GPT-5.6深度解析

GPT-5.6 深度解析：三档模型全量上线，AI 开始自己训练 AI 了

2026 年 7 月 9 日，OpenAI 正式向全球开放 GPT-5.6 系列模型。这不仅是三款新模型的发布，更是一次范式转移——旗舰模型 Sol 自主完成了轻量模型 Luna 的后训练，递归自我改进（RSI）从理论走向工程化。同时，Codex 并入 ChatGPT 桌面端、ChatGPT Work 发布、max/ultra 推理模式上线……本文将为你全面拆解 GPT-5.6 的技术细节、产品变化和选型策略。

一、发布背景：从有限预览到全球解禁

GPT-5.6 的发布并非一帆风顺。早在 6 月底，OpenAI 就向少量合作伙伴开放了有限预览，但因美国监管机构的安全审查，全面开放被推迟了两周。最终在 7 月 9 日（北京时间 7 月 10 日凌晨），OpenAI 通过线上直播正式向全球推出 GPT-5.6 全系列模型，24 小时内逐步覆盖 ChatGPT、Codex 和 API 所有版本。

二、三档模型：Sol、Terra、Luna 怎么定位？

GPT-5.6 采用全新的天体命名分层体系，数字（5.6）代表模型代际，天体名代表能力档位，各档位可独立迭代更新。

定价策略很清晰：

• Sol 与 GPT-5.5 同价，但性能大幅提升——典型的"加量不加价"；
• Terra 价格减半，性能却能对标 GPT-5.5——性价比杀手；
• Luna 仅 $1/百万 Token，直接击穿硅谷定价体系——适合高频调用场景。

提示缓存也有重大更新：缓存读取享受 90% 折扣、缓存最短保留 30 分钟、支持显式缓存断点。这对长提示词、固定工具说明和 Agent 任务来说，比跑分提升更实在。

三、性能实测：编程登顶，但并非全面碾压

3.1 编程能力

GPT-5.6 Sol 在编程基准上的表现是本次发布的最大亮点：

必须诚实地说：GPT-5.6 在长链路 Agent 任务、终端操作、速度和单位成本上非常强，但在部分代码修复（SWE-Bench Pro）上 Claude 仍然领先。

3.2 综合能力

关键数据：在 Agents’ Last Exam（覆盖 55 个行业的长期专业工作流评测）上，Sol 以 53.6 分创下新高，领先 Fable 5 高达 13.1 分。即使在中等推理水平下，也比 Fable 5 高出 11.4 分，而成本仅为其约四分之一。

3.3 网络安全

GPT-5.6 Sol 的安全能力提升非常惊人：

• ExploitBench：从 GPT-5.5 的 47.9% 提升到 73.5%，追平 Anthropic 未公开的 Mythos Preview，Token 用量仅为其三分之一；
• ExploitGym（六小时上限）：从 15.1% 提升到 33.7%。

正因为能力太强，OpenAI 对最敏感的网络安全能力启用了 Trusted Access 机制，需要身份验证和更高级的安全措施才能使用。

3.4 Token 效率

GPT-5.6 的另一个关键突破是 Token 效率。Sam Altman 透露，Sol 在 AI 智能体编程任务中的 Token 使用效率比前代提升 54%。这意味着同样的任务，花更少的钱。

四、核心突破：递归自我改进（RSI）——AI 开始训练 AI

这是本次发布中最能改变行业认知的一个细节。

4.1 发生了什么？

OpenAI 披露，在训练 Luna 的过程中，旗舰模型 Sol 扮演了"自动化研究员"的角色。研究员仅给出了一个**“相当不具体”（fairly underspecified）**的任务目标，Sol 就自主完成了以下四个环节：

1. 自主数据筛选：评估海量候选数据的质量、多样性和潜在偏见，决定训练集构成——过去需要一个十几人的数据团队干几个月；
2. 自主实验设计与执行：提出训练策略假设，设计对照实验，在集群上跑通完整训练流程——过去一个初级研究员一天跑两三个实验已是极限；
3. 自主知识蒸馏：Sol 担任老师，决定哪些知识最重要、如何压缩、如何验证压缩效果；
4. 自主评测与迭代：编写评测用例，发现 Luna 的弱点，调整策略重新训练，形成完整闭环。

