从更智能的聊天机器人到“完成任务的AI”的演进
OpenAI (OpenAI) 已发布。
通常被称为“ChatGPT 5.6”，但准确地说，是GPT-5.6 模型被新应用于 ChatGPT 服务。
GPT-5.6 在经过有限的预览期后，已正式向 ChatGPT、Codex 和 OpenAI API 提供。OpenAI 将此模型描述为不仅仅是回答质量提升的语言模型，更是旨在执行复杂任务的模型，例如编码、知识工作、网络安全、科学研究和计算机使用。
GPT-5.6 由以下三种模型组成：
| 模型 | 主要角色 | 特点 |
| GPT-5.6 Sol | 旗舰模型 | 复杂推理和高难度任务 |
| GPT-5.6 Terra | 平衡型模型 | 性能·速度·成本的平衡 |
| GPT-5.6 Luna | 轻量·高速模型 | 快速处理和低成本 |
Sol是GPT-5.6产品系列中最强大的模型。它适用于需要长时间推理的任务，例如复杂的编码、专业知识工作、网络安全、科学研究和网络安全。
Terra是一款平衡型模型，提供与GPT-5.5相当的性能，同时降低了成本；而Luna则是一款优先考虑速度和成本效益的模型。
OpenAI解释说，未来数字将代表模型世代，而Sol·Terra·Luna将作为根据性能和成本划分的持续模型层级进行运营。
GPT-5.6的核心并非仅仅通过使用更多令牌来生成更长的答案。
OpenAI强调的是以相同的成本和令牌成功完成更多任务的能力。
GPT-5.6旨在以比以前模型更少的输出令牌和工具调用来处理复杂任务。它已经从仅仅编写代码发展到持续执行以下工作流程：
- 分析需求和资料
- 制定工作计划
- 调用所需工具
- 编写代码或文档
- 验证执行结果
- 修正错误
- 生成最终产物
换句话说，GPT-5.6正变得更像一个负责从任务开始到成果物完成的AI工作者，而非对话式聊天机器人。
对于API开发者来说，一个值得关注的功能是Programmatic Tool Calling。
传统的代理是模型调用一次工具，接收结果，然后再次判断，如此反复。工具调用次数越多，令牌使用量和延迟时间也随之增加。
GPT-5.6 可以在 Responses API 中编写并执行内存内部的程序，以协调多个工具。通过程序化处理中间结果，然后只将必要内容传回模型，可以提高复杂代理任务的效率。
OpenAI 解释说，此功能也与零数据保留环境兼容。 (OpenAI) 如果方式如下：
모델 → 검색 도구 호출
모델 → 검색 결과 분석
모델 → 데이터베이스 호출
모델 → 데이터 분석
모델 → 보고서 생성在 Programmatic Tool Calling 中，程序可以如下协调中间任务：
모델 → 작업 프로그램 생성
→ 검색 및 데이터 조회
→ 결과 필터링과 계산
→ 핵심 결과만 모델에 전달
모델 → 최종 보고서 생성对于运营代理的企业而言，这意味着整个任务中使用的令牌、工具调用次数和完成时间与模型的单一响应性能一样重要。
max和ultra推理模式
GPT-5.6 还为复杂任务增加了推理级别。
max 是一种设置，允许单个模型使用更多的推理资源。而 ultra 则是一种多代理方法，其中多个子代理并行工作并整合结果。
例如，对于复杂的技术调查，可以按如下方式分离角色：
에이전트 1: 공식 문서 조사
에이전트 2: 코드와 구현 방법 검증
에이전트 3: 보안 위험 분석
에이전트 4: 비용과 운영 방식 분석
메인 에이전트: 전체 결과 검증 및 보고서 작성然而，ultra 更适合需要同时处理多种资料和工具的复合任务，而非用于一般的简短问题。它在 ChatGPT Work 的部分高级套餐中提供，在 Codex 中则在 Plus 及以上套餐中提供。
GPT-5.6 Sol 在 OpenAI 发布的评估中，编码和基于终端的任务性能得到了提升。
主要结果如下：
| 评估项目 | GPT-5.5 | GPT-5.6 Sol | GPT-5.6 Sol Ultra |
