OPENAI · MODEL PREVIEW

OpenAI最强模型来了：GPT-5.6 Sol预览

OpenAI 预览 GPT-5.6 系列。真正值得看的不只是模型更强，而是它如何被放进受限预览、安全栈、账号级审查和可信访问机制里。

6月26日，OpenAI 发布 GPT-5.6 系列预览。

这次不是单一模型上线，而是一整套新梯队：Sol、Terra、Luna。

Sol 是旗舰模型，Terra 主打日常任务和成本平衡，Luna 则是速度和价格优先的轻量版本。OpenAI 的说法很直接：Sol 是他们迄今最强的模型，Terra 的表现接近 GPT-5.5 但价格减半，Luna 则以最低成本提供新一代能力。

但这次真正有意思的地方，不是“又一个更强模型来了”。

更值得看的，是 OpenAI 选择了一个很不一样的发布方式：先受限预览，再逐步扩大开放。

换句话说，GPT-5.6 Sol 的故事不是单纯的能力跃迁，而是前沿模型开始被放进一整套“能力、价格、安全、访问权限、政府沟通”的发布框架里。

三个名字，代表三种用法

GPT-5.6 开始，OpenAI 引入了新的命名方式。数字代表模型代际，后缀代表相对稳定的能力层级。

GPT-5.6 的三档模型：Sol、Terra、Luna。

这个变化不只是改名。过去很多用户面对模型列表时，真正头疼的是：我到底该用哪个？最强模型太贵，便宜模型又怕能力不够，日常任务和复杂任务之间没有清晰边界。

Sol、Terra、Luna 的思路，是把选择题拆开。需要最强推理和复杂任务，就用 Sol；需要稳定处理多数工作，又不想付旗舰价格，就用 Terra；需要高频、快速、低成本调用，就用 Luna。

这套命名本身也说明一件事：前沿模型正在从“一个大模型打天下”，变成更清晰的产品梯队。

Sol 到底强在哪里？

OpenAI 这次没有把 GPT-5.6 Sol 的能力包装成“更会聊天”。官方文章里反复出现的是另一组词：long-horizon、workflow、tool coordination、subagents。翻成普通话，就是它更擅长接住一件需要很多步骤、很多工具、很多中间判断的复杂活。

第一类是编程。GPT-5.6 Sol 在 Terminal-Bench 2.1 上刷新了 OpenAI 所称的最新水平。这个基准不是让模型在网页里写一段代码，而是把它放进命令行环境，让它自己规划、执行、看报错、改命令、跑测试、继续迭代。

这和现在很多人使用 Codex 或 AI agent 的真实场景更像：给它一个仓库，不是问“这个函数怎么写”，而是让它理解文件结构、定位问题、修改代码、处理依赖、跑测试，再根据失败结果继续修。模型强不强，关键不只是第一步答得漂亮，而是它能不能在第七步、第十步、第十五步还没有偏离任务。

第二类是生物学和科学分析。OpenAI 提到 GeneBench v1，它评估的是长链路基因组学和定量生物学分析。这里的难点不是背几个生物学名词，而是把实验背景、数据特征、分析步骤和数量关系连起来，持续做判断。

官方说法是，GPT-5.6 Sol 在 GeneBench v1 上比 GPT-5.5 更强，同时使用更少 token。这个信息很重要：它不是单纯“想得更久所以更贵”，而是在一类专业任务上把结果和效率同时往前推了一步。

第三类是网络安全。OpenAI 说 GPT-5.6 Sol 是他们目前网络安全能力最强的模型，重点体现在长链路安全任务上，包括漏洞研究和利用分析。它在 ExploitBench 上接近此前 Mythos Preview 的表现，但只用了大约三分之一的输出 token。

更具体地说，OpenAI 在官方文章里写到，在 Chromium 和 Firefox 相关评估中，GPT-5.6 Sol 能识别漏洞和 exploit primitives，也就是组成利用链的关键部件；但在测试条件下，它没有自主产出完整可用的 full-chain exploit。

