產業動態
開發者實測指 gpt-5.6-luna 速度達 100 tps，與 GLM 5.3 等小型模型大幅降低消費級 AI 應用成本
Hacker News單一來源
尚未逐項核實
目前依單一來源整理，這是來源數量描述，不是對消息真假的判定。
據開發者實測指出，近期推出的小型模型如 gpt-5.6-luna 與 GLM 5.3 展現出極高的性價比。實測顯示，gpt-5.6-luna 的推論速度可達約 100 tps，在執行跨數千封電子郵件的搜尋任務時，API 成本僅需數十美分。
作者進一步測試建立個人化每日新聞網站的任務，使用前代模型（Sonnet 等級）的推論成本約為 1 美元，而 gpt-5.6-luna 僅需約 0.10 美元。過去高昂的 Token 推論成本是阻礙消費級 AI 應用擴展的主因，而新一代小型模型的大幅降價將使這類應用具備商業可行性。
此外，文章提到 GLM 5.3 成為效能與成本達到帕雷托前緣（Pareto frontier）的新選擇。相較於開發程式時常用的高階模型（如 Fable 5、5.6 Sol），小型模型更適合處理企業中佔比達 95% 的高頻率、需快速回應的日常推進任務，而非僅限於需要極高智商的深度技術難題。
讀原始報導背景
GPT-5.6 是 OpenAI 於 2026 年推出的語言模型系列，依能力等級分為 Luna、Terra 與 Sol 三種變體。GLM 則是中國軟體公司 Z.ai 所開發的開源權重語言模型系列。
社群討論
社群普遍讚賞小型與本機模型已能勝任 90% 至 95% 的日常任務（如工具呼叫與程式碼修改），且成本極低，例如 Luna 的花費僅約 $0.2/$1.2，或能將單次任務成本從 1 美元降至 0.10 美元。然而也有反對意見，部分開發者抗拒降級使用小模型，質疑 TPS 指標因「思考」token 而膨脹，並認為小模型只是硬體升級前的過渡方案。補充洞見指出，大型模型多出的參數主要用於儲存世界知識，若搭配良好的應用層（如 graph RAG 或 Guidance），7B 等小模型在多數不需龐大知識的場景中已非常夠用。