GPT-5.6-sol против GPT-5.6-terra: насколько отличается производительность при двукратной разнице в цене?

GPT-5.6-sol против GPT-5.6-terra: практический тест. Насколько отличается производительность при разнице в цене в 2 раза?#

gpt-5.6-sol и gpt-5.6-terra — две популярные модели серии GPT-5.6, которые сейчас можно напрямую вызывать через Crazyrouter.

У обеих уже есть 8 доступных каналов и 7 резервных каналов, но цены на ввод и вывод отличаются ровно в два раза. Для разработчиков, которые уже используют серию GPT-5.6, главный вопрос для проверки такой:

Ввод и вывод у gpt-5.6-sol стоят в 2 раза дороже, чем у gpt-5.6-terra. Дает ли эта переплата сопоставимый прирост производительности?

Я прогнал один и тот же набор задач по вероятности, физике и Python-разработке: всего 8 API-запросов. Сначала выводы:

• По корректности почти ничья: обе модели прошли по 4 задачи.
• Обе Python-задачи прошли один и тот же набор локальных тестов, при этом terra оказалась быстрее и лаконичнее.
• sol в задаче по вероятности дала более полную точную дробь, а в задаче по физике избежала одного заметного длинного хвоста.
• По ценам со страницы и фактическому числу token в этом тесте суммарная стоимость 4 задач составила примерно $0.1614 против $0.0718; на практике sol вышла примерно в 2.25 раза дороже.

Самое интересное в этом прогоне: цена действительно отличается в 2 раза, но производительность не масштабируется так же линейно.

Сначала о цене: sol — более дорогой уровень по сравнению с terra#

Тест проводился 13 июля 2026 года. На странице обе модели отображались со статусом цены -35%. Ниже приведен снимок цен на тот момент; позже они могут измениться.

gpt-5.6-sol:

gpt-5.6-terra:

Сведем данные в таблицу:

Цены на ввод и вывод отличаются ровно в 2 раза. Для чтения из кеша из-за четырех знаков после запятой на странице показано $0.3250 против $0.1630, что тоже можно примерно считать разницей в 2 раза.

Поэтому в этом тесте важно сравнить не только качество ответов, но и следующие параметры:

Правильно ли решена одна и та же задача
Полный ли ответ возвращен
Запускается ли код
Время ответа
completion / reasoning tokens
Оценочная стоимость запроса по ценам со страницы

Настройка теста#

Во всех запросах использовался один и тот же интерфейс:

Base URL: https://cn.crazyrouter.com/v1
Endpoint: POST /v1/chat/completions
Model A: gpt-5.6-sol
Model B: gpt-5.6-terra
temperature: 0.2

Для каждой задачи обе модели получали полностью одинаковые prompt и max_tokens.

Всего было 4 задачи:

Критерий проверки был шире, чем просто HTTP 200:

• Задачи по вероятности и физике сверялись с заранее вычисленными эталонными ответами.
• Python-ответы сохранялись в файлы .py.
• Код обеих моделей запускался на одном и том же наборе локальных тестов.
• Также фиксировались запрошенная модель, возвращенная модель, finish_reason, token и время выполнения.

Все 8 запросов в итоге дали:

HTTP 200
returned_model совпадает с requested_model
finish_reason = stop
видимое содержимое не пустое

Итоговый результат: по корректности ничья, по стоимости — нет#

Сначала самый важный результат:

Если оценивать только по критерию «выполнена ли основная задача», в этом прогоне счет 4:4.

Но разница в стоимости заметная:

Формула оценки:

Стоимость ≈
(prompt_tokens - cached_tokens) × input_price
+ cached_tokens × cache_read_price
+ completion_tokens × output_price

Затем результат делится на 1,000,000.

Это приблизительный расчет по публичным ценам со страницы, а не аудит счета. Фактическое списание следует сверять с логами платформы и правилами тарификации.

