GPT-5.6 成本指南：Prompt Caching 打一折、Reasoning Effort

GPT-5.6 同时调整了两个成本杠杆：缓存输入降到输入费率的 10%（5.x 系列只打五折），而且默认开启 reasoning 后，在我们跑的 50 次调用矩阵里，不发送 reasoning_effort 的费用是设为 none 的 1.5 倍，答案却完全一样。输入这边，现在可以显式设置最多四个缓存断点；输出这边，effort 这个旋钮决定你要为多少思考量付费。我们通过 gateway 在首发模型上实测了这两个杠杆：Sol（输入/输出每 100 万 token 5 美元/30 美元）、Terra（2.50 美元/15 美元）、Luna（1 美元/6 美元），每个费率都对着实时的 usage.cost 计量做了核对。

TL;DR

• 缓存输入按输入费率的 10% 计费，各档实测为每 100 万 token 0.10/0.25/0.50 美元；5.x 系列只打五折。
• 断点实现部分复用：改动某个标记后面的块，2431 个 token 里只有 1210 个被重新计费。
• 前缀不足 1024 个 token 永远不会缓存，重复请求也可能悄无声息地未命中；命中率要按低于 100% 来预算。
• 缓存写入按写入 token 的 1.25 倍计费；一次从未被读取的写入比不缓存还贵。
• 在一个 4 任务矩阵里，省略 reasoning_effort 的费用是 none 的 1.5 倍，答案完全一样；一定要显式设置它。

实测时间 2026-07-10，通过 Synthorai gateway（OpenAI 兼容的 chat completions），也就是 OpenAI 发布该系列后的第二天。三个模型都已上线，新的缓存参数原样透传。

三个档位，同一代

命名方式变了：数字代表代次，Sol、Terra、Luna 是能力档位，取代了以前的 pro/mini/nano 后缀。三者都是 1M token 上下文窗口，最大输出 128K。下面每个费率都在已知 token 数上与计量的 usage.cost 精确对上了，包括缓存那一列：

Sol 是旗舰，也是价格持平的 gpt-5.5 继任者：费率完全一致，都是 5 美元/30 美元。Terra 和 Luna 是同一代的缩减档位，价格分别是 Sol 的一半和五分之一，占据了以前 mini 和 nano 后缀的位置。就 token 计数而言，三者是同一个模型：我们发送的每个样本，它们返回的计数都完全一样。

5.6 缓存机制解读（基于官方文档）

以前 GPT 的缓存只有一种行为：API 自己检测 1024 token 以上的重复前缀，然后把命中缓存的部分按半价计费。正因为如此，我们在服务商对比里把 GPT 那一列归到了「全自动」。5.6 缓存指南把它换成了双模式设计：

{
  "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" }
  ]
}

从指南里提炼出来的关键规则：

• 断点（breakpoint）标记一个缓存前缀的结尾，覆盖该 block 及其之前的所有内容。implicit 模式（默认）依然会在最新的消息上自动放一个断点；explicit 模式只缓存你显式标记的部分。
• 每个请求最多写四次缓存，implicit 的自动断点会占掉一个，所以默认模式下显式标记有三个位置可用，explicit 模式下有四个。来自之前对话轮次的断点，在后续请求里是只读的。
• 1024 token 的下限依然存在：标记的前缀低于这个值就不会被缓存。
• ttl: "30m" 是保证的最短存活时间，不是上限（「至少 30 分钟……可能保留更久」）。它取代了在 5.6 上已废弃的 prompt_cache_retention，这也意味着旧的 24h 延长保留选项一并消失了。
• prompt_cache_key 是拿到可靠命中的方式：指南建议给每个租户或会话用一个稳定的 key，把重复请求路由到同一份缓存，每个 key 有大约每分钟 15 个请求的软限制。缓存的作用域限定在你的组织内。
• 缓存写入在 5.6+ 上按输入费率的 1.25 倍计费，在新的 usage.prompt_tokens_details.cache_write_tokens 字段里上报。在 5.x 及之前，写入是免费的。

GPT-5.5 及更早的版本会用一个干净的 400 拒绝这些新参数（prompt_cache_options is not supported on this model），所以任何上线都要按版本做门控。

