GPT-5.6系列发布，Codex整合入ChatGPT

背景

OpenAI 在 GPT-5.5 上线后不久，于北京时间今日凌晨正式发布了 GPT-5.6 系列模型，并同步调整了产品矩阵。此次发布距离上一次重大更新仅数月，AI 模型竞赛持续升温，尤其是来自 Anthropic 的 Claude 系列（即将推出的 Fable 5 及更高阶的 Mythos 5）在多个基准上表现强劲，给 OpenAI 带来了直接竞争压力。与此同时，企业客户对 AI 成本的担忧日益突出，性价比成为行业核心议题。OpenAI 此次一口气推出三个型号、重构 Codex 产品形态，并首次展示了 AI 自我训练的能力，标志着大模型从单纯拼能力转向拼效率与实用性。

核心内容

GPT-5.6 系列包含三个型号：旗舰 Sol（拉丁语“太阳”）、均衡款 Terra（拉丁语“大地/地球”）和性价比款 Luna（拉丁语“月亮”）。API 定价方面，Sol 每百万 token 输入 5 美元、输出 30 美元；Terra 减半至 2.5 美元和 15 美元；Luna 仅 1 美元和 6 美元。三款模型将于 24 小时内陆续覆盖 ChatGPT、Codex 和 API，不同于此前 Fable 5 的波折发布流程，本次为全量上线。

最大的产品变化是 Codex 独立 App 下线，其能力整体并入 ChatGPT，形成一个全新的 AI 超级应用——ChatGPT Work。GPT-5.6 成为这个新入口的核心引擎。此外，OpenAI 发布了全新的桌面 App（ChatGPT 原桌面 App 更名为 ChatGPT Classic），以及能直接分享的 Sites（公测版，可将分析结果转化为交互网站或 Web 应用）。Atlas 浏览器独立应用被砍，功能并入 Chrome 侧边栏插件。

性能对比方面，OpenAI 在官方博客中大量引用 Claude 作为参照。在 Agents' Last Exam（55 个行业的长期智能体工作流评测）中，Sol 拿下 53.6 分，比 Claude Fable 5 高出 13.1 分；即使只开中档推理，也比 Fable 5 高 11.4 分，成本约为后者的四分之一。更小的 Terra 和 Luna 也超过 Fable 5，成本约为十六分之一。在 Artificial Analysis 智能指数上，Sol 开满推理档与 Fable 5 仅差 1 分，但任务耗时少 61%，成本约一半。编程方面，Sol 在 Artificial Analysis 编程智能体指数上获 80 分，比 Fable 5 高 2.8 分，输出 token 不到一半，耗时不到一半，成本便宜约三分之一；Terra 略高于 Fable 5，Luna 超过 Opus 4.8，两者耗时和成本均约为对手的三分之一和四分之一。Terminal-Bench 2.1 和 DeepSWE 也刷新了最佳成绩。

然而，部分指标仍有短板：SWE-Bench Pro 上 Sol 仅 64.6%，远低于 Claude Fable 5 的 80% 和 Mythos 5 的 80.3%；FrontierMath 最难的 Tier 4 数学题 Sol 65.9%，不如上代 GPT-5.5 的 72.5%，更低于 Fable 5 的 87.8%；GDPval-AA 专业工作评测 Sol 1747.8 Elo，略低于 Fable 5 的 1759.6。此外，OpenAI 在 GeneBench Pro 图注中阴阳怪气地写道，Claude Fable 5 未被列入是因为“不回答高阶生物问题，拒答了大多数题目”。

GPT-5.6 引入全新模式：ultra 模式（默认派出四个智能体并行，最多十六个，用更多 token 换取更强结果和更快出活）和 max 模式（给模型比 xhigh 更充裕的思考时间）。API 侧新增 Programmatic Tool Calling，模型可自行编写小程序调度工具、过滤中间数据，减少 token 往返。

产品端，ChatGPT Work 被定义为能跨应用和文件采取行动、项目执行数小时、将目标转化为成品的智能体，底层应用 Codex 技术。它支持三类功能：整合分散系统资料成成品；连接企业工具（通过统一插件目录）；通过 Scheduled Tasks 自动执行重复任务。Sites 功能可将分析结果变为可分享的交互网站。发布会演示了财务对账案例：一条指令完成差异分析、更新 Excel、生成 PPT、创建交互网站并发送 Slack 链接。

内部数据显示，过去六个月 OpenAI 用于代码推理的研究算力份额增长了 100 倍，智能体 token 用量增长约 22 倍。GPT-5.6 内测期间，研究员人均每日输出 token 量超过 GPT-5.5 时期最高水平的两倍。OpenAI 为此建立 RSI 指数（递归自我改进），其中 Sol 比 GPT-5.5 高出 16.2 分。网络安全方面，ExploitBench 从 47.9% 提升至 73.5%，ExploitGym 接近翻倍。安全测试动用了约 70 万 A100 等效 GPU 小时的自动化红队测试，新版安全系统拦截的有害行为比之前多约 10 倍，同时提供误拦时一键换低配模型重试的按钮。

费用机制方面，提示词缓存的写入按常规输入价 1.25 倍收费，读取只收一折；开发者可手动设置缓存断点，缓存至少保留 30 分钟，账单更可预测。

模型与产品适用人群划分：免费用户可在 ChatGPT Work 和 Codex 中使用 Terra；Plus/Business 用户聊天可用 Sol，Work 和 Codex 中三个模型随意切换；Pro/企业版用户多一个 Sol Pro 选项，Work 中 ultra 直接解锁；API 开放全部三个模型及多智能体 beta；max 模式不挑档位，所有 GPT-5.6 用户可在设置中打开。

最后，GPT-5.5 的“哥布林”问题（模型因 reward hacking 总是谈论哥布林）已在 GPT-5.6 中修复，模型只在“可爱或合适的场合”聊适量哥布林。

关键要点

• 模型家族：GPT-5.6 系列包含 Sol（旗舰）、Terra（均衡）、Luna（性价比），命名源自拉丁语太阳、大地、月亮。
• 定价策略：Sol 输入 5/输出 30 美元每百万 token；Terra 减半；Luna 仅 1/6 美元。缓存读写差异化计费，可手动设置缓存断点。
• 产品整合：Codex 独立 App 下线，能力并入 ChatGPT，形成新超级应用 ChatGPT Work；原桌面 App 更名为 ChatGPT Classic；Atlas 浏览器被砍，功能并入 Chrome 插件。
• 性能亮点：Sol 在 Agents' Last Exam 领先 Fable 5 超 13 分，编程指数创纪录，成本大幅降低；Terra 和 Luna 在多个基准上超过竞品且成本极低。
• 仍存短板：SWE-Bench Pro、FrontierMath Tier 4、GDPval-AA 等项仍落后于 Claude Fable 5 或自家上代模型。
• 新模式：ultra 模式（多智能体并行，最多 16 个）、max 模式（更多思考时间）、Programmatic Tool Calling（模型自写调度脚本）。
• ChatGPT Work：跨应用长时任务智能体，整合企业工具，支持自动执行重复任务（Scheduled Tasks），可一句话生成交互网站（Sites）。
• 自我改进：最便宜的 Luna 后训练由旗舰 Sol 独立完成；内部 RSI 指数 Sol 领先 GPT-5.5 16.2 分；研究算力与智能体 token 用量数月内暴增。
• 安全与信任：史上最严安全测试（70 万 A100 等效 GPU 小时），安全系统拦截率提升 10 倍；网络安全能力通过“可信访问”机制管控，高风险地区限制，误拦可一键换低配模型重试。
• **哥布林修复