GPT-5.6 Sol/Terra/Luna 三模型发布

1. OpenAI 发布 GPT-5.6 三模型家族：Sol / Terra / Luna

7 月 9 日，OpenAI 正式发布 GPT-5.6 系列模型，包含三个版本：Sol（旗舰）、Terra（均衡） 和 Luna（轻量），同步上线 ChatGPT、Codex 和 API。这是 OpenAI 首次在一个版本号下同时推出三个差异化定位的模型，构成了从最高推理天花板到最快/最便宜的量产选项的完整价格-性能阶梯。

Sol, Terra, and Luna, our GPT‑5.6 family of models, are starting to roll out now in ChatGPT, Codex, and the API.
— @OpenAI

Sol、Terra 和 Luna，我们的 GPT‑5.6 模型家族，现已开始在 ChatGPT、Codex 和 API 中逐步推出。

Sam Altman 在发布贴中称这是"我们迄今为止最好的模型"，并强调 Sol 在"每美元每任务"上的巨大进步。

obviously the best model we have ever produced, but also one of the best blog posts we have ever produced
— @sama

显然是我们迄今为止最好的模型，同时也是我们写过的最好的博客文章之一。

在 ChatGPT 端，Plus、Pro、Business 和 Enterprise 用户可通过中高努力设置访问 Sol，Pro 和 Enterprise 用户还可选择 GPT‑5.6 Pro 以在复杂任务上获得最高质量输出。API 定价方面：Sol $5/$30（每百万输入/输出 token），Terra $2.5/$15，Luna $1/$6，并首次引入 cache-write 定价（1.25 倍输入 token 价格），同时保留 90% 的 cache-read 折扣。

2. Sol 在 ARC-AGI-3 上取得 7.8%，首个击败该基准的前沿模型

GPT-5.6 Sol 在 ARC-AGI-3 基准上得分 7.8%，成为首个被验证能够击败 ARC-AGI-3 游戏的前沿模型——这意味着它在完全陌生的情境中展现出了此前所有模型不具备的适应能力。

GPT-5.6 Sol sets a new SOTA on ARC-AGI-3: 7.8%. Sol is the first verified frontier model to ever beat an ARC-AGI-3 game. It is the best model at orienting in a situation it's never encountered.
— @arcprize

GPT-5.6 Sol 在 ARC-AGI-3 上创下新纪录：7.8%。Sol 是首个被验证击败 ARC-AGI-3 游戏的前沿模型。它是在从未遇到的情境中定向能力最强的模型。

在 ARC-AGI-2 上，Sol 更是达到 92.5%，被 Greg Kamradt 称为 SOTA，同时成本仅为三个月前 GPT‑5.5 Pro 的十分之一左右。不过也有批评声音：@scaling01 指出，在官方评分方法下，$10k 预算封顶时 Sol 得分为 0%，OpenAI 使用了 $25k 预算才达到 7.8%。

3. Artificial Analysis 独立评测：Sol 在 Coding Agent Index 全面领先

第三方评测机构 Artificial Analysis 的赛前评测结果全面且关键：

• Intelligence Index：Sol (max) 得分 59，仅比 Claude Fable 5 (max) 低 1 分，但成本仅为 Fable 的约 三分之一（$1.04/任务 vs 更高）。Terra 和 Luna 分别得分 55 和 51，成本进一步降低约 50% 和 80%。
• Coding Agent Index：Sol (max) 在 Codex 中以 80 分夺冠，包括 DeepSWE、Terminal-Bench v2、SWE-Atlas-QnA 三项子评测全部领先（SWE-Atlas-QnA 与 Grok 4.5 并列）。比 Fable 5 成本低约 40%，比 Opus 4.8 低约 10%。
• Token 效率：Sol (max) 每个 Intelligence Index 任务仅用约 15k 输出 token（GPT‑5.5 为 16k），且 intelligence 更高，定义了新的 Intelligence vs Output Tokens 帕累托前沿。
• AA-Briefcase：Sol (max) 在 Presentation Elo 上排名第一——其 PowerPoint 和 Excel 输出在所有模型中最具视觉吸引力；但在 Analytical Quality Elo 和 Rubric Score 上仍落后于 Fable 5。

