GPT-5.6 让AI领域的每一分钱都更有价值

OpenAI 颠覆了 AI 硬件竞赛的格局，不是通过构建更大的模型，而是让每个 token 都更有价值。经过有限的预览后，今天发布的 GPT-5.6 系列引入了三个层级, , Sol、Terra 和 Luna, , 它们在大量基准测试上共同超越了前代产品和竞争对手，同时消耗的 token 和资金更少。这次发布标志着一个战略转变：效率，而非原始规模，现在成为了战场。gpt-56-is-here-three-models-a-tiered-safety-doctrine-and-the-question-nobody-is-answering-yet

面向更智能市场的三层策略

GPT-5.6 分为不同的能力层级。Sol 是旗舰模型，针对最困难的问题：复杂代码生成、专业分析和多小时的智能体工作流。Terra 针对日常知识工作提供平衡性能，而 Luna 则旨在实现最大成本效率。所有三个模型今天均可通过 ChatGPT、Codex 和 OpenAI API 使用，并在 24 小时内全球推出。

定价反映了这种分层。Sol 的输入 token 成本为每百万 5 美元，输出 token 为每百万 30 美元；Terra 为 2.50 美元 / 15 美元；Luna 为 1 美元 / 6 美元。对于需要大量推理的应用，Luna 和 Sol 之间的差异在输入和输出上均可达到 5 倍，这是一个故意的差距，允许开发者在不离 GPT 生态系统的前提下优化成本。moonshot-ais-k27-code-is-faster-and-cheaper-but-open-source-coding-models-face-a-new-benchmark-gap

效率作为武器

最引人注目的数据来自 Agents' Last Exam，这是一个涵盖 55 个领域的长时专业工作流基准测试。GPT-5.6 Sol 得分为 53.6，在自适应推理上比 Anthropic 的 Claude Fable 5 高出 13.1 分。更引人注目的是：即使 Sol 的中等推理设置也可以击败 Fable 5 11.4 分，而成本大约只有其四分之一。Terra 和 Luna 以大约十六分之一的成本超越了 Fable 5。

在包含智能体工作、编程和科学推理的 Artificial Analysis Intelligence Index 上，使用最大推理的 Sol 与 Fable 5 相差不到一分，同时完成任务速度快 61%，成本大约只有一半。“我们训练 GPT-5.6 是为了让每个 token 产生更多有用的工作，”公司在公告中写道。

前沿编程能力

编程基准测试最鲜明地展示了效率优势。在 Artificial Analysis Coding Agent Index 上，使用最大推理的 Sol 以 80 分设立了新的最先进水平，比 Fable 5 高 2.8 分，同时使用不到一半的输出 token、花费不到一半的时间，并且成本低三分之一。Terra 略高于 Fable 5，而 Luna 超过了 Anthropic 的 Opus 4.8，每个的成本大约只有四分之一。

OpenAI 还在 Responses API 中引入了 Programmatic Tool Calling，允许 GPT-5.6 编写轻量级程序来协调工具、处理中间结果并适应工作流，而无需开发者编写每一步的脚本。该功能兼容零数据保留，以迎合企业合规需求。the-specialization-revolution-how-smaller-models-are-redefining-ais-future

多智能体加速器

对于需要更多计算的问题，GPT-5.6 引入了两个新设置：max 为模型提供额外的推理循环，而 ultra 默认并行协调四个智能体，以更高的 token 消耗换取更强结果和更快的结果获取时间。在 BrowseComp 上，ultra 模式使用四个智能体达到了 92.2%，这是一个新的最先进水平；在 SEC-Bench Pro 上，它得分为 74.3%，高于 Sol 单独使用的 71.2%。公司发布的图表显示，添加并行智能体将得分延迟边界向上并向左移动。

在 API 中，开发者可以通过多智能体测试版复制类似 ultra 的体验。OpenAI 指出：“Ultra 模式通过默认并行协调四个智能体走得更远，以更高的 token 使用换取在苛刻任务上的更强结果和更快结果获取时间。”why-parallel-agents-are-the-next-battleground-for-ai-orchestration

网络安全：一条双重用途的钢丝绳

网络安全方面的改进最为显著，也最为敏感。在 ExploitBench 上，Sol 得分为 73.5%，而 GPT-5.5 在可比的输出 token 预算下为 47.9%。在 ExploitGym 上，它几乎使 GPT-5.5 的峰值通过率翻倍，从 15.1% 提高到 24.9%（在两小时限制下），并在六小时限制下进一步扩展到 33.7%。

