AI 开发者日报

• OpenAI 发布了 GPT-5.6 Sol、Terra 和 Luna 系列模型，覆盖 ChatGPT、Codex 和 API，即日起开始推送，并在 24 小时内完成全面上线。信息来源：@OpenAI、@OpenAIDevs 和 @stevenheidel。
• Sam Altman 表示，这次发布不仅是模型更新，更是一次产品发布会。他在直播中透露，除了新模型外，还将推出 三大产品功能：ChatGPT Work、全新的 ChatGPT 桌面应用以及托管站点（Sites）。信息来源：@sama。
• OpenAI 在公开宣传中重点强调了 性能与成本的平衡：“定价与 GPT-5.5 保持一致”，但能力更强。@scaling01 指出，Sam 明确表示 OpenAI 听到了企业对 AI 成本的担忧，并称 5.6 Sol 在“每任务成本”上实现了巨大飞跃，Terra 和 Luna 同样如此。信息来源：@sama。
• OpenAI 推出了 ChatGPT Work，这是一个基于 Codex + GPT-5.6 的全新智能体，能够在多个应用和文件之间协同操作，并可持续数小时跟踪项目进度。信息来源：@OpenAI、@OpenAI 和 @OpenAI。
• 此外，OpenAI 将 Codex 和 ChatGPT 合并为统一的桌面应用，新增了编程工作流、浏览器集成、Chrome 扩展支持、更快的 Computer Use 功能，以及共享的 Work/Codex 上下文。信息来源：@OpenAIDevs、@OpenAIDevs 和 @OpenAIDevs。
• OpenAI 还推出了 Sites 的测试版，允许用户将输出内容转化为可分享的网页制品。该功能在 @reach_vb 的产品总结和 @OpenAIDevs 的发布说明中均有提及。

• Sol 是旗舰级模型，具备最高的推理天花板，专为长周期编码和智能体任务设计；Terra 是均衡的中端模型；Luna 则是速度最快、成本最低的高吞吐量模型。以上信息来自 @OpenAIDevs 和 @github。
• OpenAI 公开了多个推理努力级别，包括 max 和 ultra。根据 @scaling01 和 @reach_vb 的公开讨论，“Ultra 模式”被认为是 OpenAI 新的多智能体模式。
• 在 ChatGPT 中，Plus/Pro/Business/Enterprise 用户可以通过中等以上的努力级别使用 GPT-5.6 Sol；Pro 和 Enterprise 用户还可使用 GPT-5.6 Pro 以获得最高质量的结果。信息来源：@OpenAI。

Artificial Analysis 汇总了官方 API 定价如下：

• Sol： 每百万输入/输出 token 收费 $5 / $30
• Terra： $2.5 / $15
• Luna： $1 / $6

（来源：@ArtificialAnlys）

OpenAI 首次推出了 缓存写入定价。Artificial Analysis 指出，缓存写入按 输入 token 价格的 1.25 倍 收费，而缓存读取则延续了此前 OpenAI 定价中熟悉的 90% 折扣 优惠。（来源：@ArtificialAnlys）

多位评论人士强调，此次发布在原始基准测试之外，至少同样是一场 成本曲线之战，相关评论来自 @LiorOnAI、@omarsar0 和 @cline。

• OpenAI 在 Responses API 中宣布了程序化工具调用（Programmatic Tool Calling），并推出了多智能体（Multi-agent） 测试版，消息来自 @OpenAIDevs。
• Computer Use 功能迎来升级，变得更快、更省 token、并行化程度更高，同时支持批处理和画中画监督模式，详情见 @OpenAIDevs、@ajambrosino 和 @OpenAIDevs。
• 桌面/浏览器栈现已支持认证站点、多标签会话、文件下载以及 Chrome 扩展工作流，信息来源为 @OpenAIDevs 和 @OpenAIDevs。

• OpenAI 表示，在内部测试中，每位活跃研究员的日均输出 token 数量是 GPT-5.5 最高观测水平的 2 倍以上，该信息由 @eliebakouch 引用。
• 另一项来自发布材料的说法：在六个月内，用于内部编码推理的研究算力占比增长了 100 倍，而内部 agentic token 使用量增长了约 22 倍，由 @eliebakouch 强调。
• 一个被广泛讨论的 OpenAI 相关说法是：GPT-5.6 Sol“自主后训练”了 GPT-5.6 Luna，该说法由 @scaling01 和 @tejalpatwardhan 放大传播，同时被 @nikolaj2030 和 @nrehiew_ 质疑和澄清，他们认为实际范围可能比字面上的端到端解释要窄。

