Alex GetmanAI ముందస్తు సంకేతాలు

GPT-5.6 Terra

OpenAI

విడుదలైంది నవీకరించినది
కాంటెక్స్ట్ విండో
1M
10,50,000 టోకెన్లు
గరిష్ఠ అవుట్‌పుట్
128K
1,28,000 టోకెన్లు
ఇన్‌పుట్ / అవుట్‌పుట్
వచనం, చిత్రం → వచనం

API ధరలు

USD / 10 లక్షల టోకెన్లు

ఇన్‌పుట్అవుట్‌పుట్కాష్ చేసిన ఇన్‌పుట్
  • $2.00
openrouter
  • $12.00
openrouter
  • $0.20
openrouter

కాలక్రమం

  1. · APIలో అందుబాటు · ఆధార లింక్
ఇన్‌పుట్ / అవుట్‌పుట్ ధర · USD / 10 లక్షల టోకెన్లు
మోడల్ఆధారాల లింకులుఇన్‌పుట్ / అవుట్‌పుట్ ధర
gpt-5.6-terra
batch · long context
openai
API మార్గం అందుబాటులో లేదు
$2.00 (ఇన్‌పుట్ > 2,72,000 టోకెన్లు) / $9.00 (ఇన్‌పుట్ > 2,72,000 టోకెన్లు)
gpt-5.6-terra
batch · short context
openai
API మార్గం అందుబాటులో లేదు
$1.00 (ఇన్‌పుట్ ≤ 2,72,000 టోకెన్లు) / $6.00 (ఇన్‌పుట్ ≤ 2,72,000 టోకెన్లు)
gpt-5.6-terra
fast · long context
openai
API మార్గం అందుబాటులో లేదు
$8.00 (ఇన్‌పుట్ > 2,72,000 టోకెన్లు) / $36.00 (ఇన్‌పుట్ > 2,72,000 టోకెన్లు)
gpt-5.6-terra
fast · short context
openai
API మార్గం అందుబాటులో లేదు
$4.00 (ఇన్‌పుట్ ≤ 2,72,000 టోకెన్లు) / $24.00 (ఇన్‌పుట్ ≤ 2,72,000 టోకెన్లు)
gpt-5.6-terra
flex · long context
openai
API మార్గం అందుబాటులో లేదు
$2.00 (ఇన్‌పుట్ > 2,72,000 టోకెన్లు) / $9.00 (ఇన్‌పుట్ > 2,72,000 టోకెన్లు)
gpt-5.6-terra
flex · short context
openai
API మార్గం అందుబాటులో లేదు
$1.00 (ఇన్‌పుట్ ≤ 2,72,000 టోకెన్లు) / $6.00 (ఇన్‌పుట్ ≤ 2,72,000 టోకెన్లు)
gpt-5.6-terra
standard · long context
openai
API మార్గం అందుబాటులో లేదు
$4.00 (ఇన్‌పుట్ > 2,72,000 టోకెన్లు) / $18.00 (ఇన్‌పుట్ > 2,72,000 టోకెన్లు)
gpt-5.6-terra
standard · short context
openai
API మార్గం అందుబాటులో లేదు
$2.00 (ఇన్‌పుట్ ≤ 2,72,000 టోకెన్లు) / $12.00 (ఇన్‌పుట్ ≤ 2,72,000 టోకెన్లు)
openai/gpt-5.6-terra-pro
standard
openrouter$2.00 / $12.00
openai/gpt-5.6-terra-pro:batch
batch
openrouter$1.00 / $6.00
  1. · ధృవీకరించిన వినియోగం · OpenAI · official articles · Retell uses OpenAI models to help power 100M monthly calls
    ఉల్లేఖనం
    After a call, Retell uses GPT‑5.6 Terra to analyze the transcript and extract outcomes and other data
  2. · ధృవీకరించిన వినియోగం · OpenAI · official articles · How we detect frontier model misalignment
  3. · కేటలాగ్‌లో నమోదు · GitHub · openai/openai-node · code
    ఉల్లేఖనం
    ttps://developers.openai.com/api/docs/deprecations for details and * recommended replacements. */ model: | 'gpt-6-astra' | 'gpt-6.1-sol' | 'gpt-6.1-terra' | 'gpt-6-sol' | 'gpt-6-luna' | 'gpt-5.6-sol' | 'gpt-5.6-terra' | 'gpt-5.6-luna' | 'gpt-5.5' | 'gpt-5.5-2026-04-23' | 'gpt-5.4' | 'gpt-5.4-mini' | 'gpt-5.4-nano' | 'gpt-5.4-mini-2026-03-17' | 'gpt-5.4-nano-2026-03-17' | 'gpt-5.3-chat-latest' | 'gpt-5.2' | 'gpt-5.2-2025-12-11' | 'gpt-5.2-chat-latest' | 'gpt-5.2-pro' | 'gpt-5.2-pro-2025-12-11' | 'gpt-5.1' | 'gpt-5.1-2025-11-13' | 'gpt-5.1-codex' | 'gpt-5.1-mini' | 'gpt-5.1-chat-latest' | 'gpt-5' | 'gpt-5-mini' | 'gpt-5-nano' | 'gpt-5-2025-08-07' | 'gpt-5-mini-2025-08-07' | 'gpt-5-nano-2025-08-07' | 'gpt-5-chat-latest' | 'gpt-4.1' | 'gp
  4. · కేటలాగ్‌లో నమోదు · GitHub · openai/codex · code
    ఉల్లేఖనం
    cfg = ConfigToml { agents: Some(AgentsToml { enabled: Some(false), max_depth: Some(2), default_subagent_model: Some("gpt-5.6-terra".to_string()), default_subagent_reasoning_effort: Some(ReasoningEffort::High), interrupt_message: Some(false), ..Default::default() }), ..Default::default() }; let config = Config::load_from_base_config_with_overrides( cfg, ConfigOverrides::d

