GPT-5.6 文件翻譯實測：Sol / Terra / Luna 三檔怎麼選，掃描檔為何反而不如 GPT-5.5

前言：官方講的是寫程式，我們只在意翻譯

OpenAI 在 2026 年 7 月 9 日發布了 GPT-5.6。這次命名規則變了：數字代表世代，Sol / Terra / Luna 代表三個能力檔位，可以各自獨立演進。Sol 推理上限最高，Terra 是均衡的預設檔，Luna 主打輕量快速。

官方新聞稿的重心是 agentic coding 和 token 效率——和文件翻譯沒有直接關係。所以我們沒有跟著官方敘事寫「GPT-5.6 翻譯更強了」，而是去回答一個官方不會回答、競品評測也沒有數據的問題：

三檔定價差 5 倍（Sol $5/$30、Terra $2.5/$15、Luna $1/$6，每百萬 token 輸入/輸出）。翻譯文件，到底該選哪一檔？

結論先放這裡：

• 常規文件（論文、合約、技術手冊、表格）選 Sol。 它在 8 個場景裡的 5 個拿到滿分，且與同價的 GPT-5.5 拉開明顯差距。
• Terra 是三檔裡最尷尬的一檔。 它只比 Luna 高 0.04 分，每分成本卻貴 42%。
• 掃描檔千萬別用 GPT-5.6。 三檔在 OCR 糾錯上全線不如上一代 GPT-5.5，Terra 甚至會把辨識錯的英文單字原樣抄進中文譯文。

怎麼測的

8 類文件場景，每一類專打一個弱點：

前 5 類沿用我們 4 月 DeepSeek V4 評測的原始語料，一字未改，因此兩次評測的數據可以縱向比對。後 3 類是本次新增，針對的是 BelinDoc 使用者最常遇到的真實痛點。

7 個模型：GPT-5.6 的 Sol / Terra / Luna 三檔，上一代 GPT-5.5，以及跨廠商的 Gemini 3.1 Pro、Claude Opus 4.8、DeepSeek V4 Pro。

每個格子跑 3 次，取中位數。 這一條很重要。單次呼叫的結果會受伺服器端抖動影響，只跑一次就下結論，很容易把運氣寫成規律。

雙裁判盲評，且裁判不參賽。 候選譯文被匿名成 A/B/C…（每輪獨立洗牌），交給 GPT-5.4 和 Claude Opus 4.7 分別按忠實度、流暢度、術語、風格、格式五個維度打 1–5 分。這兩個模型都不在參賽名單裡——讓選手給自己打分會產生偏袒，這是我們上一篇評測留下的方法論缺陷，這次修掉了。

全部 168 次翻譯呼叫的原始譯文、兩位裁判的每一次打分、彙整腳本，都在儲存庫的 docs/evaluations/gpt-5-6/ 底下，可以覆核。

總榜

前三名之間只差 0.03 分，落在雜訊裡，不宜解讀為「Claude 打敗了 Sol」。真正有資訊量的是後面幾行的差距。

「每分成本」= 單次呼叫成本 ÷ 綜合得分。它回答的是「買同樣多的品質，你要付多少錢」。

三檔怎麼選

Sol：常規文件的正確答案

Sol 在 8 個場景裡，學術摘要、法律條款、技術文件、Markdown 表格、術語一致性 5 項拿到滿分 5.0。法律長句、跨段落術語統一這類最考驗長上下文的活兒，它沒有丟分。

它的弱項在格式（4.5），是全場倒數第二——原因下一節說。

Terra：最難解釋存在意義的一檔

攤開數據看：

Terra 比 Sol 便宜一半，但品質掉了 0.32 分；比 Luna 只高 0.04 分，每分成本卻貴 42%。

也就是說，在文件翻譯這件事上：想要品質就上 Sol，想省錢就用 Luna，Terra 卡在中間，兩頭不靠。它唯一的亮點是最快（3598 ms），如果你的場景對延遲極度敏感，它值得考慮。

Luna：最省，但不是最快

這是本次最反直覺的一條。官方把 Luna 定位成「最快、最省」，價格確實最低，但實測它是三檔裡最慢的——中位延遲 7998 ms，是 Terra 的 2.2 倍。

需要說明：我們所有呼叫都經過同一個第三方中轉鏈路，這個延遲差異可能來自路由而非模型本身。但至少在這條鏈路上，「Luna = 快」不成立。

核心發現：掃描檔 OCR，GPT-5.6 全線不如 GPT-5.5

這是本次最值得單獨挑出來的結果，也是 BelinDoc 使用者最該知道的一條。

我們建構了一段帶有典型 OCR 辨識錯誤的英文原文——module 被辨識成 rnodule（r+n 黏成 m）、0.5 變成 O.5（數字零認成字母 O）、inspection 變成 inspecti0n、還有跨行的連字號斷詞：

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.

