价格大幅下调与定价策略解析

本次测试的核心对象是 OpenAI 最新发布的 GPT-5.6 Luna 模型，这是继 Soul 和 Terra 之后推出的中间层级模型中的最低端版本。该模型在发布仅两天后（7月30日）便经历了显著的价格调整，降价幅度高达 80%。这一举措使其成为目前大型实验室中最便宜的旗舰级前沿模型之一。具体的定价结构为：20 美分/百万输入令牌以及 120 美分/百万输出令牌。然而，这种低价并非在所有场景下都适用，存在特定的“陷阱”：当输入令牌超过 276k 时，价格会发生变化。具体而言，对于包含 272k 输入令牌的提示词，整个请求的输入价格翻倍，输出价格变为 1.5 倍。这种动态定价机制意味着用户在使用长上下文时成本会显著上升，因此在评估其性价比时必须考虑到这一变量。

"I do believe there was an 80% reduction in price bringing this to 20 cents per million input tokens and a $120 per million output."

竞品对比与测试环境设定

在评估 GPT-5.6 Luna 的性能时，主要参照对象包括 GLM 5.2 和 DeepSeek V4 Flash。尽管 GLM 5.2 是一款备受推崇的开源权重模型，但 GPT-5.6 Luna 在最大推理模式（Max Reasoning Mode）下，其成本效益比似乎优于 GLM 5.2，展现出极高的智能评分潜力。与近期测试的 DeepSeek V4 Flash 相比，后者在官方 API 下的最高成本约为 56 美分/百万输出令牌，虽然 DeepSeek 更便宜，但 GPT-5.6 Luna 的多模态能力（特别是图像理解）是其潜在优势。测试全程通过 API 直接调用，不使用任何订阅服务，以确保成本数据的绝对透明。测试总花费仅为 1.34 美元，涵盖了所有测试环节。模型支持超过 100 万令牌的上下文窗口，并具备图像输入能力，这为后续测试图像转 3D 空间等任务提供了基础。

"We spent $1.34 on the entirety of everything we tested here today."

BrowserOS 2.5 测试：异常的系统生成结果

在 BrowserOS 2.5 测试中，GPT-5.6 Luna 生成了极其怪异的结果。系统界面被描述为“我一生中见过的最奇怪的浏览器操作系统结果”，其外观更像是一个仪表盘而非传统 OS。界面顶部显示了正确的时间、日期以及 82% 的模拟电池电量。左侧应用启动器包含文件浏览器、记事本、Markdown 编辑器以及一个名为“Pulse”的假消息应用。尽管文件操作功能基本正常（如创建文件夹、打开 Markdown 文件），但整体视觉设计因背景元素过多导致透明度干扰严重，影响了用户体验。这种非传统的界面布局引发了测试者的困惑，甚至需要寻找指南才能理解基本操作逻辑，显示出模型在遵循标准 UI/UX 规范方面的偏差。

"This is almost less of an OS and more of like a dashboard, but we'll just try to go through it as we would normally."

GTA 游戏生成：严重的视觉与逻辑缺陷

在 GTA 游戏生成测试中，GPT-5.6 Luna 的表现被评价为“非常糟糕”。生成的游戏画面中，玩家视角下的角色和车辆比例严重失调，人物显得巨大无比，仿佛是在驾驶一辆遥控车。这种视觉上的扭曲让测试者怀疑模型是否在生成过程中受到了某种“迷幻物质”的影响。此外，生成的游戏缺乏基本的交互逻辑，无法关闭窗口，甚至没有右键菜单。尽管游戏内包含“Skyline Drift”等元素，且能检测到车辆和障碍物，但整体体验极其混乱。测试者指出，这种结果与之前测试的 DeepSeek 模型在命名上存在巧合（均命名为“Ominous”），但视觉生成的质量远低于预期，显示出模型在处理复杂 3D 空间转换和物理逻辑时的显著短板。

"It's just a total like I can't say that but it looks like this model took like some form of mindaltering substance before actually performing this task."

界面设置与交互逻辑测试

视频开篇展示了模型对界面自定义功能的响应能力。测试者首先调整了Sundown deep forest graphite（日落深林石墨）这一特定的配色方案，并观察到模型能够实时改变文本显示效果，这表明其具备基础的视觉反馈能力。随后，测试者尝试通过设置中的“工作区快照”功能恢复会话，系统成功执行了该操作，证明了会话状态恢复机制的完整性。

在交互层面，测试者故意输入负面评价“这是垃圾，再见”，以测试模型的挽留策略。与许多试图道歉或强行改进的模型不同，该模型选择了直接结束对话。测试者对此表示赞赏，认为这种干脆利落的退出机制反而体现了更高的智能尊重，避免了冗余的无效交互。

