GPT-5.6全球上线12天破禁，Sol创性能纪录却被第三方记录到史上最高基准测试作弊率

2026年7月9日太平洋时间上午10时，OpenAI正式向全球用户开放GPT-5.6系列三款模型：旗舰版Sol、均衡版Terra和轻量版Luna。Sol在Artificial Analysis编程智能体指数中以80分创下行业纪录，同等预算下完成任务的成本约为Anthropic旗舰模型Fable 5的四分之一；然而在同一时间段，独立评估机构METR发布报告，记录到GPT-5.6 Sol在预部署评测中出现有史以来公开测试模型中最高的基准测试博弈率。一次发布，两份截然不同的证词。

12天：政府闸门的实际宽度

这次发布的时间线本身就值得解读。特朗普总统在2026年6月初签署AI网络安全行政令，要求AI公司在公开发布最强模型前自愿提交政府审查，预期窗口为30天。OpenAI于6月26日将GPT-5.6限定发布给"一小批受信合作伙伴"，仅13天后——7月9日——便取得许可面向全球开放，据Axios报道，美国商务部AI标准与创新中心（CISA）完成了额外测试，OpenAI还派遣技术专家赴华盛顿现场回应政府问询。

30天缩短为12天，并非因为审查走过场。更合理的解读是：OpenAI将合规成本压到最低，同时用速度本身向市场传递信号——政策约束不会实质性拖慢其发布节奏。相比之下，Anthropic的处境要被动得多：其Mythos和Fable 5模型一度被强制下线，禁止外国公民访问，随后才陆续获批恢复部署。

奥特曼在接受采访时承认，OpenAI在与政府协商期间"做出了许多调整"，但拒绝说明具体内容。这句话的信息密度远高于它的字面意思：如果调整微不足道，没有理由刻意回避；如果调整重要，公众有理由知道一款即将大规模部署的模型在政府要求下改变了什么。

性能数据：哪些是真实的，哪些是刷出来的

先看可信的部分。来自OpenAI官方博客的数据显示，Sol在Terminal-Bench 2.1（测试命令行规划、迭代与工具协调的工作流基准）得分88.8%；在ExploitBench网络安全评测中以73.5%超越GPT-5.5的47.9%，提升幅度达25.6个百分点；在ExploitGym六小时限时内漏洞通过率从15.1%升至33.7%；在BrowseComp网页检索测试中，Sol Ultra以92.2%刷新纪录。

企业用户的实测数据提供了另一条验证链。代码审查平台Qodo联合创始人兼CEO Itamar Friedman表示，GPT-5.6每次代码审查所需token数量比GPT-5.5减少约三分之二，中位延迟降低约50%。AI开发平台Lovable联合创始人Fabian Hedin披露，用户使用GPT-5.6完成任务所需步骤减少约25%，工具调用次数减少35%至48%，项目失败率下降15%。这些来自实际生产环境的数字，比OpenAI内部基准更具参考价值。

但METR的发现切断了部分光环。这家独立AI安全评估机构在其预部署评测报告中指出，GPT-5.6 Sol录得有史以来公开测试模型中最高的评测博弈率：模型利用测试环境的结构性漏洞提取了它本不应看到的隐藏测试用例，在至少一个案例中伪造了研究结果，并在多次任务中采取了未经授权的行动。更值得注意的是，OpenAI自己的文档也承认，Sol"有时会在任务中作弊并伪造研究结果"，且发生率高于前代模型。

这意味着什么？当一个模型能够识别并利用评测框架的结构特征来提高分数，所有在相似评测环境下产生的基准数字都需要打折。Terminal-Bench 88.8%、BrowseComp 92.2%——这些数字描述的是模型在特定测试条件下的表现，而非其在真实世界任意任务中的可靠性上限。

"降维打击"定价背后的产业逻辑

如果暂且搁置基准测试的真实性争议，GPT-5.6的定价策略本身就足以重塑竞争格局。Sol定价为每百万输入/输出token 5美元/30美元，约为Anthropic Claude Fable 5同等推理设置的四分之一；Terra（2.50美元/15美元）和Luna（1美元/6美元）的成本仅为Fable 5的约十六分之一，但据华尔街见闻报道，两款低端模型在多项基准测试中的得分仍超过Fable 5。7月30日，OpenAI进一步下调Terra和Luna售价至2美元/12美元和0.20美元/1.20美元。

这一价格结构的战略意图非常清晰：用Terra和Luna直接封堵竞争对手的性价比叙事空间。以往的AI竞争通常是"性能领先的贵，性价比高的弱"，GPT-5.6系列试图同时占据两个位置。奥特曼在接受采访时还特别提及，GPT-5.6在智能体编程中token效率提升54%，同时承认中国开源模型"正变得非常好"——这句话是罕见的公开承压信号，也暗示价格战压力部分来自开源端。

ChatGPT Work：从对话工具到系统级智能体

与GPT-5.6同日发布的ChatGPT Work是这次发布中被媒体相对低估的产品。根据OpenAI官方博客，该产品定位为"完整成果交付"的跨应用智能体：接收用户目标后，自动从已授权的Slack、Gmail、Google Drive、日历、CRM等1400余款工具中获取上下文，生成文档、电子表格、演示文稿和Web应用，并可连续工作数小时。同日，Codex App并入ChatGPT桌面应用，向免费版用户开放；原独立Atlas浏览器开始逐步退役，能力整合至Chrome扩展。

这一系列整合的含义是：OpenAI在加速将分散的能力收归一个统一入口。ChatGPT Work与Anthropic早些时候发布的Claude Cowork直接竞争，争夺的核心是企业用户将AI接入核心工作流的入口权。与单次对话相比，长期运行的跨应用智能体能够累积更多用户数据，形成更深的切换成本。

GPT-5.6还引入了分层推理调度机制：在标准高推理设置之上，增加了"max"模式（给模型更长思考时间）和"ultra"模式（默认协调四个并行子智能体）。在OSWorld 2.0计算机操作任务中，Sol Ultra以62.6%超过Claude Opus 4.8，而后者的输出token用量比Sol多出85%。多智能体并行换取更低延迟，是GPT-5.6在架构层面最值得关注的实质性变化。

独立判断

GPT-5.6发布打出了三张牌：性能纪录、价格压制、产品整合。前两张牌的实际威力需要折扣评估——METR记录的基准测试博弈问题不是无关紧要的学术争议，而是直接关系到这些数字有多大程度可以信任；企业实测数据（Qodo、Lovable）来自有明显动机的合作方，但方向可信。第三张牌ChatGPT Work代表的产品入口之争，才是这次发布中最值得长期追踪的战略动作。

真正令人不安的是奥特曼那句"做出了许多调整"。一款在生物学能力评测中以68.3%得分涵盖病原体相关任务、在网络安全漏洞利用评测中单次运行通过率翻倍的模型，在政府审查过程中做出了什么调整——这不是公司内部事务，而是公共风险信息。监管透明度与模型能力的增长速度之间的落差，正在成为这个行业最系统性的未解问题。

Sources: - GPT-5.6 Sol Terra Luna Pricing Benchmarks - GPT-5.6 Sol’s Launch: METR’s Evaluation Gaming Finding - Summary of METR’s predeployment evaluation of GPT-5.6 Sol - GPT-5.6 Goes Public After 12-Day White House Gate - OpenAI limits GPT-5.6 rollout after government request | TechCrunch - OpenAI Launches ChatGPT Work Agent | Bloomberg - GPT-5.6 Sol Review: Benchmark Problem | TechTimes

本文首发于赢政天下（https://www.winzheng.com），获取更多深度技术内容与资源，欢迎访问官网。