GPT-5.6三款新模型实测：Soul/Terra/Luna全面解析

GPT-5.6三剑客登场：Soul、Terra与Luna

OpenAI近日突然预览了下一代前沿模型系列GPT-5.6，一口气推出三个型号：Soul、Terra和Luna，每个都针对不同使用场景做了明确定位。

Soul是这次的旗舰模型，相比GPT-5.5是一次明显的大升级，定价维持不变——每100万输入Token 5美元，每100万输出Token 30美元。Terra定位为均衡款，成本约为Soul的一半，主打效率，更适合日常高频使用。Luna则是系列中的Flash模型，面向大批量任务，兼顾速度与低价，定价低至每100万输入Token 1美元、输出Token 6美元，是性价比最高的选择。

Token与定价逻辑：Token是大语言模型处理文本的基本单位，通常一个英文单词约对应1-2个Token，中文字符约对应1-2个Token。模型的定价以每百万Token计算，分为输入（Prompt）和输出（Completion）两部分，输出Token通常更昂贵，因为生成过程需要逐个Token自回归推理，计算量远大于一次性编码的理解过程。三档定价的策略本质上是算力资源的分层定价——旗舰模型通常参数规模更大、推理步骤更深，消耗更多GPU显存与计算周期；轻量模型则通过架构精简或知识蒸馏（Knowledge Distillation）技术降低推理开销，知识蒸馏通过让小模型模仿大模型的输出分布来继承其能力，而非从零训练，从而显著压缩部署成本并让利给用户。这种分层定价模式在云计算领域早有先例（类比AWS的不同EC2实例规格），但应用于AI模型时更具动态性：随着硬件成本下降（如H100到B200的代际演进）和推理优化技术进步（量化、投机采样等），同等性能的Token价格往往每隔6-12个月就会出现显著下滑，这一趋势在过去两年已有充分验证。

值得关注的是，据称三个模型全都配备了50万Token的超大上下文窗口。这一数字意味着模型可以同时处理约37.5万个汉字或数百页文档，对于长文档分析、复杂代码库理解和多轮深度对话具有革命性意义。

上下文窗口的技术演进：上下文窗口（Context Window）是指模型在单次对话或任务中能够同时"看到"和处理的最大Token数量。从技术层面看，扩大上下文窗口面临两大核心挑战：其一是标准Transformer注意力机制（Attention Mechanism）的计算复杂度随序列长度呈平方级增长（O(n²)），意味着处理50万Token所需算力并非4K Token的125倍，而是远超这一数字的量级，内存占用同样急剧膨胀；其二是"迷失在中间"（Lost in the Middle）问题——斯坦福大学2023年的研究表明，即使模型技术上能处理长上下文，其对文档中间部分的关注度也会显著低于首尾，导致实际有效利用率大打折扣，模型可能"看了"但并未真正"理解"中段内容。近年来，滑动窗口注意力（Sliding Window Attention）、稀疏注意力（Sparse Attention）将计算复杂度压缩至近线性、以及RoPE（旋转位置编码）改进对超长距离位置关系的更好建模，这些技术的协同突破才使50万Token级别的上下文窗口从理论走向商业落地。相比之下，GPT-3.5的上下文窗口仅有4K Token，GPT-4初代为8K-32K，短短三年技术演进速度惊人。GPT-5.6这一代的核心思路，是在智能、速度与成本之间给用户提供更灵活的取舍空间。

这次发布的节奏本身也颇具戏剧性。此前业界曾预测GPT-5.6可能在6月发布，后又传言推迟至7月，但OpenAI最终提前上线。分析认为，这与近期Anthropic和美国政府之间持续发酵的监管风波密切相关。

受限发布：仅对可信合作伙伴开放

目前，GPT-5.6系列仅在API和Codex中做有限的预览，且只对少数经美国政府批准的可信合作伙伴开放。背后原因，正是美国政府正在对前沿AI模型展开更严格的国家安全审查。

AI国家安全审查的政策背景：美国对前沿AI模型的监管，根植于《出口管理条例》（EAR）和NIST AI安全框架的双重体系。2023年拜登政府签署的AI行政令首次将"双重用途基础模型"（Dual-Use Foundation Models）纳入国家安全管控范畴——所谓"双重用途"，是指同一模型既可用于合法的医疗研究或代码开发，也可能被用于设计生化武器或发动网络攻击，要求超过特定算力阈值（当时定为10²⁶ FLOPs）的模型训练必须向政府报告安全测试结果。网络安全能力是审查的核心关切——当一个AI模型能够自主发现零日漏洞（Zero-Day Vulnerability，即尚未被厂商知晓和修补的安全漏洞）或渗透政府系统时，它实质上具备了"进攻性网络武器"的潜力，美国国家安全局（NSA）和网络安全与基础设施安全局（CISA）均参与对此类模型的评估。值得注意的是，这一监管框架并非孤立存在，而是嵌套于更宏观的《芯片与科学法案》（CHIPS Act）和AI出口管制体系之中——限制特定算力芯片出口（如NVIDIA H100/H800）与限制前沿模型访问，共同构成美国维持AI技术优势的两条平行战线，前者卡住硬件供给，后者管控软件能力，形成双重封锁。