C++ 滑板游戏开发：代码生成与视觉验证

第二个测试项目是要求模型使用 C++ 和 Raylib 库创建一个具有“加州木板路”美学的滑板游戏。模型在生成代码的过程中，自动执行了截图验证步骤，确保生成的视觉效果符合预期。最终生成的游戏在整体表现上被评价为“相当不错”，尤其是在考虑到该模型的成本和规模时，其表现堪称称职。

游戏细节方面，云朵和水面的效果虽然简单但存在，滑板的动作如“Kick flip combo”和“Shove it”实现了腿部扭曲的物理动画，尽管看起来略显痛苦，但完全由代码构成。然而，游戏存在明显的碰撞检测Bug，角色在接触栏杆末端时容易卡住，这是此类生成结果中常见的一致性缺陷。尽管如此，店铺上的文字渲染和整体可玩性仍被视为可接受的范围。

统一地铁 FPS 场景：氛围构建与控制体验

第三个测试要求模型先构建一个美观的地铁站场景，再基于此开发第一人称射击（FPS）游戏。这一任务耗时最长，最终生成的场景带有浓厚的Synthwave（合成波）风格，被形容为具有“007电影《大破天幕杀机》”般的氛围感。游戏内的武器设计带有LED灯效，让人联想到《光环》系列，整体视觉风格干净，没有多余的环境杂物。

然而，游戏机制存在明显瑕疵。测试者发现控制反转的问题，且射击后环境中没有留下弹孔，削弱了打击感。 reloading（换弹）动画虽然酷炫，但场景中的海报贴图方向错误，暴露了模型在空间几何理解上的不足。当玩家生命值归零时，游戏会简单重启，缺乏更复杂的失败反馈机制。整体而言，这是一个简单但称职的结果，虽无惊艳之处，但也无重大错误。

成本统计与 Jerry 公寓多模态重构

在完成了前两个主要项目后，测试者对当前消耗进行了统计。浏览器操作系统和C++滑板游戏两项任务的总成本仅为16美分。随后，加入FPS游戏后，累计总成本上升至44美分。这一数据直观地展示了该模型在低成本高效能方面的优势，使得大规模的多轮复杂任务测试在经济上完全可行。

最后一个测试是多模态编码任务：基于《宋飞正传》中Jerry公寓的截图，重构其3D场景。模型在6分半钟内完成了任务，并进行了大量的问答式自我检查。虽然场景并非100%还原剧集细节（如自行车颜色错误，应为青绿色），但测试者对地板颜色和背景蓝色的搭配表示满意，认为这提升了场景的高级感。场景中包含了沙发、浴室和电脑角落等关键区域，尽管沙发面部的绘制存在类似GTA克隆游戏中的几何扭曲现象，但整体布局和功能分区清晰，点击特定位置可触发传送，展示了基本的交互逻辑实现能力。

3D模型生成测试：成本与结构可行性分析

本次测试的核心任务是让模型生成一个内联六缸发动机的3D打印模型，且必须能容纳一个N20微型RC电机。为了验证模型在具体实物参考下的细节生成能力，测试者特意选择了这一具有明确物理约束的复杂对象，而非通用的抽象模型。在等待结果的过程中，耗时达到了前所未有的17分钟以上，这反映了生成高精度3D几何数据所需的计算资源。

"All right. So next up I want to give this a more directed 3D model CAD test where it needs to create a 3D printed model of an inline 6 engine that will fit inside of it an N20 motor."

从成本角度来看，该任务的表现相当出色。测试开始时账户余额为64美分，任务完成后降至89美分，这意味着单次3D模型生成仅消耗了25美分。考虑到这是一个可能用于真实RC车辆的工程级模型，这种极低的边际成本极具吸引力。然而，在技术实现层面，生成的OpenSCAD代码暴露出了明显的缺陷。生成的底座和头部组件在3D打印支撑结构设计上存在严重问题，底部支撑混乱，几乎无法直接打印，需要大量的额外支撑材料，这违背了提示词中"可打印"的要求。

3D模型细节评估：涡轮与整体精度

尽管整体结构勉强可用，但在关键部件的细节处理上，模型表现不佳。测试者重点检查了生成的涡轮增压器（Turbocharger）部分，发现其不仅外观不符合预期，而且在尺寸精度和表面细节上均显得粗糙。虽然从宏观尺寸上看，模型可能大致符合N20电机的安装要求，但在微观层面，其几何结构的合理性存疑。

"This is just bad. It's not what I wanted. And it's not even about that. It's just that the support adherence... little to no supports. This in and of itself is already like a disqualifier for that."

