- OpenAI 在 2026 年 7 月 9 日宣布 GPT-5.6 正式可用，模型家族分为 Sol、Terra、Luna：旗舰、平衡、低成本。
- OpenAI 表示，Sol 在编码、知识工作、网络安全、科学等方向达到新水平；但成本、延迟和多项效率数字多为 OpenAI 离线模拟或合作方测试，建议保守看。
ultra是这次最关键的新档位：默认协调 4 个智能体并行，OpenAI 称在 BrowseComp、SEC-Bench Pro、Terminal-Bench 2.1 上把“分数-延迟”前沿往更强、更快方向推。- API 侧新增 Programmatic Tool Calling 和 multi-agent beta：模型可以写内存小程序协调工具、过滤中间数据，并在一次请求里并发子智能体。
- 安全结论也很明确：OpenAI 称 GPT-5.6 的生物和网络安全能力更强，但没有跨过 Critical 阈值；上线前做了约 700,000 A100e GPU 小时黑盒自动红队测试。
本文解读的是 OpenAI 官网发布的自家模型公告。文中的性能、成本、延迟、安全拦截和客户评价均来自 OpenAI 原文、文末评测表或合作方表述；其中延迟和 API 成本按 OpenAI 脚注说明是基于生产行为的离线模拟，真实使用可能差很多。下面按原文事实转述，并保留必要限定。
这次发布的不是一个模型，而是一套档位
GPT-5.6 这次被 OpenAI 拆成三档：Sol 是旗舰，Terra 是日常平衡档，Luna 是最快、最便宜的档位。OpenAI 还特别说明，5.6 是这一代模型编号，Sol、Terra、Luna 是相对稳定的能力层级，以后可以按自己的节奏演进。
OpenAI 对这代模型的总论是“每个 token 做更多有用工作”。在 Agents' Last Exam 这个覆盖 55 个专业领域长流程任务的评测中，正文称 Sol 达到 53.6，比 Claude Fable 5 高 13.1 分；即使用 medium reasoning，也比 Fable 5 高 11.4 分，估算成本约为四分之一。Terra 和 Luna 则被称为以约十六分之一成本超过 Fable 5。
另一张综合能力图给了更克制的结果。Artificial Analysis Intelligence Index v4.1 上，Sol max 为 58.9，Fable 5 为 59.9。OpenAI 的卖点不是单项反超，而是 Sol 距对手不到 1 分，同时完成时间少 61%、估算成本约为一半。
这两组结果在原文中分别对应 Agents' Last Exam 和 Artificial Analysis Intelligence Index 两个动态组件，可在原文查看。
还有一个需要标出来的细节：原文正文说 Agents' Last Exam 是 53.6，但文末表格给 Sol 的数字是 52.7%。两个数字都在 OpenAI 原文出现，本文不替它合并。
ultra 真正卖的是“并行推进”
OpenAI 给 GPT-5.6 加了两个更高投入档：max 和 ultra。max 给模型比 xhigh 更多时间推理、探索替代方案、运行检查并修改方案；ultra 更进一步，默认协调 4 个智能体并行工作。
这不是“一个模型多想一会儿”，更像把复杂任务拆成几条工作线：查资料、写代码、跑验证、整理产物同时推进，最后再汇总。原文说，多智能体图表比较了 4-agent 默认设置与 1-agent baseline；BrowseComp 和 SEC-Bench Pro 还展示 16-agent 配置。在 BrowseComp、SEC-Bench Pro、Terminal-Bench 2.1 上，OpenAI 称并行智能体把分数-延迟前沿“向上、向左”移动，也就是更高分、更短时间。
API 里对应的是 multi-agent beta。开发者可以让 GPT-5.6 在一次请求中并发运行子智能体，再综合它们的结果。
查看原文的动态多智能体图表
原文这里嵌入了 BrowseComp、SEC-Bench Pro、Terminal-Bench 2.1 三张交互图，比较 1、4 个智能体；前两张还包含 16-agent 配置。它们没有暴露可独立下载的图片 URL，因此本文保留原文入口和图表结论，不把动态曲线伪装成静态原图。
新工具能力：模型开始写“小程序”调工具
Programmatic Tool Calling 是另一条主线。OpenAI 的说法是，GPT-5.6 可以写并运行轻量程序，用这些程序协调工具、处理中间结果、监控进度、选择下一步。
过去做工具任务，开发者常常要把每一步都写死，或者把每次工具返回都塞回模型上下文。OpenAI 现在想让模型在 Responses API 里先过滤大量中间数据，只保留重要内容。它还强调这个机制兼容 Zero Data Retention，也就是数据不被保留的 API 使用场景。
合作方反馈也围绕这个点。Rogo 称 Big Finance Benchmark 里 GPT-5.6 相比 GPT-5.5 rubric quality 提高 6.2 分、answer accuracy 提高 3.6 分；使用 Programmatic Tool Calling 时，在质量相当情况下输出 token 少 24%、完成任务快 28%。PlayCo 则称，Unity 场景构建工作流里，总 token 少 63.5%、模型轮次少 50.1%，视觉结果相当。
