OpenAI: GPT-5.6 Terra (batch)

GPT-5.6 Terra är en textmodell från OpenAI, en del av GPT-5.6-serien. Inom den serien ligger den i mitten: OpenAI beskriver den som en balanserad modell placerad mellan flaggskeppsnivån Sol och den kostnadseffektiva nivån Luna. Batchvarianten är den version som exponeras här, och modell-id:t på api14 är openai/gpt-5.6-terra:batch. Dess kunskapsavgränsning är 2026-02-16.

Terra accepterar text, bilder och filer som indata, och returnerar endast text. Kontextfönstret är 1 050 000 tokens, vilket är tillräckligt stort för att rymma hela kodbaser, långa dokumentsamlingar eller utökade konversationshistoriker i en enda begäran, och maximal utdata är 128 000 tokens. Eftersom den tar emot bilder och filer såväl som text kan den arbeta med skärmbilder, skannade sidor, diagram och uppladdade dokument tillsammans med vanliga prompter. Den stöder även resonemang: parametrarna reasoning, reasoning_effort och include_reasoning låter dig styra hur mycket internt övervägande modellen gör och huruvida det resonemanget visas tillbaka till dig.

Dessa förmågor pekar mot en ganska bred uppsättning praktiska användningsområden. Vardaglig kodning är det första: att skriva, granska och refaktorera kod, med hela arkiv som ryms inom kontextfönstret. Resonemangsuppgifter över långa indata följer av samma kombination, till exempel att analysera långa avtal, forskningsartiklar eller loggfiler, eller att besvara frågor som kräver att man hämtar detaljer från flera dokument samtidigt. Bild- och filindata gör den användbar för att extrahera strukturerad data från skärmbilder, formulär och PDF-filer. Tool calling och strukturerade utdata gör den till ett rimligt val för agentiska arbetsflöden, där modellen avgör vilka verktyg som ska anropas och returnerar resultat i ett schema som din kod kan tolka.

Du anropar den via api14:s OpenAI-kompatibla API med modell-id:t openai/gpt-5.6-terra:batch. De begärandeparametrar som stöds är include_reasoning, max_tokens, reasoning, reasoning_effort, response_format, seed, structured_outputs, tool_choice, tools och verbosity. I praktiken innebär det att du kan begränsa utdatalängden med max_tokens, justera resonemangsdjupet med reasoning_effort, begära JSON- eller schemakonforma svar med response_format och structured_outputs, definiera anropbara funktioner med tools och tool_choice, samt använda seed när du vill ha reproducerbar sampling. Eftersom slutpunkten är OpenAI-kompatibel fungerar befintliga OpenAI-klientbibliotek med endast bas-URL och modell-id ändrade.

En sak att ha i åtanke är att Terra endast producerar text, så den är inte rätt val om du behöver genererade bilder, ljud eller video. Batchvarianten är också värd att väga mot standardslutpunkten om din arbetsbelastning är interaktiv, eftersom batchbearbetning i allmänhet är inriktad på arbete som kan skickas in och hämtas snarare än besvaras omedelbart. Om du behöver OpenAIs högsta nivå snarare än en balanserad sådan är Sol-nivån det alternativ som nämns i serien; om kostnadseffektivitet är viktigare än kapacitet är Luna det andra.