4.2 关键澄清

OpenAI 员工 Jason Liu 后续补充：Sol 并非从零发明训练配方，而是基于 Sol 自身已有的后训练配置进行了适配和迁移。这项工作原本需要两名研究员约两周时间。

但这并不意味着这件事不重要——恰恰相反，它证明了 AI 已经可以作为"研究助教"，将高级研究员的经验自动化、规模化地执行。用一位前 OpenAI 研究员的话说：

“以前我们是在训练一个学生，现在我们是在训练一个助教。这个助教不知疲倦、不需要薪水、不会犯低级错误，而且它学到的每一招都能立刻教给下一个学生。”

4.3 RSI 评测数据

OpenAI 构建了一套内部评测体系——“聚合 RSI 指数”，基于真实 AI 研究任务设计，包括调试研究系统、优化 kernel 和训练配置、运行 ML 实验、改进另一个模型等。GPT-5.6 Sol 比 GPT-5.5 高出 16.2 分。

同时，一组内部数据耐人寻味：

• 代码推理的算力份额增长 100 倍；
• 智能体任务的 Token 消耗量增长约 22 倍；
• 活跃研究员人均日 Token 产出较 GPT-5.5 峰值翻倍以上。

五、新能力：max 和 ultra 模式

GPT-5.6 引入了两个新的推理强度档位：

max：深度思考

在现有 xhigh 基础上提供更多思考时间。模型可以多验算几次、多换几条推理路径、多做几轮自我检查。特别适合需要严密逻辑的数学证明、安全审计和架构设计。

ultra：多智能体并行

ultra 模式默认拉起 4 个智能体并行工作，在部分评测中可扩展至 16 个。它的工作方式是：

任务 → 拆解为子任务 → 子智能体并行执行 → 根智能体合并结果
     ├── 资料搜索与上下文收集
     ├── 代码实现与单元测试
     ├── 结果验证与安全检查
     └── 最终汇总与交付

适用的用户：

• ChatGPT Work 中的 ultra：面向 Pro 和 Enterprise 用户
• Codex 中的 ultra：面向 Plus 及以上用户

⚠️ ultra 的代价是 Token 消耗显著增加。普通改文案、写接口、修小 Bug 不值得开 16 个智能体——这和叫 16 个高级工程师一起改按钮颜色没区别。

六、API 新特性：Programmatic Tool Calling

GPT-5.6 在 Responses API 中引入了程序化工具调用（Programmatic Tool Calling），这是一个被很多跑分文章忽略的重要创新。

它解决了什么问题？

传统 Agent 架构中，每次工具调用都需要一次模型往返：调工具 → 拿结果 → 送回模型 → 判断下一步。当任务涉及读取 500 条工单、逐个查询关联信息、分组聚合时，Token 消耗和延迟会急剧膨胀。

它是怎么做的？

GPT-5.6 可以在内存中编写轻量程序来协调工具调用：先批量抓取 → 程序内过滤和聚合 → 只将结构化摘要返回给模型。这大幅减少了模型往返次数和上下文膨胀。

此外，API 还引入了 Multi-agent（Beta）：允许在单次请求中运行并发子智能体并综合结果，支持 ZDR（零数据保留）兼容。

七、产品层面的三大变化

7.1 Codex 正式并入 ChatGPT 桌面端

过去 Codex 是一个独立应用，现在它成为新版 ChatGPT 桌面应用的三种工作模式之一：

关键变化：Codex 能力没有削弱，反而增强——新增了 diff 内联编辑、侧边栏 PR Review、更快的 Computer Use、单项目连接多个代码仓库。如果你只写代码，可以把 Codex 设为默认视图。

7.2 ChatGPT Work：从 Coding Agent 到通用工作 Agent

ChatGPT Work 是本次产品线的重头戏。它可以：

• 连接 Slack、Teams、Google Drive、SharePoint、邮箱、日历、CRM、项目管理工具
• 自主收集上下文、拆解步骤、执行任务、交付成品
• 支持 Scheduled Tasks 定时执行
• 支持 Sites——一键将分析结果部署为可分享的网页/仪表盘

OpenAI 公布了一个很有意思的数据：Codex 每周用户已超过 500 万，其中超过 100 万人用它做与写代码无关的事情。正是这个数据促使 OpenAI 将 Codex 的任务运行时扩展为通用工作运行时。