• Artificial Analysis 指出，GPT-5.6 Sol 在 Artificial Analysis 智能指数中仅次于 Claude Fable 5，得分 59（Fable 领先），但每任务成本仅为 Fable 的约三分之一：Sol 在最大努力模式下每任务成本为 $1.04，来源 @ArtificialAnlys。
• 同一篇 AA 文章中，Terra 在智能指数中得分 55，Luna 得分 51，每任务成本分别为 $0.55 和 $0.21，来源 @ArtificialAnlys。
• Artificial Analysis 还指出，Terra 不在帕累托前沿上，因为在类似成本下，通常存在一个 Luna/Sol 的操作点与之相当或更优，来源 @ArtificialAnlys。
• 在 Artificial Analysis 编程智能体指数中，Sol 得分 80，领跑该指数；Terra 得分 77，Luna 得分 75，来源 @ArtificialAnlys。
• AA 明确指出，Sol 在 Codex 模式下，其指数中的三项编程智能体评估——DeepSWE、Terminal-Bench v2 和 SWE-Atlas-QnA——均位居第一，并在 SWE-Atlas-QnA 上与 Grok Build 中的 Grok 4.5 持平，来源 @ArtificialAnlys。
• AA 还报告称，Sol 在 AA-Briefcase 上拥有最高的 Presentation Elo，但综合排名仍落后于 Fable，因为 Fable 在分析质量和评分通过率方面保持更强优势，来源 @ArtificialAnlys 和 @ArtificialAnlys。

具体基准测试成绩

• Cursor 宣布 GPT-5.6 Sol、Terra 和 Luna 已在 Cursor 中可用，并在 CursorBench 上，Sol 得分 67.2%，来源：@cursor_ai

• Cognition 表示，在 FrontierCode 1.1 Extended 上，GPT-5.6 系列在取得强劲得分的同时兼具出色的成本效益，Sol 以接近次优模型一半的成本达到了顶级性能，来源：@cognition

• Arc Prize 称 GPT-5.6 Sol 在 ARC-AGI-3 上创下了新的 SOTA：7.8%，并且是首个经验证的、在 ARC-AGI-3 游戏中获胜的前沿模型，来源：@arcprize

• @scaling01 强调，相比 Opus 4.8 的 1.5%，这一 ARC-AGI-3 成绩是“巨大的飞跃”

• 在 ARC-AGI-2 上，@GregKamradt 表示 Sol 达到了 92.5%，且成本比 GPT-5.5 Pro 低一个数量级

• Vals 表示 GPT-5.6 在 Vals Index 和 Vals Multimodal Index 上排名 #2，而 Sol 在 CyberBench、Excel Modeling Benchmark、Legal Research Bench、ProofBench、SWE-bench 和 Terminal-Bench 2.1 上均排名 #1，来源：@ValsAI 和 @ValsAI

• Vals 还指出，Fable 在 CyberBench 上的拒绝率接近 100%，这为 Sol 创造了机会——Sol 更愿意/更有能力完成任务，从而提升了其评估表现，来源：@ValsAI

• @kimmonismus 总结了 OpenAI 的基准测试声明，包括：

  • Agents' Last Exam：52.7%
  • Terminal-Bench 2.1：91.9%（Sol Ultra）
  • BrowseComp：92.2%（Sol Ultra）
  • OSWorld 2.0：62.6%
  • SEC-Bench Pro：74.3%

• @scaling01 表示，在 ProgramBench 上，Sol 相比 GPT-5.5 是“明显的升级”

• @AcerFur 指出，GPT-5.6 Sol 在 FrontierMath T4 v2 上的修正得分为 83%

• OpenAI 将 GPT-5.6 描述为 在网络安全和生物相关任务上迄今为止能力最强的模型，同时警告称，在双重用途领域，部分 API 调用可能会被中途拦截或暂停以进行额外审查，via @OpenAIDevs。
• @scaling01 重点指出了发布内容中 GPT-5.6 在网络安全方面的具体基准测试结果。
• 但英国 AI 安全研究所的独立安全测试发现了严重问题：@alxndrdavies 表示，在所有轮次的测试中，他们发现了 通用越狱方法，能够在包括 漏洞发现和漏洞利用开发 在内的多个领域完成长篇幅的自主任务。
• @EthanJPerez 称这是“迄今为止所有模型发布中风险最高的安全问题”。
• @yonashav 称赞 OpenAI 允许第三方在发布前公开令人不安的安全发现。

事实 / 来自官方或基准测试来源的相对可靠声明

• GPT-5.6 家族 包含 Sol、Terra、Luna 三个版本，正在 ChatGPT、Codex、API 上逐步推出：@OpenAI，@OpenAIDevs。
• 官方 API 定价 与 GPT-5.5 保持一致，Artificial Analysis 列出了具体的 token 价格：@scaling01，@ArtificialAnlys。
• OpenAI 发布了 ChatGPT Work（全新桌面应用）、Sites 测试版，以及 API 新功能，如程序化工具调用（Programmatic Tool Calling）和多智能体测试版（Multi-agent beta）：@OpenAI，@OpenAIDevs，@OpenAIDevs。
• 独立基准测试机构，包括 Artificial Analysis、Vals、ARC Prize、Cursor 和 Cognition，发布了早期评测结果，显示出强大的编码智能体性能以及更优的性价比：@ArtificialAnlys，@ValsAI，@arcprize，@cursor_ai，@cognition。

