 token 上的差距。因此应先根据输出质量和价格选择档位，再用缓存压低输入侧成本。如果从 gpt-5.5 迁移，Sol 可以在相同价目表下直接替换，缓存读取便宜 5 倍，并且可以控制何时缓存。只要 eval 证明较小模型足以满足要求，就可以降到 Terra 或 Luna，使整张价目表在此基础上减半或降至五分之一。

tokenizer 没有变化

我们的 24 个样本包括 9 种语言的叙事文本、其中 6 种语言的技术和新闻版本、一个 Python 函数，以及一个 JSON tool-call。在所有完成的对比中，GPT-5.5、Sol、Terra 和 Luna 的计数完全相同。基于 5.5 校准的 token 预算和缓存最低门槛估算可以原样沿用；跨语言表现见 我们的分语言 tokenizer 实测，其结论同样适用于 5.6。

结论

• 缓存折扣从 50% 加深到 90%，再加上保证至少 30 分钟的 TTL，才是这次发布真正的降价。档位价格更吸引眼球，但实际账单受缓存条款的影响更大。
• 分层 prompt 应采用显式断点：部分复用已经得到实测验证，并非理论推断；Claude 的使用方式可以直接套用。
• 必须遵守 1,024 个 token 的最低门槛，发送 prompt_cache_key 并监控 cached_tokens；缓存 miss 和完全未缓存都可能静默发生。
• 显式发送 reasoning_effort，默认设为 none：在我们的矩阵中，不受控的默认设置费用高出 1.5 倍，单项任务最高达到 3.5 倍，但答案完全相同。
• xhigh 是实际可用的上限，通过 chat completions 发送 max 会返回 400；从 5.5 迁移无需重新校准 tokenizer。

FAQ

GPT-5.6 是否像 Claude 一样支持显式 prompt cache？ 支持。使用 prompt_cache_options: {"mode": "explicit"}，并在 content block 上添加 prompt_cache_breakpoint 标记。每个请求最多写入 4 次；在 implicit 模式下，自动断点会占用 1 个名额，因此只能显式写入 3 次。通过兼容 OpenAI 的 gateway 实测，一个标记了 3,012 个 token 的前缀会在第一次调用时写入，第二次调用则按缓存费率完整读取。

GPT-5.6 的缓存输入费用是多少？ 输入费率的 10%。3 个档位的实测价格分别为：Luna 每 1M token 为 $0.10，Terra 为 $0.25，Sol 为 $0.50。GPT-5.x 的缓存 token 按输入费率的 50% 计费，因此 5.6 的缓存 token 费率低 5 倍。

GPT-5.6 的缓存是否优于 GPT-5.5？ 在折扣力度和控制能力上，是的。缓存费率从 50% 降至 10%；从只能依赖无法触发或调试的自动检测，变为最多支持 4 个显式断点；带 key 的缓存保证至少保留 30 分钟，而 5.5 只有尽力而为的 5-10 分钟。5.5 剩下的唯一优势是可选的 24 小时保留档位，5.6 已取消该选项。

GPT-5.6 的缓存能保留多久？ 文档保证至少 30 分钟，ttl: "30m" 是唯一可接受的值，实际可能更久。这个选项取代已废弃的 prompt_cache_retention，包括过去的 24 小时延长保留档位。我们的探测中，带 key 的请求在写入 15 分钟后重新读取时全部命中；没有测试完整的 30 分钟。

是否必须使用 prompt_cache_key？ 应该发送。文档将每个租户或 session 的稳定 key 作为 5.6 可靠匹配缓存的基础，每个 key 的软限制约为每分钟 15 个请求。携带该字段不会增加费用。将它与 cached_tokens 监控配合使用，才能确认折扣是否真正生效。

reasoning_effort 会让 GPT-5.6 的成本变化多少？ 在我们的 50 次调用矩阵中，包含 4 类任务、6 种设置，并覆盖 Terra 和 Luna。所有设置都得出了正确答案，但总体上省略参数的费用是 none 的 1.5 倍，在算术任务中最高达到 3.5 倍。对于分类和提取这类简单任务，所有设置都没有消耗 reasoning token。应固定为 none，只在 eval 支持时升级。

GPT-5.6 Sol 是否支持最高的 reasoning effort？ 通过 chat completions 不支持。无论 Sol 还是 Terra，发送 reasoning_effort: "max" 都会返回 400，并列出从 none 到 xhigh 的可用值。

API workload 应选择哪个 GPT-5.6 档位？ Sol 是 gpt-5.5 的同价位继任者，价目表同为 $5/$30，但缓存读取便宜 5 倍。Terra 和 Luna 分别是其一半和五分之一的低配档。当前缀稳定并带有 key 后，90% 的缓存折扣会大幅压低输入侧成本。因此，在输出质量 eval 允许的范围内尽量降档，由模型档位决定输出价格。

本系列其他实测成本指南：七个 ASR 模型的转录成本实测、图像生成成本实测 和 GPT Realtime 语音价格实测。

← 返回博客