今天，OpenAI 正式推出 GPT-5.6 系列模型，具体包括三款模型：
• GPT-5.6 Sol：全新的旗舰模型，代表最高智能水平；
• GPT-5.6 Terra：面向日常工作的均衡模型，在能力、速度和成本之间取得平衡；
• GPT-5.6 Luna：成本效率最高的轻量模型。
OpenAI 表示，GPT-5.6 Sol 在智能水平和效率方面树立了新的标准。在编程、知识工作、网络安全和科学领域测试中，它均达到当前最先进水平，并且相比此前模型和 Fable 5 等前沿模型，以更少的 Token 消耗和更低的预估成本取得更优表现。
“这意味着更高的单位成本性能（performance per dollar）：用户可以用相同预算完成更多工作，也可以用更低成本获得接近的结果。”官方表示。
“这无疑是我们有史以来最出色的作品了。”Altman 显然对这次发布也非常满意。
GPT-5.6 现在已通过 ChatGPT、Codex 和 OpenAI API 上线，并将在全球范围逐步开放。在价格方面：
• GPT-5.6 Sol：5 美元/百万输入 Token，30 美元/每百万输出 Token；
• GPT-5.6 Terra：2.5 美元/每百万输入 Token，15 美元/每百万输出 Token；
• GPT-5.6 Luna：1 美元/百万输入 Token，5 美元/每百万输出 Token；
GPT-5.6 同时引入了更可预测的 Prompt 缓存机制，包括支持显式缓存断点以及最低 30 分钟的缓存生命周期。对于 GPT-5.6 及后续模型，缓存写入的计费标准为模型未缓存输入价格的 1.25 倍；而缓存读取仍然享受 90% 的缓存输入折扣。这意味着用户读取已经缓存的上下文时，只需支付原始输入价格的 10%。
针对需要更强推理能力和更高计算投入的复杂任务，GPT-5.6 还提供了不同等级的推理模式。其中，max 模式相比此前的 xhigh 模式，会投入更多计算资源用于推理、探索不同解决方案、执行验证以及调整自身策略，以提升复杂任务的完成质量。更高阶的 ultra 模式则进一步引入多智能体协作能力，该模式默认协调 4 个智能体并行处理任务，通过增加 Token 消耗换取更高质量结果和更快完成速度。
据悉，目前 GPT-5.6 已经被用于 OpenAI 自身的 AI 研发流程，包括定位模型问题、优化训练系统、执行实验和分析实验结果。
在内部测试期间，GPT-5.6 推动研究人员使用 AI 辅助工作的程度大幅提升。数据显示，活跃研究人员每日平均输出 Token 数量超过 GPT-5.5 测试期间最高水平的两倍。过去六个月中，OpenAI 内部用于代码推理的研究计算量增长 100 倍，内部 Agent Token 使用量增长约 22 倍。
OpenAI 表示，这些指标并不直接代表研究进展，但反映出 AI 辅助正在快速进入模型研发、销售、市场、运营、财务等多个团队。
值得注意的是，Anthropic 几乎在同时宣布了重置每周使用额度的消息，这被解读为“是在向 OpenAI 释放一个明确的信号。”
GPT-5.6 系列在代码能力和 Agent 任务执行方面实现进一步提升。
在 Artificial Analysis Coding Agent Index v1.1 测试中，GPT-5.6 Sol 在最高推理模式下取得 80 分，刷新该评测最高成绩，比 Claude Fable 5 高出 2.8 分。与此同时，GPT-5.6 Sol 完成任务所需输出 Token 数量不到 Fable 5 的一半，任务执行时间不到其一半，整体成本降低约三分之一。
这一效率优势也延伸至整个 GPT-5.6 系列。其中，GPT-5.6 Terra 的代码能力略高于 Fable 5，而 GPT-5.6 Luna 则超过 Claude Opus 4.8。OpenAI 称，两款模型均能以约三分之一的时间完成任务，同时将输出 Token 消耗减少约一半，预估成本降低至约四分之一。
此外，GPT-5.6 系列还在 Terminal-Bench 2.1 和 DeepSWE v1.1 测试中刷新最高成绩，前者主要评估复杂命令行任务能力，后者则测试模型在真实代码库中的长期软件工程能力。