测试者指出，支撑结构的缺失是判定该模型不合格的核心理由之一。即使忽略支撑问题，涡轮部分的几何形状也显得"不太对劲"，缺乏应有的机械美感与工程严谨性。相比之下，底座和电机适配部分虽然支撑设计糟糕，但基本功能逻辑尚存。总体而言，该模型在成本控制上得分极高，但在工程可用性和细节精度上未能达到专业标准，属于"能用但需大量后期修正"的初级成果。

网页前端生成：美学与3D渲染的迭代

在3D模型测试后，测试转向了前端网页生成任务，要求创建一个高端手表品牌"Slapest Watch Company"的网站，包含3D手表模型、电影级平移效果和整体美观的UI。首次尝试耗时3分13秒，总花费累计至1.3美元。尽管测试者未在初始提示中明确要求"3D渲染"，但模型生成的2D SVG风格渲染图在视觉美学上出乎意料地好，避免了常见的黑金配色俗套，呈现出清新的高级感。

"I actually think this is quite good just from a front-end aesthetic standpoint. It's refreshingly not black and gold..."

为了完善效果，测试者进行了第二轮迭代，明确要求加入3D模型渲染。模型迅速响应，将2D图像替换为可交互的3D手表模型。新的3D模型在旋转流畅度、细节呈现（如表冠、日期选择器、刻度标记）方面表现 competent。虽然刻度在圆周旋转时略显不自然，但整体效果远超预期，被认为是该价位模型中最好的3D手表展示之一。静态渲染图同样出色，尤其是绿色款，保持了网站整体的美学一致性。

C++ Chrono City 测试：复杂逻辑与语言约束

最后的测试引入了高难度的Chrono City挑战，要求使用C++语言（不使用RayLib库）生成一个展示城市在不同时期演变并带有平滑过渡效果的程序。这一测试旨在检验模型在复杂逻辑构建和特定语言约束下的能力。测试者在等待期间甚至弹起了吉他，暗示了生成过程的漫长与不确定性。

"This is to do the Chrono City test where it has to show a city over a bunch of different time periods and have good-looking transitions... using C++ without RayLib."

该测试的难点在于C++本身缺乏内置的高级图形库支持，且模型需要自行处理时间线过渡逻辑。测试者提到，以往使用Deep Seek Flash进行此测试时，模型往往会通过检查代码运行结果来优化输出，而本次测试同样面临代码可执行性的挑战。虽然最终结果尚未完全展示，但测试者指出，此类测试通常会因为超时或逻辑错误而失败，因此模型能在如此复杂的约束下生成代码，本身就是一个值得关注的性能指标。这一测试不仅检验了模型的代码生成能力，还验证了其在无依赖库环境下的工程实现潜力。

C++ 构建的跨时代城市视觉演变测试

本次测试首先展示了由 C++ 完全构建 的低多边形城市环境，该环境并非基于常见的 3JS 技术栈，因此其视觉表现具有独特的局限性。测试涵盖了从 1945 年到 2055 年的不同时代背景，旨在观察模型在生成不同历史时期视觉元素时的准确性与细节处理。在 2055 年的场景中，环境呈现出一种“生态友好且无菌”的未来感，街道灯光能够快速循环变色，但人物模型仅表现为漂浮状态，缺乏自然的行走动画，且未提供悬停工具提示等交互细节。

"This is entirely done in C++. ... This is not just like the 3JS version of this which would produce better and more aesthetically pleasing results."

随着时间线回溯，视觉风格发生了显著变化。2005 年的场景以玻璃和混凝土建筑为主，色调略有改变，但人物依然静止不动，尽管模型在体型大小上存在细微差异。1985 年的场景则呈现出明显的复古特征，包括更短的建筑、佩戴墨镜的人物、霓虹灯效果以及移动的车辆，整体色调偏向紫色，体现了 80 年代的审美风格。1965 年的场景使用了柔和的粉彩配色，但由于色彩过于 washed out（褪色/模糊），辨识度较低。1945 年的场景则包含了战争债券标志、现代路灯（相对于当时）以及佩戴帽子的人物，反映了二战时期的着装规范。尽管音频效果被评价为“糟糕”，但视觉上的时代特征通过建筑高度、服装和色彩方案得到了有效传达。

"Street Eat" 游戏生成与初始缺陷

在最终的创意测试中，测试者要求模型生成一款名为 "Street Eat" 的低多边形 3D 游戏，基于 3JS 构建，采用第三人称视角。游戏核心机制是主角 Gary 拥有冰箱大小的右臂，可以击打物体使其飞出。测试者提供了详细的提示词，包括开场动画：Gary 在披萨车前排队，因被戴墨镜的人插队而失去最后一块意大利辣香肠披萨，随后发生简短对话并展示 Gary 握拳的动作。

"The biggest issue I'm noticing is for some reason it doesn't properly give time for the audio clips to stop."