这句话要拆开看。它不是说模型已经能稳定完成端到端攻击；OpenAI 的判断反而是，它更擅长帮助人发现和修复漏洞，而不是可靠执行完整攻击。但对防御者来说，这已经足够有价值：安全团队可以更快定位薄弱点、复现问题、写补丁、做回归测试。

所以，GPT-5.6 Sol 的强，不只是某个 benchmark 分数更高。更准确的说法是：它在“长任务 + 工具使用 + 专业推理 + 多步纠错”上更进一步。这样的能力一旦进入编程、科研和安全场景，影响会比普通聊天体验大得多。

这也解释了为什么 OpenAI 一边强调它是最强模型，一边又不急着全面放开。能力越接近真实工作流，价值越高，风险也越不容易靠一句拒答拦住。

max 和 ultra：模型开始像“任务系统”

GPT-5.6 Sol 还引入了两个新模式。一个叫 max reasoning effort，可以理解为给模型更多推理时间，让它在高难度任务上想得更深。

另一个叫 ultra mode，更值得注意。OpenAI 的描述是，ultra 不再局限于单个 agent，而是会利用 subagents 来加速复杂工作。

这句话背后其实很关键：前沿模型正在从“一个模型回答一个问题”，走向“一个系统调度多个智能体完成任务”。

对于重度用户来说，这个方向并不陌生。复杂软件工程、长文档分析、批量研究、漏洞排查，都很难靠一次回复解决。更现实的工作流往往是拆任务、并行推进、互相检查、最后合并结果。

GPT-5.6 Sol 的 ultra 模式，至少说明 OpenAI 已经把这种 agent 化工作流放进旗舰模型发布叙事里。

最值得关注的，是这次没有全面放开

GPT-5.6 系列目前是 limited preview。

OpenAI 明确说，预览期内，这些模型会先通过 API 和 Codex 提供给一小部分可信伙伴和组织；之后计划逐步扩展到 ChatGPT、Codex 和 API 用户。

GPT-5.6 当前仍处于受限预览阶段。

这不是单纯的排队上线。OpenAI 在官方文章里提到，他们在发布前向美国政府预览了发布计划和模型能力。应政府要求，这次先从少量可信合作伙伴开始，参与方也已告知政府。

同时，OpenAI 也补了一句：他们并不认为这种政府访问流程应该成为长期默认方式。理由是，如果最先进的工具长期卡在少数人手里，开发者、企业、网络安全防御者和全球合作伙伴都无法及时使用。

这段话的分寸很重要。OpenAI 并没有把它包装成一种理想状态，而是把它称为通往更广泛开放的短期步骤。更准确地说，这是一种在能力、监管沟通和实际发布之间的折中。

为什么要踩刹车？

答案在系统卡里写得更清楚。

OpenAI 将 GPT-5.6 Sol、Terra、Luna 视为网络安全与生物/化学风险上的 High capability，但未达到其风险框架里的最高 Critical 级别。

这意味着模型已经足够强，强到必须用更严肃的方式处理；但在 OpenAI 的测试条件下，还没有达到“可以稳定自主完成最高风险任务”的门槛。

这也是前面网络安全能力需要被拆开讲的原因。模型已经能帮人更快找到漏洞、理解利用路径、组织修复工作，但 OpenAI 又明确强调，它在测试中没有跨过 Cyber Critical 门槛。

这类能力最微妙的地方在于，它对防御者很有用，能帮安全团队更快定位薄弱点、复现问题、写补丁、做回归测试；但同样的能力，如果被错误使用，也会缩短攻击者摸索的路径。

所以 OpenAI 这次的核心不是“相信模型不会出事”，而是承认单一安全措施不够，必须用多层防护把风险拦在不同环节。

一整套安全栈，而不是一句“我们很安全”

OpenAI 为 GPT-5.6 系列搭了一套 layered safeguard stack。

GPT-5.6 的分层安全栈：模型、推理、账号和访问权限。

第一层是模型本身。模型训练时就要学会拒绝被伪装、越狱、诱导的违规网络安全请求。

第二层是实时检测。生成过程中，网络安全和生物 misuse classifiers 会持续评估输出。如果发现高风险内容，生成可能被暂停，再交给更大的推理模型审查；如果被判定不允许，内容会在到达用户前被拦下。