除了模型本身能力提升，GPT-5.6 还进一步增强了 Agent 执行任务的能力，引入程序化工具调用（Programmatic Tool Calling）。通过这一能力，GPT-5.6 可以编写并运行轻量级程序，用于协调工具调用、处理中间结果、监控任务进展，并根据任务变化自主选择下一步行动。
OpenAI 表示，这一机制能够显著优化复杂工具型任务的执行流程。过去，开发者通常需要手动编排每一步操作，或者将每一次工具返回结果重新传递给模型。而借助 Responses API 中的程序化工具调用，GPT-5.6 可以自动过滤大量中间数据，仅保留关键结果，并根据任务推进情况动态调整工作流程，从而减少 Token 消耗、降低模型调用次数，并减少人工指导需求。
OpenAI 表示，训练 GPT-5.6 的核心目标之一，就是让每一个 Token 产生更高价值。
在内部的 Agents’ Last Exam 测试中（该测试用于评估覆盖 55 个专业领域的长期运行工作流能力）GPT-5.6 Sol 创下新的最高分：53.6 分。这一成绩比 Claude Fable 5 高出 13.1 分。即使在中等推理强度下，GPT-5.6 Sol 仍然比 Fable 5 高出 11.4 分，而预估成本约只有后者的四分之一。而 GPT-5.6 Terra、GPT-5.6 Luna 两者均能超过 Fable 5，同时成本约只有其 1/16。
在 Artificial Analysis Intelligence Index v4.1（该指标综合评估智能体任务、代码能力、科学推理以及通用能力表现） 测试中，GPT-5.6 Sol 在最高推理模式下，与 Fable 5 的成绩差距缩小至 1 分以内，但完成任务所需时间减少 61%，预估成本约降低至一半。
OpenAI 表示，GPT-5.6 系列搭载了目前最完善的安全防护体系，旨在抵御具有适应性和针对性的滥用行为，同时尽量避免对正常使用场景造成不必要限制。
在正式发布前，OpenAI 进行了迄今规模最大的模型安全评估，包括人类红队测试、大规模自动化测试、外部专家评估以及与专业机构和合作伙伴开展的压力测试。其中，黑盒自动化红队测试累计投入约 70 万 A100e GPU 小时，用于系统性发现潜在漏洞并强化防护能力。
OpenAI 表示，GPT-5.6 的安全体系结合了模型内置安全训练、实时检测、持续监控以及基于用户信任等级和风险水平调整的访问控制机制。相比此前模型，GPT-5.6 在网络安全和生物领域能力进一步增强，但测试结果显示，其尚未达到 OpenAI 定义的“关键风险”水平。
具体来看，在网络安全领域，GPT-5.6 更擅长漏洞发现、代码修复、安全审查等防御型任务，而不是针对高防护目标执行完整自主攻击；在生物领域，模型能够辅助合法科研工作，但尚不具备端到端设计、制造高度危险新型威胁的能力。
与此同时，OpenAI 表示，GPT-5.6 相比此前模型消耗更少 Token。
在 ExploitBench2 （该测试衡量模型从发现漏洞代码到实现任意代码执行的能力）测试中，GPT-5.6 Sol 得分达到 73.5%，明显高于 GPT-5.5 的 47.9%。
在 ExploitGym3（该测试要求 Agent 将真实世界漏洞转化为可运行攻击样本）测试中，在两小时限制下，GPT-5.6 Sol 最高通过率达到 24.9%，相比 GPT-5.5 的 15.1%接近翻倍；延长至 6 小时后，通过率进一步达到 33.7%。
在 SEC-Bench Pro 测试中，GPT-5.6 Sol 取得 71.2%的成绩，高于 GPT-5.5 的 45.8%，同时保持更低延迟。
OpenAI 正在通过 Trusted Access for Cyber 项目，为经过验证的个人和组织提供更强安全能力，包括漏洞分析、恶意软件研究、检测工程以及补丁验证等场景。未来，其将继续通过漏洞奖励计划、实时监控和快速修复机制完善安全体系，并根据真实使用过程中发现的新风险持续调整防护措施。
办公能力全面增强，还推出了内置 GPT-5.6 的超级应用？在办公领域，OpenAI 还推出了由 GPT-5.6 提供支持的 ChatGPT Work，其定位为 ChatGPT 内置的智能体，帮助用户承担更复杂、更具挑战性的工作任务。借助这一能力，ChatGPT 不再局限于回答问题，而是能够围绕目标自主规划、执行并交付完整成果。