Почему при заявленной разнице в 2 раза итоговая стоимость дошла до 2.25 раза? Потому что длина вывода тоже отличалась. Суммарно по 4 задачам:

gpt-5.6-sol completion tokens:   7,391
gpt-5.6-terra completion tokens: 6,481

В этом прогоне sol вывела примерно на 14% больше, и вместе с двукратной ценой output это подняло оценочную стоимость одного запроса в задаче маршрутизации до 2.64 раза от стоимости terra.

Первая задача: оба ответа по вероятности верные, но точная форма у sol полнее#

Задача по вероятности была такой:

P(H)=0.62, P(T)=0.38.
Подбрасываем монету до первого появления HHTH.
Найдите математическое ожидание числа подбрасываний и выведите его через уравнения состояний.

Эталонный ответ:

E[N] = 7162950 / 566029 ≈ 12.6547

Обе модели корректно построили состояния:

S0 = пусто
S1 = H
S2 = HH
S3 = HHT
S4 = HHTH

Обе также объяснили ключевой переход: если после HH снова выпадает H, получается HHH; его самый длинный допустимый суффикс по-прежнему равен HH, поэтому состояние остается S2.

В итоге обе стороны пришли к:

E0 = 1 / (p^3 q) + 1 / p ≈ 12.6547

Разница только в оформлении ответа:

• sol дополнительно упростила результат до 7162950 / 566029.
• terra дала правильную формулу и 12.6547, но не довела ответ до указанной точной дроби.

Так что terra не ошиблась в вычислениях, ей не хватило одного шага для точной формы ответа.

Время выполнения в этой задаче почти одинаковое:

sol:   33.0s
terra: 33.2s

Интересно, что terra использовала больше reasoning tokens: 999 против 710, хотя финальный видимый ответ оказался короче. Это показывает, что более низкая цена не обязательно означает меньше внутренних рассуждений; все зависит от конкретной задачи.

Вторая задача: код агрегации логов, terra дешевле и немного быстрее#

Во второй задаче требовалось реализовать:

aggregate_model_usage(events, window_start, window_end)

Спецификация включала:

Учитывать только события внутри [window_start, window_end)
Для неуспешных запросов учитывать только requests, не суммировать tokens и cost
При отсутствии user/model относить значение к unknown
Вычислять cache_hit_rate
top_users сортировать по cost по убыванию, при равенстве - по имени пользователя по возрастанию
Не изменять входные объекты

Код обеих моделей прошел один и тот же набор локальных тестов.

В этой задаче terra не пропустила важные граничные условия из-за более низкой цены и при этом была быстрее примерно на 2.2 секунды. Для таких backend-функций с четкой спецификацией и проверкой тестами соотношение цены и производительности у terra выглядит очень сильным.

Третья задача: обе модели правильно решили физику, но у terra появился длинный хвост в 168 секунд#

Физическая задача состояла из трех этапов:

Скольжение по шероховатой наклонной плоскости
Полностью неупругий удар
Сжатие пружины на горизонтальной поверхности с трением

Эталонный ответ:

v1 ≈ 6.10 m/s
v2 ≈ 2.44 m/s
x  ≈ 0.302 m

Обе модели попали во все значения и корректно различили:

• На этапе наклонной плоскости используется связь работы и энергии или эквивалентный второй закон Ньютона.
• В момент столкновения используется закон сохранения импульса, а механическая энергия не сохраняется.
• На этапе сжатия пружины используется энергетическое соотношение с учетом работы силы трения.

По корректности снова ничья, но разница во времени внезапно стала большой:

sol:    24.7s
terra: 168.2s

При этом вывод terra был даже короче: 1,059 completion tokens против 1,284 у sol. Поэтому этот длинный хвост нельзя просто списать на «слишком большой вывод». Более вероятные причины - особенности рассуждения в тот момент, нагрузка на канал или состояние маршрутизации.