OpenAI 承认了这些能力的双重用途性质。“在网络安全中，能够帮助攻击者利用漏洞的相同能力也可以帮助防御者找到漏洞、重现漏洞并构建可靠的修复方案，”公司写道。“因此，过度阻止本身就构成了安全风险。”

为了管理风险，GPT-5.6 配备了分层安全措施，包括一个审查对话潜在危害的推理监控器。在正式发布之前，OpenAI 运行了大约 700,000 个 A100e GPU 小时的黑盒自动化红队测试和广泛的外部测试。一个新的 Trusted Access for Cyber 计划允许经过验证的个人和组织访问模型更多的防御能力。

公司还警告说，GPT-5.6 的网络安全措施阻止的潜在有害活动大约是以前模型的十倍，并且一些良性用途可能会遇到不便。ChatGPT 和 Codex 中的“使用较低能力模型重试”选项旨在减轻这一负担。anthropic-launches-claude-mythos-5-a-dual-use-model-for-cybersecurity-and-biology

知识工作与设计判断

除了原始基准测试，GPT-5.6 在实际专业任务中也显示出进步。在 OSWorld 2.0 上，Sol 达到了 62.6%，超过了 Opus 4.8，同时使用的输出 token 减少了 85%。在 BrowseComp 上，Sol 得分为 92.2%。该系列还改进了演示文稿和电子表格生成：GPT-5.6 可以从参考模板推断设计系统并一致地应用它们，并且以更高的精度处理财务模型。

早期客户报告了生产力提升。应用构建平台 Lovable 指出，GPT-5.6“为用户减少了大约 25% 的步骤和 35-48% 的工具调用，同时提高了项目成功率并将卡顿运行减少了 15%。”代码审查工具 Qodo 发现，GPT-5.6“在 F1 分数上击败了 GPT-5.5，同时每个 PR 使用的 token 大约少 3 倍，中位延迟大约低 2 倍。”

自我改进：内部飞轮

在 OpenAI 内部，该模型已经加速了研究。内部测试期间，每位活跃研究员的日均输出 token 量是 GPT-5.5 观察到的最高水平的两倍多。过去六个月中，用于内部编码推理的研究计算份额增长了 100 倍，而智能体 token 使用量增长了 22 倍。

OpenAI 开发了一个内部 RSI Index（递归自我改进），整合了关于调试、内核优化和实验解释的评估。Sol 得分为 57.9%，比 GPT-5.5 的 41.7% 提高了 16.2 分，表明该模型在帮助构建下一代模型方面明显更好。deepseek-v4-to-launch-mid-july-with-peak-pricing-model

安全考量

OpenAI 坚称 GPT-5.6 在生物学或网络安全方面没有超过“临界”阈值，即模型可能独立创造新型危险威胁的界限。公司的测试表明，Sol 更擅长发现和修复漏洞，而不是自主攻击有防御的目标。在生物学方面，它支持合法研究，但缺乏针对高度危险新型威胁的端到端能力。

分层安全堆栈包括训练时的保护、实时检查、推理监控器和账户级执行。“由于一些保护措施使用推理时推理，我们可以快速更新它们以弥补漏洞，而无需从头重新训练分类器，”公司表示。

一个新的快速修复流程以及针对安全和生物学的扩展漏洞奖励计划旨在堵住出现的漏洞。但 OpenAI 坦诚地承认了局限性：“没有所谓的完美安全，我们确保越来越强大模型安全的工作仍在继续。将会发现新的弱点，以及绕开现有安全措施的新越狱方法。”

竞争的意义

此次发布加剧了与 Anthropic 本已激烈的竞争。Claude Fable 5 在几个基准测试上仍具有竞争力，尤其是在科学推理方面，它在 HealthBench Professional（60.9% 对比 GPT-5.6 Sol 的 60.5%）和 FrontierMath Tier 4（87.8% 对比 65.9%）上领先。但 GPT-5.6 的效率优势，尤其是在 Luna 层级，削弱了前沿智能需要前沿预算的论点。

Google DeepMind 的 Gemini 3.1 Pro Preview 和 Gemini 3.5 Flash 在大多数基准测试上落后，而在编程和智能体任务上的差距似乎正在扩大。此次发布也给 Meta AI 的开源 Llama 4 系列带来了压力，要求其证明开源模型能够匹配这种每计算单元的性能水平。

GPT-5.6 系列现已可用。问题不在于它是否是市场上最强大的模型（在几个基准测试上它是），而是其效率优先的设计是否会迫使竞争对手重新考虑自己的成本结构。如果这些基准测试在现实部署中成立，那么廉价、丰富的前沿智能时代可能刚刚到来。microsofts-bet-on-small-models-for-agentic-ai-is-about-orchestration-not-knowledge