    కోడ్‌లోని ఈ ప్రస్తావన వాడుకలో ఉన్న మోడల్ ఐడెంటిఫైయర్‌ను నిర్ధారించదు.

  5. · కేటలాగ్‌లో నమోదు · GitHub · openai/codex · code
    ఉల్లేఖనం
    se; use codex_protocol::openai_models::WebSearchToolType; use super::BedrockEndpoint; const GPT_5_BEDROCK_CONTEXT_WINDOW: i64 = 272_000; const GPT_5_6_SOL_OPENAI_MODEL_ID: &str = "gpt-5.6-sol"; const GPT_5_6_TERRA_OPENAI_MODEL_ID: &str = "gpt-5.6-terra"; const GPT_5_6_LUNA_OPENAI_MODEL_ID: &str = "gpt-5.6-luna"; const GPT_6_1_SOL_OPENAI_MODEL_ID: &str = "gpt-6.1-sol"; const GPT_6_1_TERRA_OPENAI_MODEL_ID: &str = "gpt-6.1-terra"; const GPT_6_SOL_OPENAI_MODEL_ID: &str = "gpt-6-sol"; const GPT_6_LUNA_OPENAI_MODEL_ID: &str = "gpt-6-luna"; const GPT_6_ASTRA_OPENAI_MODEL_ID: &str = "gpt-6-astra"; const GPT_5_5_OPENAI_MODEL_ID: &str = "gpt-5.5"; pub(crate) fn static_model_catalog() -> ModelsResponse { let catalog = ModelsResponse { models: vec![ bedrock_model( bundled_openai_model(GPT_6_1_SOL_OPENAI_MODEL_ID), AMAZON_BEDROCK_GPT_6_
  6. · కేటలాగ్‌లో నమోదు · GitHub · openai/openai-agents-python · code
    ఉల్లేఖనం
    "gpt-5.4-pro", "gpt-5.4-pro-2026-03-05", "gpt-5.5", "gpt-5.5-2026-04-23", "gpt-5.5-pro", "gpt-5.5-pro-2026-04-23", "gpt-5.6", "gpt-5.6-sol", "gpt-5.6-terra", "gpt-5.6-luna", "gpt-4.1", "gpt-4.1-2025-04-14", "gpt-4.1-mini", "gpt-4.1-mini-2025-04-14", "gpt-4.1-nano", "gpt-4.1-nano-2025-04-14", ), 1_047_576, ), **_model_context_windows( ( "gpt-5", "gpt-5-2025-08-07", "gpt-5-codex", "gpt-5-mini", "gpt-5-mini-2025-08-07", "gpt-5-nano", "gpt-5-nano-2025-08-07", "gpt-5-pro", "gpt-5-pro-2025-10-06", "gpt-5.1", "gpt-5.1-2025-11-13", "gpt-
  7. · కేటలాగ్‌లో నమోదు · GitHub · openai/openai-python · code
    ఉల్లేఖనం
    gth of 512 characters. """ model: Union[ Literal[ "gpt-6-astra", "gpt-6.1-sol", "gpt-6.1-terra", "gpt-6-sol", "gpt-6-luna", "gpt-5.6-sol", "gpt-5.6-terra", "gpt-5.6-luna", "gpt-5.5", "gpt-5.5-2026-04-23", "gpt-5.4", "gpt-5.4-mini", "gpt-5.4-nano", "gpt-5.4-mini-2026-03-17", "gpt-5.4-nano-2026-03-17", "gpt-5.3-chat-latest", "gpt-5.2", "gpt-5.2-2025-12-11", "gpt-5.2-chat-latest", "gpt-5.2-pro", "gpt-5.2-pro-2025-12-11", "gpt-5.1", "gpt-5.1-2025-11-13", "gpt-5.1-codex", "gpt-5.1-mini", "gpt-5.1-chat-latest", "gpt-5", "gpt-5-mini",
  8. · కేటలాగ్‌లో నమోదు · GitHub · openai/openai-agents-js · code
    ఉల్లేఖనం
    .replace(/-\d{4}-\d{2}-\d{2}$/u, ''); return [...new Set([normalized, withoutPinnedDate])]; } const SANDBOX_CONTEXT_WINDOWS_1M = new Set([ 'gpt-6-astra', 'gpt-6-sol', 'gpt-6-luna', 'gpt-6.1-sol', 'gpt-5.6', 'gpt-5.6-sol', 'gpt-5.6-terra', 'gpt-5.6-luna', 'gpt-5.4', 'gpt-5.4-2026-03-05', 'gpt-5.4-pro', 'gpt-5.4-pro-2026-03-05', 'gpt-4.1', 'gpt-4.1-2025-04-14', 'gpt-4.1-mini', 'gpt-4.1-mini-2025-04-14', 'gpt-4.1-nano', 'gpt-4.1-nano-2025-04-14', ]); const SANDBOX_CONTEXT_WINDOWS_400K = new Set([ 'gpt-5', 'gpt-5-codex', 'gpt-5-mini', 'gpt-5-nano', 'gpt-5-pro', 'gpt-5.1', 'gpt-5.1-codex', 'gpt-5.1-codex-max', 'gpt-5.1-codex-mini', 'gpt-5.2', 'gpt-5.2-codex', 'gpt-5.2-codex-cyber', 'gpt-5.2-pro', 'gpt-5.3-codex', 'gpt-5.3-codex-spark', 'gpt-5.4-mini', 'gpt-5.4-nano', ]); const SANDBOX_CONTEXT_WINDOWS_200K = new
  9. · అలెక్స్ పోస్టులు · Alex Getman
    ఉల్లేఖనం
