GPT-5.6 Terra 倍率与接入

模型名 gpt-5.6-terra。轻量、快、便宜，分类、标签、字段抽取、短文本改写这类高频调用最适合它——和 Claude Haiku 是同一档定位。

轻量快速高频调用分类提取全分组可用

分组与倍率

六个分组全覆盖，档位与其他 GPT 型号一致。

分组	倍率	特点
GPT-超低价（不保稳定）	0.1x	低价混池，价格最低，稳定性不作保证
GPT-pro	0.2x	纯 pro 号池，速度与稳定性最好
GPT-稳绿不降智	0.24x	不降智，首字更快
GPT-不降智	0.24x	不做降智处理
GPT-企业	0.32x	企业号池，基本不断线；pro 正常时没必要用
GPT-专用	0.4x	专用号池，含图像生成与 5.x 全系

倍率是相对官方定价的计费倍数：0.43x 就是按官方价的 43% 计费，数字越小越便宜。实际扣费 = 该模型的官方单价 × 你所在分组的倍率，再按实际 token 数结算。倍率会随上游成本调整，以控制台内实时展示的数值为准。

接入信息

标准参数。

项目	填什么
模型名（model）	`gpt-5.6-terra`
Chat Completions 端点	`https://turingapi.space/v1/chat/completions`
Responses 端点	`https://turingapi.space/v1/responses`
Base URL（OpenAI SDK）	`https://turingapi.space/v1`
认证方式	`Authorization: Bearer sk-xxx`

调用示例

三种写法。

curl（Chat Completions）

curl https://turingapi.space/v1/chat/completions \
  -H "Authorization: Bearer $TURING_KEY" \
  -H "content-type: application/json" \
  -d '{
    "model": "gpt-5.6-terra",
    "messages": [{"role": "user", "content": "你好"}]
  }'

输出长度用 max_completion_tokens 控制；老参数 max_tokens 在新一代模型上可能不被接受。

Python（openai 官方 SDK）

from openai import OpenAI

client = OpenAI(
    api_key="sk-你的密钥",
    base_url="https://turingapi.space/v1",   # 含 /v1
)

r = client.chat.completions.create(
    model="gpt-5.6-terra",
    messages=[{"role": "user", "content": "你好"}],
)
print(r.choices[0].message.content)

OpenAI SDK 的 base_url 必须带 /v1，这和 Anthropic SDK 正好相反。

Responses 协议

curl https://turingapi.space/v1/responses \
  -H "Authorization: Bearer $TURING_KEY" \
  -H "content-type: application/json" \
  -d '{
    "model": "gpt-5.6-terra",
    "input": "你好"
  }'

Codex CLI 这类新工具走的是 Responses 协议。同一把密钥两个端点都通用。

怎么选分组

高频轻任务的关键是稳定和便宜：

分类任务先测准确率

轻量模型在边界样本上容易摇摆。先拿几百条真实数据跑一遍，算出准确率再决定是否全量上线。

两级流水线最省

Terra 做初筛和抽取，把不确定的样本交给 6 Sol 复核。这样既省成本，又不牺牲关键判断的质量。

别让它做多步推理

它擅长单步判断和格式转换，不擅长长链路规划。需要模型自己决定下一步做什么时，换更强的型号。

在客户端里用这个模型

这些场景里常见它的身影：

NextChat

接口地址不要带 /v1，它会自己补

Cherry Studio

桌面聊天，模型名手填

LobeChat

模型列表可自定义

通用 OpenAI 兼容

任意支持自定义 base_url 的工具

常见问题

能力边界是主要疑问。

它和 Claude Haiku 4.5 哪个好？

同档定位，都能做轻任务。中文抽取上两者差异不大，建议用你自己的数据各跑 100 条对比，看哪个更稳。价格差异很小，不值得为此纠结太久。

能做多轮对话吗？

能，但上下文长了之后表现会下降。它更适合单轮或短多轮的判断类任务。

为什么偶尔返回格式不对？

轻量模型在格式约束上更松。解决方法是给一个明确的输出模板 + 一个示例（one-shot），比纯文字描述有效得多。

支持流式输出吗？

支持。不过这类短输出任务开不开流式体感差别不大。

可以替代 embedding 吗？

不能。它不做向量化。需要语义检索请用专门的 embedding 模型。