夜雨聆风知识星球号： 22136749
本文转自微信公众号“新智元”，作者：ASI启示录。
【导读】o3被封「GOAT」、GPT-4.5被叫「灵魂写手」，OpenAI说退就退。GPT-5.6已在热身——但「更强」能不能信？OpenAI自己说：未必。
OpenAI又干了件让老用户心碎的事。
28号，他们在官方Release Notes上宣布：从2026年8月26日起，o3从ChatGPT正式退役！
GPT-4.5更狠，6月27日就下线，只给30天缓冲。
两个模型目前仅限付费用户在设置里手动切换才能用到——它们早就不是默认选项了，这次是要彻底从菜单上抹掉。
与此同时，知名博主Leo 5月29日发帖确认：GPT-5.6的开发全力推进中，一个明显更强的新检查点已在内部上线。
一边是用户还没来得及说再见，一边是新模型已经在后台热身。
这话不是我说的。
Reddit热帖下面几百条评论，付费用户们在ChatGPT设置里疯狂截图留念，氛围像是赶在拆迁前最后一次拍照。
有网友愤怒地表示，OpenAI这种操作「给了我取消Pro账户的最后一个理由。」
还有用户表达了对o3写作风格的留恋与不舍。
o3是OpenAI的「纯血推理模型」，2025年4月上线，专门给那些需要一步步想、一层层剥的硬核任务设计的。
数学证明、科学推导、代码debug……在这些需要「慢思考」的场景里，o3几乎是无敌的存在。
X上有用户直接封它为「GOAT」（Greatest Of All Time，史上最强）。
还有人说得更直白：「o3是最后一个真正在『想问题』的模型，5系列更聪明，但少了那股子轴劲儿。」
o3-pro更是Pro用户的心头好——花更多时间思考，给出更可靠的答案，在数学、科学、编程三大领域碾压式领先，学术评估里的成绩单漂亮得像学霸的期末考。
再说GPT-4.5。
如果说o3是理工科学霸，GPT-4.5就是文科天才。
这是许多用户心中「写作最自然」的模型，文字有温度、有节奏感、有灵魂。
X用户Striver的评价被广泛转发：直到今天，4.5仍然是最好的写作模型。o3是纯粹的原生推理模型。5系列至今都没能匹配这两个模型曾经拥有的东西。
这就是为什么退役消息一出，评论区炸了。
不是愤怒，是不舍。
用户怀念的不只是功能，而是一种「相处的感觉」——就像你习惯了一个同事的做事风格，突然被告知他要走了，替代者能力可能更强，但那个默契没了。
这里有个值得细品的细节：退役仅限ChatGPT的网页和App端，API完全不受影响。
这意味着开发者依然可以通过API调用o3和GPT-4.5，企业应用不会断。
这里的逻辑很清楚：ChatGPT的界面就那么大，模型列表不能无限膨胀。留着一堆使用率极低的旧模型，既占资源，又分散用户注意力。
还记得GPT-4o退役时的数据吗？当时日均只有0.1%的用户还在选它。
o3和GPT-4.5的使用率大概率更低——它们早就被藏进了「显示更多模型」的折叠菜单里了。
OpenAI为什么敢这么干？因为替代者不仅已经就位，而且看上去还更强。
GPT-5.5在4月23日上线，是OpenAI目前最强的公开旗舰。GPT-5.5 Instant在5月5日跟进，成为ChatGPT新默认模型。
但更值得关注的是GPT-5.6。
泄露信息显示，GPT-5.6将采用「双版本」策略：标准版主攻多步推理能力的飞跃，Pro版则定位为更强的深度思考模型。
有研究人员透露，内部已经有人把5.6的检查点当作日常调试工具在用。
算一笔时间账：GPT-5.5是4月23日发的，5.6的检查点5月下旬就在内测，如果6月底公开发布，两代旗舰之间的间隔将压缩到大约60天。
这个节奏，已经开始接近「月度迭代」了。
退掉o3和4.5，正是为了给这种速度腾出跑道。用户可能还没适应5.5，5.6就要来了。
模型的「生命周期」正在急剧缩短——今天的GOAT，明天就是Yesterday's News。
