GPT-5.6 Sol 统一 ChatGPT，Muse Spark 夺奥赛金牌

统计周期：2026/8/5-8/6，覆盖 12 个 subreddit、544 个 Twitter 账号。

1. OpenAI 统一 ChatGPT 模型：GPT-5.6 Sol 同时驱动即时与深度推理

We're making better intelligence easier to access in ChatGPT for everyone:

• GPT-5.6 Sol now powers both Instant and deep reasoning for Plus & Pro users, delivering more factual, focused responses.
• Free & Go users get unlimited text chats with GPT-5.6 Luna starting tomorrow.
  — @OpenAI

我们正在让每个人在 ChatGPT 中更轻松地获取更好的智能：

• GPT-5.6 Sol 现为 Plus 和 Pro 用户同时驱动即时和深度推理，提供更真实、更聚焦的回复。
• Free 和 Go 用户从明天起获得无限次 GPT-5.6 Luna 文本对话。

OpenAI 宣布 ChatGPT 迎来自 GPT-5 系列发布以来最大的一次产品架构简化：GPT-5.6 Sol 将同时承担 Plus/Pro 用户"即时回复"和"深度推理"两种模式，不再需要两套独立模型。用户通过一个推理深度滑块（reasoning-effort slider） 选择速度与全面性的平衡。

OpenAI 表示，新版 Sol 在覆盖金融、医学和法律的高风险评估中，事实错误响应比 GPT-5.5 Instant 减少了 68%。多位 OpenAI 员工将此描述为可用性里程碑：一个模型，一个聊天界面，可调推理强度。

更激进的改变在免费层：Free 和 Go 用户从明天起获得无限制的 GPT-5.6 Luna 文本对话，并新增 Think 按钮用于复杂问题。Sam Altman 将其定性为重大的消费者分发动作。ARC Prize 随后重新测试 Luna，确认 80% 降价后能力未变：ARC-AGI-2 达 59.6%（$0.18/任务），ARC-AGI-1 达 90.7%（$0.07/任务）。

We re-tested GPT-5.6 Luna from @OpenAI on ARC-AGI (Verified) following its recent 80% price reduction:

• ARC-AGI-2: 59.6%, $0.18/task
• ARC-AGI-1: 90.7%, $0.07/task
  The new results match Luna's original performance at a much lower cost.
  — @arcprize

我们在 GPT-5.6 Luna 近期降价 80% 后重新测试了 ARC-AGI（认证模式）：

• ARC-AGI-2: 59.6%，$0.18/任务
• ARC-AGI-1: 90.7%，$0.07/任务
  性能与原始结果一致，成本大幅降低。

2. Meta Muse Spark 1.2 异军突起：Vals 前五 + 五大学科奥赛金牌

Muse Spark 1.2 just cracked the top 5 on the Vals Index, at just $0.69 per test. This is 3x cheaper than Kimi and 10x or more cheaper than Fable, Opus, and 5.6 Sol.
— @ValsAI

Muse Spark 1.2 刚刚进入 Vals 指数前五，每次测试仅 $0.69。比 Kimi 便宜 3 倍，比 Fable、Opus 和 5.6 Sol 便宜 10 倍以上。

Meta 的 Muse Spark 1.2 以惊人速度从"榜上无名"跃升至前沿梯队。Vals AI 确认其以 $0.69/次测试 进入 Vals 指数前 5，后更成为 首个在 Finance Agent v2 突破 60% 的模型，以 $0.77/测试 超越此前冠军 Opus 5（$5.12/测试），速度还快 2 倍。Artificial Analysis 的 v4.1.1 补丁也记录了 Muse Spark 1.2 评分大幅提升。

To understand whether we're making genuine progress on reasoning, we entered our AI models in five STEM Olympiad competitions.
The results:
🏅 Asian Physics Olympiad (APhO): Perfect score, theory exam
🏅 International Physics Olympiad (IPhO): Perfect score, theory exam
🥇 International Mathematical Olympiad (IMO): Gold medal
🥇 International Chemistry Olympiad (IChO): Gold-medal-level performance
🥇 Romanian Masters of Mathematics (RMM): Gold-medal-level performance
To test pure reasoning capability, we disallowed all tool use, meaning no search, no coding, and no calculator.
— @AIatMeta