好消息是，GPT-5.6 Soul已悄悄推送给部分Codex用户。用户可在Codex数据分析面板中查看自己是否进入首批名单。据推测，未来两三周内，大部分用户应能陆续获得访问权限。

能力方面，OpenAI宣称GPT-5.6是目前最强模型，并在TerminalBench 2.1智能体编码任务上刷新了SOTA成绩，明显超越GPT-5.5，同时超过Claude Opus 5、Fable 5和Gemini Pro。

SOTA与TerminalBench评测体系：SOTA（State of the Art）是AI领域描述某一任务上当前最佳性能的术语，通常以标准化Benchmark（基准测试）的得分来量化和比较。TerminalBench 2.1是专门针对AI智能体（Agent）在真实终端环境中执行编码任务的评测集，与传统的静态代码补全测试（如HumanEval、MBPP）有本质区别：它更强调模型在动态、多步骤任务中的规划、工具调用与自我纠错能力。智能体编码任务（Agentic Coding）代表了AI辅助编程的下一阶段：模型不只是在光标处补全代码片段，而是能自主分解复杂需求、调用Shell命令和外部API、执行并观察结果、在出错时回溯调试并迭代改进——这一闭环能力更接近真实工程师的工作方式，因此业界普遍认为其参考价值高于HumanEval等传统静态Benchmark。需要指出的是，Benchmark竞赛本身存在"数据污染"（Data Contamination）风险——若模型训练数据中包含测试集的题目或高度相似的内容，模型得分可能虚高，无法真实反映泛化能力。这也是为什么学界和产业界持续推出新评测集，并倾向于使用动态环境测试（如TerminalBench这类每次运行都有随机性的设计）来规避静态榜单失真的重要原因。

模型在生物学和网络安全方向也有大幅提升，在高级漏洞研究类任务中，仅需约三分之一的输出Token即可给出有竞争力的结果。OpenAI还推出了新的Max Reasoning模式，以及可调用多个子代理的Ultra模式。

GPT-5.6 Soul实测：从Minecraft到宝可梦RPG

以下是对GPT-5.6 Soul的一系列真实测试，也是本次评测最值得关注的部分。

Minecraft克隆项目——Soul生成的游戏落地页表现出色，支持多种选项配置，并能真正生成可交互的游戏世界。进入游戏后的环境表现比此前在Fable中看到的Demo更有生命力，涵盖多种方块类型、云朵动画、沙漠地形、怪物合成系统和昼夜循环。虽然拾取方块等部分功能尚不完善，细节精细度也未达到Fable级别，但整个生成过程仅耗时约90分钟，完成度已相当可观。

宝可梦风格RPG——Soul凭借一段简短的Prompt，在31分钟内一次性生成了一个模拟器风格的游戏。受版权限制无法完全复刻，但其生成的致敬作品包含多个道馆、8枚可收集徽章、初始伙伴选择，乃至内置后期挑战系统。

SpaceX星舰仿真——在与GPT-5.5 Pro的横向对比中，Soul生成的星舰助推器回收捕获仿真效果准确且真实，助推器被夹臂精确接住，整体流程呈现到位。

在Boxo平台上，Soul约耗时44分30秒完成的成果，相比GPT-5.5 Pro提升明显，尤其在制作3D世界时表现格外熟练。这些提升的核心原因在于：推理预算扩大了，内部思考空间从约768提升至接近1000。

推理预算与思维链扩展的原理：推理预算（Reasoning Budget）是指模型在给出最终答案之前，被允许进行内部"思考"所消耗的Token上限。这一概念源于Chain-of-Thought（思维链，CoT）技术——2022年谷歌研究团队发现，通过让模型先生成中间推理步骤再得出结论，可以在数学推理和逻辑题上显著提升准确率，原理类似于人类解题时"先打草稿、再写答案"的认知过程。推理预算从768提升至接近1000，意味着模型有更充裕的"草稿空间"进行自我校验（检查前面步骤是否矛盾）、多角度推演（同时探索几种解法路径）和主动纠错（发现错误后回溯重来），这在需要多步骤规划的游戏生成、复杂代码架构等任务中尤为关键。代价是在推理阶段消耗更多Token（直接影响用户成本），但换来的是更高的输出质量。OpenAI的o系列模型率先将这一机制商业化，如今已成为前沿推理模型的标配设计。值得一提的是，推理预算的动态分配本身也在成为新的研究热点——理想情况下，模型应能根据任务难度自适应调整思考深度：简单的问候语快速作答，复杂的代码架构设计充分推演，而非对所有请求一律消耗固定预算，这正是"自适应计算"（Adaptive Computation）方向的核心命题，也是降低推理成本的重要潜力所在。