初始生成的版本存在明显缺陷。虽然角色绘制具有卡通风格且质量尚可，但场景中其他元素几乎完全静止，缺乏必要的动态效果。更严重的是，音频生成存在同步问题，新对话往往在上一段音频结束前就开始播放，导致听觉混乱。此外，部分物体出现异常抖动或“狂舞”现象，表明物理引擎或动画状态机存在错误。尽管游戏机制简单，但这些基础交互和音频同步的失败使得初次尝试的体验大打折扣，测试者决定通过反馈机制要求模型进行改进。

迭代优化后的游戏表现与物理反馈

经过约 4 分钟的迭代优化，模型对游戏进行了改进。在开场动画中，对话同步问题得到部分解决，但动画动作仍显僵硬，例如 Gary 举起拳头时的动作不够自然。然而，核心游戏机制的改进更为显著。测试发现，游戏中的物体在被击打后确实会与环境发生碰撞并反弹，尽管这种反弹效果有时不够完美（例如未发生预期的“超远投掷”）。车辆模型依然被生成得过小，且相机控制功能缺失，限制了玩家的视角体验。

"Overall, definitely improved it. ... the way it's drawn the characters in this interesting low poly style is actually kind of neat."

尽管存在瑕疵，优化后的版本在多个方面取得了进步。环境中的物体（如鸽子、狗、路灯）在被击打后表现出物理反馈，例如狗的尾巴摇摆和物体的弹跳。角色绘制保持了有趣的低多边形风格，且物体与环境碰撞的反弹机制增加了游戏的趣味性。虽然音频和相机控制仍是短板，但游戏的核心交互逻辑和视觉风格得到了有效实现，证明了模型在复杂创意任务中具备自我修正和迭代优化的能力。

成本效益与总体定位分析

本次测试涵盖了从代码生成到语音交互的多种任务，总花费仅为1.34美元，这一数据直观地展示了该模型在成本控制上的巨大优势。作者将GPT-5.6 Luna比作“廉价且快速的快餐店”，虽然它可能不是市场上性能最强的模型，但其极高的性价比和响应速度使其成为处理廉价、自动化及重复性任务的理想选择。这种定位并非贬义，而是强调了在特定场景下，便捷性与低成本的结合往往比极致性能更具实用价值。作者指出，考虑到价格大幅下调了80%，许多用户开始关注此模型，因此有必要通过“最大努力模式”（Max Effort）来测试其真实潜力，尽管这会导致结果比常规使用更昂贵，但能更准确地反映模型的上限。

代码生成与3D场景构建表现

在代码生成测试中，GPT-5.6 Luna展现了令人印象深刻的进步。以Three.js游戏场景为例，作者认为这种质量在6到8个月前可能需要顶级模型才能实现，这反映了低成本模型与高端模型在性能上的差距正在迅速缩小。然而，在浏览器操作系统（Browser OS）的生成中，结果显得怪异且缺乏直观性，生成的界面更像是一个仪表盘而非真正的浏览器OS，作者对此个人评价不高。相比之下，Subway FPS（第一人称射击游戏）的生成虽然缺乏华丽的视觉效果和打磨，但功能正常且成本极低，符合其定位。在滑板游戏测试中，角色的行走动画和技巧动作表现良好，唯一的瑕疵是在铁轨上滑行时偶尔会卡住，这在较小规模的模型中并不意外，属于可预期的局限性。

复杂环境模拟与3D建模细节

在更具挑战性的Chrono City C++测试中，模型受限于无法使用Raylib库，且生成的背景音乐被作者形容为“令人作呕”，同时行人缺乏互动性，仅处于静态位置，这导致整体体验略显失望。作者将此结果与之前测试的Deepseek V4 Flash Light模型进行了对比，指出两者在交叉测试中具有一定的可比性。在Jerry's Apartment（现被Street Heat取代）的视觉生成中，尽管组件拼接不够完美，但其美学风格获得了作者的好评。此外，在3D手表网站的前端生成中，模型避免了常见的“紫色Vibe-coded”风格，呈现出耳目一新的视觉效果。当要求将2D设计转为3D模型时，考虑到其低廉的价格，模型质量令人满意，成功通过了许多其他模型容易失败的测试。然而，在N20电机3D模型生成中，虽然几何结构基本合理，但缺乏打印所需的支撑结构，导致其不适合直接3D打印，这暴露了模型在处理复杂几何细节和工程实用性方面的不足。

测试总结与API使用建议

本次测试全程通过API接口而非GPT订阅服务进行，目的是为了精确拆解每个任务的具体成本，从而获得更透明的数据反馈。尽管在最大努力模式下，总成本控制在1.34美元，但这依然证明了该模型在处理多样化任务时的经济高效性。作者总结认为，GPT-5.6 Luna在自动化、重复性任务中表现出色，虽然在复杂交互和精细工程细节上仍有提升空间，但其价格大幅下调后的性能提升使其成为值得关注的选项。对于希望了解模型在不同任务下具体表现的用户，建议参考详细的API成本 breakdown，以便更好地评估其在自身项目中的适用性。