GPT-5.6 模型新版本消息传出

背景

OpenAI 在经历有限预览后，正式公开发布 GPT‑5.6 系列模型。该系列包含三款模型：新一代旗舰模型 Sol，面向日常工作的均衡模型 Terra，以及最具成本效益的模型 Luna。此前，行业前沿模型包括 Anthropic 的 Claude Fable 5 和 Opus 4.8 等。GPT‑5.6 的推出旨在进一步提升智能水平与效率，降低使用成本，并在编码、网络安全、知识工作等多个领域树立新标杆。

核心内容

GPT‑5.6 Sol 是系列中的旗舰，在智能与效率两方面均创下新标准——它在编码、知识工作、网络安全和科学领域实现 state-of-the-art 结果，同时以更少的 token 消耗和更低的估算成本超越以往及竞品前沿模型。其核心优势是“每美元性能更强”：相同花费下完成更多有效工作，或以更低总成本获得可比结果。

OpenAI 还引入了一种加速最繁琐任务的新方式：ultra 是最高能力设置，通过协调多个智能体并行处理工作流，更快完成复杂任务。更强的计算机使用能力和设计判断力使 GPT‑5.6 Sol 成为有史以来最精良的协作模型，能够检查、优化并交付可直接使用的结果。

效率与基准测试

GPT‑5.6 的训练目标是从每个 token 中获取更多有用工作。在 Agents’ Last Exam（一项覆盖 55 个领域的长期专业工作流评估）中，GPT‑5.6 Sol 以 53.6 分刷新纪录，领先 Claude Fable 5（自适应推理）13.1 分。即使在中等推理模式下，它也比 Fable 5 高 11.4 分，而估算成本仅为后者的约四分之一。这种效率延伸至较小模型：GPT‑5.6 Terra 和 Luna 以约十六分之一的成本超越 Fable 5。在 Artificial Analysis Intelligence Index（涵盖智能体工作、编码、科学推理和通用能力的广泛智能度量）上，GPT‑5.6 Sol 在最大推理模式下与 Fable 5 仅差 1 分，但完成任务时间缩短 61%，估算成本约为一半。

安全防护

GPT‑5.6 配备了迄今为止最稳健的安全防护措施，旨在抵御有决心且可适应的滥用行为，同时不广泛限制合法用途。在公开可用之前，模型和防护措施经过了最广泛的评估期，结合了人工红队测试和大规模自动化测试。预览期间，OpenAI 与专家机构及受信任合作伙伴密切合作，测试防御能力并在广泛发布前加强防护。最终系统将嵌入模型中的保护层与实时检查、监控，以及根据信任和风险校准的访问权限相结合。

编码能力

GPT‑5.6 Sol 是最好的编码模型。在 Artificial Analysis Coding Agent Index 上，Sol 在最大推理模式下以 80 分创下新纪录，比 Fable 5 高 2.8 分，同时输出 token 减少一半以上，用时减少一半以上，成本降低约三分之一。这一优势延伸至整个系列：Terra 略高于 Fable 5，Luna 超越 Opus 4.8；三者均以约三分之一的时间、约一半的输出 token 和约四分之一的估算成本达成。此外，在 Terminal‑Bench 2.1 和 DeepSWE（测试真实代码库中的复杂命令行工作流和长期工程）上，它也取得新的 state-of-the-art 结果。

程序化工具调用

GPT‑5.6 可以编写并运行轻量级程序，协调工具、处理中间结果、监控进度并在工作展开时选择下一步行动。这使得工具密集型任务可以用更少的 token、更少的模型往返和更少的指导来推进。Responses API 中的 Programmatic Tool Calling（程序化工具调用）不再要求开发人员编写每一步脚本或将每个工具响应传回模型，而是能够过滤大量中间数据、仅保留重要内容，并沿途调整工作流。

