OpenAI Developers 分享 GPT-5.6 新創案例：GPT-5.6 Luna 保留 GPT-5.5 文件擷取準確度的 98%，成本降至十八分之一

OpenAI Developers 分享 GPT-5.6 新創案例：GPT-5.6 Luna 保留 GPT-5.5 文件擷取準確度的 98%，成本降至十八分之一。 新創案例 2026 年 8 月 17 日，OpenAI Developers 整理跨產業團隊的生產環境經驗，重點不是單純升級模型，而是依任務分配適合的模型與工作方式： 不動產新創 Hypha AI 以 GPT-5.6 Luna 處理文件擷取，在保留 GPT-5.5 準確度 98% 的同時，成本降至十八分之一。 金融研究平台 RogoAI 使用 programmatic tool calling，透過程式碼擷取申報文件、篩選資料並分析結果，在評測品質相當的情況下，輸入 token 減少 21%。 啟用 retained reasoning 與 compaction 後，GPT-5.6 Sol 在 ARC-AGI-3 的表現從 13.3% 提升至 38.3%，輸出 token 用量約降至原本的六分之一。 GPT-5.6 系列、GPT-5.5、Claude Opus 4.8、Claude Fable 5 與 Gemini 3.1 Pro Preview 在 Artificial Analysis Coding Index 的 API cost 與 Index score 比較。 架構取捨 OpenAI 指出，GPT-5.6 家族讓較小型的 GPT-5.6 Luna 與 GPT-5.6 Terra，在部分工作中以更低價格達到接近 GPT-5.4 與 GPT-5.5 的效果，因此適合高流量、重視延遲，或 Agent 流程中會反覆執行的步驟。團隊也可調低 reasoning effort；文章引用 Hex 的經驗指出，在維持原有 harness 的情況下，低推理強度反而得到最佳結果，模型較少追逐錯誤線索，也能用更少 token 找到答案。 工具與協作 Responses API 新增的能力，將 Agent 工作拆成三類最佳化方向： retained reasoning 讓模型保留前幾輪推理，compaction 則壓縮長對話，避免重新建立脈絡。 multi-agent orchestration 讓多個 Agent 平行處理可拆分的工作，再由主要 Agent 彙整結果。 programmatic tool calling 讓 GPT-5.6 撰寫 JavaScript、平行呼叫工具，並在 context window 外處理篩選、彙整等確定性工作，把模型 token 留給需要判斷的部分。 分享重點 OpenAI Developers 透過《The builder’s guide to GPT-5.6》主張，過去必須每一步都使用 frontier model 的案例，如今可透過較小模型、推理強度調整與更有效率的架構，以更低成本取得相近甚至更好的結果。文章同時提到 prompt cache TTL 至少延長至 30 分鐘，並可設定固定的 cache breakpoint，協助新創提高快取命中率。原文：https://easyvibecoding.app/curated/3007-openai-gpt-5-6-luna-retains-98-percent-gpt-5-5-accuracy