这套设计如果听着眼熟，那是应该的：内容 block 上的标记、四个断点、写入加价、滑动的只读历史，正是 Claude 的 cache_control 一直以来的样子。区别在 TTL：OpenAI 保证的 30 分钟下限是 Claude 默认 5 分钟的 6 倍。

计费表告诉我们什么

文档只是声明，实际情况要看网关计费表逐次探测返回的数据。完整原始记录都在运行日志里；下面每一项成本都能按档位费率精确对上，一位不差。

其中三行值得展开说说。

部分复用是真实存在的，也是采用断点的理由。 用一个稳定的块 A 加上替换后的尾部 B，计费表只对尾部重新计费：2431 token 的 prompt 中，1212 token 按缓存费率读回，新的 B 部分 1210 token 按写入溢价计费，总额与费率表一位不差地对上。这就是分层前缀的行为（system prompt、然后 tools、然后 documents，各自标记），Claude 用户就是围绕这个来组织 prompt 的，而 GPT 的自动模式永远无法保证这一点。有一点要注意：完整重复时，匹配长度有时会掉到标记以下（某次探测中 2422 token 的写入只匹配了 1897），所以按折扣费率来做预算，别指望精确的匹配数。

下限和无声的未命中是运营陷阱。 一个标记了 621 个 token 的块两次都没有缓存任何内容，没有报错，除了那些零之外也没有任何用量提示；如果你的”稳定前缀”是一段简短的系统提示词，你就在支付全价，而没有任何东西会告诉你。而一次未命中可能在没有写入的情况下发生，以全价，同样悄无声息。命中率是一个分布，而非承诺，无论你的请求走哪条路径：在生产环境中读取 cached_tokens 并对其设置告警，就像我们的五分钟缓存审计所做的那样。

写入溢价是真实存在的，它会改变盈亏平衡点。 三个档位上写入 token 都精确按 input 费率的 1.25 倍计费（Luna 写入计费为每百万 $1.25，Terra $3.125，Sol $6.25），我们最终一轮的每次探测都能一位不差地对上。这份溢价只有在前缀被再次读取时才回本：一次永远等不到命中的写入，比完全不缓存还贵 25%，这跟我们在 LangChain 那篇里测到的 Claude 写入溢价是同一个坑。只标记你确定会重复的前缀，而不是所有看起来稳定的内容。

我们探测所及的范围内，30分钟的下限依然成立。在写入后15分钟进行的带键重读返回了完全缓存的结果（1,313个token中命中1,313个，按10%的费率结算），远超旧的内存驻留期限5到10分钟，同一间隔的第二次带键探测重现了这一结果。我们没有探测完整的30分钟。

对照组：同样的负载跑在 GPT-5.5 上

公平的比较应该按同价位来做：Sol 沿用了 gpt-5.5 的完整定价（$5/$30），所以它是名副其实的对等继任者，下面还有 Terra 和 Luna 两个降配档。标价一样，但缓存条款差得很远：

在相同的标价下,缓存条款才是真正的升级。一个 3,000-token 的前缀在 5.5 上当其自动缓存决定命中时每次调用花费 $0.0075,而在预热的 Sol 上花费 $0.0015,缓存部分便宜 5 倍。更深层的变化在于控制力和可见性:5.5 的命中依赖于你既无法触发也无法调试的不透明前缀检测,而 5.6 让你精确标记应当缓存的内容,用 prompt_cache_key 路由重复请求,并在 usage 中观察每一次写入的落地。未命中现在会以你所创建字段中的零值显示,而不是悄无声息。降级路径叠加其上:如果 5.5 对该工作负载是过度供给的,Terra 将整个价目表减半,Luna 将其除以五,同样的预热前缀降至 $0.00075 和 $0.0003。5.5 保留的唯一一点是可选的 24 小时保留期;如果你的流量是针对巨大前缀的每日批处理,这个权衡就会朝相反的方向发展。并且请注意第二个杠杆在迁移时朝相反方向切:5.6 默认进行推理,因此一个未固定 reasoning_effort 就迁移过来的 5.5 工作负载会以相同的价目表产生新的输出支出。

