GPT-5.6 Terra: OpenAI เปิดตัวเงียบๆ ทดแทน GPT-5.5 ในราคาครึ่งหนึ่ง

เมื่อ OpenAI เปิดตัว GPT-5.6 ในวันที่ 9 กรกฎาคม 2026 ข่าวส่วนใหญ่มุ่งไปที่ Sol ซึ่งเป็นรุ่นเรือธงสำหรับการให้เหตุผลเชิงลึก แต่สำหรับทีมที่ต้องควบคุมต้นทุนการใช้งานจริง โมเดลที่ควรพิจารณาก่อนคือ GPT-5.6 Terra: ราคา $2.50 ต่อ 1 ล้านโทเค็นขาเข้า และ $15 ต่อ 1 ล้านโทเค็นขาออก โดย OpenAI วางตำแหน่งให้แข่งขันกับ GPT-5.5 ได้ที่ราคาประมาณครึ่งหนึ่ง

ลองใช้ Apidog วันนี้

หาก Terra ให้คุณภาพเทียบเท่า GPT-5.5 สำหรับ workload ของคุณ การคงคำขอไว้ที่ GPT-5.5 อาจเป็นต้นทุนที่ไม่จำเป็น บทความนี้จะอธิบายวิธีย้ายไป Terra อย่างปลอดภัย เลือกใช้ Sol หรือ Luna ตามประเภทงาน และสร้าง regression test ก่อนปล่อยสู่ production

สรุป

• gpt-5.6-terra คือโมเดลระดับสมดุลระหว่าง Sol รุ่นเรือธง และ Luna รุ่นที่เน้นความเร็ว
• ราคา Terra คือ $2.50 สำหรับ input และ $15 สำหรับ output ต่อ 1 ล้านโทเค็น
• OpenAI วางตำแหน่ง Terra ให้แข่งขันกับ GPT-5.5 ได้ในราคาประมาณครึ่งหนึ่ง
• การย้ายจาก GPT-5.5 ไม่ควรเป็นเพียงการเปลี่ยน model ID: ต้องทดสอบ reasoning effort, รูปแบบ output และการใช้ cache ใหม่
• GPT-5.6 ทุกระดับรองรับ reasoning effort, โหมด Pro, explicit prompt caching และความสามารถใหม่ของ Responses API
• ก่อนใช้งานจริง ให้รัน prompt จริงชุดเดิมกับ gpt-5-5 และ gpt-5.6-terra ใน Apidog แล้วเปรียบเทียบ output และ token usage

GPT-5.6 Terra คืออะไร

GPT-5.6 มีสามโมเดลหลัก:

โมเดล	Input / 1M tokens	Output / 1M tokens	ตำแหน่ง
gpt-5.6-sol	$5.00	$30.00	เรือธง, การให้เหตุผลลึกที่สุด
gpt-5.6-terra	$2.50	$15.00	สมดุล, OpenAI วางตำแหน่งให้เทียบชั้น GPT-5.5
gpt-5.6-luna	$1.00	$6.00	เร็วที่สุด, เหมาะกับงานปริมาณมาก

Terra อยู่ตรงกลางระหว่าง Sol และ Luna: มีความสามารถในการให้เหตุผลเพียงพอสำหรับงาน production ส่วนใหญ่ แต่มีค่าใช้จ่ายต่ำกว่าโมเดลที่เข้ามาแทนที่

Model ID ที่ต้องใช้คือ:

gpt-5.6-terra

อย่าใช้ gpt-5.6 หากคุณตั้งใจเลือก Terra เพราะชื่อย่อนี้ชี้ไปที่ Sol ไม่ใช่ Terra การระบุ model ID ให้ชัดเจนช่วยป้องกันค่าใช้จ่ายเพิ่มขึ้นสองเท่าโดยไม่ตั้งใจ

เมื่อเทียบกับ ราคาของ GPT-5.5 จุดขายของ Terra คือคุณภาพที่ OpenAI วางตำแหน่งว่าแข่งขันได้ แต่มีต้นทุนต่ำลงอย่างมีนัยสำคัญ

ตามศูนย์ช่วยเหลือของ OpenAI Terra ยังเป็นโมเดลเริ่มต้นสำหรับผู้ใช้ ChatGPT แบบ Free และ Go ซึ่งสะท้อนความมั่นใจของ OpenAI ต่อโมเดลระดับนี้

Terra กับ GPT-5.5: อย่าเปลี่ยนแค่ model ID

เอกสาร OpenAI แนะนำให้มองการย้ายโมเดลเป็นการ “ปรับแต่ง” ไม่ใช่แค่การค้นหาและแทนที่สตริงในโค้ด