展开编码与智能体合作方的全部分项
| 合作方 | 原文披露的测试结论 |
|---|---|
| Cursor | 称 GPT-5.6 是其 CursorBench 早期评测中最强模型之一，突出持续性、智能和效率。 |
| Qodo | 称智能体代码审查测试中 GPT-5.6 最强；对齐口径的内外部 PR 基准里，F1 高于 GPT-5.5，每个 PR 约少用 3 倍 token，中位延迟约低 2 倍。 |
| Notion | 称 Sol 能连续数天保持任务焦点；其很多 GPT-5.5 智能体迁到 Terra 后效果相当，成本减半、token 少 16%。 |
| Cognition | 称 GPT-5.6 在生产级编码智能体中兼顾高性能和成本效率。 |
| Rogo | Big Finance Benchmark 相比 GPT-5.5，rubric quality 高 6.2 分、答案准确性高 3.6 分；Programmatic Tool Calling 在质量相当时少 24% 输出 token、快 28%。 |
| Ramp | 称模型能检查线上系统、调试、改代码、验证、发布产物，并在长会话中保持上下文。 |
| Shopify | 称多阶段 Codex 工作流里更能理解工作层级，并更稳定地产出准确的行级 GitHub 引用。 |
| Cisco | 称长任务更专注、工具使用更好，研究与设计产出的报告和图示更清楚。 |
| Clio | 综合法律研究与交易法律评测中少用 14% token 且质量提升；多步文档分析里 Programmatic Tool Calling 少 38% prompt token，质量不降。 |
| Balyasny | 称复杂金融研究的 token 效率为 1.72 倍，在三个主要类别领先，多跳任务得 88%。 |
| Basis | 称 Sol 的推理、决策和自主性提升，子智能体对复杂会计任务尤其有用。 |
这些都是合作方自建或内部评测，不等于统一第三方基准。
原文三张图真正想说明什么
OpenAI 原文正文里有三张可下载配图，全部围绕“按参考 deck 做 slide 风格匹配”。它不是在展示真实市场数据，而是在展示 GPT-5.6 是否能读懂模板规则。
这三张图对应原文的结论是：GPT-5.6 不只是生成内容，还更擅长理解“公司文件长什么样”。OpenAI 说它可以从参考 deck 推断布局、字体、间距、配色、重复内容模式，甚至 Slide Master 里的规则，然后应用到新材料里。
设计和知识工作：从聊天回答走向可交付产物
OpenAI 对设计能力的说法很重：GPT-5.6 在只有高层指令时，可以创建“tasteful、ergonomic、functional”的界面；更强的 computer use 能力让它检查渲染结果，而不只是生成代码或文字。
原文用 5 个动态设计示例展示这件事：帆船游戏、Tiny Voids 游戏、博物馆网站、发条村庄游戏、室内设计演示；又放了螺线仪、波干涉、GPT tokenizer 三个交互解释示例。这 8 个组件没有独立图片地址，本文保留原文演示入口，不以生成图替代原始证据。
知识工作部分，原文把 Slack、Notion、Microsoft 365、Google Drive 都放进来了。OpenAI 的结论是，GPT-5.6 能把日常工作流里的杂乱上下文整理成专家级、可分享的产物。BrowseComp 上 Sol Ultra 表格分数是 92.2%，Sol 是 90.4%；OSWorld 2.0 上 Sol 是 62.6%，并称超过 Opus 4.8 且少用 85% 输出 token。Luna 被说成低于一半估算成本接近 GPT-5.5 峰值表现，Terra 则以更低成本超过 GPT-5.5。
客户反馈覆盖了不少场景：Lovable 称生产级 app 工作流约少 25% 步骤、35-48% 工具调用，stuck runs 少 15%；Model ML 称 20 个客户流程和数百份 FinBench deck 中，每份 deck 比 Fable 少 39% token；Triple Whale 的七任务前端基准里 GPT-5.6 得 4.4 分，GPT-5.5 为 4.0，Claude 4.8 为 3.5；Base44 称 30 个真实 app-building 对话里输入 token 少 22%、输出 token 少 23%；Legora 称 7 个法律任务中 5 个提升或持平。
展开知识工作合作方的全部分项
| 合作方 | 原文披露的测试结论 |
|---|---|
| Lovable | 约少 25% 步骤、35–48% 工具调用，stuck runs 少 15%。 |
| Model ML | 20 个困难客户流程、数百份 FinBench deck 中，每份 deck 比 Fable 少 39% token。 |
| Triple Whale | 七任务前端基准中 GPT-5.6 得 4.4/5，GPT-5.5 为 4.0，Claude 4.8 为 3.5。 |
| PlayCo | Programmatic Tool Calling 构建 Unity 场景时少 63.5% 总 token、少 50.1% 模型轮次，视觉结果相当。 |
| Canva | 称早期设计评测里做 slide 强于竞争模型，token 效率约为 1.6 倍。 |
