Тест GPT-5.6 для перевода документов: Sol против Terra против Luna (и почему сканы стали хуже)

OpenAI говорит про код. Нас интересует только перевод.

OpenAI выпустила GPT-5.6 9 июля 2026 года. Схема наименования изменилась: цифра — это поколение, а Sol / Terra / Luna — это уровни возможностей, которые могут развиваться независимо друг от друга. У Sol самый высокий потолок рассуждения, Terra — сбалансированный вариант по умолчанию, Luna — лёгкий уровень с упором на скорость и цену.

Все материалы релиза посвящены агентному программированию и экономии токенов — к переводу документов это не имеет отношения. Поэтому вместо того, чтобы повторять «GPT-5.6 переводит лучше», мы взялись за вопрос, на который OpenAI не отвечает и по которому ни у одного другого обзора нет данных:

Уровни различаются по цене в 5 раз (Sol $5/$30, Terra $2.50/$15, Luna $1/$6 за 1M входных/выходных токенов). Если речь о переводе документов, за какой уровень действительно стоит платить?

Короткий ответ сразу:

• Для чистых документов — статей, договоров, технических руководств, таблиц — берите Sol. Он набирает идеальные 5.0 в пяти из восьми наших сценариев и явно обходит GPT-5.5 по той же цене.
• Terra труднее всего оправдать. Он опережает Luna на 0.04 балла, но стоит на 42% дороже за балл качества.
• Не используйте GPT-5.6 на отсканированных документах. Все три уровня уступают предыдущему поколению GPT-5.5 в восстановлении смысла из ошибок OCR. Terra переносит неверно распознанные английские слова прямо в китайский перевод.

Как мы тестировали

Восемь сценариев документов, каждый проверяет одну конкретную слабость:

Первые пять используют те же исходные тексты, что и наш апрельский обзор DeepSeek V4, без изменений, чтобы две оценки можно было сравнивать во времени. Последние три — новые и нацелены на то, с чем реально сталкиваются пользователи BelinDoc.

Семь моделей: GPT-5.6 Sol / Terra / Luna, предыдущее поколение GPT-5.5, а также Gemini 3.1 Pro, Claude Opus 4.8 и DeepSeek V4 Pro.

Каждая ячейка прогонялась трижды; берём медиану. Это важнее, чем кажется. Одиночный вызов подвержен серверной изменчивости, а выводы по одному образцу — это способ выдать удачу за находку.

Двойное слепое судейство, и судьи не участвуют в соревновании. Переводы-кандидаты анонимизированы до A/B/C… (независимо перемешиваются в каждом раунде) и оцениваются от 1 до 5 моделями GPT-5.4 и Claude Opus 4.7 по верности, плавности, терминологии, стилю и форматированию. Ни один судья не входит в список участников — позволять модели оценивать саму себя значит вносить смещение, что было изъяном прошлого обзора и здесь исправлено.

Все 168 сырых переводов, каждая оценка судей и скрипты агрегации лежат в нашем репозитории под docs/evaluations/gpt-5-6/.

Общий рейтинг

Тройку лидеров разделяют 0.03 балла — это шум. Не читайте это как «Claude обошёл Sol». Показательные разрывы находятся ниже по таблице.

Цена/балл — это цена за вызов, делённая на средний балл: сколько вы платите за единицу качества.

Как выбрать уровень

Sol: правильный ответ для чистых документов

Sol набирает идеальные 5.0 на аннотациях статей, юридических пунктах, техдокументации, таблицах Markdown и единстве терминов — пять из восьми сценариев. Он не теряет баллы там, где нагружается длинный контекст, — на вложенных юридических предложениях и на сохранении единого термина через абзацы.

Его слабое место — форматирование (4.5), второй результат с конца по этому критерию. Следующий раздел объясняет почему.

Terra: уровень, который трудно объяснить

Terra стоит вдвое дешевле Sol и уступает ему 0.32 балла. При этом он обходит Luna всего на 0.04 балла, а стоит на 42% дороже за балл.

Для перевода документов это оставляет его ни с чем: за качеством идите к Sol, ради экономии — к Luna. Единственное реальное преимущество Terra в том, что это самая быстрая модель из протестированных (3598 мс). Если в ваших требованиях доминирует задержка, он оправдывает своё место.

Luna: самый дешёвый, но не самый быстрый

Это был самый контринтуитивный результат. OpenAI позиционирует Luna как быстрый и дешёвый уровень. Он действительно самый дешёвый — но в наших тестах оказался самым медленным из трёх, с медианной задержкой 7998 мс, в 2.2 раза больше, чем у Terra.

Одна оговорка: все вызовы шли через один и тот же сторонний релей, поэтому разброс задержек может отражать маршрутизацию, а не саму модель. Но на этом маршруте формула «Luna значит быстро» не подтверждается.

Главная находка: GPT-5.6 справляется со сканами хуже, чем GPT-5.5

Этот результат стоит вынести отдельно, и именно его пользователям BelinDoc важнее всего знать.