สิ่งที่ต้องตรวจสอบมี 3 ส่วน

1. ปรับ reasoning effort

OpenAI แนะนำให้ทดสอบ reasoning effort ปัจจุบัน และทดสอบอีกครั้งโดยลดลงหนึ่งระดับ

ตัวอย่าง หาก GPT-5.5 ใช้ effort ระดับ medium ให้ทดสอบ Terra ทั้ง medium และ low

{
  "model": "gpt-5.6-terra",
  "reasoning": {
    "effort": "low"
  },
  "input": "สรุปบทสนทนาฝ่ายสนับสนุนและระบุว่ามีคำขอคืนเงินหรือไม่"
}

หาก Terra ที่ effort ต่ำกว่าให้คุณภาพใกล้เคียงเดิม คุณจะได้ประโยชน์สองด้าน:

1. ราคาโทเค็นต่อหน่วยต่ำลง
2. จำนวน output token อาจลดลง

2. ตรวจสอบ output ที่สั้นลง

GPT-5.6 มีแนวโน้มตอบกระชับกว่า GPT-5.5 หาก prompt เดิมมีคำสั่ง เช่น “ตอบสั้นๆ”, “ข้ามคำนำ”, หรือ “กระชับที่สุด” ให้ทดสอบการลบคำสั่งเหล่านี้ออก

คำสั่งที่ซ้ำซ้อนอาจทำให้โมเดลตัดรายละเอียดสำคัญออกมากเกินไป

3. วัดผล prompt cache ใหม่

หากระบบของคุณใช้ system prompt ยาวๆ หรือมีบริบทคงที่จำนวนมาก ให้ตรวจสอบ token usage ของ cache ระหว่างทดสอบ โดยเฉพาะเมื่อใช้ explicit prompt caching

ข้อมูลสเปกช่วงแรก รวมถึงบทความของ Simon Willison ในวันเปิดตัว รายงาน context window 1 ล้านโทเค็น, output สูงสุด 128K และ knowledge cutoff วันที่ 16 กุมภาพันธ์ 2026 ควรมองตัวเลขเหล่านี้เป็นข้อมูลที่รายงานไว้จนกว่าหน้าสเปก OpenAI จะยืนยันโดยตรง

ขั้นตอนย้ายจาก GPT-5.5 ไป Terra

อย่าทดสอบด้วย prompt สังเคราะห์เพียงไม่กี่รายการ ให้ใช้ข้อมูลจาก production จริง

1. ดึงงานตัวอย่าง 20–50 รายการจาก traffic จริง
2. รันทุกงานด้วย gpt-5-5 เพื่อเป็น baseline
3. รันงานเดิมด้วย gpt-5.6-terra ที่ effort เดิม
4. รันซ้ำด้วย Terra โดยลด effort ลงหนึ่งระดับ
5. ให้คะแนนคุณภาพตามเกณฑ์ของระบบคุณ
6. บันทึก input token, output token และ cached token
7. แยกเส้นทางที่คุณภาพลดลง แล้วเพิ่ม effort เฉพาะเส้นทางนั้น

ตารางประเมินผลขั้นต่ำควรมีลักษณะดังนี้:

Prompt	Model	Effort	คุณภาพ	Input tokens	Output tokens	Cached tokens	หมายเหตุ
สรุป ticket	gpt-5-5	medium	4/5	...	...	...	baseline
สรุป ticket	gpt-5.6-terra	medium	4/5	...	...	...	ผ่าน
สรุป ticket	gpt-5.6-terra	low	4/5	...	...	...	ลดต้นทุนได้

แนวทางนี้ช่วยให้คุณย้าย workload ส่วนใหญ่ไป Terra ได้ โดยเก็บเฉพาะกรณีที่ต้องการ reasoning สูงไว้ที่ effort หรือโมเดลที่เหมาะสมกว่า

Terra กับ Sol: เมื่อไหร่ที่ Sol คุ้มกับราคาสองเท่า

Sol มีราคาเป็นสองเท่าของ Terra:

• Sol: $5 input / $30 output
• Terra: $2.50 input / $15 output

GPT-5.6 Sol คือโมเดลที่ OpenAI ใช้อ้างอิงผล benchmark หลัก เช่น Agents’ Last Exam, Terminal-Bench 2.1, ExploitBench และ OSWorld 2.0

อย่างไรก็ตาม OpenAI ยังไม่ได้เผยแพร่ benchmark เชิงลึกในระดับเดียวกันสำหรับ Terra ดังนั้นอย่าตัดสินจากกราฟ benchmark เพียงอย่างเดียว

Sol มักเหมาะกับงานต่อไปนี้:

