摘要
這篇文章介紹 ChatGPT Work 中 GPT-5.6 Sol、Terra、Luna 的定位差異，以及「輕度」到「極高」推理強度各自代表什麼。文章的核心觀點是：模型選擇與推理強度是兩個不同維度，模型決定處理方式，推理強度則決定這項任務要投入多少思考。與其把 Sol、Terra、Luna 理解成單純的強、中、弱，更實用的做法是依照任務的資料量、複雜度與推理需求來選擇。實測同一份公開聲明後也發現，在任務不算複雜時，Sol 與 Luna 的輸出差距未必像想像中明顯。因此使用 ChatGPT Work 時，重點不是每次都選最強模型、最高推理，而是讓模型與推理設定和工作本身相稱。

引言：你可能一直只用到 ChatGPT 的預設模式

大部分人打開 ChatGPT Work，應該都是輸入問題、按下送出，然後等答案。

但你可能沒有注意過，同樣是 ChatGPT Work，背後其實還能決定兩件事：要讓哪一種模型來處理，以及這個問題值得讓它想多久。這兩個設定平常很容易被忽略，卻會直接影響一項工作的處理方式。有些任務只需要快速整理，有些需要同時處理很多條件，也有些值得讓模型多花一點時間反覆推敲。

所以這篇我想往 ChatGPT Work 裡面再挖一層：看看 Sol、Terra、Luna 到底差在哪裡，以及「輕度」到「極高」這些推理設定，實際上是在調整什麼。

同一個 GPT-5.6 家族三種模型，三種不同的工作取向

Sol、Terra、Luna 都是為工作情境設計的 GPT-5.6 模型；差別不只是誰比較強，端看你更在意 推理能力、整體平衡，還是大量處理的效率與成本。

第一次看到 Sol、Terra、Luna，很容易直接理解成「強、中、弱」。但拿來工作時，我覺得更實用的方式是看任務本身。假設今天有 500 筆客服留言，要分類、抓關鍵字，再整理成固定格式。規則已經很清楚，重點是快速、穩定地大量處理，這類工作比較接近 Luna 的定位。平常整理文件、改寫文章、分析資料這類日常知識工作，可以先從 Terra 思考；如果任務同時牽涉多份資料、彼此衝突的條件，還需要進一步分析與整合，再考慮 Sol。

所以我現在會先把三個模型記成這樣：

推理強度：決定這個任務要投入多少思考

模型選好之後，還有另一個設定：要讓它在這個問題上投入多少推理。
可以先把推理強度理解成一筆「思考預算」。需求明確的任務不一定需要花很多時間推敲；當問題開始出現多個限制、需要比較不同方案，或前面的判斷會影響後續結果時，提高推理強度才比較有意義。所以比起記住每個名稱，更重要的是知道：什麼樣的工作，值得往上加一格？

從輕度到極高，要怎麼選？

先不要把推理強度理解成「越高越好」，比較實用的判斷方式，是看任務需要處理多少條件與推理步驟：

重點不是每次都把設定往上拉，而是讓投入的推理程度和任務本身相稱。

測試跑看看

前面講了模型定位和推理強度，但只看說明還是很難知道，實際用起來到底差多少。

所以我拿了一份公開聲明來測試，請 ChatGPT 假設自己是一位新聞傳播系老師，從「誰在說、證據能支持到哪裡、哪些地方容易產生過度推論」這幾個角度，整理出學生可以學到的媒體識讀原則。

這次我先把推理強度固定在 輕度，只更換模型：一次使用 GPT-5.6 Sol，一次使用 GPT-5.6 Luna。Prompt 和原始資料都相同，看看換模型之後，閱讀方式會不會跟著改變。

〔截圖 1：Luna 模型分析結果〕

〔截圖 2：sol 模型分析結果〕

實際跑完後，我反而覺得兩者的差距沒有想像中大。

Sol 的回答比較像編輯帶著讀者拆文件。它從「誰在說、可以相信到哪裡」開始，再往下談證據範圍，以及段落排列可能造成的因果聯想，整體閱讀感比較偏向判讀與分析。

Luna 則比較像整理好的課堂講義。它把「文件內容、當事人主張、外部確認」切得很清楚，也主動提醒像是「道歉不等於承認所有指控」、「法律用語不代表已經完成司法認定」這類閱讀界線。

就這次案例來看，Sol 的體感偏向整體判讀，Luna 偏向規則化整理，但兩者都抓到了事實與主張、證據邊界、段落暗示這三個核心。這也讓我比較意外：當任務本身還不算太複雜時，換模型帶來的差距，可能沒有想像中那麼明顯。

💡 補充：完整分析提示詞
我會把這次使用的版本放在 GitHub Repo，方便想實際測試的人直接取用，再依自己的工作方式修改。

總結

看完這篇，可以先把模型和推理強度理解成兩個不同的工作設定：模型決定處理方式，推理強度決定投入多少思考資源。這次實測也可以看到，在相對單純的任務裡，不同模型的差距未必會非常明顯。真正有用的是開始根據工作的複雜程度，選擇適合的模型與推理強度。

模型和推理強度是兩個不同的選擇，而且不是每一次都需要把兩者拉到最高。

本篇內文示範用提示詞都在比賽用專案中，記得隨時關注比賽用專案