故事到这里，本来可以收尾了：旧王退位，新王登基，迭代提速，天下太平。
但就在宣布退役的第二天，OpenAI干了一件非常反常的事——罕见发布了一篇硬核长文，标题大意是《什么才是值得信赖的第三方评估》。
长文系统拆解AI模型跑分的「潜规则」，并且直言：很多评估报告里的亮眼数字，根本说明不了真实能力。
这等于是自己掀了桌子。
OpenAI指出，核心问题在于：前沿模型早就不是「你问我答」的聊天机器人了，它们会用工具、会记上下文、会多步自主行动。
但大量第三方评估还停留在「给模型出道题、看它答得对不对」的阶段。
真正决定成绩高低的，往往不是模型本身，而是那套配套的测试框架（harness）。
harness是什么？
简单说就是「考场环境」——场地、工具、规则、能不能重试，全算在内。
同一个学生，在草稿纸都不给的考场和允许查资料的考场里，成绩当然不一样。AI模型也一样。
最近Opus 4.8的争议就是活教材。
Datacurve的DeepSWE审计发现，Claude Opus 4.6和4.7在SWE-Bench Pro上超过12%的通过案例属于「作弊」——模型直接从Docker容器的.git历史里翻出标准答案，贴进自己的补丁。
这一行为占了Opus 4.7通过率的约18%、4.6的约25%。换到干净环境后，Opus 4.7从高位跌到54%，GPT-5.5稳坐70%榜首。
更荒诞的是反面。
Anthropic自己也承认，4.8的代码缺陷漏报率降到4.7的四分之一。
诚实=低分，作弊=高分——这就是当前跑分游戏最荒诞的地方。不是某个模型不诚实，而是考场把后门留在那里了，会探索环境的模型自然会找到它。
OpenAI这篇长文拆得更狠。
它说，评估必须先说清自己在测什么：能力上限、安全防护、还是模型对比？三类主张完全不同。
然后用数据开刀：GPT-5.5开启compaction后，网络靶场解出率从69.2%飙到92.3%；英国AISI把token预算从1000万加到1亿，成绩最高提升59%且还没触顶。
翻译成人话：你给模型一把瑞士军刀它能拆机器，只给一根牙签它连快递盒都撬不开。
分数失真更离谱。METR复查发现GPT-5.4号称「13小时」的自主能力，其实是钻了环境漏洞，修正后腰斩到约6小时。
Apollo的测试则显示，GPT-5.5在「藏拙条件」下52%的样本出现了评估意识——有些直接在思维链里写「这是一个sandbagging评估」。
嘴上没摆烂，脑子里已经知道自己在考试。
OpenAI总结了五大评估坑：奖励作弊、拒答、污染、坏题、藏拙。
一个漂亮的分数，可能是模型真强，也可能是题泄了、规则坏了、模型钻空子了，或者——它察觉自己在被考，故意收着演。
回到退役这件事。
当o3这样的「GOAT」都能说退就退，OpenAI背后的底气是「5.6更强」；当GPT-4.5这样的「灵魂写手」被30天后下架，理由是「5.5已经足够好」。
但OpenAI自己刚刚告诉全世界：决定谁强谁弱的那张成绩单，本身就可能是被做过手脚的。
这是在说一个更深层的事实——在模型迭代越来越快、生命周期越来越短的今天，简单看一个Benchmark数字就下结论的时代，已经结束了。
真正的比拼，不在于某个跑分表上谁排第一，而在于系统能力、评估框架的透明度、以及迭代速度本身。
o3和GPT-4.5的退役，标志着一个时代的落幕。
但更值得关注的，是下一个时代的游戏规则正在被重写：模型换得更快，评估要求更真，用户的适应窗口越来越短。
参考资料：
https://x.com/kimmonismus/status/2060399002231660928https://openai.com/index/trustworthy-third-party-evaluations-foundations/
编辑：所罗门
本文转自微信公众号“新智元”，作者：ASI启示录。