第三层是账号级审查。系统会结合相关会话和风险信号，判断一个用户是在做合法安全研究，还是存在持续恶意行为。

第四层是差异化访问。最敏感的能力不会默认广泛开放，而是通过可信访问机制优先给到防御、研究等合适场景。

这套设计背后的逻辑是：越强的模型，越不能只靠一次拒答解决问题。真正的风险往往不是一个危险问题，而是一串看似正常的步骤。模型能力越强，步骤之间越容易被串起来。安全系统也必须从单点拒绝，升级为对任务链条、账号行为和访问权限的综合判断。

70万 A100 等效 GPU 小时，用来找越狱

OpenAI 还披露了一个很少见的数字：超过 70 万 A100 等效 GPU 小时，用于自动化红队测试。

这项工作重点寻找 universal jailbreaks，也就是不是只对某个提示词有效，而是可能跨很多上下文生效的通用越狱方式。

这个数字有两个含义。第一，前沿模型安全测试本身已经变成高算力工程。不是几个人手写 prompt 试一试，而是用模型和算力系统性寻找防线漏洞。

第二，安全不再是发布前的一次检查。OpenAI 说，预览期还会继续做自动化红队和人工专家红队，并把新发现的失败模式加入持续评估。

这也解释了为什么这次是预览，而不是直接全面开放。预览期要测的不只是模型会不会回答错，还包括安全栈会不会误拦正常任务、会不会放过高风险请求、会不会让合法用户在关键工作里频繁卡住。

对开发者来说，价格和缓存也很关键

模型能力之外，GPT-5.6 对开发者还有两点实际变化。

第一是价格梯度更清晰。Sol 是旗舰价格，Terra 是中间档，Luna 是低成本档。对做产品的人来说，这会影响模型路由策略：哪些任务值得用 Sol，哪些可以交给 Terra 或 Luna。

第二是 Prompt Caching 更可预期。GPT-5.6 和后续模型将支持显式缓存断点，最短缓存保留时间为 30 分钟。缓存写入按未缓存输入价格的 1.25 倍计费，缓存读取继续享受 90% 的 cached-input 折扣。

这对长上下文应用很实用。比如一个代码库、一本手册、一套业务规则，如果每次调用都重新塞进模型，成本会很难控制。显式缓存断点让开发者能更清楚地管理“哪些上下文需要长期复用，哪些只属于当前请求”。

还有一个速度信号：Cerebras

OpenAI 还宣布，7月将在 Cerebras 上推出 GPT-5.6 Sol，最高可达每秒 750 tokens。初期访问仍然只给部分客户。

这条信息容易被忽略，但它很重要。过去前沿模型经常面临一个问题：能力强，但太慢；适合研究和离线任务，不适合高频交互。

如果旗舰模型能在特定硬件上获得大幅推理速度提升，就意味着它有机会进入更多实时场景：代码协作、客服、运营后台、网络安全响应、数据分析助手，甚至多 agent 协同任务。

当然，官方也说了，早期只是有限客户，不等于所有开发者马上都能用到这个速度。

这次发布真正说明了什么？

GPT-5.6 Sol 的重点，不只是“更强”。

它更像一个信号：前沿模型发布正在进入新的阶段。过去模型升级，大家主要看分数、价格、上下文长度、响应速度。现在还要看另一组问题：它是不是只给部分人先用？高风险能力怎么分级？模型输出到一半能不能被实时拦下？账号级别的长期风险怎么判断？政府、企业、研究者和普通用户之间，访问权限怎么安排？

这些问题听起来没有 benchmark 热闹，但决定了真正的产品形态。

如果 GPT-5.6 Sol 代表下一代旗舰模型，那它同时也代表一种新的现实：最强模型不会再只是“发布出来等大家调用”，而是会被放进一套更复杂的制度、工程和安全系统里。