| Microsoft | 称 Microsoft 365 产物更连贯、准确、接近可用，减少反复改 prompt 和草稿的工作。 |
| Base44 | 30 个真实 app-building 对话里，输入 token 少 22%、输出 token 少 23%，新项目和长对话表现仍有竞争力。 |
| Legora | 7 个法律任务中 5 个提升或持平，结构化起草和先例审查提升最大，对法律结论仍较谨慎。 |
| Figma | 称 Figma Make 中可把复杂设计变成交互原型，改善 design-to-code 工作流。 |
原文这一段另有 BrowseComp、GDPval-AA v2、OSWorld 2.0、AutomationBench 四张动态评测图，以及 Equity research document、Leveraged buyout model 两个产物示例。它们同样只能在原网页中查看。
编码、网络安全、科学：强，但边界更敏感
编码部分，OpenAI 称 Sol 是它最好的 coding model。Artificial Analysis Coding Agent Index v1.1 上，Sol max 得 80，比 Fable 5 高 2.8 分，同时输出 token 少于一半、耗时少于一半、估算成本低约三分之一。Terra 略高于 Fable 5，Luna 高于 Opus 4.8；两者都约用三分之一时间、约一半输出 token、约四分之一估算成本。Terminal-Bench 2.1 和 DeepSWE 也被称为新高。
原文这里用 Artificial Analysis Coding Agent Index、Terminal-Bench 2.1、DeepSWE v1.1 三个动态评测组件呈现结果；本文保留数字和原文入口。
网络安全部分更要小心读。OpenAI 称 GPT-5.6 是其最强网络安全模型：ExploitBench 2 为 73.5%，GPT-5.5 为 47.9%；ExploitGym 在两小时限制下从 15.1% 到 24.9%，六小时到 33.7%；SEC-Bench Pro 为 71.2%，GPT-5.5 为 45.8%。但脚注说明，网络安全能力是在降低安全限制下评测；ExploitGym 还使用 alpha API 后再按公共 API 速度重标定，部分估算延迟可能超过两小时或六小时限制。
原文把 ExploitBench、ExploitGym、SEC-Bench Pro、Capture-the-Flag 四张网络安全图，以及 GeneBench Pro、LifeSciBench、MedChemBench 三张科学图做成动态组件。本文保留它们的表格数字和原文入口。其中 ExploitBench 明确没有展示延迟图，因为原文认为该评测的延迟估算不可靠；Claude Fable 5 也未进入 GeneBench Pro 对比，因为原文称它拒答了该评测多数高级生物问题。
OpenAI 的安全判断是：GPT-5.6 在生物和网络安全上更强，但没有跨过 Critical 阈值。网络安全方面，它更擅长发现、复现和修补漏洞，而不是稳定对加固目标完成端到端自主攻击。生物方面，它可支持正当研究，但不具备制造高度危险新威胁所需的端到端能力。
OpenAI 还把模型用于自己的 AI 研究流程：诊断失败、优化训练系统、跑实验、解释结果。内部测试期间，每位活跃研究员的日均输出 token 超过 GPT-5.5 最高水平的 2 倍；过去 6 个月，内部编码推理所占研究算力增长 100 倍，内部智能体 token 用量约增长 22 倍。OpenAI 特别提醒，这些采用指标本身不等于研究进展。其内部 RSI 综合评测里，Sol 比 GPT-5.5 高 16.2 分；对应的 RSI Index、Internal Research Debugging Eval、KernelGen 1P、NanoGPT 四个动态组件可在原文查看。
安全栈：更强能力配更重防护
OpenAI 说 GPT-5.6 使用它目前最稳健的安全系统：模型内训练防护、实时检查、持续监控、账号级执行，再加 reasoning monitor。这个 monitor 会审视对话是否存在伤害风险，用来保留防御性工作，同时阻断严重误用。
它也承认这会增加摩擦。GPT-5.6 Sol 的网络安全防护比前代多拦截约 10 倍潜在有害活动；ChatGPT 和 Codex 会给用户切到低能力模型重试的选项。更敏感的防御性网络安全能力，则放进 Daybreak Trusted Access：个人可验证身份申请，组织可为团队申请；个人成员需在 9 月 1 日前启用硬件 passkey 支持的 Advanced Account Security，否则回到默认访问。
上线前，OpenAI 称做了约 700,000 A100e GPU 小时黑盒自动红队测试，结合人类红队、外部专家和 trusted partners。它也没有把话说满：原文明确说没有完美安全，新漏洞和新 jailbreak 会继续出现，所以要靠分层防护、持续监控、快速修复和防御社区协作。
文末评测表怎么读
原文最后放了很长的评测表。为了保留覆盖，下面按表格分组压缩列出 GPT-5.6 Sol / Terra / Luna / GPT-5.5 的核心数字；有 Sol Ultra 的分组也列出 Ultra。