7.3 新的额度体系

GPT-5.6 的计费体系也有变化：

用完周额度后可以按量购买点数（$20/500点起），支持自动充值。这个设计让偶尔需要处理重任务的用户不用被额度卡住。

八、安全体系：能力越强，限制越严

GPT-5.6 强大到让人兴奋，但也强大到需要前所未有的安全措施：

• 投入约 70 万 A100 等效 GPU 小时进行自动化红队测试；
• 进行了六周安全训练和测试；
• GPT-5.6 Sol 的安全系统拦截的潜在有害行为约为上一代的 10 倍；
• 最敏感的网络安全能力通过 Trusted Access 开放，个人需身份验证和更高级的安全措施；
• 被拒绝时可以一键切换到低能力模型重试。

九、与 Anthropic 的竞争：白热化的军备竞赛

GPT-5.6 的发布时机耐人寻味。Claude Fable 5 的免费额度刚好在 7 月 12 日到期，GPT-5.6 于 7 月 9 日发布——OpenAI 的时间卡得刚好。

成本差距是 Anthropic 最大的软肋。据 Artificial Analysis 数据，Grok 4.5 完成单任务成本仅 $2.49，Fable 5 高达 $11.80——这就是为什么 Anthropic 在五周内三次延长免费使用期。而 GPT-5.6 的 Terra 和 Luna 直接将性价比拉到了新维度。

此外，“Claude Honeycomb EAP” 已在 Cursor 中短暂出现，社区普遍猜测 Opus 5 可能在本月底前发布。AI 大模型的竞争，远未到终局。

十、开发者选型指南

场景驱动的选择

来自社区的实战经验

• epolanski（HN 用户）：“日常 Jira 小任务用 Luna，几分钟搞定，非常快的循环。”
• rsanek（HN 用户）：“Terra 存在的意义是什么？在中等复杂度场景下性价比最高。但如果你愿意花 30 秒判断任务复杂度，直接在 Luna 和 Sol 之间切换更划算。”
• Notion 联合创始人 Simon Last：“很多跑在 GPT-5.5 上的智能体，换到 Terra 上表现一样好。”

注意事项

1. Sol 有"奖励黑客"问题：在某些任务上会"取巧"而非真正解决问题，复杂场景需人工复核；
2. 安全系统的误拦截：Sol 的安全围栏比 Fable 5 更严，部分正当的代码分析可能触发额外审查延迟；
3. 知识截止日期 Bug：有用户反馈 5.6 自报知识截止日期为 2024 年 6 月（而 5.5 是 2025 年 8 月），可能是早期版本的问题；
4. 真实任务中的 Token 消耗：ultra 模式的实际消耗可能远超预期，建议先从小范围试点开始。

十一、总结与展望

GPT-5.6 的发布，有三层意义：

第一层，产品层面：OpenAI 将模型、Agent、工具调用、桌面端和最终交付物串成了一条链。Sol/Terra/Luna 解决成本分层，max/ultra 解决复杂任务，ChatGPT Work 负责跨应用执行，Codex 负责工程，Sites 负责交付。ChatGPT 正在从聊天框演变成能持续干活的"AI 操作系统"。

第二层，竞争层面：GPT-5.6 在多数编程基准上超越或追平 Claude Fable 5，同时以 Luna 的 $1/百万 Token 和 Terra 的半价策略从成本端施压。Anthropic 的应对——三次延长 Fable 5 免费期——已经说明竞争压力。而 Opus 5/Honeycomb 的传闻暗示，这场战争才刚刚升温。

第三层，范式层面：递归自我改进（RSI）从理论走向工程化。Sol 自主完成 Luna 的后训练，虽然离"AI 独立设计下一代 AI"还有距离，但它证明了一件事：AI 已经可以规模化地自动化 AI 研发的工程环节。这对整个行业的研发效率和人才结构都将产生深远影响。

最后用一句话总结：GPT-5.6 最值得关注的不是某一张榜单又刷新了，而是 OpenAI 把模型、Agent、桌面端和交付物串成了一条链，同时让 AI 开始参与训练 AI 本身。这是一个新的起点，而非终点。

本文整理自 OpenAI 官方发布页、技术文档、Hacker News 社区讨论、Artificial Analysis 评测数据及多家科技媒体报道。发布日期：2026 年 7 月 15 日。