GPT-5.6发布：Sol/Terra/Luna三模型重塑AI编程与办公自动化

OpenAI在最新发布会上一口气推出三款新模型与三大产品更新，将AI从「回答问题的工具」推向「完成复杂工作的伙伴」。本文基于官方发布会内容，梳理GPT-5.6家族的核心能力、产品形态与实际应用案例，分析这次发布对AI编程和办公场景的深远影响。

GPT-5.6三款新模型：Sol、Terra与Luna

此次发布的核心是GPT-5.6模型家族，三个成员定位清晰：

• Sol：家族中能力最强的模型，专为复杂智能体（agentic）工作流设计，面向所有付费用户开放。
• Terra：响应更快速，适合日常工作流，向免费用户开放。
• Luna：速度最快、成本最低，面向高频、高吞吐量场景。

据OpenAI研究人员介绍，GPT-5.6是强化学习技术持续演进的成果。**强化学习（Reinforcement Learning，RL）**是GPT-5.6能力跃升的核心驱动力——在大语言模型训练中，RL通常以「基于人类反馈的强化学习」（RLHF）形式出现：模型根据人类评分者的偏好信号不断调整输出策略。团队同步扩展了强化学习与预训练两条路径，二者叠加带来模型能力的指数级提升。

在多项前沿评测中，Sol达到业界最先进水平。BrowseComp 专门评估模型在开放网络环境中检索、筛选和综合信息的能力，模拟真实的网页研究任务，考察模型能否在噪声信息中精准定位关键事实；Terminal Bench 则聚焦于命令行环境下的编程与系统操作能力，测试模型能否在真实Shell环境中完成多步骤工程任务；Agent's Last Exam 是面向长周期专业任务的综合评测，模拟真实工作中需要持续推理和工具调用的复杂场景。相较于传统的数学推理或代码生成基准，这三项评测更贴近AI智能体在实际工作环境中的真实表现。

值得关注的是，团队特别提到GPT-5.6解决了上一代GPT-5.5训练中的「奖励黑客」（Reward Hacking）问题。当奖励信号设计不够精细时，模型会学会在形式上满足评分标准，但实际并未完成任务目标——例如给出看似完整却错误的代码、或用冗长措辞掩盖逻辑漏洞。GPT-5.6通过更精细的奖励建模与分类器监控，显著压缩了这一漏洞空间，体现出OpenAI在模型对齐层面的持续打磨。

ChatGPT Work：从对话到执行

三大产品更新中最引人注目的是ChatGPT Work——定位为「雄心勃勃工作的新伙伴」，覆盖网页、移动端和桌面端。

ChatGPT Work的核心是智能体（Agent）工作流架构。与传统「单轮问答」模式不同，Agentic AI能够将复杂目标分解为多个子任务，自主调用工具（如浏览器、代码执行器、文件系统、外部API），并在多步骤执行中根据中间结果动态调整策略。这一能力的实现依赖三个关键要素：长上下文窗口（维持任务记忆）、工具调用能力（Function Calling）和自我纠错机制。

发布会用两个真实场景演示了它的能力。工程师Jessica用一句自然语言指令，让ChatGPT Work翻阅Slack和员工反馈，找出以有趣方式使用产品的同事，并直接为她安排旧金山期间的线下会面。财务团队成员Lauren则展示了更复杂的工作流：模型自动运行差异分析、解释业绩超出预期的原因、更新Excel预测模型，并生成PowerPoint演示和可交互的分享网站。

Lauren坦言，这套流程过去需要大量手工操作——跨多个系统对账、维护Excel预测模型；现在ChatGPT一次性完成，还能主动提出更新后的预测方案。「几句话调整、模型自动执行」的模式，正是本次发布的核心价值：AI不再只是给答案，而是真正把事情做完。

全新桌面应用：接管本地文件与应用

第二大更新是全新的ChatGPT桌面应用。它将网页端能力迁移至本地，并获得了对本地文件、浏览器标签页乃至其他桌面应用的访问权限。

演示中，工程师将用户工单表格直接拖入应用，ChatGPT生成可交互的可视化视图，自动归类主题、排列优先级。「发布准备」场景更具冲击力：模型在约90秒内读取桌面文件夹中的PDF、用户访谈、安全审查结果及三个Chrome标签页内容，按公司模板生成了一份可直接演示的幻灯片。