• Sam Altman 所说的“这是我们迄今为止最好的模型”，更像是高管的惯用话术，而非独立的客观评价，来源：@sama
• “ChatGPT 超级应用即将到来”来自 @kimmonismus，这虽然是一种解读，但反映了一个真实的产品方向判断：OpenAI 正在将聊天、编程、浏览器操作、文件处理、网站交互和企业工作整合到一个应用界面中。
• “竞争的关键是成本曲线，而不仅仅是基准测试”来自 @LiorOnAI，这是一种分析性的表述，但得到了 OpenAI 自身的宣传以及第三方按任务计费的成本测算的有力支持。
• “没有多少人在心理上为 GPT-6 做好准备”来自 @scaling01，这显然是一种修辞手法，而非基于事实的论证。

• “Sol 自主完成了 Luna 的后训练”这句话成为发布中最受热议的焦点之一。它被 @scaling01、@dejavucoder 和 @tejalpatwardhan 广泛转发。
• 然而，@nikolaj2030 明确质疑实际声明可能范围要窄得多：Sol 只是在受控环境中编辑了配置/调度器并启动了一次运行，而非真正生产意义上的端到端后训练。
• @nrehiew_ 也呼应了这一更窄的解释。
• 另一个争议点是 ARC-AGI-3 评分方法：@scaling01 认为，按照官方评分方法，Sol 的得分应为 0%，因为评估预算上限为 1 万美元，而 Sol 据称被允许使用 2.5 万美元。这并不否定观察到的能力结果，但在比较“官方评分”与“更高预算下的实际表现”时，这一点至关重要。

• OpenAI 领导层强调能力与效率并重：@gdb 表示，GPT-5.6 在编码、知识工作、网络安全和科学领域表现出色，且消耗更少的 token，成本也更低。
• @ArtificialAnlys 给出了最具实质性的外部看涨观点：成本约为 1/3，智能水平接近“寓言级”，在编码智能体评测中处于领先地位，且 token 效率极高。
• @arcprize 强调了在 ARC-AGI-3 上达到 SOTA（最先进水平），这是一个具体的泛化能力里程碑。
• @cognition、@cursor_ai、@github、@FactoryAI 和 @arena 均迅速行动，将该模型系列集成到各自平台，彰显了生态系统的信心。
• 实践者们对生成物的质量以及设计/网页输出方面的改进赞不绝口，例如 @arunv30、@omarsar0 和 @OpenAIDevs。

• @scaling01 指出，在 Artificial Analysis Intelligence Index 上，GPT-5.6 Sol 的表现不如 Fable，这提醒我们，在某些综合指标上，前沿模型的领先地位似乎仍属于 Anthropic。
• @scaling01 质疑 Sol 是否在数学能力上更差，暗示并非所有能力前沿都在同步推进。
• @ArtificialAnlys 表示，在 AA-Omniscience 基准上，Sol 相比 GPT-5.5 仅带来小幅改进，同时幻觉率略有上升。
• @Hangsiin 指出了产品层面的一个细节：在 ChatGPT 订阅服务中，Sol 消耗的积分是 GPT-5.5 的两倍，尽管实际使用体验可能更好；此外，尽管 API 成本存在差异，Sol 与 Terra 的使用限制可能相差不大。
• @theo 将 Codex 转变为 ChatGPT Desktop 的做法称为“一代人的失误”，反映出对独立开发者体验可能被稀释的担忧。
• 英国 AISI 的越狱报告（via @alxndrdavies）是这批内容中最具实质性的批评。

• @teortaxesTex 认为，此次发布表明 Anthropic 仍然拥有更强的基座模型，而 OpenAI 则是通过后训练和系统工程来拉平竞争差距。
• @matanSF 指出，本周产品发布带来的更大启示是，随着多个模型处于不同的帕累托前沿，自动模型路由的需求正变得越来越迫切。
• @jerryjliu0 从产品中立的角度分析：OpenAI 的 Work/Codex 拆分设计可能比 Anthropic 的 Cowork/Code 拆分更优，两者共享历史记录，但通过差异化开关进行区分。

• 时机至关重要。在此前的48小时内，生态系统已被 xAI/Cursor (Grok 4.5) 和 Meta (Muse Spark 1.1) 的发布所淹没。许多人将 GPT-5.6 视为进入一场新拥挤的前沿竞赛，例如 @Yuchenj_UW、@kimmonismus 和 @TheRundownAI。
• OpenAI 的回应并非简单的“我们在基准测试 X 上表现最佳”，而是“我们能够达到同等能力水平，同时降低每任务成本，并交付一个更加集成的产品界面”。