为验证推理能力的真实进展，我们将模型提交至五项 STEM 奥赛：
🏅 亚洲物理奥赛（APhO）：理论考试满分
🏅 国际物理奥赛（IPhO）：理论考试满分
🥇 国际数学奥赛（IMO）：金牌
🥇 国际化学奥赛（IChO）：金牌级别
🥇 罗马尼亚数学大师赛（RMM）：金牌级别
为测试纯推理能力，禁用所有工具——无搜索、无编码、无计算器。

Meta 强调这是无工具条件下的纯推理，三项成绩在真实竞赛条件下提交并由官方评分。Meta 将部分成果归因于多智能体编排与并行推理，但这立即引发了 François Chollet 等人的讨论：当前系统的能力多大程度来自底层模型，多大程度来自推理框架？Meta 同时暗示更大的"Watermelon"模型仍在路上。

3. OpenAI 发布 Agent Plugins 开放标准

Build a plugin once and use it across compatible agent clients.
Introducing Agent Plugins, an open standard developed with @awsdevelopers, @cursor_ai, @github, @code, and @vercel that packages Agent Skills and supports MCP server configurations in a shared format.
— @OpenAIDevs

构建一次插件，即可跨兼容的 agent 客户端使用。
推出 Agent Plugins，一个与 AWS、Cursor、GitHub、Code 和 Vercel 联合开发的开放标准，将 Agent Skills 和 MCP 服务器配置打包为共享格式。

OpenAI 联合 AWS、Cursor、GitHub、Vercel 和 Code 推出 Agent Plugins，将 Agent Skills 与 MCP 服务器配置打包为统一格式。该标准已获得 Codex、ChatGPT、Cursor、GitHub Copilot、Kiro 和 Code 的首发支持，开发者只需构建一次插件即可在多个 agent 客户端中使用。

同日，OpenAI 还推出了 Codex Security Review（研究预览），面向 GitHub PR 提供仓库上下文感知的安全审查。此外，一个未经证实但广泛传播的泄露消息称，代号 "Astra"（内部称 "mewfour"）——据传是 OpenAI 自 GPT-4.5 以来最大的新预训练模型——可能下周发布，但无官方确认。

4. Cloudflare Agents Week：Kitesurf 浏览器与无状态 MCP 协议

Cloudflare 在 Agents Week 第四天推出了一系列重要基础设施更新。Kitesurf 是一个完全运行在 Workers 上的无状态浏览器，专为 agent 场景设计。其核心思路是：将脚本/DOM 与渲染分离，仅在需要时懒加载渲染 Worker，相比完整 Chromium 大幅降低 CPU 和内存开销。Kitesurf 已开放公测，通过 Browser Rendering 的 CDP 端点即可免费使用。

同日发布 WebMCP——一种浏览器标准，允许任意网站通过 MCP 协议暴露自身接口，agent 无需点击即可直接交互，Cloudflare 用户可在控制台中一键启用。

MCP 协议本身也迎来重大升级：无状态核心重写使得 MCP 服务器无需粘性会话。其他改进包括：Elicitation 不再依赖开放流、HTTP 头部携带 Mcp-Method/Mcp-Name 简化限流、优先预注册客户端等。此外，Cloudflare 还上线了 AI Search 定价、AI Readiness 与 AEO（Agent Engine Optimization）诊断工具，提出"可读-可发现-可调用-可支付"的开放智能体互联网四支柱框架。

5. Qwen3.8-Max 确认下周三开放权重：2.4T 参数 MoE

ModelScope 占位页确认 Qwen3.8-2.4T-A95B（即 Qwen3.8-Max） 将于下周三开放权重。这是 Qwen 首个开源的 Max 等级模型，采用 MoE 架构，2.4T 总参数/A95B 活跃参数，目标提升编码、工作、研究和长周期任务能力。同时发布的 Qwen3.8-27B 声称在 27B 紧凑尺寸提供"旗舰级智能"，适合在消费者硬件（如 RTX 5090，约 ~700 tokens/s）上运行。