| 分组 | 评测 | GPT-5.6 关键数字 | GPT-5.5 对照 |
|---|---|---|---|
| Professional | Agents' Last Exam | Sol 52.7%，Terra 50.4%，Luna 50.3% | 46.9% |
| Professional | GDPval-AA v2 | Sol 1,747.8 Elo，Terra 1,593，Luna 1,591.8 | 1,493.7 |
| Professional | Management Consulting Tasks | Sol 43.2%，Terra 37.2%，Luna 35.4% | 31.3% |
| Professional | Big Finance Bench | Sol 53%，Terra 51%，Luna 36% | 49% |
| Professional | Artificial Analysis Intelligence Index v4.1 | Sol 58.9，Terra 55，Luna 51.2 | 54.8 |
| Coding | Coding Agent Index v1.1 | Sol 80，Terra 77.4，Luna 74.6 | 76.4 |
| Coding | SWE-Bench Pro / DeepSWE / Terminal-Bench 2.1 | Sol 64.6% / 72.7% / 88.8%，Terminal-Bench Ultra 91.9% | 59.4% / 67% / 85.6% |
| Science and health | GeneBench Pro / LifeSciBench / MedChemBench / HealthBench Professional | Sol 28.7% / 59.9% / 48.3% / 60.5% | 12% / 50.4% / 35.5% / 49.5% |
| Computer use | OSWorld 2.0 / BrowseComp / BenchCAD / BenchCAD python tool | Sol 62.6% / 90.4% / 70.6% / 83.4%，BrowseComp Ultra 92.2% | 47.5% / 84.4% / 44.4% / 55.8% |
| Cybersecurity | CTF / SEC-Bench Pro / CyberGym / ExploitBench / ExploitGym | Sol 96.7% / 71.2% / 84.5% / 73.5% / 33.7%，SEC-Bench Pro Ultra 74.3% | 88.1% / 45.8% / 81.8% / 47.9% / 15.1% |
| Self-improvement | Internal Debug / KernelGen / NanoGPT / PostTrainBench / RSI | Sol 68.3% / 61.1% / 9.69% / 50.3% / 57.9% | 50% / 29.3% / 2.65% / 38.8% / 41.7% |
| Multimodal | MMMU Pro no tools / with tools / gdp.pdf | Sol 83% / 84.6% / 30.7% | 81.2% / 83.2% / 26% |
| Academic | GPQA Diamond / FrontierMath T1-3 / FrontierMath T4 | Sol 94.6% / 89% / 83% | 93.6% / 85.3% / 72.5% |
| Tool use | AutomationBench / Toolathlon | Sol 18.1% / 58%，Terra 15.2% / 53.1%，Luna 14.9% / 53.4% | 12.9% / 55.6% |
| Long context | MRCR 256K-512K / MRCR 512K-1M / GraphWalks 256k / GraphWalks 1mil | Sol 91.5% / 73.8% / 90.7% / 77.1% | 81.5% / 74% / 73.7% / 45.4% |
| Abstract reasoning | ARC-AGI-3 | Sol 7.78%，Terra 0.8%，Luna 0.18% | 0.43% |
展开 GPT-5.6 与 GPT-5.5 的完整分项
| 分组 | 评测 | Sol | Sol Ultra | Terra | Luna | GPT-5.5 |
|---|---|---|---|---|---|---|
| Professional | Agents' Last Exam | 52.7% | — | 50.4% | 50.3% | 46.9% |
| Professional | GDPval-AA v2 | 1,747.8 Elo | — | 1,593 Elo | 1,591.8 Elo | 1,493.7 Elo |
| Professional | Management Consulting Tasks | 43.2% | — | 37.2% | 35.4% | 31.3% |