• งาน agentic coding ที่มีขั้นตอนยาวและความผิดพลาดมีต้นทุนสูง
• การเรียกใช้เครื่องมือหลายขั้นตอนที่ต้องสะสม reasoning ในหลายรอบ
• งานที่ต้องการความสามารถระดับสูงสุดและยอมรับต้นทุนได้
• Workflow ที่ใช้โหมด ultra ซึ่งเป็นรูปแบบ multi-agent สำหรับผลลัพธ์เร็วขึ้นโดยแลกกับ token cost ที่สูงขึ้น

แต่สำหรับงานทั่วไป เช่น การสรุป, การจัดหมวดหมู่, การดึงข้อมูล, การตอบคำถามแบบ RAG หรือ chatbot support Terra มักเป็นค่าเริ่มต้นที่สมเหตุสมผลกว่า

ตัวอย่างต้นทุนรายวันสำหรับ workload ที่ใช้ input 10 ล้านโทเค็น และ output 2 ล้านโทเค็น:

โมเดล	ต้นทุนต่อวัน
Terra	$55
Sol	$110

ส่วนต่าง $55 ต่อวัน หรือประมาณ $1,650 ต่อเดือน สามารถนำไปลงทุนกับชุด evaluation ที่ดีขึ้นได้

Terra กับ Luna: เมื่อไหร่ควรลดระดับลงอีก

Luna มีราคา $1 input / $6 output ต่อ 1 ล้านโทเค็น ซึ่งต่ำกว่า Terra ประมาณ 60%

Luna เหมาะกับงานที่แคบ ชัดเจน และมี prompt ที่กำหนดโครงสร้างงานไว้แล้ว เช่น:

• การจัดหมวดหมู่ข้อความ
• การสกัดข้อมูลเป็น JSON
• การ route ticket หรือ intent
• การร่างข้อความฉบับแรก
• งาน batch ปริมาณมาก
• งานที่ต้องการ latency ต่ำ

แนวทางที่ใช้งานได้จริงคือ:

• เริ่มจาก Terra สำหรับ workload ใหม่
• เก็บผลการประเมิน
• ย้ายเฉพาะเส้นทางที่ผ่านเกณฑ์ไป Luna
• ยกระดับเฉพาะเส้นทาง agentic ที่ซับซ้อนไป Sol

ดูกรอบเปรียบเทียบเพิ่มเติมได้ที่ Sol vs Terra vs Luna

ฟีเจอร์ที่มีใน GPT-5.6 ทุกระดับ

การเลือก Terra หรือ Luna ไม่ได้หมายความว่าคุณต้องเสียความสามารถของ API ทั้งหมด GPT-5.6 ทั้งสามระดับมีฟีเจอร์หลักเหมือนกัน

• Reasoning effort 6 ระดับ: none, low, medium, high, xhigh, max
• Pro mode: ใช้ reasoning.mode: "pro" สำหรับการตั้งค่าที่เน้นคุณภาพสูงสุด
• Explicit prompt caching: ตั้งค่า prompt_cache_options.mode: "explicit" พร้อมค่า ttl
• Responses API capabilities:
  • การเรียกใช้ tool แบบ programmatic
  • multi-agent runs ในสถานะ beta
  • reasoning context แบบข้ามรอบผ่าน reasoning.context
  • การตั้งค่าความละเอียดภาพ original และ auto

สำหรับ explicit prompt caching การเขียน cache คิดที่ 1.25 เท่าของ input rate แบบไม่ cache ขณะที่การอ่าน cache ได้ส่วนลด 90% และเนื้อหาที่ cache อยู่ได้อย่างน้อย 30 นาที

สำหรับ agent หรือ chatbot ที่มี system prompt ยาวและคงที่ การใช้ cache ร่วมกับราคาของ Terra สามารถลดต้นทุน input ที่มีประสิทธิภาพได้อย่างมาก

เรียกใช้ Terra ผ่าน Responses API

ตัวอย่างคำขอขั้นต่ำ:

curl https://api.openai.com/v1/responses \
  -H "Authorization: Bearer $OPENAI_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "model": "gpt-5.6-terra",
    "reasoning": { "effort": "low" },
    "input": "Summarize this support thread and flag any refund request."
  }'

หากต้องการให้สลับโมเดลได้โดยไม่แก้ request ทุกครั้ง ให้ใช้ environment variable แทนการ hardcode model ID

{
  "model": "{{OPENAI_MODEL}}",
  "reasoning": {
    "effort": "{{REASONING_EFFORT}}"
  },
  "input": "{{PROMPT}}"
}

ตัวอย่าง environment:

