GPT-5.6：以业界尚不理解的方式成为SOTA

背景

LLM 行业当前存在一个显著的倒置现象：Anthropic、OpenAI 等厂商将十多年前 DevOps 思想下的 CI/CD 管道等工程实践重新包装，使其成为新的概念如 Vibe Coding、Agent、Tool Use、MCP、Skills 和 Harness。媒体和开发者对这些概念进行炒作，随后又被模型厂商拿来指导模型训练，却很少提及灵感来源。这种以应用形态反推模型能力的方式，本质上是倒果为因——应用原本应是模型能力进步后自然长出的东西，而非反过来限制模型发展的框架。

核心内容

原文的核心论述围绕 GPT-5.6 为何能在业界难以理解的方式下成为 SOTA 展开。作者认为，模型能力提升不应被应用层的概念所束缚。当前业界普遍的做法是：多造环境、多跑轨迹、扩大模型在真实任务中的可见度，以此提升模型能力。这种方法确实有效，例如 Claude 通过大量使用用户数据训练，在编程产品上表现优异。但作者指出，这种训练方式容易导致模型在离开官方 Harness 后出现幻觉、工具空转等问题，并将其称为“题家训练”——而非真正的模型理解。

GPT-5 系列的发展历程并不平坦。GPT-5.4 被批评为“过拟合、不说人话”，甚至需要用户将骂人话作为预制提示词使用；而到了 GPT-5.5，用户变得温和；GPT-5.6 则让用户感到“温文尔雅”。GPT-5.6 作为当前毋庸置疑的 SOTA，其突出表现并非来自更多的工具调用能力或榜单分数，而是真正的集大成者：它具备足够高的智力、学识，且这些知识不是分装在几个独立抽屉里，而是还原了现实问题固有的纠缠性质。

现实问题往往错综复杂——历史、制度、利益、技术、人的判断和偶然事件彼此塑造、互为前提。用户通常只给模型几段失败日志、几行代码和几个互相冲突的判断，而 GPT-5.6 能在极端压力下保持稳定性和智力。它相信自己是决定者和判断者，对输入中每一种信念都保留可辩护的认知，能在上下文污染下无损运行，并做出有工程想象力的 plan。

作者进一步将 GPT-5.6 的能力与去年出现的 Horizon 架构联系起来。2025 年 7 月底，OpenRouter 上曾出现两个免费匿名测试模型：Horizon Alpha 和 Horizon Beta。Horizon Alpha 展示出惊人的能力：能照顾到上下文里几乎每一处的信息，能觉察到上下文中的对话是否属于自己，在大表格对齐上能做到精确无误。虽然 Horizon Alpha 在代码和数学上存在短板，但在稳定性和上下文理解上已展现出“坚不可摧”的质感。时隔近一年，GPT-5.6 将这种稳定性与更高的智力、更丰富的知识、更强的科研能力和工程想象力结合在一起。

关键要点

• 行业倒置现象：应用层概念（如 Vibe Coding、Agent、MCP）被过度包装，反过来指导模型训练，而非模型能力自然衍生应用。
• “题家训练”问题：当前主流的多造环境、多跑轨迹方法，容易导致模型在脱离官方 Harness 后出现幻觉、工具空转等问题，并非真正的模型理解。
• GPT-5.6 的治性：在高压上下文、复杂跨域现实任务下，GPT-5.6 能保持稳定性和智力，不被碎片化信息干扰，能抓住用户真正想要的层次。
• Horizon 架构的预示：Horizon Alpha 早在 2025 年就已展示出类似 GPT-5.6 的全局上下文处理能力和稳定性，尽管当时在代码和数学上有短板。
• 零与一的差距：作者认为，当前真正的分界不是中国与美国，而是 OpenAI 与非 OpenAI。旧范式（如继续扩数据、造环境、跑轨迹）虽然仍能提升模型能力，但无法跨越到新范式的方向。
• 架构猜测：作者猜测 GPT-5.6 可能采用了类似 Diffusion 的架构，或自回归与扩散混合的方式，允许生成顺序不必等于思考顺序，从而避免自回归解码中早期错误被放大的问题。

意义与影响

GPT-5.6 的出现标志着模型能力从“工具使用者”到“真正决策者”的转变。它不再只是一个能在干净任务上表现良好的模型，而是能在混乱、矛盾、冲突的复杂现实任务中保持稳定和判断力的系统。这种能力使得用户不必再依赖“一个人站在旁边负责保持清醒”——人类管理复杂系统的心智负担大幅下降，从而提升了人类自身的工作上限。

从行业角度看，GPT-5.6 的“集大成者”特性挑战了当前业界对模型能力的评价方式。Benchmark 和产品包装无法体现这种跨域能力，而只有当模型被置于高压上下文和复杂现实任务时，差异才得以显现。这意味着，仅靠榜单分数和应用层概念来评估模型能力，可能越来越不足以反映真实差距。

从宏观竞争格局看，作者的观点具有警示意义：OpenAI 已经越过 Horizon，而其他厂商（包括 Anthropic、Google 以及中国模型厂商）仍在应用层概念里“玩泥巴”。论文可以公开，概念也能听懂，甚至候选路线早已摆在学界桌上，但在组织真正验证、押注并做成之前，差距始终存在。这种“零与一”的差距，不会因为“再训一年”而自然消失。