夜雨聆风
6月26日，OpenAI推出GPT-5.6，却没有像往常一样直接开放给所有人，而是先交给一小批经过筛选的合作伙伴。直到7月9日，它才正式面向全球推出。
前后一个月，两款模型先后经历“发布—限制—评估—再开放”。这可能是生成式AI发展至今最有标志性的一幕：前沿模型不再只是一款软件，它开始被政府当作芯片、武器系统和关键基础设施一样严肃对待。
为什么会这样？这些模型究竟强到了什么程度？出口管制又会把AI产业带向哪里？
一、GPT-5.6从何而来：重点已经不是“更会聊天”
GPT-5.6并不是单一模型，而是一个由三个档位组成的家族：旗舰版Sol、兼顾性能与成本的Terra，以及主打速度和低价的Luna。OpenAI也改变了命名方式：数字代表模型代际，Sol、Terra、Luna则代表相对稳定的能力层级。
更重要的变化，是“推理”开始变成一种可调配的计算资源。用户可以让模型用max模式花更多时间检查方案，也可以使用ultra模式，让四个智能体默认并行工作，最后再汇总结果。换句话说，GPT-5.6不只是在一次回答中“想得更久”，还可以像一个小团队那样拆分任务、调用工具、检查中间结果。
OpenAI在7月9日的发布说明中，把它的卖点概括为“每个token产生更多有用工作”。这句话其实比“参数更大”更能说明当下的竞争方向：模型厂商争夺的，已经不是谁在考试中多答对几道题，而是谁能以更低成本完成一个真实、漫长、容易出错的工作流程。
GPT-5.6的发布过程也不同寻常。6月26日，它先以受限预览形式交给少数合作伙伴；OpenAI称，这是应美国政府要求做出的阶段性安排。7月9日完成安全评估后，Sol、Terra和Luna才开始进入ChatGPT、Codex和API。于是，这次发布从第一天起就同时是一场产品发布和政策实验。
二、真正的对手Fable 5：同一底座，两种“能力闸门”
Fable 5来自Anthropic。它和更强的Claude Mythos 5使用同一个底层模型，但两者的开放方式不同：Fable面向普通用户，并在网络安全、生物和化学等高风险问题上加装分类器；Mythos则只向少数经过验证的网络防御机构和关键基础设施伙伴开放。
如果Fable的安全系统判断请求可能涉及高风险能力，它不会简单报错，而是把请求切换给能力较低的Claude Opus 4.8。Anthropic披露，最初版本中，这种切换平均出现在不到5%的会话里。这意味着用户实际使用的并非一套固定模型，而是一个会根据风险动态改变能力上限的系统。
Fable发布后迅速赢得关注，原因是它在长任务中的表现格外突出。Anthropic公布的早期案例显示，Stripe曾让它处理一个5000万行Ruby代码库的全局迁移：模型用一天完成了原本预计需要一个团队工作两个多月的任务。它还可以仅凭连续截图通关《宝可梦：火红》，从科学图表中提取数字，并在长时间任务中借助自己的笔记保持目标。
但这并不意味着Fable全面领先GPT-5.6。恰恰相反，最新一轮竞争已经很难用一张总榜排出唯一冠军。
在OpenAI公布的对比中，GPT-5.6 Sol在面向55个职业领域的长流程测试Agents’ Last Exam中得到53.6分，比Fable高13.1分；在Terminal-Bench 2.1命令行任务中，Sol为88.8%，ultra模式达到91.9%，Fable为83.1%。但在更强调真实软件工程的SWE-Bench Pro上，Fable达到80.0%，明显高于Sol的64.6%。独立评测机构Artificial Analysis的综合指数里，Fable仍略高于Sol，但Sol完成任务更快、估算成本更低。
这组“互有胜负”的数字提醒我们：所谓最强模型，越来越取决于你拿它做什么。Fable更像擅长啃超长、超难工程的“首席专家”；GPT-5.6则试图成为覆盖编码、办公、浏览器操作和多智能体协作的“全栈执行团队”。
与此同时，Google的Gemini、SpaceXAI的Grok、Meta，以及中国的DeepSeek、通义、Kimi、MiniMax和智谱等模型仍在追赶。尤其是开放权重路线正在形成另一条战线：Artificial Analysis在6月将GLM-5.2评为当时领先的开放权重模型。它和其他中国模型未必在所有高难度任务上追平Fable或Sol，却在成本、可自部署和不受单一海外API限制等方面具有明显吸引力。
三、它们究竟强到什么程度？
如果把宣传语拿掉，GPT-5.6和Fable 5的进步主要集中在四类工作。
第一类是软件工程。 过去的模型擅长补全函数，新模型则开始理解整个代码库，自己打开终端、运行测试、定位失败、修改代码并再次验证。早期企业反馈中，Qodo称GPT-5.6在代码审查中比GPT-5.5使用的token少约三分之二，中位延迟约低一半；Notion则表示它能连续数天保持任务目标。Fable的优势也集中在这种“长程自治”上，而不是简单写几段代码。
第二类是知识工作和电脑操作。 GPT-5.6 Sol在网页检索测试BrowseComp上达到92.2%，在模拟真实桌面操作的OSWorld 2.0上达到62.6%。它能从杂乱文件中整理研究结论，并直接生成可编辑的文档、表格和演示文稿。法律科技公司Legora称，它在七类法律工作中有五类提升或持平；金融研究平台的测试也显示，它在准确率、速度和token消耗之间取得了更好的平衡。