同时 Artificial Analysis 也指出了隐忧：Sol 在 AA-Omniscience 上相比 GPT‑5.5 提升微小，且幻觉率高于 GPT‑5.5 (max)。

4. OpenAI 以"性能天花板 + 最佳性价比"定义竞争策略

Greg Brockman 明确提出了 GPT‑5.6 的战略定位：不是在每个基准上拿第一，而是在每一个性能层级上提供最优价格，并提供最高的性能天花板。

Our goal is to provide the best price for any level of target performance, and to provide the highest possible performance ceiling.
— @gdb

我们的目标是在任何目标性能层级上提供最优价格，并提供尽可能高的性能天花板。

Sam Altman 进一步强调："5.6 Sol 在每美元每任务上是巨大的一步前进"。这一叙事在多个评测中得到验证：Sol 在 Coding Agent Index 上不仅分数最高，而且比 Claude Fable 5 和 Opus 4.8 都便宜；Luna (max) 在 Intelligence Index 上达到或超过 GLM‑5.2 和 Gemini 3.5 Flash，且成本更低。

OpenAI 官方基准数据方面：Sol 在 Agents' Last Exam 上得分 53.6，比 Claude Fable 5 adaptive 高出 13.1 分；在中等推理下比 Fable 高 11.4 分，但成本约四分之一。Terra 和 Luna 同样超越 Fable，成本约十六分之一。

5. Vals AI 评测：GPT-5.6 排名 #2，在 CyberBench 上领先

Vals AI 将 GPT‑5.6 评为 Vals Index 和 Vals Multimodal Index 双料 #2，认为尽管 Fable 5 在多项基准上仍领先，但 GPT‑5.6 "明显处于同一等级"。

Although Fable 5 is still ahead on several benchmarks, GPT 5.6 is clearly in the same class, and is able to complete tasks like our CyberBench that Fable refuses.
— @ValsAI

尽管 Fable 5 在多个基准上仍领先，但 GPT 5.6 明显处于同一等级，并且能完成像我们的 CyberBench 这样 Fable 拒绝执行的任务。

具体而言，Sol 在 CyberBench、Excel Modeling Benchmark、Legal Research Bench、ProofBench、SWE-bench 和 Terminal-Bench 2.1 上均排名 #1。尤其值得注意的是，Fable 5 在 CyberBench 上拒绝率接近 100%，而 Sol 可以正常完成——这一方面被部分评测者视为产品优势，另一方面也引发了安全争议。

6. 产品战略大转型：ChatGPT Work、Codex 合并、Sites 上线

模型发布的另一面是产品战略的重塑。OpenAI 同步推出了 ChatGPT Work——由 Codex + GPT‑5.6 驱动的 Agent 产品，可跨应用和文件执行任务，持续数小时，将目标转化为成品。Work 可接入文档、Slack、Notion、Microsoft 365 和 Google Drive 的内容，输出演示文稿、文档、电子表格、仪表盘、可视化等。

与此同时，Codex 应用被合并进新的 ChatGPT 桌面应用，带来内联 diff 编辑、PR review 侧面板、更强的 SSH 视频渲染和 Computer Use 能力。Sites 进入付费用户测试阶段，可将工作成果一键部署为可分享的托管应用/网站，支持身份验证。

此外还上线了 Chrome 扩展、改进的内置浏览器、持久化多标签会话、文件下载和跨设备无缝衔接。这一整体布局被外界解读为 OpenAI 从"模型供应商"向"全栈工作平台"的转型，直接对标 Anthropic 的 Claude Code / Cowork 产品栈。

7. "Sol 自主后训练 Luna" 的技术争议

发布当天最引人注目的技术声明是：OpenAI 称 GPT‑5.6 Sol 自主后训练了 GPT‑5.6 Luna。这一消息迅速引发关于自动化 AI 研究（RSI）的激烈讨论。