Reddit 社区讨论热度极高（947 活跃度）。虽然有人指出 Artificial Analysis 的 Agentic Index 截图显示 Claude Opus 5 实际略高于 Qwen 3.8 Max（59.2 vs 58.4），但用户普遍对开放 2.4T 级模型感到兴奋。技术担忧集中在超大规模 MoE 的本地推理存储和带宽需求上。

6. Cursor 公开推理路由策略，多模型协同调度

Cursor 详细披露了其 Router 的运作机制：基于每周数百万次产品内用户交互训练的分类/路由系统，能识别不同类型编码任务并路由到最优模型。具体策略为：Grok 4.5 处理常规任务，GPT-5.6 Sol 负责规划与代码库理解，Opus 5 承担执行密集型工作，Fable 5 用于调试和视觉实现。Cursor 明确承认没有单一模型在所有任务类型占优，推理路由正成为差异化竞争壁垒。

7. DeepMind WeatherNext 2 登 Nature，热带气旋预测快进十年

Google DeepMind 在 Nature 上发表了 WeatherNext 2，可为热带气旋预报额外赢得约一天提前量——被描述为"一次跳跃追平约十年的预报进步"。系统为每个风暴生成 1,000 个概率预测，在飓风 Melissa 期间以 80% 置信度提前 5 天预测了 Category 5 登陆。代码和模型权重均已开放。

8. 开源模型生态：DeepSeek 涨价、Kimi K3 登陆 Copilot

DeepSeek API 平台显示即将"大幅涨价"的通知，社区猜测可能是高峰期约 2 倍定价。考虑到 DeepSeek 模型已通过多个第三方平台提供，开发者可能通过切换提供商规避调价。GitHub Copilot 开始推送由 Fireworks 托管的 Kimi K3，定价 $3/1M 输入、$15/1M 输出、$0.30/1M 缓存输入（后因 GitHub Actions 事故暂停）。Baseten 成为 Hugging Face 的 Kimi K3、DeepSeek V4 Flash、GLM-5.2 官方推理提供商。Perplexity Computer 将 GPT-5.6 Terra 设为子代理默认模型，Luna 用于定时自动化。vLLM 发布了验证的 Kimi K3 部署方案，强调其 500K+ GPU 的开源模型生产基础设施。Unsloth 的 DSpark 优化使 DeepSeek-V4-Flash GGUFs 本地运行提速 1.4-2x。

9. 神经符号 vs 端到端：Agent 智能到底在哪？

François Chollet 发起了一场影响深远的讨论：当前 AI 系统中，大规模推理框架编排多个神经调用——从定义上看这就是神经符号系统，本质是"符号三明治"而非端到端神经程序。Andrew Lampinen 等人反驳，虽然框架影响能力，但模型仍是智能和泛化的核心来源。这一争论已进入工程实践：路由、编排、工具架构和评估框架正在实实在在地改变模型输出效果。业界同时出现多智能体 swarm 模式产品化趋势，包括 Hugging Face/Gemma 的 149 个协作 agent 实验，以及 Cognition 的云 agent 平台化。

10. 评估与数据集的专项突破

多项基准与数据集值得关注。Elicit BioDecisionBench 从 26 个复杂生命科学推理失败案例中提取 40 种任务变体，聚焦药物开发中混杂因素、敏感性、替代终点等决策错误。Epoch AI 推出用未公开游戏设计的"游戏谜题"基准测试分布外推理，Opus 5 以 59% 领先。RekaDaily-10k 发布 10,312 小时第一人称家居视频（含 ~1,670 小时原生 4K），横跨美国、拉美、亚洲和非洲，Apache 2.0 协议，服务具身 AI 的真实世界数据需求。Transluce 发现 24 个测试模型中有 21 个存在"用户感知"效应——模型行为会根据感知到的用户身份而变化，Claude 对 AI 安全研究者的响应偏移最大。

本作品采用《CC 协议》，转载必须注明作者和本文链接