据 OpenAI 介绍，ChatGPT Work 可以从用户连接的应用和工作流中获取信息，并基于这些数据生成可直接使用的工作成果，包括表格、PPT、文档以及 Web 应用等。同时，它能够将复杂项目拆解为多个步骤，自主推进任务执行，并持续处理长达数小时的工作流程。
这一变化意味着，ChatGPT 正在从“辅助工具”向“任务执行者”转变。用户不再需要逐步指导 AI 完成每个操作，而是可以直接提出目标，由智能体负责规划路径、调用工具并完成交付。
内置 Codex 后，ChatGPT 已经能够超越传统问答模式，在网页端、移动端和桌面端完成真正的工作任务。
活动运营看板案例
官方表示，使用 ChatGPT Work 的最佳方式，是交给它一个你已经很熟悉的任务，你跟进它的进展、回答问题、改变方向，并批准重要操作。你甚至可以用一个请求让 ChatGPT Work 接手整个工作流。例如，它可以把客户研究转化为营销活动简报，再用该简报创建营销素材，并在每一步都保留上下文的同时，为不同市场调整这些素材。
即使你离开电脑或手机，ChatGPT Work 也能通过定时任务持续推进项目。例如，它可以独立地将 Microsoft Teams 和 Slack 的新消息转化为更新后的文档或幻灯片，然后与团队分享重要变更。
在网页和移动端上，ChatGPT Work 功能现已在 Pro、Enterprise 和 Edu 套餐中推出。未来几天内，该功能还将推广到 Plus 和 Business 套餐用户。
不过，目前看大家对 ChatGPT Work 的评价比较两极分化。
有网友对 ChatGPT Work 评价极高，“ChatGPT Work 将像 2023 年的 Claude Code 一样，引发互联网级别的震动。OpenAI 正在把 Codex 应用整合进主 ChatGPT 应用中，这意味着所有用户都将能够使用 Codex。‘超级个体生产力时代’现在已经到来。”
不过，也有用户对 ChatGPT Work 的定位提出疑问：“Codex 和 ChatGPT 是合并成了 ChatGPT Work 这个应用，还是说 Codex 仍然作为一个独立的应用存在呢？”
随后，Altman 回答了这个问题，“Codex 不会被取代。”
实际上，GPT-5.6 本身也这次更新中加强了在设计、知识工作、科学研究等专业场景的能力。
首先，GPT-5.6 在设计判断能力方面实现重大提升。相比过去主要根据需求生成代码或内容，GPT-5.6 能够基于较高层级的目标描述，直接创建更具审美、符合人体工程学且具备实际功能的交互界面。
与此同时，GPT-5.6 进一步增强了计算机操作能力。模型不仅能够生成底层代码，还可以直接检查最终渲染效果，对视觉和功能问题进行识别，并主动完成优化调整。
这意味着 GPT-5.6 能够参与更完整的产品设计流程：从生成界面，到检查实际效果，再到修正细节，最终交付接近可直接使用的成果。
在知识工作场景中，OpenAI 表示，GPT-5.6 能够更好地处理来自文档、Slack、Notion、Microsoft 365 以及 Google Drive 等日常工作环境中的非结构化信息，并将其转化为专业级、可共享的工作成果。
在 BrowseComp 测试中，GPT-5.6 Sol 取得 92.2% 的成绩，刷新最高水平；在 OSWorld 2.0 测试中达到 62.6%，超过 Claude Opus 4.8，同时输出 Token 减少 85%。
OpenAI 表示，GPT-5.6 系列整体都实现了更高的性价比。其中，GPT-5.6 Luna 在不到一半成本的情况下，接近 GPT-5.5 此前最高性能水平；GPT-5.6 Terra 则在更低成本下进一步超过 GPT-5.5。
OpenAI 表示，GPT-5.6 在生成 PPT、文档和电子表格方面也取得明显进步，输出结果更加精致、准确。其中，模型可以从零开始创建完整可编辑的演示文稿，将用户输入的需求和参考资料转化为具有清晰视觉逻辑的内容，包括合理布局、信息层级以及统一设计风格。