一個合格的翻譯模型應該看懂這是「模組」「0.5%」「檢驗報告」，然後翻譯它的本意，而不是照抄錯字。

得分（滿分 5）：

看實際譯文就明白了。以下四段引用，是各模型在「英譯簡（英文 → 簡體中文）」任務上的實測原始輸出；為了保留實驗證據，我們一字未改、原樣呈現（因此以下引文為簡體字）——請特別留意譯文裡殘留的辨識錯字（rnodule、inspecti0n、O.5），那正是模型沒能糾錯的鐵證。

Claude Opus 4.8（所有錯字全部糾正）：

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（認出了「模組」和「檢驗報告」，但 O.5 % 沒改，還把英文的連字號換行照搬進了中文）：

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（直接把辨識錯的英文單字留在中文譯文裡）：

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（同樣照抄）：

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。

Sol 那個「然-\n後再發貨」也解釋了它為什麼格式分只有 4.5：它把原文的排版雜訊當成了需要保留的格式。

所以，如果你翻譯的是掃描檔、拍照檔、或任何經過 OCR 的 PDF，GPT-5.6 三檔都不是好選擇。 這類文件去用 Claude Opus 4.8；如果一定要留在 OpenAI 體系內，上一代的 GPT-5.5 反而更穩。

同價換代：GPT-5.5 還有存在的理由嗎？

GPT-5.5 和 GPT-5.6 Sol 的官方標價完全一樣，都是每百萬 token 輸入 $5、輸出 $30。

而 Sol 綜合 4.70，GPT-5.5 是 4.54。逐場景看，Sol 在法律（5.0 vs 4.3）、技術文件（5.0 vs 4.6）、表格（5.0 vs 4.6）、術語一致性（5.0 vs 4.5）上都明顯更好。

同樣的價錢，更好的品質。除了掃描檔那一項。

這就是為什麼上一節的結論要單獨成立：GPT-5.5 唯一還值得保留的用途，恰恰是它在 OCR 雜訊上比繼任者更強（4.3 vs 3.4）。

跨廠商：誰的錢花得最值

把「每分成本」這一列單獨挑出來排序，畫面完全變了：

兩個值得注意的地方。

Claude Opus 4.8 和 Sol 每分成本完全持平，但 Claude 綜合分更高、格式滿分、OCR 滿分。花同樣的錢，Claude 拿到的品質更全面。

Gemini 3.1 Pro 是最貴的。 它的標價（$2/$12）明明比 Sol 低，但它平均每次呼叫要吐出 995 個輸出 token，其中 917 個是推理 token——推理 token 是按輸出價計費的。品質確實排到第二，但每分成本是 Sol 的 3.4 倍。

DeepSeek V4 Pro 是最便宜的，每分成本只有 Sol 的 1/5。代價是綜合分墊底（4.18），且在 OCR 場景直接崩盤（1.7 分，全場最低）。批量、低風險、乾淨文字的場景，它 CP 值無敵；掃描檔絕對不要碰。

一個順帶的觀測：並行下的穩定性

我們把 168 次翻譯呼叫以並行度 12 打出去，零失敗、零重試，159 秒跑完。

這一條之所以值得寫，是因為坊間常有「某某模型 API 介面不穩定」的說法，而這類判斷往往建立在一兩次呼叫的偶發失敗上。我們每個格子跑 3 次、總計 168 次呼叫，才敢說這條鏈路在這個並行度下是穩的。

單次失敗不能證明模型不穩定，正如單次成功不能證明它穩定。

結論與限制

怎麼選：

• 論文、合約、技術手冊、帶表格的文件 → GPT-5.6 Sol
• 掃描檔、拍照檔、任何 OCR 過的 PDF → Claude Opus 4.8（次選 GPT-5.5）
• 大批量、成本敏感、原文乾淨 → GPT-5.6 Luna 或 DeepSeek V4 Pro
• 對延遲極度敏感 → GPT-5.6 Terra（它最快，但也僅此而已）
• 已經在用 GPT-5.5 → 除掃描檔外，直接升 Sol，同價更好

