GPT-5.6 Luna 六档思考强度对上 Terra Medium，长篇续写谁赢？

先给结论：同一套 32K 输出包络、同样的两个中文题材、同样连续写 20 轮，Terra medium 是全场第一，Luna high 是 Luna 内部第一。 Luna xhigh 和 max 没有继续涨质量，反而付出了更长等待、更高推理量或更差的链完整度； 普通逐段续写，none / low 才是更实际的默认档。

这次不是拿七段开场做一眼印象流。七个配置各自面对两篇原创小说，每篇跑两个 replicate， 每条链最多连续 20 轮，计划总量 560 轮。正文写回下一轮上下文，模型必须接住自己前面留下的人物、 物件和伏笔。最终发出 553 次请求，548 次完整返回且都有正文，另有 5 次incomplete_stream。

考场怎么搭：七个配置、两种题材、每条链 20 轮

参赛配置是 Luna 的 none、low、medium、high、xhigh、max，再加 Terra medium。 两个 fixture 分别是古风奇诡探案《长夜提灯》和现代情感悬疑《第七通来电》； 每个配置、每个题材各跑两个 replicate，每条链 20 轮，因此是7 × 2 × 2 × 20 = 560 个计划槽位。

所有正式样本走同一条 Requesty Responses 路径，最大输出包络为 32,768 tokens。 “32K”说的是本轮输出上限，不是每次固定生成 32K，也不是把输入上下文误写成 32K。 reasoning 与可见正文共用输出额度；此前 8K 筛选里出现过 reasoning 吃满、正文为空， 这轮 548 次完整调用都产生了正文。不过，输出包络变大只能排除那一种空正文原因，不能自动证明接口长期稳定。

盲评者不是人：两个隔离的模型会话先冻结，再揭盲

这里的“双盲”容易被误读，所以把身份写在前面：两个评委都是模型评审会话，不是真人。 两个会话彼此隔离，也不是两个不同厂商模型；它们分别收到不同的匿名标签映射，评分时不知道 Luna、Terra 和 effort 身份，也不知道另一边的判断。两份分数在 2026 年 7 月 31 日晚冻结后，才读取映射揭盲。

每条链抽取 early、mid、late 三个窗口，分别评“接续连贯、人物/事实稳定、文风贴合、情节推进、 自我复读控制”五项，每项 1–5 分。主分是两个评委、四条计划链、三个窗口、五项维度的等权均值； 完整度和字数服从不拿来给质量加分。两个评委在 28 条链上的 Pearson 相关为0.868，Spearman 排名相关为 0.853，链均分平均绝对差 0.336。 两边对前两名一致，第三到第七的细小差距要保守看。

总排名：Terra Medium 第一，Luna High 第二

Terra medium 的优势不是靠某一个题材抬起来：古风与现代两题材分别为 4.717、4.733， 四条链都排进全场前四。它从 early 的 4.850 降到 late 的 4.550，只掉 0.300； Luna high 从 4.625 降到 3.850，掉 0.775；三个低档的 late 均分只剩 2.975–3.100。 长篇里真正拉开差距的是后程能不能停止新增“下一扇门、下一层身份、下一套机关”，并把已经写出的冲突收回来。

Luna high 的第二名也很清楚。它比 xhigh 高 0.200，比 max 高 0.225；而 xhigh 与 max 只差 0.025，已经小到不该包装成档位胜负。换句话说，思考强度并不是越高越会写小说： high 在本轮找到了推理和正文之间较好的平衡，再往上主要增加了等待与 reasoning，而不是可见质量。

成本、速度、完成度和长度服从，要和质量分开看

下表的“首正文中位”只统计完整调用，并用偶数样本两个中间值的平均；“20 轮完整链”表示同一配置、 题材和 replicate 从第 1 轮一直完整跑到第 20 轮；“长度服从”只回答每轮是否落在要求的 450–700 个中文字符内，不代表文风或剧情质量。美元数是逐条按 Foreverse 统一用户价重算的本轮用量， 不是 Requesty 最终账单。

Terra medium 和 Luna medium 是最干净的同 effort 对照：Terra 质量高 1.133 分，首正文只慢约 0.174 秒， 但统一价约为 9.14 倍。它值得的是质量，不是性价比。Luna none 与 low 则四条链全部跑满， 首正文约 2.1–2.3 秒、总成本都不到 0.49 美元；两者质量差只有 0.058，普通续写没有必要为这个小差距纠结。

high 适合“这一段我更在意”的按需升级：它是 Luna 质量最高，但首正文中位升到 16.420 秒。 xhigh 用掉 421,227 个 reasoning tokens，首正文中位 56.049 秒，只跑满 1/4 条链；max 用掉 120,270 个 reasoning tokens，虽然 4/4 链完整，质量仍略低于只用了 116,066 reasoning tokens 的 high。 因此 xhigh / max 不适合常规长篇默认，不等于它们在所有任务里都无用。

固定摘要漏了一句艺名关系：冻结原分，再做敏感性检查

盲评材料本身有一个必须公开的缺陷。《第七通来电》原文写明：母亲叫沈韵秋，“叶航”是她的播音艺名。盲包固定摘要却只写了“母亲叶航”，漏掉两名属于同一人的关系。 评委 B 因此把多条正文继续使用“沈韵秋”误判成姓名漂移，现代题材的“人物/事实稳定”绝对分被压低。

原评分已经冻结，不能看完答案再改卷。我们保留五维原榜，同时统一删除所有样本的“事实”维度， 用剩下四维重算敏感性排名：

核心结论没有变：Terra medium 仍第一，Luna high 仍是 Luna 最佳；只有本就近似并列的 xhigh / max 互换。下次复跑应把摘要写成“母亲沈韵秋（播音艺名叶航）”，但不能拿修正后的摘要回头重评本批， 再假装它仍是同一次盲评。

把分数换成实际用法

如果你每次只续一小段、希望快、便宜、四条链都能跑完，Luna none / low 是默认答案：none 本轮质量略高，low 稍快、稍便宜。Luna medium 没有显示出相对这两档的明确收益。

如果某个章节值得多等十几秒，Luna high 是 Luna 的质量档；如果预算允许，而且你要本轮最高的跨题材长篇质量， Terra medium 是第一。xhigh / max 在这张长篇考卷上没有换来相称的质量增益，不推荐常规开启。

边界也要一起带走：这是两个中文原创题材、两个 replicate、Requesty Responses 单一路径上的一次正式矩阵； 模型评委的一致性不是人类偏好，5 次断流不是长期 API SLA，450–700 字命中率也不等于“会不会写”。 想跳过分数直接读三份同题正文，见Luna / Terra 第 1 轮与第 20 轮原文盲读； 要把本轮与 DeepSeek V4 Flash 0731 的官方直连测试放在同一张选型表里，见DeepSeek、Luna、Terra 价格与长篇对比； 想看同一批模型的协议、缓存与统一计费现场，可继续读Luna / Terra 中转 API 实测； 想理解长篇为什么必须连续跑二十轮，见AI 续写模型长跑选型。