| Professional | Big Finance Bench | 53% | — | 51% | 36% | 49% |
| Professional | Artificial Analysis Intelligence Index v4.1 | 58.9 | — | 55 | 51.2 | 54.8 |
| Coding | Artificial Analysis Coding Agent Index v1.1 | 80 | — | 77.4 | 74.6 | 76.4 |
| Coding | SWE-Bench Pro | 64.6% | — | 63.4% | 62.7% | 59.4% |
| Coding | DeepSWE v1.1 | 72.7% | — | 69.6% | 67.2% | 67% |
| Coding | Terminal-Bench 2.1 | 88.8% | 91.9% | 87.4% | 84.7% | 85.6% |
| Science and health | GeneBench Pro | 28.7% | — | 23.3% | 10.8% | 12% |
| Science and health | LifeSciBench | 59.9% | — | 56% | 51.2% | 50.4% |
| Science and health | MedChemBench | 48.3% | — | 35% | 30.4% | 35.5% |
| Science and health | HealthBench Professional | 60.5% | — | 57.7% | 55.7% | 49.5% |
| Computer use | OSWorld 2.0 | 62.6% | — | 50.2% | 45.6% | 47.5% |
| Computer use | BrowseComp | 90.4% | 92.2% | 87.5% | 83.3% | 84.4% |
| Computer use | BenchCAD | 70.6% | — | 62.3% | 63.1% | 44.4% |
| Computer use | BenchCAD（python tool） | 83.4% | — | 78.2% | 73.9% | 55.8% |
| Cybersecurity | Capture-the-Flag Challenges | 96.7% | — | 91.8% | 85.2% | 88.1% |
| Cybersecurity | SEC-Bench Pro | 71.2% | 74.3% | 57.7% | 48.9% | 45.8% |
| Cybersecurity | CyberGym | 84.5% | — | 81.8% | 77.9% | 81.8% |
| Cybersecurity | ExploitBench | 73.5% | — | 52.9% | 33.2% | 47.9% |
| Cybersecurity | ExploitGym | 33.7% | — | 23.2% | 12.4% | 15.1% |
| Self-improvement | Internal Research Debugging Evaluation | 68.3% | — | 67.8% | 50.8% | 50% |
| Self-improvement | KernelGen 1P | 61.1% | — | 49.2% | 22.4% | 29.3% |
| Self-improvement | NanoGPT | 9.69% | — | 14.5% | 1.66% | 2.65% |
| Self-improvement | PostTrainBench Lite | 50.3% | — | 51.5% | 29.6% | 38.8% |
| Self-improvement | RSI Index | 57.9% | — | 56.3% | 41.9% | 41.7% |
| Multimodal | MMMU Pro（no tools） | 83% | — | 80.7% | 78.4% | 81.2% |
| Multimodal | MMMU Pro（with tools） | 84.6% | — | 82% | 79.5% | 83.2% |
| Multimodal | gdp.pdf | 30.7% | — | 24.7% | 22.7% | 26% |
| Academic | GPQA Diamond | 94.6% | — | 92.9% | 92.3% | 93.6% |
| Academic | FrontierMath Tier 1–3 v2 | 89% | — | 84.9% | 78.6% | 85.3% |
| Academic | FrontierMath Tier 4 v2 | 83% | — | 68.3% | 58.5% | 72.5% |
| Tool use | AutomationBench | 18.1% | — | 15.2% | 14.9% | 12.9% |
| Tool use | Toolathlon | 58% | — | 53.1% | 53.4% | 55.6% |