這份評測的邊界：

• 語料是 8 個短片段，不是完整的長文件。真實的百頁 PDF 裡，注意力衰減、跨頁表格、圖說混排都會引入新變數，短樣本的結論不一定 1:1 對映。
• 所有呼叫經由同一個第三方中轉鏈路，延遲數據受路由影響，不能等同於官方直連的速度。
• 打分者是 LLM 而非人類譯者。LLM 裁判在忠實度、術語這類可驗證維度上比較可靠，在「風格」這類主觀維度上應當謹慎解讀。
• 這是一次評測，不是持續基準。模型會更新，結論也有保存期限。

❓ 常見問題（FAQ）

GPT-5.6 的 Sol、Terra、Luna 有什麼區別？

它們是同一代模型的三個能力檔位，不是三個版本。Sol 推理上限最高，定價每百萬 token 輸入 $5、輸出 $30；Terra 是均衡檔，$2.5/$15；Luna 最輕量，$1/$6。在我們的 8 場景文件翻譯實測中，三者綜合得分分別是 Sol 4.70、Terra 4.38、Luna 4.34（滿分 5）。

翻譯文件應該選 GPT-5.6 的哪一檔？

常規文件（論文、合約、技術手冊、帶表格的文件）選 Sol，它在 8 個場景中的 5 個拿到滿分。預算敏感的大批量任務選 Luna——它比 Terra 只低 0.04 分，每分成本卻便宜 42%。Terra 唯一的優勢是最快（中位延遲 3598 ms）。掃描檔三檔都不推薦。

GPT-5.6 比 GPT-5.5 更適合翻譯嗎？

大部分情況下是。兩者官方標價完全相同（$5/$30），而 Sol 綜合 4.70 分、GPT-5.5 為 4.54 分，在法律條款、技術文件、表格、術語一致性四個場景上 Sol 明顯更好。唯一的例外是掃描檔 OCR 糾錯，GPT-5.5 反而更強（4.3 vs 3.4）。

GPT-5.6 能翻譯掃描檔 PDF 嗎？

能翻譯，但表現不好。在帶 OCR 辨識錯誤的原文上，GPT-5.6 三檔得分為 Sol 3.4、Luna 3.0、Terra 2.2，全部低於上一代 GPT-5.5 的 4.3 分。Terra 和 Luna 會把辨識錯的英文單字（如 rnodule、inspecti0n）原樣抄進中文譯文。掃描檔建議改用 Claude Opus 4.8，它在該場景拿到滿分 5.0。

GPT-5.6 和 Claude Opus 4.8、Gemini 3.1 Pro 誰翻譯更好？

綜合得分 Claude Opus 4.8 為 4.73、Gemini 3.1 Pro 為 4.71、GPT-5.6 Sol 為 4.70，三者差距在雜訊範圍內，品質上難分高下。但 Claude 與 Sol 的每分成本完全相同（$0.00077），而 Claude 在格式和 OCR 兩項拿滿分；Gemini 3.1 Pro 因推理 token 消耗大，每分成本是 Sol 的 3.4 倍。

用 GPT-5.6 翻譯一份文件要多少錢？

按官方 API 定價，我們實測的單次短文件翻譯呼叫成本約為：Sol $0.00360、Terra $0.00161、Luna $0.00113。作為對照，Claude Opus 4.8 為 $0.00366，DeepSeek V4 Pro 僅 $0.00068。實際費用取決於文件長度與輸出 token 數。

GPT-5.6 Luna 真的是最快的檔位嗎？

在我們的實測中不是。Luna 的中位延遲為 7998 ms，是三檔中最慢的，約為 Terra（3598 ms）的 2.2 倍。需要說明的是，所有呼叫經由同一條第三方中轉鏈路，這一差異可能來自路由而非模型本身。

在 BelinDoc 測試你自己的文件

這篇評測用的是 8 個短片段。你的文件可能更長、更特殊——合約裡夾著條款編號、論文裡有公式和圖表、掃描檔的辨識品質參差不齊。

所以最好的方式是：上傳自己的文件，實際比較。

👉 點擊這裡，上傳 PDF / EPUB / Word 開始翻譯

BelinDoc 支援隨時切換翻譯模型，保留原文排版，一份檔案上傳一次就能多模型對比。

🔗 相關閱讀

• [模型評測] 📊 DeepSeek V4 文件翻譯實測：對比 V3.2、GPT-5.4、Claude 4.7、Gemini 3 Pro
• [模型評測] 📊 GPT-5.2 文件翻譯評測
• [模型評測] 📊 Gemini 3 Pro 翻譯效能評測
• [選型指南] 🎯 不同文件場景的 AI 模型選型指南
• [掃描檔] 🔍 掃描版 PDF 的 OCR 翻譯指南：如何修正辨識錯誤