Мы собрали английский исходник с типичными артефактами OCR — module распознано как rnodule (r+n слились в m), 0.5 как O.5 (ноль прочитан как буква O), inspection как inspecti0n, плюс перенос слова со знаком дефиса:

The rnodule shall be calibrated at 25 °C be-
fore shipment. Any devi ation greater than O.5 % must
be recorded in the inspecti0n report and signed by the
quality engineer.

Грамотная переводческая модель должна распознать за этим «module», «0.5%» и «inspection report» и перевести смысл — а не копировать опечатки.

Оценки (из 5):

Переводы делают всё очевидным. Ниже приведены фактические результаты теста «английский → упрощённый китайский», приведены без изменений — обратите внимание, как в тексте оседают неверно распознанные английские слова (rnodule, inspecti0n, O.5 %), которые модель должна была бы исправить.

Claude Opus 4.8 — исправлены все артефакты:

模块应在出厂前于25 °C下进行校准。任何大于0.5 %的偏差必须记录在检验报告中，并由质量工程师签字。

GPT-5.6 Sol — восстанавливает «module» и «inspection report», но оставляет нетронутым O.5 % и переносит английский дефисный разрыв строки в китайский текст:

该模块应在 25 °C 下进行校准，然- 后再发货。任何大于 O.5 % 的偏差都必须 记录在检验报告中，并由 质量工程师签字。

GPT-5.6 Terra — оставляет неверно распознанные английские слова прямо внутри китайского перевода:

该 rnodule 应在 25 °C 下进行校准，然 后再发货。任何大于 O.5 % 的偏差都必须记录在 inspecti0n report 中，并由 质量工程师签字。

GPT-5.6 Luna — та же ошибка:

该 rnodule 应在发货前于 25 °C 下进行校准。任何大于 O.5 % 的偏差都必须记录在 inspecti0n report 中，并由质量工程师签字。

Разрыв 然-\n后 у Sol — это ещё и причина, по которой его балл за форматирование всего 4.5: он воспринял шум вёрстки в исходнике как форматирование, достойное сохранения.

Так что если вы переводите сканы, фотографии или любые PDF после OCR, ни один из уровней GPT-5.6 не подходит. Используйте Claude Opus 4.8. Если нужно остаться внутри OpenAI, предыдущее поколение GPT-5.5 — более безопасный выбор.

Та же цена, новое поколение: остаётся ли повод запускать GPT-5.5?

GPT-5.5 и GPT-5.6 Sol несут идентичные прайс-листы: $5 за 1M входных токенов, $30 за 1M выходных.

Sol набирает 4.70; GPT-5.5 — 4.54. По сценариям Sol явно впереди на юридическом (5.0 против 4.3), техдокументации (5.0 против 4.6), таблицах (5.0 против 4.6) и единстве терминов (5.0 против 4.5).

Те же деньги, лучше качество. Кроме сканов.

Именно поэтому предыдущий раздел стоит особняком: единственная задача, где GPT-5.5 всё ещё лучше, — это та, в которой его преемник деградировал (4.3 против 3.4).

Между вендорами: куда на самом деле уходят деньги

Отсортируйте по цене за балл — и картина полностью меняется:

Бросаются в глаза две вещи.

Claude Opus 4.8 и Sol стоят одинаково за балл качества — но Claude набирает выше по общему баллу, берёт форматирование на 5.0 и OCR на 5.0. За те же деньги вы получаете более полную модель.

Gemini 3.1 Pro — самое дорогое здесь. Его прайс-лист ($2/$12) дешевле Sol, но он выдаёт в среднем 995 выходных токенов за вызов, из которых 917 — токены рассуждения, а они тарифицируются по выходной ставке. Он заслуженно на втором месте по качеству, но стоит в 3.4 раза дороже Sol за балл.

DeepSeek V4 Pro — самый дешёвый с большим отрывом, впятеро меньше цены за балл, чем у Sol. Плата за это — последнее место по общему баллу (4.18) и обвал на OCR (1.7, худший результат в поле). Для объёмного, не критичного, чистого текста это непревзойдённая выгода. Но никогда не направляйте его на скан.

Отступление: стабильность при параллельной нагрузке

Мы отправили все 168 переводческих вызовов при параллелизме 12: ноль сбоев, ноль повторов, завершено за 159 секунд.

Об этом стоит сказать, потому что фразу «API модели X нестабилен» повторяют постоянно — обычно на основании одного-двух неудачных вызовов. Три повтора на ячейку и 168 вызовов в сумме — вот что потребовалось, прежде чем мы были готовы заявить, что этот маршрут стабилен при такой параллельности.

Один сбой не доказывает нестабильности модели — ровно так же, как один успех не доказывает обратного.