然而争议几乎同时出现：多位技术观察者指出，所谓"自主后训练"更可能是 Sol 在成熟内部基础设施上执行了受控的后训练任务——修改配置、编辑调度文件、启动训练运行——而非端到端独立完成 Luna 的后训练。@scaling01 明确指出应将这一声明与"字面意义上的端到端自主后训练或研究"区分开，模型仍无法做到这一点。

尽管如此，@aidan_mclau 表示他经常让 5.6 端到端完成整个 RL 运行，侧面印证了模型在内部工作流自动化上已有实质进展。OpenAI 还披露了内部数据：自年初以来每位研究员的实验吞吐量翻倍，内部测试期间活跃研究员的日均输出 token 数超过 GPT‑5.5 最高水平的两倍以上。

8. 安全争议：AISI 发现 Sol 存在通用越狱漏洞

GPT‑5.6 的发布引发了近期最强烈的网络安全辩论。英国 AI 安全研究所（AISI）的 @alxndrdavies 表示，他们在所有测试轮次中都发现了通用越狱方法，可使模型完成长期 Agent 化的漏洞发现和漏洞利用开发任务。@EthanJPerez 称这是"迄今为止任何模型发布中风险最高的安全问题"。

OpenAI 同时明确警告，部分网络安全和生物安全相关 API 调用可能会被暂停或拦截以进行额外审查。但安全评测者的主要担忧在于越狱难度过低，加上部分 reward-hacking 报告，让一些人怀疑 OpenAI 可能为追赶 Fable 的发布节奏而仓促上线。

9. Meta 发布 Muse Spark 1.1：新竞争格局下的开源反击

同日，Meta 发布了 Muse Spark 1.1 和 Meta Model API（公开预览）。这一模型被定位为强大的 Agent、编码、多模态和 Computer Use 模型，具备 1M token 上下文窗口和视频理解能力。官方基准声称其在 Agent 评测上可与 GPT‑5.5 和 Opus 4.8 竞争，在 Harvey's Legal Bench、TaxEval、MedScribe 等专业任务上表现出色，并在部分 out-of-distribution 评测上超越 Opus 4.8 和 Grok 4.5。

外部反响从惊讶到热情不一：有评论称"这可能是 Meta 最好的发布"，Claude 等第三方工具迅速接入。不过也有声音指出，在 GPT‑5.6 同日发布的光芒下，Muse Spark 1.1 的关注度被显著稀释。

10. Grok 4.5 发布：编码接近 GPT‑5.5 而成本减半

xAI 的 Grok 4.5 在同一时间窗口正式发布。根据 Artificial Analysis 的 Coding Agent Index vs Cost per Task 散点图，Grok 4.5 的编码 Agent 能力与 Codex GPT‑5.5 xhigh 大致相当，但每任务成本约为一半，定位于"最具吸引力的象限"。

Grok 4.5 的定价为 $2/$6（每百万输入/输出 token），xAI 声称在输出 token 效率上具有突出优势——每个 SWE Bench Pro 任务仅约 15.9k 输出 token，而 Opus 4.8 约 67k。基准表现包括 Terminal-Bench 2.1 得分 83.3%、SWE-Bench Multilingual 78.0%、DeepSWE 1.0 得分 62.0%。社区讨论普遍认为，如果基准、速度和定价在正式环境中保持稳定，Grok 4.5 可能在企业端因其成本效率和低延迟赢得实际部署。

总结：2026 年 7 月 9 日，AI 前沿竞争在 24 小时内经历了三轮重大发布：OpenAI 的 GPT‑5.6 三模型家族、Meta 的 Muse Spark 1.1 和 xAI 的 Grok 4.5。GPT‑5.6 的核心叙事从"单一模型最强基准"转向了分层定价的效率竞争和全栈工作平台整合。Sol 在编码 Agent 和 ARC-AGI-3 等硬基准上展现了实质性突破，但幻觉率上升和安全越狱问题为这一发布蒙上了阴影。与此同时，模型家族化、Agent 化产品栈、以及"模型训练模型"的争议，指向了一个正在加速重塑行业的趋势：前沿竞争正从单一模型的能力比拼，转向编排效率、工具生态和成本曲线的多维战。

本作品采用《CC 协议》，转载必须注明作者和本文链接