虽然在部分场景会消耗更多Token，但换来的是更充分的推理过程和更高的输出质量。从早期跑分看，GPT-5.6 Soul整体仍略低于Fable 5，但差距极小，部分项目已能打平甚至反超。

Fable 5解禁在即：国家安全博弈背后的真相

另一条重磅消息，是关于Anthropic的Fable 5被下架事件出现了新进展。据报道，Fable 5曾能攻入美国政府的安全系统，这是其被禁用的核心原因。

如今，特朗普政府已接近允许Anthropic恢复Fable 5的访问权限，最早可能本周就会解除限制。Anthropic官方声明确认，自6月12日起，公司一直在与政府密切合作，推动Mithos 5和Fable 5的恢复上线。目前政府已批准将Mithos 5重新部署给部分负责关键基础设施的美国机构，约100个组织已重新获得访问权限。

不过，重新上线的版本很可能经过"安全瘦身"——配备更严格的安全护栏（Safety Guardrails，即对特定类型输出的过滤与拒绝机制）、更严格的访问控制，甚至削弱网络安全相关能力，面向公众的开放程度也可能比此前收紧许多。

针对"Anthropic CEO Dario在制造恐慌"的质疑，此前的分析并不认同这一说法。美国政府拥有NSA、情报机构、网络安全专家和科学顾问，不可能仅因某位CEO的表态，就去限制一个价值数十亿美元、影响AI竞赛格局的前沿模型。监管层真正担心的三点是：能力落入错误的人手中、中国通过蒸馏等方式获取或复现这些能力、针对美国基础设施的进攻性网络行动。

知识蒸馏与能力扩散风险：知识蒸馏（Knowledge Distillation）最初由Hinton等人在2015年提出，是一种将大型"教师模型"的能力迁移至小型"学生模型"的技术——核心思路是让学生模型不仅学习正确答案的标签，更学习教师模型输出的完整概率分布（即"软标签"），后者包含了远比硬标签更丰富的知识结构信息。在AI安全语境中，这意味着竞争对手即使无法直接获取模型权重（权重是模型的"源代码"，受严格保护），也可以通过大规模API调用来收集输入输出对，进而训练出行为高度相似的模仿模型，从而绕过出口管制——这正是美国政府在制定AI监管政策时面临的根本性悖论：完全开放API会加速能力扩散，而过度封锁则会扼杀本国AI生态的创新活力和开发者生态。从技术可行性看，蒸馏并非万能——大规模调用顶级API成本极为高昂，且蒸馏出的学生模型往往只能复现教师模型的"表面行为模式"，而非其内在的深层推理结构与泛化能力，这在网络安全等需要对未知场景深度泛化的领域尤为明显。然而这一潜在风险已足够引发监管层的高度警惕，这更像是基于情报机构内部能力评估的国家安全决策，而非某位高管几句话就能触发的连锁反应。

GLM 5.5传言与企业市场的暗战

来自ZAI（GLM背后公司）的消息同样值得关注。据传该公司正在展示一款新模型，在发现安全漏洞方面的能力可能已能与被视为网络安全最强的Claude Mithos一较高下，而这款模型很可能正是GLM 5.5。

这条消息从侧面印证了中美AI实验室在网络安全方向的竞争已进入白热化阶段。关键问题在于：它能否在真实安全工作中接近Mithos的水准，还是仅在特定Benchmark上表现亮眼，仍有待验证。

中美AI能力竞争的结构性背景：GLM系列模型由清华大学知识工程实验室（KEG）与智谱AI联合研发，是中国在基础大模型领域自主研发路径的代表性成果之一。与美国实验室主要依赖私人风险资本（OpenAI背后是微软与红杉等VC，Anthropic背后是谷歌与亚马逊）不同，中国的前沿AI研发呈现出"产学研政"深度融合的特征——高校承担基础架构研究与人才培养，企业负责大规模工程化落地与商业化推进，国家战略资源（算力补贴、数据要素市场、应用场景开放）形成合力支撑。网络安全能力的追赶尤为政治敏感：AI辅助漏洞发现能力不仅是技术竞赛的维度，更直接关乎国家网络攻防的战略资产储备，一旦某国AI在此方向形成代差优势，在全球关键基础设施安全格局上的影响将是结构性的，这也解释了为何美国政府对"中国通过蒸馏复现顶级安全能力"的担忧如此之深，已上升至国家安全委员会层面的议题。