Это всего один пример, поэтому нельзя делать вывод, что terra всегда будет медленной на задачах по физике. Но он явно напоминает: даже если недорогая модель в среднем быстрая, нужно отдельно смотреть на длинные хвосты P95/P99, а не только на среднюю задержку.

Четвертая задача: код стабильной маршрутизации, terra быстрее, короче и дешевле#

В последней задаче требовалось реализовать:

cheapest_stable_route(
    nodes,
    edges,
    start,
    target,
    banned_nodes=None,
    max_hops=None,
    min_reliability=0.0,
)

Правила выбора отличались от обычного кратчайшего пути:

Сначала выбирать минимальный total cost
При одинаковом cost выбирать минимальный total latency
Затем при равенстве выбирать более высокую reliability
Если все еще равенство, выбирать лексикографически минимальный path
Также обрабатывать banned_nodes, max_hops и нижний порог reliability

Код обеих моделей прошел тесты на cost, latency, reliability, лексикографический порядок, запрещенные узлы, максимальное число переходов и некорректные ребра.

Это лучшая задача для terra в этом раунде:

• Быстрее примерно на 14.7 секунды.
• completion tokens меньше примерно на 26%.
• reasoning tokens примерно вдвое меньше, чем у sol.
• Тесты также пройдены, а оценочная стоимость составляет только около 38% от стоимости sol.

Если реальная нагрузка в основном состоит из такого проверяемого инженерного Python-кода, более высокая цена sol в этой задаче не дала соответствующей выгоды.

Как понимать эти две уже запущенные популярные модели#

Этот раунд не стоит описывать как «terra - урезанная версия» или «sol полностью оправдывает каждую копейку». Реальные результаты больше похожи на две разные ценовые категории:

Преимущества gpt-5.6-terra#

• Цена входа и выхода вдвое ниже, чем у sol.
• По ключевой корректности все 4 задачи закончились вничью.
• Обе кодовые задачи прошли тесты и были быстрее, чем у sol.
• Инженерный код получился короче; суммарно в этом раунде completion tokens примерно на 12% меньше.
• Оценочная суммарная стоимость 4 задач примерно на 55% ниже, чем у sol.

Преимущества gpt-5.6-sol#

• В задаче по вероятности точный ответ был оформлен полнее.
• В физической задаче ответ в этом раунде пришел заметно быстрее, без длинного хвоста terra.
• В задаче стабильной маршрутизации вывод был более развернутым, что подходит для сценариев, где хочется видеть больше деталей реализации.

Более практичный способ использования#

Команды, которые уже используют серию GPT-5.6, могут маршрутизировать задачи по типу:

Частая, проверяемая генерация кода: в первую очередь terra
Пакетная обработка логов и структурированные задачи: в первую очередь terra
Математические выводы, где требуется точная форма ответа: сначала протестировать sol
Если важны длинные хвосты в сложных рассуждениях: сохранить маршрут через sol
Любой сгенерированный код: всегда отправлять в автоматические тесты

Вопрос уже не в том, «запускать или не запускать», а в том, как после появления двух доступных популярных моделей получить больше полезного результата на каждый доллар.

Ограничения этого раунда тестирования#

Важно оговорить: это небольшой набор одиночных запусков, а не долгосрочный benchmark.

Он показывает:

Все 8 запросов в этом раунде успешно завершились
Обе модели выполнили 4 задачи
Обе кодовые задачи прошли один и тот же набор тестов
В этом раунде наблюдались описанные выше различия по tokens, оценочной стоимости и времени

Он не доказывает:

Что физические задачи у terra всегда будут занимать 168 секунд
Что sol точнее во всех математических задачах
Что terra быстрее во всех кодовых задачах
Что 4 задачи могут представлять все production-нагрузки

Более строгий следующий шаг - повторить каждый тип задач от 20 до 50 раз и посмотреть на:

Долю успешных запусков
Задержку P50 / P95 / P99
Задержку до первого token
Среднее число completion tokens
Реальную стоимость одной успешно пройденной задачи

FAQ#

Ответ GPT-5.6-terra хуже, чем у GPT-5.6-sol?#

По этому раунду так судить нельзя. По ключевой корректности четырех задач счет 4:4, а обе задачи по коду также полностью прошли локальные тесты. Разница в основном в том, что terra в задаче на вероятность не стала дальше упрощать точную дробь, но это не ошибка в ответе.