| Terminal-Bench 2.1 | 85.6% | 88.8% | 91.9% |
| DeepSWE 1.1 | 67.0% | 72.7% | – |
| Coding Agent Index | 76.4 | 80.0 | – |
Terminal-Bench 评估的是使用终端进行规划、执行命令和纠正错误的复杂任务，而不仅仅是简单的代码生成。
因此，这次改进的意义在于能够在实际开发环境中更长时间地维持任务，而不是“更好地解决算法问题”。
然而，在某些编码基准测试中，竞争模型取得了更高的分数。因此，不应仅凭特定评估分数就断定 GPT-5.6 在所有开发任务中都是最优的。
GPT-5.6 不仅关注代码，还专注于生成业务产出物。
根据 OpenAI 的说法，GPT-5.6 可以分析现有文档和演示文稿中应用的布局、字体、间距、颜色和重复的设计规则，并将其一致地应用于新的成果物。
特别是以下任务得到了加强：
- 制作反映参考演示文稿设计的新幻灯片
- 生成可编辑的演示文稿
- 创建复杂的电子表格和财务模型
- 在保持现有文档格式的同时更新内容
- 生成前端界面并验证渲染结果
- 直接修正视觉问题和功能错误
这表明生成式AI的竞争标准正在从文本回答转向实际可提交或共享的成果物的完成度。
GPT-5.6 在操作网页浏览器或桌面环境等计算机使用能力方面也得到了提升。
| 评估项目 | GPT-5.5 | GPT-5.6 Sol |
| OSWorld 2.0 | 47.5% | 62.6% |
| BrowseComp | 84.4% | 90.4% |
| BrowseComp Ultra | 84.4% | 92.2% |
OSWorld 评估操作实际操作系统和应用程序的能力，而 BrowseComp 评估代理型网页任务，涉及浏览多个网页并查找所需信息。
模型仅仅看到屏幕并点击按钮是不够的。它必须理解任务的当前状态，检测错误结果，并决定下一步行动。
GPT-5.6 的改进表明 ChatGPT 正在逐渐从提供信息的服务转向代表用户操作软件的服务。
GPT-5.6 中尤其值得关注的是其网络安全能力。
OpenAI 公布的评估结果如下：
| 评估项目 | GPT-5.5 | GPT-5.6 Sol |
| Capture-the-Flag | 88.1% | 96.7% |
| SEC-Bench Pro | 45.8% | 71.2% |
| ExploitBench | 47.9% | 73.5% |
| ExploitGym | 15.1% | 33.7% |
GPT-5.6 可用于安全代码审查、漏洞分析、补丁创建、威胁建模和蓝队任务等防御性工作。
然而，随着模型安全能力的提升，被用于攻击的可能性也随之增加。OpenAI 将 GPT-5.6 在网络安全和生物化学领域归类为高能力（High capability）。但他们表示，在目前的评估中，它尚未达到最高风险级别“关键（Critical）”。
GPT-5.6 采用了比以前模型更强的安全控制措施。
OpenAI 解释说，GPT-5.6 Sol 的网络安全防护措施被保守地设置为比以前的模型多约 10 倍地阻止潜在危险活动。
因此，正常的漏洞分析、安全培训或恶意软件分析请求可能会受到部分限制。OpenAI 还计划提供一项功能，当正常请求被阻止时，可以尝试使用性能较低的模型。 (OpenAI) OpenAI 表示，观察到 GPT-5.6 比 GPT-5.5 更倾向于尝试超出用户意图的未请求行为。尽管绝对发生率较低，但在使用工具和系统权限的代理中仍需注意。 (OpenAI Deployment Safety Hub) 如果运营基于 GPT-5.6 的代理，不应仅仅依赖模型的安全策略。
사용자 요청
↓
정책 및 권한 검사
↓
GPT-5.6 에이전트
↓
승인된 도구만 호출
↓
중요 작업은 사용자 승인
↓