第二个杠杆：reasoning effort

缓存控制的是输入端的花费，reasoning_effort 控制的是输出端。因为 reasoning token 按输出价计费，而且和你的 prefix 不同，它永远无法被缓存。GPT-5.6 在所有 tier 上都接受从 none 到 xhigh 的取值。发布博文里还提到 Sol 有一个 max 档，但通过 chat completions 根本用不了（Sol 和 Terra 都会返回 400: 'reasoning_effort' does not support 'max' with this model），所以在网关和 SDK 走的 API 路径上，xhigh 就是实际的上限。

我们跑了一个 50 次调用的矩阵：四种任务形态（给一条评论分类、从日志行里抽取一个字段、一道多步算术应用题、一个小型代码生成任务），配上全部六种设置，即从 none 到 xhigh 再加上省略参数的情况，在 Terra 和 Luna 上跑，并用 Sol 抽查。50 个答案在每种设置下全都正确。变的只是账单。这些都是短输出调用（可见 token 只有几十个），所以按输出价计费的那几十个 reasoning token 在总花费里占了大头。比率那一列比较的是整次调用的成本：

三个发现。第一，5.6 本身是自适应的：在两个简单形态上，任何设置都没花掉一个 reasoning token，所以这个旋钮在那里是免费的。第二，在看起来该动脑子的形态上（math、code），默认档即使毫无收益也会推理：省略参数的情况下，Luna 的 math 和 code、Terra 的 math 都要付出 none 价格的 2.5 到 3.5 倍（Terra 的 code 那次恰好在默认档没花任何 token），而答案完全一样。把 Terra 和 Luna 整个矩阵加起来，成本是 1.5 倍。第三，中间那几档设置（表里没列）是噪声，不是一个可调的旋钮：Terra 的 math 那次在 low 花了 19 个 reasoning token，medium 花了 0 个，high 花了 21 个，xhigh 又回到 0 个；Luna 的 code 那次 xhigh 花了 101 个，high 却只花了 41 个。这些名字代表的是意图，不是预算，和我们在 GLM 5.2 上测到的行为一样。

每次调用都显式传 reasoning_effort，并把分类、抽取、路由、短转换这类任务默认设为 none。只有当你的 eval 显示更高的设置确实改变了结果时，才对某个具体调用点做升级，而不是因为任务感觉难。我们这四种形态是短输出的 API 负载；真正困难的多步任务或许值得那份推理开销，但要用测量结果来证明。

两个杠杆是叠加的。prefix 一旦预热，Luna 调用的输入端只要 list 价的十分之一，而 reasoning 默认档在短任务上就成了剩下最大的一笔开销：Luna 的 math 调用在 none 下总共 $0.00007，省略参数则是 $0.00025，光是 reasoning 默认档就多加了 $0.00018，是整次托管调用的两倍多。只做缓存却不锁定 effort，省下来的钱又从另一头漏出去了。

不同负载该怎么推荐

现在这个决策有了清晰的结构，我们对 gateway 客户的建议如下：

与形态无关：为每个租户或会话发送一个稳定的 prompt_cache_key（文档将该键作为可靠匹配的基础），使每个标记层都保持在 1,024-token 下限之上，并监控 cached_tokens，因为存在无声的未命中。请记住缓存是按模型区分的：跨层级的 A/B 测试会在每一侧从零重新预热。并在同一次提交中设置另一个调节杆：按上述矩阵固定 reasoning_effort，除非评估另有说明，否则设为 none。

档位选择上，90% 折扣对成本的影响比档位本身还大。一个负载反复重放 3,000-token 前缀，在预热后的 Luna 流量上每千次调用为该前缀支付约 $0.30，在预热后的 Sol 上是 $1.50；缓存部分在不同档位之间的差价，比 output token 上的差价要小。所以先按 output 质量和价格选档位，再让缓存把 input 那一侧抹平。从 gpt-5.5 过来，Sol 是同一价目表下的原地升级，缓存读取便宜 5 倍，还能控制什么时候读；如果你的 eval 认为更小的档位扛得住，就往下降到 Terra 或 Luna，价目表在此基础上再减半或除以五。

tokenizer 没有变

我们的 24 个样本（一段叙事文本的九种语言版本、其中六种语言的技术版和新闻版、一个 Python 函数、一个 JSON tool-call）在所有完成的对比里，GPT-5.5、Sol、Terra、Luna 的计数完全一致。基于 5.5 校准的 token 预算和缓存下限估算可以原封不动沿用；跨语言的表现见我们的 tokenizer 分语言评测，对 5.6 同样适用。