    Jev is out, a new AI model from startup TypeSafe AI It is built for fast decision making inside apps. You give it context and possible actions, and it picks the best option with probability and confidence. TypeSafe says Jev reaches GPT 5.6 Terra level on these tasks, responds in 70 to 500ms, and costs $0.042 per 1M input tokens. Output is free. It can route support tickets, score risk, and check AI agent actions.
  10. · అలెక్స్ పోస్టులు · Alex Getman
    ఉల్లేఖనం
    🚨 Google released Gemini 3.8 Flash • still $0.75 per 1M input tokens • at the same price, it is noticeably stronger than Gemini 3.7 Flash across almost the entire table • especially big gains in autonomous computer use and complex scientific tasks • beats GPT 5.6 Terra, a model in the same class, on almost every benchmark
  11. · అలెక్స్ పోస్టులు · Alex Getman
    ఉల్లేఖనం
    ⚡️ Qwen 3.8 27B beat GPT 5.6 Terra This happened in the AA Agentic Index, a benchmark that tests how well models handle agentic tasks. And you can run Qwen 3.8 27B locally on a single RTX 3090.
  12. · అలెక్స్ పోస్టులు · Alex Getman
    ఉల్లేఖనం
    Very few people know this, but Muse Spark 1.2 might be the best value model on the market right now. Its intelligence is around GPT-5.6 Terra. But if you use Muse Code and agree to code analysis through the Contributor tier, the price drops 10–20x. So you basically get Terra-level intelligence at Luna-level cost.
  13. · అలెక్స్ పోస్టులు · Alex Getman
    ఉల్లేఖనం
    ⚡️ Alibaba released Qwen 3.8 Max The new 2.4T parameter flagship benchmarks in the same league as GPT-5.6 Sol, Claude Opus 4.8 and Fable 5. API pricing is $2/M input and $6/M output, roughly half the cost of GPT-5.6 Terra and Claude Sonnet. Now it’s up to users to see whether Qwen can beat DeepSeek-V4-Flash and GPT-5.6 Luna on price to performance.
  14. · అలెక్స్ పోస్టులు · Alex Getman
    ఉల్లేఖనం
    ⚡️ RELEASE: KIMI K3 Moonshot just dropped its new flagship: 2.8T parameters, a 1M-token context window, native vision, and a focus on large projects, coding, games, and 3D. Full weights are expected in the next few days. API: $3 / $15 per million input/output tokens. Pricing-wise, that puts it around Sonnet 5 or GPT-5.6 Terra, while Moonshot’s own benchmarks have it taking shots at Opus 4.8 and Sol. So basically: Opus-class performance at Sonnet pricing. You can already try it for free on the Kimi website or through Kimi Code CLI.
  15. · అలెక్స్ పోస్టులు · Alex Getman
    ఉల్లేఖనం
    Grok 4.5: a new competitor to GPT and Claude Posting this a little late, but I prepared something interesting. Grok 4.5 is temporarily available to test for free in Grok Build and Cursor. The model runs at around 80 tokens per second, supports a context window of up to 500,000 tokens, and costs $2 per million input tokens and $6 per million output tokens. According to Musk, Grok 4.5 was trained from scratch on SpaceXAI’s own foundation and is not built on top of Kimi like Composer. In terms of quality, Grok 4.5 comes close to GPT-5.6 Terra, while its pricing is closer to Luna. Among Anthropic models, it sits between Haiku and Sonnet, making it especially attractive in terms of price-to-pe