Почему цена отличается всего в 2 раза, а фактическая стоимость — в 2,25 раза?#

Потому что количество выходных token тоже отличается. sol по четырем задачам сгенерировал 7,391 completion tokens, а terra — 6,481. Более высокая цена за выходные token вместе с более длинным выводом привела к тому, что в задаче со стабильной маршрутизацией разница в стоимости достигла примерно 2.64x.

Будет ли у terra в физических задачах постоянно появляться задержка 168 секунд?#

Такой вывод нельзя делать по одному запросу. Этот результат показывает только, что у конкретного запроса был заметный длинный хвост задержки. Для долгосрочной оценки нужны повторные замеры и наблюдение за задержками P50, P95 и P99.

Какая модель лучше подходит для генерации кода?#

В этом раунде в двух исполняемых задачах на Python обе модели прошли тесты, при этом terra была быстрее, дала более короткий вывод и стоила дешевле. Для других типов задач по коду все равно стоит повторно прогонять проверку на собственном реальном наборе задач.

Итоговый вывод#

В этом раунде цена gpt-5.6-sol и gpt-5.6-terra отличалась в 2 раза, но корректность не разошлась в 2 раза, и даже не разошлась на одну задачу.

terra показала очень сильное соотношение цены и производительности в двух исполняемых задачах по коду: те же успешно пройденные тесты, более высокая скорость, более короткий вывод, а стоимость примерно от одной трети до половины стоимости sol.

Ценность sol в основном проявилась в более полных точных ответах и более стабильном времени ответа на сложной физической задаче в этом раунде. Это не полное превосходство во всем, но для задач, чувствительных к качеству формулировок и длинным хвостам задержек, дополнительная цена может быть оправдана.

Поэтому самый точный вывод по этому тесту такой:

gpt-5.6-terra больше похожа на основную модель с высоким соотношением цены и качества, а gpt-5.6-sol — на более дорогой уровень для дополнения там, где важны точная формулировка и сложные выводы. После выхода обеих моделей маршрутизация по типу задачи ценнее, чем выбор только по названию модели или только по цене.

Как воспроизвести тест через Crazyrouter#

Тесты в этой статье выполнены через Crazyrouter OpenAI-compatible API. Для воспроизведения нужно использовать одинаковые prompt, temperature, max_tokens и скрипты приемки для обеих моделей.

from openai import OpenAI

client = OpenAI(
    api_key="YOUR_API_KEY",
    base_url="https://cn.crazyrouter.com/v1",
)

response = client.chat.completions.create(
    model="gpt-5.6-terra",
    temperature=0.2,
    max_tokens=3600,
    messages=[{"role": "user", "content": "YOUR_TEST_PROMPT"}],
)

print(response.model)
print(response.choices[0].finish_reason)
print(response.usage)
print(response.choices[0].message.content)

После этого замените model на gpt-5.6-sol, повторите запуск и прогоните для результатов кода тот же набор тестов. Только так можно получить сопоставимые данные.

• Вход для регистрации: https://crazyrouter.com/register?utm_source=crazyrouter_blog&utm_medium=article&utm_campaign=gpt56_sol_terra_price_performance&utm_content=gpt-56-sol-vs-gpt-56-terra-price-performance-2026-ru__body_cta
• API Base URL: https://cn.crazyrouter.com/v1
• Рекомендуется фиксировать: requested_model, returned_model, finish_reason, reasoning_tokens, cache token, общее время выполнения и результаты тестов кода.