GPT-5.6 进入 Kiro：Sol、Terra、Luna 不是三个版本号，该怎么选
GPT-5.6 的 Sol、Terra、Luna 已进入 Kiro IDE、CLI 和 Web。本文按需求规划、长任务执行、检查点审查和成本验证拆解使用方式，并解释为什么厂商给出的 82% 成本下降不能直接套进你的项目预算。同时给出按成功任务计算成本、比较返工次数的本地验证方法。
先看变化：模型选择被放进完整开发流程
GPT-5.6 Kiro 的重点不只是模型列表多了 Sol、Terra、Luna。OpenAI 的合作公告把它们放在规划、构建、审查和测试这一整条软件流程里；Kiro 的模型更新记录也确认三款模型可用于 IDE、CLI 和 Web，并面向不同的性能与成本需求。换句话说，选择发生在任务阶段，而不是只发生在聊天框顶部。
Kiro 先把高层意图整理成需求、技术设计和可执行任务，再让模型在这些结构化上下文中工作。对复杂项目，这比直接说“帮我实现这个功能”多了一层约束：模型要知道系统应怎样运行、最终结果怎样验收、哪些团队标准不能破坏。结构不会自动保证正确，但能让失败更容易被定位到需求、设计或实现中的某一步。
先用同一任务比较，不要凭名字分档
官方只说明 Sol、Terra、Luna 对应不同性能与成本需求。真正选型时，先准备一组可重复任务：一个需求拆解、一个跨文件实现、一个代码审查、一个失败测试修复。每次使用相同仓库快照、相同规则和相同验收命令，记录完成时间、模型轮次、返工次数和最终用量。
不要让强模型拿最难任务、轻量模型拿最简单任务，然后得出性能结论。也不要只看 Token 总量；如果一次调用减少了三轮返工，总成本可能更低。需要建立基本成本口径时，可以先看输入与输出 Token 为什么价格不同，再把缓存、输入和输出分开记录。
Spec-driven 的价值在检查点
结构化需求最大的价值，是团队可以在代码生成前纠正方向。产品约束没写清，就停在需求阶段；接口边界有冲突，就停在设计阶段；实现计划改动范围过大，就在任务列表阶段拆分。等模型写完几十个文件才发现理解错了，任何模型都会产生昂贵返工。
OpenAI 公告还提到关键检查点审查和 property-based testing。前者让人可以在不可逆改动前确认方向，后者用于检查实现是否满足一组性质，而不只是一两个样例。它们都不是“自动正确”按钮：性质本身写错、测试环境与生产不一致，结果仍会误导。把测试当作证据，而不是免责条款。
82% 成本下降应该怎样读
OpenAI 与 AWS 报告，在其 Kiro 环境的 Terminal-Bench 2.1 测试中，GPT-5.6 Terra 完成成功任务的成本约下降 82%。这个数字值得关注，但只能按厂商测试口径理解。它绑定特定模型、Kiro 环境、基准版本、成功任务定义与对照方案，不能直接推导成“你的账单也会降 82%”。
正确用法是把它当作提出验证问题的线索：你的常见任务能否减少迭代，成功率是否变化，每个成功任务的总成本是多少。至少跑十几个真实任务，再比较中位数和失败样本。只比较一次漂亮结果，容易忽略模型偶发跑偏带来的长尾成本。
切换模型后保留原始名称
Sol、Terra、Luna 应分别进入用量记录，不要一开始就全部合并成 GPT-5.6。版本粒度保留下来，才能回答哪个阶段用了哪一档、一次成功任务花了多少、调整前后是否真的减少返工。需要建立多模型记录方式，可以参考多工具统一追踪；想减少无效轮次，则看降低 AI 编程 Token 消耗。
最后再做选择：需求与设计阶段看哪款更稳定地形成可执行计划，实现阶段看哪款减少返工，审查阶段看哪款更容易发现真实问题。GPT-5.6 Kiro 提供的是三种可组合选项，不是一条“永远选最大模型”的答案。