సంకేతాలు 2

సాంకేతిక వివరాలు

GPT-5.6 Terra అనేది OpenAI రూపొందించిన మోడల్; విడుదల తేదీ 2026-07-09. కాంటెక్స్ట్ విండో పరిమాణం 10,50,000 టోకెన్లు. గరిష్ఠ అవుట్‌పుట్ 1,28,000 టోకెన్లు. ప్రతి పది లక్షల ఇన్‌పుట్ టోకెన్లకు $2.00, ప్రతి పది లక్షల అవుట్‌పుట్ టోకెన్లకు $12.00 ధర ఉంటుంది.

కాంటెక్స్ట్ విండో
10,50,000
గరిష్ఠ అవుట్‌పుట్
1,28,000
ఇన్‌పుట్
వచనం · చిత్రం
అవుట్‌పుట్
వచనం
ఇన్‌పుట్ · USD / 10 లక్షల టోకెన్లు
$2.00
అవుట్‌పుట్ · USD / 10 లక్షల టోకెన్లు
$12.00
కాష్ చేసిన ఇన్‌పుట్ · USD / 10 లక్షల టోకెన్లు
$0.20

ప్రశ్నలు

GPT-5.6 Terra కాంటెక్స్ట్ విండో పరిమాణం ఎంత?

కాంటెక్స్ట్ విండో పరిమాణం 10,50,000 టోకెన్లు. గరిష్ఠ అవుట్‌పుట్ 1,28,000 టోకెన్లు.

GPT-5.6 Terra ధర ఎంత?

ప్రతి పది లక్షల ఇన్‌పుట్ టోకెన్లకు $2.00, ప్రతి పది లక్షల అవుట్‌పుట్ టోకెన్లకు $12.00 ధర ఉంటుంది. కాష్ చేసిన ఇన్‌పుట్ ధర ప్రతి పది లక్షల టోకెన్లకు $0.20.

GPT-5.6 Terra ఎప్పుడు విడుదలైంది?

2026-07-09 నాడు.