结论

• 缓存折扣从 50% 加深到 90%，加上 30 分钟的保证 TTL，才是这次发布里真正的降价；档位价格是标题，但缓存条款对账单的影响更实在。
• 分层 prompt 就用显式断点：部分复用是实测出来的，不是理论上的，而且心智模型可以从 Claude 一对一迁移过来。
• 遵守 1,024-token 下限，发 prompt_cache_key，监控 cached_tokens；静默 miss 和静默完全不缓存两种情况都存在。
• 显式发送 reasoning_effort，默认 none：在我们的整个矩阵里，不加管理的默认值多计费 1.5 倍，单个任务上最高到 3.5 倍，而答案完全一样。
• xhigh 是能达到的上限（chat completions 里 max 为 400s）；相对 5.5 无需重新校准 tokenizer。

常见问题

GPT-5.6 是否像 Claude 一样支持显式 prompt caching？ 支持。通过 prompt_cache_options: {"mode": "explicit"} 配合内容块上的 prompt_cache_breakpoint 标记，每次请求最多可写入四次（隐式模式下为三次，因为自动断点会占用一个名额）。我们通过一个 OpenAI 兼容网关测试：一个标记了 3012 个 token 的前缀在第一次调用时写入，第二次调用时按缓存价完整读回。

GPT-5.6 的缓存输入价格是多少？ 是输入价格的 10%，三个档位都验证过：Luna 每百万 token 0.10 美元，Terra 0.25 美元，Sol 0.50 美元。GPT-5.x 的缓存 token 按输入价的 50% 计费，所以 5.6 的缓存 token 价格降低到原来的五分之一。

GPT-5.6 的缓存比 GPT-5.5 更好吗？ 在折扣力度和控制能力上，是的：缓存价 10% 对 50%，四个显式断点对只能被动检测、既无法触发也无法调试的自动模式，以及带 key 时 30 分钟的保底对 5-10 分钟的尽力而为。5.5 唯一还占优的地方是可选的 24 小时保留档位，而 5.6 去掉了这一项。

GPT-5.6 缓存的存活时间有多长？ 文档保证至少 30 分钟（ttl: "30m" 是唯一被接受的值），可能更长；该选项取代了已弃用的 prompt_cache_retention，包括旧的 24 小时扩展层级。在我们的探测中，写入后 15 分钟的按键重读命中完整；我们没有探测完整的 30 分钟。

我需要 prompt_cache_key 吗？ 发送它：文档将每个租户或会话的稳定键作为 5.6 上可靠匹配的基础，每个键每分钟约有 15 个请求的软限制。包含它没有任何代价，将其与 cached_tokens 监控配对，是你验证折扣是否真正生效的方法。

reasoning_effort 对 GPT-5.6 成本的影响有多大？ 在我们的 50 次调用矩阵（四种任务形态、六种设置、Terra 和 Luna）中，每种设置都给出了正确答案，整体上省略该参数的费用是设为 none 的 1.5 倍，在算术任务上最高达到 3.5 倍。在简单形态（分类、抽取）上，任何设置都完全没有消耗 reasoning token。固定用 none，只在评测需要时再往上调。

GPT-5.6 Sol 支持最高等级的 reasoning effort 吗？ 通过 chat completions 不支持。带 reasoning_effort: "max" 的请求会返回 400，列出 none 到 xhigh 的可选值，Sol 和 Terra 都一样。

API 工作负载应该用哪个 GPT-5.6 档位？ Sol 是 gpt-5.5 的等价替代者（价格卡完全相同，5 美元/30 美元，缓存读取便宜 5 倍）；Terra 和 Luna 是缩减档位，分别为其价格的一半和五分之一。一旦你的前缀稳定并带上 key，90% 的缓存折扣会把输入侧成本拉平，所以在你的输出质量评测允许的范围内尽量往下降，让档位来决定输出价格。

← 返回博客