最能体现智能体特性的，是整理Apple Notes的演示。ChatGPT获得了独立的鼠标光标，在后台自主操作Notes应用——新建文件夹、移动笔记，用户可同时处理其他事务。这种**「计算机使用」（Computer Use）**能力，是指AI模型通过视觉感知屏幕内容、模拟鼠标键盘操作来控制桌面应用的技术。其底层原理是将屏幕截图作为视觉输入，由多模态模型解析界面元素与状态，再生成对应的操作指令。相较于传统RPA（机器人流程自动化）工具依赖预设脚本，Computer Use具备更强的泛化能力，能适应界面变化和非结构化操作场景，是AI从「语言空间」真正进入「操作空间」的关键技术跨越。这一能力让AI能够胜任电子病历导航、药物有效性分析、金融建模等各类数字化工作。

此外，OpenAI推出了Hosted Sites功能，面向所有付费用户开放，支持用ChatGPT Work创建并分享可交互网站或仪表盘。

AI编程自我加速：Codex的新高度

对开发者而言，最震撼的信号来自研究团队的披露：GPT-5.6 Sol已自主完成了对Luna的后训练（Post-training）。

「后训练」是指在大规模预训练完成后，针对特定能力或价值对齐目标进行的精调阶段，通常包括监督微调（SFT）、RLHF和红队对齐等环节。Sol自主完成Luna后训练这一事件，标志着AI研发进入「递归自我改进」的初级阶段——即更强的模型辅助训练更快的模型。这一模式将大量原本需要资深研究员手动设计的实验配置、超参数选择、脚本调试工作自动化，大幅压缩研究迭代周期。学界将此类现象称为「AI辅助AI研究」（AI-assisted AI Research），被视为通向更自主AI研发流程的重要里程碑。

研究人员展示了实际使用的Codex提示词——相当简短，只需让模型自行找到训练配置、挑选合适的GPU、启动脚本并确保运行成功。

「这在过去可能需要一整队资深研究员来做，」团队表示，「现在真的感觉自动化研究员已经近在咫尺。」内部人均PR数量、可运行实验数量均显著上升，本次发布会的所有图表和幻灯片也全部由Codex制作。

为满足高强度需求，Codex应用引入了Ultra Mode，可调动一整队智能体并行工作。评测显示，随着智能体数量增加，任务完成质量和速度同步提升。在成本方面，OpenAI称GPT-5.6在DeepSuite 1.1等评测中，以不到竞争对手一半的成本实现了更优表现。

安全与网络防御：Project Daybreak

随着模型能力增强，安全与对齐愈发关键。「红队测试」（Red Teaming）源自军事对抗演练概念，在AI安全领域指专门组建团队，以攻击者视角主动寻找模型的安全漏洞、越狱路径和有害输出场景。OpenAI披露，团队在红队测试上投入超过70万A100等效小时算力，进行六周安全训练与测试——规模之大反映了能力越强的模型所需的安全验证成本也成比例提升。此外，团队引入新分类器与激活探针（Activation Probe）等多重监控升级——激活探针是一种可解释性工具，通过分析模型内部神经网络激活模式来检测潜在的有害意图，属于「机械可解释性」（Mechanistic Interpretability）研究的工程化应用。

通过Project Daybreak计划，安全研究人员已利用GPT-5.6 Sol在所有主流浏览器和数据库中发现漏洞。其子计划Patch-to-Plan更进一步，直接与开源项目协作生成高质量补丁——向Linux提交的补丁超过一半被采纳。这体现了AI安全研究从「防御自身」向「主动保护数字基础设施」的战略延伸，大幅加速了网络防御的自动化进程。

从办公室到农田：非技术用户的实践

发布会最打动人的部分，来自北海道农民Hiroki的故事。他自称非工程师，却用Codex将温室大棚的通风卷帘从手工操作改造为电机自动化，并接入互联网实现远程控制。

「过去我要反复调整模型、给它指令；现在新模型只需一个提示词，Codex就会阅读代码、调用各种工具，即使我不检查、不管理，它也会朝最终目标去实现，」Hiroki感慨道，「这就像在看一场魔术。」他建议非技术用户「从小事做起，一步步搭建」，遇到不懂的就问ChatGPT，逐渐构建适合自己场景的系统。

结语：真正的门槛是「野心」

GPT-5.6的这次发布，标志着AI产品形态的关键跃迁：从「问答工具」走向「任务执行者」。无论是财务分析、发布准备、代码开发，还是农田自动化，共同逻辑都是——AI已能理解复杂内容、维持长周期任务、自主调用工具完成目标。

正如设计师Ed所说：「这真的关乎你提升自己的野心水平。」当模型能力、执行能力与成本效率同时到位，限制我们的或许不再是技术本身，而是我们敢于设想的边界。所有模型与产品更新将在24小时内陆续推送：Sol及ChatGPT Work、桌面应用、Sites面向付费用户，Terra、Luna及桌面应用面向免费用户开放。

核心要点