GPT55
OPENAI_MODEL=gpt-5-5
REASONING_EFFORT=medium

TERRA
OPENAI_MODEL=gpt-5.6-terra
REASONING_EFFORT=low

ทดสอบ regression ก่อน production

การเปรียบเทียบโมเดลต้องดูทั้งคุณภาพและต้นทุน ไม่ใช่ดูแค่ว่าคำตอบ “ดูดี” หรือไม่

ใช้ Apidog เพื่อบันทึก request เดียว แล้วรันกับหลาย environment ได้ตามขั้นตอนนี้:

1. บันทึก Responses API request โดยใช้ตัวแปรสำหรับ model ID
2. สร้าง environment สำหรับ gpt-5-5
3. สร้าง environment สำหรับ gpt-5.6-terra
4. รันชุด prompt เดิมในแต่ละ environment
5. เปรียบเทียบ response แบบเคียงข้างกัน
6. ตรวจสอบฟิลด์ usage ในทุก response
7. เพิ่ม environment gpt-5.6-luna เพื่อทดสอบเส้นทางที่ต้องการลดต้นทุนต่อ

ให้ตรวจสอบค่าเหล่านี้ใน response:

{
  "usage": {
    "input_tokens": 0,
    "output_tokens": 0,
    "cached_tokens": 0
  }
}

สิ่งที่ควรทดสอบเพิ่มเติม:

• parser หรือ validator ที่คาดว่า output ต้องมีความยาวขั้นต่ำ
• UI ที่แสดงคำตอบสั้นเกินไป
• JSON schema และ structured output
• retry logic และ timeout
• token budget ที่เคยปรับสำหรับ GPT-5.5
• prompt ที่มีคำสั่งให้กระชับซ้ำซ้อน

Terra อาจตอบสั้นกว่า GPT-5.5 โดยตั้งใจ ซึ่งอาจลดต้นทุน แต่ก็อาจเปิดเผยข้อสมมติใน downstream code ของคุณได้

คำถามที่พบบ่อย

GPT-5.6 Terra ดีกว่า GPT-5.5 หรือไม่?

OpenAI วางตำแหน่ง Terra ให้แข่งขันกับ GPT-5.5 ไม่ได้ระบุว่าดีกว่าในทุก workload สำหรับระบบส่วนใหญ่ เป้าหมายคือคุณภาพที่เทียบเคียงได้พร้อมต้นทุนต่ำลง คำตอบที่ถูกต้องต้องมาจาก evaluation ของ prompt จริงในระบบคุณเอง

GPT-5.6 Terra มีค่าใช้จ่ายเท่าไหร่?

Terra มีราคา $2.50 ต่อ 1 ล้าน input tokens และ $15 ต่อ 1 ล้าน output tokens การอ่านจาก cache ได้ส่วนลด 90% เมื่อใช้ explicit prompt caching

ดูรายละเอียดของทั้งตระกูล รวมถึง Sol, Luna และ caching ได้ที่ ราคา GPT-5.6

แผน ChatGPT ใดบ้างที่รวม Terra?

ผู้ใช้ Free และ Go ได้ Terra เป็นโมเดลเริ่มต้น ส่วนแผน Plus และสูงกว่าสามารถเลือกระหว่าง Sol, Terra และ Luna พร้อมกำหนด reasoning effort ได้ตามโมเดล

จำเป็นต้องเปลี่ยนโค้ดเพื่อใช้ Terra หรือไม่?

รูปแบบการเรียก API หลักยังเหมือนเดิม เพียงเปลี่ยน model ID เป็น gpt-5.6-terra แต่ควรปรับแต่งและทดสอบใหม่ โดยเฉพาะ reasoning effort, prompt ที่สั่งให้ตอบสั้น และการจัดการ output ที่กระชับกว่าเดิม

ค่าเริ่มต้นใหม่สำหรับ production

GPT-5.5 ยังไม่ได้ถูกเลิกใช้ แต่สมมติฐานด้านต้นทุนเปลี่ยนไปแล้ว หาก Terra ให้ผลลัพธ์เทียบเท่าสำหรับ workload ของคุณ การอยู่กับ GPT-5.5 ควรมีเหตุผลที่พิสูจน์ได้ด้วยข้อมูล

แนวทางเริ่มต้นที่ใช้งานได้จริงคือ:

1. เริ่ม benchmark ด้วย Terra
2. ยกระดับงาน agentic ที่ซับซ้อนไป Sol เมื่อผลประเมินบอกว่าจำเป็น
3. ลดงานปริมาณมากและแคบไป Luna เมื่อผ่านเกณฑ์
4. วัดคุณภาพและ token usage ทุกครั้งก่อนย้าย traffic

เริ่มจาก prompt จริง 20 รายการใน production log ของคุณ รันกับ gpt-5-5 และ gpt-5.6-terra ใน Apidog แล้วให้ผลลัพธ์และจำนวนโทเค็นเป็นตัวตัดสิน