推理模式与多智能体

对于需要更多时间和算力投入的问题，GPT‑5.6 可以超越高效默认模式。max 模式给予比 xhigh 更多时间进行推理、探索备选方案、运行检查和修正方法。ultra 模式则更进一步，默认协调四个智能体并行工作——以更高的 token 使用换取在困难任务上更强的结果和更快的完成时间。在 BrowseComp、SEC-Bench Pro 和 Terminal‑Bench 2.1 上，ultra 的四智能体配置相对于单智能体基线显著提升了分数-延迟边界（更短时间内达到更强结果）；BrowseComp 和 SEC-Bench Pro 还展示了 16 智能体配置。在 API 中，开发者可以使用 Responses API 中的多智能体 beta 构建类似 ultra 的体验。

设计判断力

GPT‑5.6 在设计判断力上实现了飞跃。仅凭高层指令，它就能创建有品位、符合人体工学和功能性的界面。其更强的计算机使用能力使其能够检查并优化渲染结果——不仅仅是生成底层代码或内容——从而发现视觉和功能问题，并在交付前进行润色。在 ChatGPT Work 中，GPT‑5.6 的前端能力还能将自然语言请求转化为精致的交互式说明和可视化内容。

知识工作与专业任务

GPT‑5.6 能更好地处理专业任务：它从文档以及 Slack、Notion、Microsoft 365、Google Drive 等日常工作流中提取混乱的上下文，并将其转化为专家级的、可分享的交付件。评估覆盖长期专业分析、浏览、工具使用和计算机使用。GPT‑5.6 Sol 在 BrowseComp 上达到 92.2%，在 OSWorld 2.0 上达到 62.6%（均创下新纪录）；在 OSWorld 上超越 Opus 4.8，同时输出 token 减少 85%。GPT‑5.6 系列的每美元性能增益同样延伸至此：Luna 以不到一半的估算成本接近 GPT‑5.5 的峰值性能，Terra 以更低成本超越它。

演示文稿、文档与电子表格

GPT‑5.6 Sol 提升了演示文稿、文档和电子表格的质量，输出更精致、更准确。它可以从头开始创建完全可编辑的演示文稿，将提示和源材料转化为连贯的视觉叙事，具备良好的布局、层次结构和设计。在遵循模板和参考演示文稿时改进尤为明显——GPT‑5.6 能推断演示文稿的设计系统（布局、排版、间距、颜色和重复内容模式，包括幻灯片母版中的规则），并将这些约定一致地应用于新材料。例如，在根据参考文件更新数字时，GPT‑5.5 的输出缺少母版幻灯片的关键组件，而 GPT‑5.6 更忠实地遵循了参考结构。GPT‑5.6 还创建更精致的文档和电子表格，更忠实地遵循复杂参考格式，更精确地处理方程式和财务模型，并更好地利用排版、间距、层次结构和页面/工作表布局。早期客户测试报告显示，GPT‑5.6 在多个领域显著改进了知识工作输出。

网络安全

GPT‑5.6 是迄今为止最强的网络安全模型，以显著更少的 token 达到前沿性能。在 ExploitBench（衡量从接触易受攻击代码到任意代码执行的进展）上，以可比输出 token 预算计，它得分 73.5%，而 GPT‑5.5 为 47.9%。在 ExploitGym（要求智能体将真实漏洞转化为可利用的漏洞）上，在两小时限制内，它的最高通过率从 GPT‑5.5 的 15.1% 翻倍至 24.9%；六小时限制下达到 33.7%。在 SEC-Bench Pro（测试复杂软件的概念验证生成）上，它得分为 71.2%，而 GPT‑5.5 为 45.8%，且延迟更优。GPT‑5.6 支持防御性任务，如安全代码审查、补丁编写、威胁建模和蓝队活动。

（注：原文末尾“Qualified individuals and organizations in”之后内容未显示完整，故未包含。）

关键要点

• 模型家族：GPT‑5.6 系列包含三款模型——旗舰 Sol、均衡 Terra 和成本最优 Luna。Sol 设定智能与效率新