第三类是科学与医疗。 在长流程基因组和定量生物学测试GeneBench Pro中，GPT-5.6 Sol达到28.7%，GPT-5.5为12%；HealthBench Professional达到60.5%。Anthropic则称，Mythos 5在蛋白质设计、分子生物学假设和跨物种单细胞研究中展现了接近专业研究助手的能力。不过，这些结果很多仍来自厂商内部或合作伙伴评测，部分实验尚未经过同行评议。它们说明模型正在进入科研流程，并不等于模型可以替代医生或科学家作最终判断。
第四类，也是最敏感的一类，是网络安全。 在ExploitBench中，GPT-5.6 Sol从GPT-5.5的47.9%提高到73.5%；在要求把真实漏洞变成可运行利用代码的ExploitGym中，六小时条件下通过率达到33.7%。与此同时，OpenAI的系统卡显示，在更接近“发现并利用零日漏洞”的高难评测中，Sol在Hard级别成功率仍只有5%，Elite为0。它已经能显著帮助寻找漏洞、制作补丁和复现攻击，但还不是能够稳定攻破复杂目标的全自动黑客。
这里也要给所有排行榜降降温。模型成绩会受到提示词、工具、推理预算、运行次数和安全过滤器影响；厂商还会选择最有利于自己的测试。Fable在敏感生物学问题上可能直接降级到Opus，GPT-5.6在ultra模式下则调用多个智能体——被测对象实际上是整套产品，而不只是模型权重。真实用户的口碑同样分化：有人认为Fable的“原始智力”更强，也有人认为GPT-5.6更稳定、更适合日常生产。正确的结论不是“谁已经接近万能”，而是前沿模型已经在部分专业任务中产生专家级价值，同时仍会拒答、误判、幻觉和失败。
四、为什么它们会变成国家安全问题？
答案在于“双重用途”。同一个模型既能帮防守方发现漏洞、修补医院和电网系统，也能帮攻击者更快侦察目标、生成利用代码。同样的生物学推理，既可能加速药物设计，也可能降低危险实验的知识门槛。
6月2日，美国政府签署关于先进AI创新与安全的行政令，要求建立机密网络能力基准，并设计一套自愿框架：开发者可以在发布“受覆盖的前沿模型”前，向政府提供最多30天的测试访问。行政令同时明确，这不应被解释为强制许可、预先批准或发布审批。
但十天后，现实走得更远。美国商务部向Anthropic发出出口管制指令，要求任何外国国民——无论身在美国境内还是境外，包括Anthropic自己的外籍员工——都不能访问Fable 5和Mythos 5。由于公司无法实时验证所有用户国籍，只能把两个模型全球下线。
导火索是一份关于Fable安全护栏可被绕过的报告：模型识别了若干软件漏洞，并在一个案例中生成了利用演示代码。政府认为这可能构成国家安全风险；Anthropic则反驳说，多个更弱、已公开的模型也能完成相同任务，问题没有暴露Fable独有的Mythos级能力。双方最终共同改进分类器，使特定绕过方式在99%以上的测试中被阻断。6月30日，出口限制被解除，Fable于7月1日重新上线。
这场争议最值得注意的，不是谁“赢了”，而是监管工具发生了变化。过去，AI出口管制主要围绕高端芯片、算力和模型权重；Fable事件则把限制延伸到云端API和在线服务，并引入了“视同出口”逻辑——即便技术没有离开美国，只要向外国国民开放，也可能被视为出口。CSIS对事件的法律分析指出，商务部这次所使用机制的全球适用边界仍存在不确定性，而相关私人信函也没有公开。
五、出口限制会带来什么影响？
第一，模型发布将从产品流程变成“安全许可式流程” 。即使法律文本坚持“自愿”，企业也会预期：达到某个网络、生物或自主研发门槛后，政府测试、分阶段开放和可信用户制度都将成为事实标准。发布日期不再完全由公司决定。
第二，企业会重新理解AI供应链风险。Fable被一封信全球下线，证明API访问并不是永久资产。大型企业今后会更重视多模型路由、可替换接口、本地部署和应急降级，也会在采购合同里追问：如果政策突然变化，数据、工作流和关键任务由谁接管？
第三，管制可能反过来推动“主权AI”和开放权重模型。 欧洲多名政治人物在Fable下线后公开呼吁减少对美国模型的依赖。对中国和其他地区的开发者来说，可在本地运行的模型即使略弱，也可能因为“不会被远程关闭”而更有战略价值。美国试图保住能力优势，却也可能把海外客户推向本土或开源替代品。
第四，防守方可能被一并削弱。 网络攻防的请求在最初阶段往往长得很像。过度拦截会让医院、银行、软件维护者无法及时验证和修复漏洞，而攻击者仍可使用其他模型与传统工具。真正有效的政策不能只问“这个模型能否攻击”，还要问“谁在什么环境中、为了什么目的调用它”。
第五，政府既是裁判，也是最大买家之一。 美国6月发布的国家安全AI备忘录一方面要求加速引入多个厂商的最先进模型，另一方面要求任何供应商不得在未经批准的情况下关闭、削弱或修改军方所依赖的AI系统。政府希望让本国安全机构尽快获得能力，同时阻止能力流向潜在对手。这种双重角色，决定了未来围绕模型开放边界的争议只会更多。
结语：下一场竞争，不只是“谁更聪明”
GPT-5.6和Fable 5展示的，不是一个简单的“美国模型又升级了”的故事。
它们说明，前沿AI正在跨过三条线：从回答问题跨向完成任务，从单次推理跨向多智能体协作，从普通商业软件跨向国家战略能力。
未来衡量一家模型公司的标准，也不会只有排行榜第一。它还包括单位成本、可靠性、安全护栏、政策可预期性，以及全球用户能否持续获得访问。对企业和个人而言，最现实的准备不是押注一个永远领先的模型，而是建立可验证、可替换、有人类最终负责的工作流。
毕竟，当一个模型可能在一夜之间被禁止访问时，真正稀缺的就不只是“智能”，还有对智能的稳定控制权。