在处理模板和参考文件时，GPT-5.6 能够理解原始文档背后的设计系统，包括页面布局、字体规范、间距规则、色彩体系、重复出现的内容结构、Slide Master（幻灯片母版）中的隐藏规则。随后，模型能够将这些设计规范一致地应用到新内容中。
此外，GPT-5.6 在复杂文档和表格任务中也表现更强，包括更准确处理公式，更可靠构建金融模型，更合理运用排版、间距和信息层级，更好适配复杂页面和工作表布局。
此外，GPT-5.6 在科学研究任务中也实现全面提升。
在生命科学相关评测中，GPT-5.6 Sol 相比 GPT-5.5 实现明显的性能—成本优化，在真实生物学研究、生命科学工作流以及化学研究任务中均取得更优结果。
其中，模型在 GeneBench Pro、LifeSciBench 和 MedChemBench 等测试中表现提升。OpenAI 称，GPT-5.6 能够以更少 Token、更短时间完成复杂基因组分析和定量生物学研究任务。
OpenAI 发布 GPT-5.6 后，社区迅速展开讨论。
“SOL Ultra Fast 模式用了 2x100% 额度，但任务进度还停留在 1/5……哈哈哈。另外，为什么你们降低了 5 小时窗口的额度？以前它占每周额度的 20%，现在变成了 15%，这可是一个很大的变化……”有网友说道。
讨论最集中的地方之一，是 OpenAI 官方开发者指南中关于提示词的新建议：GPT-5.6 对“简洁”类指令更加敏感，官方建议用户不要简单要求“简短回答”，而应该明确要求模型“先给结论、提供必要证据、删除重复内容”。
部分网友认为，这说明 GPT-5.6 正在改变人机交互方式。
有表示，过去的大模型经常输出大量无关内容，而如果新模型能够根据场景自动控制篇幅，“这是纯粹的胜利”。还有用户认为，模型真正应该做到的是判断“什么时候应该详细，什么时候应该简短”，而不是机械执行“少说一点”。
但也有人质疑，用户要求“简短回答”，本质上就是因为“不想读 20 段废话”，如今却要求用户写更复杂的 Prompt 去告诉模型应该保留哪些内容，这反而增加了使用成本。该网友评论称，用户只是想“用几句话确认方向”，而不是重新学习如何描述输出格式。
“大模型总喜欢听自己讲话。”有网友甚至调侃，随后有人回复称这可能与训练数据有关，因为“沉默的人不会写博客”。
部分开发者认为，批评 GPT-5.6 变得“不够话痨”其实误解了模型发展的方向。
“如果模型能力提升，那么它应该更准确判断不同任务需要多少解释，而不是所有问题都采用同一种输出长度。”他认为，过去模型默认输出大量文字，本身就是体验问题。
也有网友指出，真正的问题不是模型说得少，而是模型是否真的理解任务。他希望未来模型可以“内部完成推理”，然后只展示用户需要的信息。
这类观点背后反映的是 AI 产品设计的一种变化：过去用户需要训练模型“怎么回答”，未来模型可能需要主动判断“用户到底想要什么”。
有用户警告，“更好猜测用户意图”可能是一条危险路径。他指出，在搜索、推荐系统和社交媒体领域，平台不断优化“预测用户喜欢什么”，最终往往导致内容越来越同质化。他担心，大模型如果过度依赖猜测，会出现类似问题：输出越来越符合平均用户，而越来越难满足那些拥有特殊需求、专业场景或者非典型目标的人。该网友认为，模型真正需要做的不是“更大胆猜测”，而是在必要时主动要求用户澄清。
这一观点获得不少开发者共鸣。
另一个争议点来自 Token 消耗。有网友注意到，无论是 OpenAI 提倡减少冗余输出，还是其他模型厂商强调自适应推理，本质上都在推动模型自行决定使用多少计算资源。因此，有网友质疑，这是否意味着 AI 公司正在让模型拥有更大的 Token 使用控制权，因为企业按照 Token 或计算量收费。
有网友认为，未来竞争重点不会是单纯输出更多内容，而是“每完成一个任务需要多少成本”。如果模型能够用更少 Token 达成同样结果，对用户和企业都是好事。
这实际上对应 AI 行业正在发生的变化：过去比拼的是模型智力，现在开始比拼“单位任务成本”。
参考链接：
https://openai.com/index/gpt-5-6/
https://openai.com/zh-Hans-CN/index/chatgpt-for-your-most-ambitious-work/