| Long context | MRCR 256K–512K | 91.5% | — | 89.6% | 41.3% | 81.5% |
| Long context | MRCR 512K–1M | 73.8% | — | 72.5% | 41.3% | 74% |
| Long context | GraphWalks BFS 256k f1 | 90.7% | — | 76.9% | 81.3% | 73.7% |
| Long context | GraphWalks BFS 1mil f1 | 77.1% | — | 71.2% | 51.2% | 45.4% |
| Abstract reasoning | ARC-AGI-3 | 7.78% | — | 0.8% | 0.18% | 0.43% |
这张表说明一件事：GPT-5.6 不是每一行都碾压。比如 GDPval-AA v2 里 Claude Fable 5 是 1,759.6 Elo，高于 Sol 的 1,747.8；SWE-Bench Pro 里 Claude Mythos 5 是 80.3%，Sol 为 64.6%；HealthBench Professional 里 Fable 5 是 60.9%，略高于 Sol 的 60.5%；Toolathlon 里 Sol 是 58%，Claude Mythos 5 和 Fable 5 都是 61.7%；NanoGPT 上 Terra 14.5% 高于 Sol 9.69%；MRCR 512K–1M 上 Sol 73.8%，也略低于 GPT-5.5 的 74%。真正的主线是 OpenAI 反复强调的“性能 / token / 延迟 / 成本”综合账，而不只是单项分数。
几个口径也不能丢。OpenAI 的延迟和 API 成本来自生产行为的离线模拟，真实结果可能差很多；多智能体延迟按根智能体计算，但输出 token 和 API 成本包含全部智能体，Ultra 表格使用 4 个智能体；HealthBench Professional 采用论文中的官方计分方法，不能与 Anthropic system card 的数字直接比较；Opus 4.8 的 ARC-AGI-3 用 high effort，而不是 max。
怎么用，多少钱
OpenAI 说，GPT-5.6 从 2026 年 7 月 9 日起在 ChatGPT、Codex 和 OpenAI API 全球逐步开放，24 小时内推进到完整可用。
Chat 里，Plus、Pro、Business、Enterprise 用户可以通过 medium 及以上 effort 使用 Sol；Pro 和 Enterprise 还可选 Sol Pro。ChatGPT Work 和 Codex 里，Free 和 Go 用户用 Terra；Plus、Pro、Business、Enterprise 可选 Sol、Terra、Luna 并设置 effort。max 面向有 GPT-5.6 权限的 ChatGPT Work 和 Codex 用户；ultra 在 ChatGPT Work 面向 Pro 和 Enterprise，在 Codex 面向 Plus 及以上。
API 定价按每 100 万 token 计：
| 模型 | 输入 | 输出 |
|---|---|---|
| GPT-5.6 Sol | 5 美元 | 30 美元 |
| GPT-5.6 Terra | 2.50 美元 | 15 美元 |
| GPT-5.6 Luna | 1 美元 | 6 美元 |
缓存也变了。GPT-5.6 支持 explicit cache breakpoints 和 30 分钟最短缓存寿命。缓存写入按未缓存输入价的 1.25 倍收费，缓存读取继续享受 90% cached-input 折扣。
这件事真正值得看的地方
如果只看分数，GPT-5.6 是一次大模型发布。如果看产品结构，它更像 OpenAI 在重做“AI 工作”的价格表和控制面板。
你不再只是选择“用不用 GPT-5.6”。你要选择 Sol、Terra 还是 Luna；选择普通 effort、max 还是 ultra；选择单模型工具调用，还是 Programmatic Tool Calling 和 multi-agent beta；选择默认安全边界，还是 Trusted Access。
这也是原文最核心的结论：能力在变强，但 OpenAI 同时把成本、并行度、工具编排和风险控制显式产品化。未来智能体做长任务时，竞争可能不只是谁的模型单点最聪明，而是谁能用更少 token、更短时间、更可控的风险，把复杂工作交付出来。
来源说明
原文为 OpenAI 文章 GPT-5.6: Frontier intelligence that scales with your ambition，发布于 2026 年 7 月 9 日。本文按 OpenAI 原文、Jina Reader 提取的正文 Markdown 和原文文末评测表转述；正文三张配图均来自 OpenAI 原文。文中涉及成本、延迟、效率、客户评价、安全拦截倍数、700,000 A100e GPU 小时、评测分数等，均属于 OpenAI 发布稿、脚注或合作方测试表述。原文脚注说明，延迟和 API 成本是按生产行为离线模拟，真实结果可能因工具调用、采样 token、输入 token 和任务形态显著变化；网络安全能力评测使用降低后的安全限制。