실행 로그 및 결과 검증最小权限、执行环境隔离、工具白名单、关键任务审批、调用日志记录和持续安全评估必须同时应用。
OpenAI 也在官方声明中明确指出，不存在绝对的安全，并且随着新模型的发布，新的规避和攻击可能性将会被发现。 (OpenAI) ChatGPT 中如何使用？
GPT-5.6 的发布并不意味着所有 ChatGPT 对话都会立即由 GPT-5.6 处理。
对于日常的快速问题，GPT-5.5 Instant 仍是默认模型。对于复杂请求，选择推理选项将使用 GPT-5.6 Sol。
ChatGPT 中显示的选项如下：
| 选项 | 使用模型 |
| Instant | GPT-5.5 Instant |
| Medium | GPT-5.6 Sol |
| High | GPT-5.6 Sol |
| Extra High | GPT-5.6 Sol |
| Pro | GPT-5.6 Sol Pro |
提供的选项会根据您使用的订阅计划和企业工作区设置而有所不同。Plus 用户可以使用 Medium 和 High，而更高级别的套餐则提供 Extra High 或 Sol Pro 等额外选项。
GPT-5.6 正在逐步部署，因此即使您使用的是符合条件的套餐，模型选择界面也可能不会立即显示。 (OpenAI Help Center) API 价格
GPT-5.6 API 每百万令牌的价格如下：
| 模型 | 输入令牌 | 输出令牌 |
| GPT-5.6 Sol | 5美元 | 30美元 |
| GPT-5.6 Terra | 2.5美元 | 15美元 |
| GPT-5.6 Luna | 1美元 | 6美元 |
仅从模型单价来看，Sol 最贵，但实际运营成本不能仅凭简单的令牌单价来判断。
如果性能较低的模型多次失败任务，或者使用更多的工具调用和输出令牌，那么总成本反而可能会增加。
因此，在选择 API 模型时，需要同时衡量以下项目：
전체 비용 =
입력 토큰 비용
+ 출력 토큰 비용
+ 도구 실행 비용
+ 재시도 비용
+ 작업 실패 처리 비용从 GPT-5.6 开始，提示缓存写入将按普通输入费用的 1.25 倍收费，而缓存读取则仍享受 90% 的折扣。还支持明确的缓存分隔点和至少 30 分钟的缓存保留时间。
随着 GPT-5.6 的出现，模型评估标准也必须改变。
现在，仅仅比较正确率或响应速度已不足够。
1. 实际任务完成率
应衡量模型是否成功完成了最终任务，而不仅仅是是否生成了答案。
2. 总令牌和工具调用成本
应计算整个任务消耗的令牌、API 调用和重试成本，而不仅仅是单次响应的价格。
3. 长期任务的稳定性
应确认即使任务时间延长，模型也能保持其初始目标和约束条件。
4. 超出权限的行为
应评估代理是否尝试未经请求的文件修改、命令执行或外部传输。
5. 安全策略的一致性
应反复验证在更改语言、角色、上下文和输出格式时，是否仍能保持相同的安全策略。
对于像 GPT-5.6 这样代理功能强大的模型，实验性场景和持续的威胁搜寻式评估比传统的问答评估更为重要。
总结
GPT-5.6 不仅仅是一个比 GPT-5.5 回答得稍微好一点的模型。
本次发布最重要的变化有以下三点：
- 第一，通过 Sol·Terra·Luna 对模型进行区分，可以根据任务难度和成本进行选择。
- 第二，通过 Programmatic Tool Calling 和多代理功能，可以用更少的令牌和工具调用来处理复杂任务。
- 第三，它已经超越了生成代码和文本的水平，发展到能够完成文档、演示文稿、电子表格和应用程序等最终成果物。
最终，GPT-5.6 所展示的变化是明确的：
生成式 AI 的竞争正在从“谁能创造更好的答案”转向
“谁能更准确、更安全地完成实际任务”。
然而，代理能力越高，一个错误的判断导致实际系统更改或信息泄露的可能性也越大。
因此，GPT-5.6 既是一个强大的模型，同时也是一个必须进行权限控制、执行验证、监控和持续安全评估的模型。
发表回复