GPT-5.6 正式开放：三个型号一起放出完整成绩单，ultra 其实是 4 个智能体并行

十几天前，OpenAI 把它最强的模型按下了暂停键 - 先交给美国政府过目，再小范围内测。今天，七月九号，它正式开门了。

GPT-5.6 的三个型号 Sol、Terra、Luna 同时面向所有人开放，ChatGPT、Codex 和 API 全线可用，官方说会在二十四小时内在全球逐步铺完。比全面开放更值得看的，是官方把预览期一直压着没放的完整成绩单，这次一起放了出来。

先说明一句，本文引用的所有分数，都来自 OpenAI 官方发布的评测结果。

三个型号，和一套新的命名规矩

这次一口气来了三个型号，分工很清楚。

同时变的还有命名规矩：数字代表第几代，Sol、Terra、Luna 代表能力档位，各自可以按自己的节奏迭代。也就是说，以后同一个代际下面，能力档位可以单独往前走，不必等一次大版本号跳变。

核心叙事：每一美元买到更强的性能

这次发布的主线只有一句话 - 从每个 token 里榨出更多智能，让每一美元买到更强的性能（performance per dollar）。

为什么要先记住这一句，而不是先记住哪个分数最高？因为下面的成绩单里，真正反复出现的模式不是「谁分高」，而是「同样的分数，用更少的 token、更短的时间、更低的成本」。带着这条线去看后面的数字，会比盯着排行榜第一名更有意义。

成绩单：分数背后是同一条曲线

先看通用智能体。在一个叫 Agents' Last Exam 的评测里，它覆盖五十五个专业领域的长程工作流，Sol 拿到 53.6 分，创了新高，比 Claude Fable 5 高出 13.1 分。把推理档位调到中等，它仍然高出 11.4 分，而估算成本大约只有四分之一。更值得留意的是，Terra 和 Luna 这两个更便宜的型号也超过了 Fable 5，成本大约是十六分之一。

编程这块，在 Artificial Analysis 的 Coding Agent Index 上，Sol 开到最高推理拿了 80 分，是新的 SOTA，比 Fable 5 高 2.8 分。但真正的看点在后半句：它用的输出 token 不到一半、耗时不到一半、成本还低了大约三分之一。同一个家族里，Terra 略高于 Fable 5，Luna 超过了 Opus 4.8，各自大约用三分之一的时间、约一半的输出 token、约四分之一的成本。此外，Terminal-Bench 2.1 与 DeepSWE 也拿到新 SOTA。

再看知识工作与计算机使用。在网页浏览的 BrowseComp 上，Sol 拿到 92.2%；在模拟操作电脑的 OSWorld 2.0 上拿到 62.6%，两个都是新的 SOTA。而在 OSWorld 上，它超过 Opus 4.8 的同时，输出 token 少了 85%。

把这几项放在一起看会发现，这些数字讲的从来不只是分数，而是同样的分数用更少的 token、更少的时间、更低的成本。这条曲线，比排行榜第一名更值得盯。

ultra 到底是什么

预览期很多人以为 ultra 是某种玄学，官网这回把它说清楚了。

先分清两个设置：

• max - 给模型比以往更多的时间去推理、去尝试别的路径、去自查和修正。它对应的是「想得更久」。
• ultra - 更高的能力设置，默认同时协调四个智能体并行工作，用更多的 token 换更强的结果和更短的完成时间。

官方的图表显示，把并行智能体加进来之后，「分数–延迟」的前沿会往左上方移动，也就是分更高、时间还更短；在 BrowseComp 与 SEC-Bench Pro 上，官方还给了十六个智能体的配置。想自己搭这种体验的开发者，可以用 Responses API 里还在测试阶段（beta）的 multi-agent 能力。

网络安全：提升最猛，也最需要照实说

网络安全是这次提升最明显的一块。

其中 ExploitGym 两小时内的峰值通过率几乎翻倍，如果把时限放宽到六小时，能到 33.7%。

这里必须补上官方自己标的三条注脚，少了它们，上面的数字就读偏了：

1. 这些网络安全评测，是在降低防护的条件下跑出来的。
2. 官网给出的成本和延迟都是模拟估算，不是真实账单，官方也说实际差异可能很大。
3. 科学方向的 GeneBench 评测里，官方注明没有把 Claude Fable 5 放进来比，因为它拒答了其中大多数高级生物学问题 - 所以这一项不能说成「碾压」。

能力上去了，代价是什么

OpenAI 这次给了量化的答案。Sol 的网络安全防护，拦下的潜在有害活动大约是此前模型的 十倍。正式开放之前，他们用了大约 70 万 A100e GPU 小时 做黑盒自动化红队，专门去找那种能跨场景通用的越狱。防护也不再只靠分类器打标签，而是加了一个会推理的监控器，去读完整段对话来判断有没有危害。

代价是误伤。所以他们在 ChatGPT 和 Codex 里留了一个口子，让你可以换一个能力低一些的模型再跑一次。而这段表态值得原样记下来 - 官方明确说，过度封锁本身就是一种安全风险：它挡住的是防守方，让人没法测试系统、没法发补丁，而恶意的人依然可以用别的模型（包括越来越强的开源模型）和既有工具。

需要提醒的是，官方说生物与网安能力都强于以往，但两者都未跨越 Critical 阈值（Preparedness Framework）。未跨越阈值并不等于没有风险 - OpenAI 自己也说，基准阈值无法覆盖模型被使用或组合的每一种方式。

还有一处容易被读成「模型在自我进化」的地方，也照实说明。官方提到，内部测试期人均日均输出 token 是 GPT-5.5 最高水平的两倍多，过去六个月内部编码推理占研究算力的份额涨了约一百倍，agentic token 用量涨了约二十二倍；在一项 RSI（递归自我改进）能力的聚合评估上，Sol 比 GPT-5.5 高 16.2 分。但 OpenAI 自己明说：这些采用度指标本身并不衡量研究进展。所以这更像是「内部用得更多」，不是「模型在自己进化」。

想要更多防御能力的人，可以申请一个叫 Trusted Access 的计划，做漏洞分诊、恶意软件分析、补丁验证这类正当工作。但有个门槛要记一下：个人成员需要在 九月一号 之前，开启带硬件 passkey 的高级账号安全，否则就会退回默认权限。

谁能用，多少钱

先看可用性。官方说今天起全球逐步推出，未来二十四小时内完成。

再看价格，按每一百万 token 计：

缓存这次也更可预期：支持显式的 cache breakpoints，最短保留三十分钟；写缓存按未缓存输入价格的 1.25 倍计费，读缓存依然享 90% 折扣（也就是打一折）。

小结

收个尾。这次发布真正的信息，不是又来了一个第一名。

第一，本文这些分数都来自 OpenAI 官方发布的评测，连同官方自己标的那些注脚 - 网安评测在降低防护下进行、成本与延迟是模拟估算、GeneBench 未纳入 Fable 5 - 一起看，才算读完整。

第二，值得反复看的是那条性能与成本的曲线：同样的活，更少的 token、更短的时间、更低的花费。

第三，能力越强，开放就越要付出代价 - 拦截量翻十倍、按身份分层、拿硬件 passkey 换权限。至于预览期那道「政府门」（发布前先过美国政府、名单与政府共享），上一期已经聊过，这里只作背景一句带过。

至于 GPT-5.6 用起来到底怎么样，就交给各位自己上手去感受了。