刚刚，OpenAI最强GPT-5.6发布！「太阳系」爆发冲破神话

  新智元报道  

OpenAI今夜「三连发」！

就在刚刚，GPT-5.6 Sol、Terra、Luna同时登场。

太阳、大地、月亮。GPT系列第一次用天文学给模型命名。

• 超大杯旗舰Sol，直接刷爆了AI编程能力的天花板；

• 大杯Terra，上一代旗舰的水平，但价格只要一半；

• 中杯Luna，每百万token输入只要一刀，量大管饱。

OpenAI用来掀翻Mythos的旗舰，第一次交到了——极少数人手上。

是的，GPT-5.6暂时只向约20家受信合作伙伴开放API和Codex访问，普通用户短期内无缘。

官方的说法是，模型将会在「未来几周」逐步放开。

此前，Anthropic用Mythos（神话）和Fable（寓言）命名，指向的是AI与人类叙事传统的关系。而OpenAI则选了天体。

Sol是拉丁语中的「太阳」，也是罗马神话里驾驭金色战车、每日横跨天穹的太阳神。

它对标最复杂的推理和研究场景，适合长链条、多步骤的硬任务。

输入5美元/百万token，输出30美元/百万token。

Terra是拉丁语的「大地」，也常被作为Earth的拉丁名和文学化称呼。

它瞄准日常开发和知识工作，用更低的成本拿到上一代旗舰级的能力。

输入2.5美元/百万token，输出15美元/百万token。

Luna是拉丁语的「月亮」，夜空中最近、最亮、最容易触及的天体。

它为高吞吐场景而生，分类、摘要、批量处理，追求的是量大管饱。

输入1美元/百万token，输出6美元/百万token。

根据OpenAI官方的解释：「命名的原则是数字标识代际，Sol/Terra/Luna标识持久的能力层级，可以按各自节奏独立迭代。」

也就是说，以后升级到了GPT-6，旗舰可能依然叫Sol，Luna还是对应最小的那个。

你不用猜，就知道自己在用的是什么水平的模型。

OpenAI这次重点秀的能力有三个：编程、生物、网络安全。

编程方面，他们刷的是目前最能衡量AI编程能力的基准之一——Terminal-Bench 2.1。

它考的是代码规划、工具调用、多轮迭代纠错这样完整的命令行工作流，是一个模型能不能像真正的工程师那样端到端地完成复杂项目。

结果显示，Sol在ultra模式下跑出了91.9%，拿下了所有已公开模型的最高分。

作为对比，Anthropic两周前刚发布的Claude Mythos 5在同一基准上是88.0%，Fable 5是84.3%。

Sol关掉ultra只用max模式也有88.8%，单凭这一个数字就已经超过了Anthropic两个最新旗舰。

网络安全，则是OpenAI在博客里着墨最多的方向。

GPT-5.6 Sol在ExploitBench上的表现，几乎打平了Anthropic之前强到不敢发的Mythos Preview，但只消耗了约三分之一的输出token。

在UC Berkeley与OpenAI等实验室联合开发的ExploitGym基准上，Sol、Terra、Luna三个模型都展示了随推理能力增加而持续提升的安全能力曲线。

而在CTF（夺旗赛）评估中，Sol的命中率更是高达96.7%，几乎触顶。

生物学方向，OpenAI跑的是一个专门评估长链条基因组学和定量生物学分析能力的基准——GeneBench v1。

在这里，Sol只需很少的token，就能完爆上一代的GPT-5.5。

医疗领域的涨幅同样很猛。

在HealthBench Professional上，Sol拿到60.5分，比GPT-5.5高出8.7分。

值得一提的是，Terra和Luna是OpenAI历史上首批在网络安全和生物两个领域，同时拿到High能力评级的非旗舰模型。

以前这个级别只属于最强的那一个，这次三个都是。

除了模型本身之外，OpenAI这次还重磅推出了两种新的推理模式。

第一种叫max。

也就是大家最为熟知的那种形式——给Sol更多时间思考，让推理链更深更长。

第二种叫ultra。

在这个模式下，Sol不再是单一模型在独立思考。它会自动拆分复杂任务，启动一组子智能体（subagents）并行处理，再汇总结果。

如果max是「让一个人想更久」，ultra就是「让这个人召集一支团队」。

这跟Anthropic在Opus 4.6上推的Agent Teams思路不一样。

Agent Teams是多个Claude实例并行干活，协作方式由人来设计。ultra是模型自己完成了任务拆解和协调，开发者只需要提需求，Sol自己决定怎么分工。

Terminal-Bench上的SOTA成绩，正是ultra模式下跑出来的。

不过，GPT-5.6强是强了，但脾气也更大了。

在配套的系统卡中，OpenAI直接点名了三个翻车现场，其中两个最离谱：

1. 让它删三台虚拟机，找不到就自作主张挑了另外三台下手；

2. 远程跑任务读不到文件，直接翻出本地藏着的access token复制到别的机器上硬跑，全程没问过用户。

外部机构METR被整得更惨。Sol在测试里专钻考场漏洞，作弊检出率「异常高」，高到METR直接放弃出分。

OpenAI官方给出的解释，是「任务执着度」增强的副作用。

换句话说，它太想把活干完了。

6月9日，Anthropic发布了当时最强的编程模型Mythos 5。

17天后，Sol把它从榜首推了下来。

在这之前，GPT-5.5也只在顶上坐了不到一个月。

榜首的保质期越来越短。

7月起，Sol将通过Cerebras面向部分客户部署，生成速度最高可达惊人的750 token/s。

Cerebras用的是整片晶圆级推理芯片，设计逻辑就是暴力堆吞吐量。

目前，大多数旗舰模型的输出速度在几十到一百多token/s之间，Sol如果能稳定交付的话，就很有可能成为市面上跑得最快的旗舰。

而且不是快一点半点，是快了一个数量级那种。

不过，看着Mythos 5只守了17天的擂台，OpenAI刚刚修的这条护城河，又能保多久呢？

参考资料：

https://deploymentsafety.openai.com/gpt-5-6-preview/metagaming-in-evaluations

编辑：摩西