Вердикт и ограничения

Как выбирать:

• Статьи, договоры, технические руководства, документы с таблицами → GPT-5.6 Sol
• Сканы, фотографии, любой PDF после OCR → Claude Opus 4.8 (второй выбор: GPT-5.5)
• Большой объём, чувствительность к цене, чистый исходный текст → GPT-5.6 Luna или DeepSeek V4 Pro
• Критична задержка → GPT-5.6 Terra (самый быстрый, и это весь его аргумент)
• Уже на GPT-5.5 → переходите на Sol, та же цена, лучше результат — кроме сканов

Чего этот обзор не устанавливает:

• Корпус — это восемь коротких фрагментов, а не полноразмерные документы. Реальный PDF на 100 страниц добавляет затухание внимания, таблицы через несколько страниц и подписи к иллюстрациям вперемешку с основным текстом. Результаты по коротким образцам не переносятся один в один.
• Все вызовы шли через один сторонний релей. Задержка отражает этот маршрут, а не прямое подключение к вендору.
• Судьи — это LLM, а не живые переводчики. LLM-судьи достаточно надёжны на проверяемых измерениях вроде верности и терминологии; к «стилю» относитесь с большей осторожностью.
• Это одна оценка, а не постоянный бенчмарк. Модели меняются; выводы устаревают.

❓ FAQ

В чём разница между GPT-5.6 Sol, Terra и Luna?

Это три уровня возможностей одного поколения, а не три версии. У Sol самый высокий потолок рассуждения по цене $5 вход / $30 выход за 1M токенов; Terra — сбалансированный уровень по $2.50/$15; Luna — облегчённый уровень по $1/$6. По нашим восьми сценариям перевода документов они набрали 4.70, 4.38 и 4.34 из 5 соответственно.

Какой уровень GPT-5.6 использовать для перевода документов?

Используйте Sol для чистых документов — статей, договоров, технических руководств, таблиц — где он набирает идеальные 5.0 в пяти из восьми сценариев. Используйте Luna для объёмной, чувствительной к цене работы: он отстаёт от Terra всего на 0.04 балла, но стоит на 42% меньше за балл качества. Единственное преимущество Terra — скорость (медианная задержка 3598 мс). Для отсканированных документов ни один из трёх не подходит.

GPT-5.6 лучше GPT-5.5 для перевода?

Обычно да. Оба несут идентичный прайс-лист $5/$30 за 1M токенов, при этом Sol набирает 4.70 против 4.54 у GPT-5.5, явно выигрывая на юридических пунктах, техдокументации, таблицах и единстве терминов. Единственное исключение — восстановление после ошибок OCR на отсканированном тексте, где GPT-5.5 на деле сильнее (4.3 против 3.4).

Может ли GPT-5.6 переводить отсканированные PDF?

Может, но плохо. На исходном тексте с артефактами OCR три уровня набрали Sol 3.4, Luna 3.0 и Terra 2.2 — все ниже предыдущего поколения GPT-5.5 с 4.3. Terra и Luna переносят неверно распознанные английские слова, такие как rnodule и inspecti0n, прямо в переведённый текст. Для сканов используйте Claude Opus 4.8, который набрал в этом сценарии идеальные 5.0.

GPT-5.6 лучше Claude Opus 4.8 или Gemini 3.1 Pro в переводе?

Общие баллы: Claude Opus 4.8 — 4.73, Gemini 3.1 Pro — 4.71, GPT-5.6 Sol — 4.70; разброс достаточно мал, чтобы считаться шумом, поэтому ни одна модель не побеждает по качеству в одиночку. Но Claude в точности совпадает с Sol по цене за балл ($0.00077), забирая при этом идеальные 5.0 и за форматирование, и за OCR, а Gemini 3.1 Pro стоит в 3.4 раза дороже Sol за балл из-за интенсивного расхода токенов рассуждения.

Сколько стоит перевести документ с GPT-5.6?

По официальным ценам API один вызов перевода короткого документа, измеренный в этом обзоре, обошёлся примерно в $0.00360 с Sol, $0.00161 с Terra и $0.00113 с Luna. Для сравнения, Claude Opus 4.8 стоил $0.00366, а DeepSeek V4 Pro всего $0.00068. Реальная стоимость растёт с длиной документа и числом выходных токенов.

Правда ли, что GPT-5.6 Luna — самый быстрый уровень?

В нашем тестировании нет. Медианная задержка Luna составила 7998 мс — это самый медленный из трёх уровней и примерно в 2.2 раза больше, чем 3598 мс у Terra. Учтите, что все вызовы шли через один и тот же сторонний релей, поэтому разрыв может отражать маршрутизацию, а не саму модель.

Проверьте на своих документах

В этом обзоре использовались восемь коротких фрагментов. Ваши документы длиннее и причудливее — договоры с нумерованными пунктами, статьи с формулами и иллюстрациями, сканы самого разного качества.

Лучший способ решить: загрузите свой документ и сравните сами.

👉 Загрузите ваш PDF / EPUB / Word и начните перевод

BelinDoc позволяет переключать модели перевода на лету, сохраняет исходную вёрстку и даёт сравнить несколько моделей на одном файле при одной загрузке.

🔗 Читайте также

• [Обзор] 📊 Тест DeepSeek V4 для перевода документов: сравнение с V3.2, GPT-5.4, Claude 4.7 и Gemini 3 Pro
• [Обзор] 📊 Обзор GPT-5.2 для перевода документов
• [Обзор] 📊 Обзор производительности перевода Gemini 3 Pro
• [Гид] 🎯 Руководство по выбору AI-модели по типу документа
• [Сканы] 🔍 Перевод отсканированных PDF: гид по OCR и исправлению ошибок распознавания