另一个值得关注的商业案例来自Anthropic。据报道，按付费交易计算，在美国企业支出中，Anthropic的商业和企业使用量已超过OpenAI。其中的逻辑颇具洞见：AI竞争已不只是比谁的模型更聪明，而是比谁的模型能真正嵌进企业每天的工作流——就像90年代Windows和Office所做的那样。

工作流经济学与企业AI采购逻辑：工作流经济学（Workflow Economics）描述的是企业评估AI工具时的核心决策框架：不是比较模型在抽象Benchmark上的能力分数，而是量化其对具体业务流程的ROI（投资回报率）和TCO（总拥有成本）。软件开发场景之所以成为企业AI的最早突破口，在于其可量化性极强：代码审查时长、Bug修复周期、功能交付速度（Story Points per Sprint）均可精确测量并转化为工时成本，企业能用数字清晰向财务部门证明AI带来的价值。这与AI在创意写作或战略咨询中的应用截然不同——后者的价值评估高度主观，ROI难以量化。随着各大模型厂商竞相推出IDE插件（如Cursor、GitHub Copilot）、企业知识库深度集成（RAG架构）和端到端工作流自动化工具，AI的竞争主战场正从"模型智能的绝对分数"迁移至"系统粘性与生态锁定"。从历史先例看，Oracle和SAP数十年来的企业市场护城河并非来自技术持续领先，而是来自深度嵌入企业ERP核心流程后极高的迁移成本（替换一套SAP系统往往需要数年时间和数千万美元）——这种"粘性优先于智能"的商业逻辑，正是各大AI厂商在激烈竞争中争相复制的战略蓝图。

软件开发场景之所以成为Anthropic的突破口，正是因为工作本身高度数字化，企业能清晰看到"构建更快、Bug更少、评审更短"的实际价值。

当然，这并不意味着OpenAI已输掉企业市场。更现实的格局是企业针对不同任务搭配不同模型：Claude写代码、Gemini做多模态、OpenAI处理生产力任务、低成本模型处理低价值工作。AI竞赛的下一阶段，本质是工作流经济学——谁的系统能让流程更顺畅、更省心，同时让企业觉得钱花得值。

Grok 4.5浮出水面：下一个前沿挑战者？

最后，马斯克近日发文暗示XAI可能正在准备下一次重大发布。据其表述，Grok 4.5已进入私有Beta阶段，正在SpaceX和特斯拉内部测试，综合性能约达Claude Opus水平。该模型基于XAI全新的1.5万亿参数V9基础架构，并使用了Cursor数据做额外训练以强化编码能力。

MoE架构与万亿参数模型的技术内涵：Grok 4.5所基于的1.5万亿参数V9架构，极有可能采用了混合专家（Mixture of Experts, MoE）设计——这是当前训练超大规模模型的主流路径。MoE架构的核心思想是将模型分割为若干"专家"子网络，并配备一个轻量级"路由器"（Router）模型，对于每一个输入Token，路由器动态选择最相关的Top-K个专家参与计算，其余专家保持静默。这意味着模型拥有1.5万亿总参数（决定了知识容量的上限），但每次前向推理实际激活的参数量通常只有总量的10%-20%左右，从而在保持超大知识容量的同时，将单次推理的计算成本控制在稠密模型的小分之一以内。GPT-4、Gemini Ultra以及Mixtral系列均被外界推测或确认采用了类似架构。使用Cursor数据做额外训练则是领域微调（Domain Fine-tuning）的典型策略——Cursor作为日活跃用户数量庞大的AI编程IDE，积累了海量真实开发者交互数据，涵盖多样化的编程语言、代码风格和调试场景，以此训练可以让模型的编码行为更贴近真实开发者习惯与期望，而非仅仅在竞赛性算法题目上表现优异。此外，XAI独特的战略资产在于马斯克旗下特斯拉（自动驾驶决策数据）和SpaceX（航天工程仿真与控制数据）的内部真实场景数据，这些高度专业化的垂直领域数据在全球绝大多数AI实验室均无从获取，可能构成其在特定工程场景下难以复制的独特优势。

Grok 4.5有望成为前沿AI竞赛中又一个分量十足的新玩家。可以预见，随着GPT-5.6逐步全面开放、Fable 5可能解禁、GLM 5.5即将登场以及Grok 4.5蓄势待发，接下来数周的AI竞赛将异常精彩。

核心要点

核心要点

核心要点