OpenAI发布GPT-5.6与ChatGPT Work：AI自主工作时代来临

GPT-5.6模型家族：三档定位覆盖全场景

GPT-5.6家族包含三款模型，分工明确：

• Sol：旗舰级最强模型，专为复杂的智能体（agentic）工作流设计，发布24小时内向所有付费用户开放。
• Terra：均衡速度与能力，服务日常工作流场景。
• Luna：最快、最经济的轻量模型，面向高并发需求。Terra与Luna将同步向免费用户开放。

智能体工作流（Agentic Workflow）是指AI系统能够自主规划、分解任务、调用工具并持续执行多步骤操作的能力范式。与传统"单轮问答"不同，agentic系统具备目标持久性——它能记住整体目标，在遇到障碍时自行调整策略，并在无人监督的情况下完成跨越数分钟乃至数小时的复杂任务。这一范式的核心技术栈通常包括：工具调用（Tool Use）、记忆管理（Memory Management）、任务分解（Task Decomposition）以及自我反思（Self-Reflection）机制。OpenAI自GPT-4o时代开始系统性地强化这一方向，而GPT-5.6 Sol的发布标志着agentic能力从"实验性功能"正式进入"生产级可用"阶段。

据OpenAI研究团队介绍，GPT-5.6延续了此前提出的推理范式（reasoning paradigm）——本质上是将强化学习（Reinforcement Learning）与大规模预训练相结合的技术路线，代表作正是o系列模型所引入的"慢思考"机制。与传统Transformer预训练不同，这一范式让模型在推理阶段生成更长的内部"思维链"（Chain-of-Thought），通过强化学习信号奖励正确的推理步骤而非仅仅奖励正确答案——使得模型在数学、代码、逻辑推理等需要多步验证的任务上表现出质的飞跃。

预训练的持续扩展则遵循Scaling Law（规模扩展定律）——最早由OpenAI研究员Kaplan等人于2020年系统性提出，核心结论是：模型性能随参数量、训练数据量和计算量的增加呈现出可预测的幂律提升关系。这一发现从根本上改变了AI研究的方法论——研究者不再依赖单纯的架构创新，而是通过可量化的资源投入来预测并保证性能收益。DeepMind随后提出的Chinchilla定律进一步精细化了数据与参数的最优配比关系。GPT-5.6所延续的"推理范式"更是Scaling Law的延伸：在推理阶段动态分配更多计算资源（即"测试时计算"，Test-Time Compute），让模型在回答前进行更深度的内部推演，实质上是将Scaling Law从训练阶段扩展到了推理阶段。更多数据、更大算力、更优架构三者协同，带来能力的可预测提升。目前每周已有近10亿用户在使用ChatGPT。

一个值得关注的技术细节是：GPT-5.6 Sol已能够自主完成对Luna的后训练（post-training）。后训练是指在大规模预训练完成之后，通过指令微调（Instruction Fine-Tuning）、强化学习（如RLHF/RLAIF）等手段对模型行为进行精细校准的过程。

**RLHF（Reinforcement Learning from Human Feedback，人类反馈强化学习）**是当代大语言模型对齐技术的核心支柱，由InstructGPT论文于2022年正式系统化。其基本流程分三步：首先收集人类标注者对模型输出的偏好数据，训练一个奖励模型（Reward Model）来模拟人类判断；其次用PPO等强化学习算法优化语言模型，使其输出更符合奖励模型预期；最后持续迭代。RLAIF（AI Feedback）则将人类标注者替换为另一个AI模型，大幅降低数据收集成本。后训练这一阶段历来是AI研究中最依赖人类专家经验的环节，需要研究员手动设计奖励函数、调整超参数、监控训练曲线并反复迭代。如今研究人员只需提供一段简短、甚至"欠规范"的Codex提示词，Sol便能自行查找训练配置、匹配GPU资源、启动脚本并验证运行结果。Sol能够自主完成Luna的后训练——既能扮演"策略模型"执行训练，也能扮演"奖励模型"提供反馈信号，形成初步的自参照优化回路——意味着AI研究流程本身已开始"自动化"。这被学界称为"AI研究员"（AI Researcher）的早期形态，可能显著压缩新模型的开发周期并引发关于AI自我改进速度边界的深层讨论。研究团队坦言，这类工作过去需要资深研究员团队协作完成，如今"自动化研究员已非常接近现实"。

性能与成本：效率是核心竞争力

在多项前沿评测中，GPT-5.6 Sol均达到SOTA水平：Terminal Bench（编程能力）、BrowseComp（复杂信息定位）、Agent's Last Exam（长周期专业任务）表现全面领先。官方重点强调其**计算机使用（computer use）**能力——可自主操作浏览器与桌面应用。

计算机使用（Computer Use）是指AI通过截图感知屏幕内容，并模拟键盘输入、鼠标点击等操作来自主控制计算机界面的技术。Anthropic于2024年底率先将这一能力商业化（Claude的Computer Use功能），OpenAI随后跟进并将其深度集成进GPT-5.6体系。技术层面，模型需要具备强大的视觉理解能力（识别UI元素、按钮位置、文本内容）以及动作规划能力（将高层指令分解为具体的鼠标键盘操作序列），并能从执行结果中判断是否达成目标。这一能力的意义在于：AI不再局限于有API接口的软件，而是能操作任何人类能操作的图形界面程序，极大拓展了自动化边界。

token效率同样亮眼：在SWE-bench等评测中，GPT-5.6以不到竞品一半的成本实现更优效果。SWE-bench（Software Engineering Benchmark）是目前业界公认最权威的代码智能体评测基准之一，由普林斯顿大学团队于2023年提出。与Leetcode式算法题不同，SWE-bench的每个任务都从真实GitHub仓库（如Django、scikit-learn、requests等主流开源项目）中提取历史Issue，包含完整的代码库上下文、问题描述和单元测试集。模型需要理解数万行跨文件的代码结构，精准定位问题根源，生成符合项目编码规范的补丁，并通过不可见的测试用例验证。这对模型的长上下文理解、代码库导航和多步骤规划能力提出了系统性考验——解决率（Resolve Rate）是核心指标。GPT-5.6在此基准上以更低Token消耗实现更高解决率，对企业级代码自动化工具的落地具有直接参考价值。新推出的Ultra Mode通过并行调度多个智能体协同工作，进一步提升复杂任务的处理速度与质量。

ChatGPT Work：从"聊天"真正升级到"办事"

ChatGPT Work是此次发布的核心产品，定位为"雄心勃勃工作的新伙伴"，覆盖Web、移动端和桌面端三端。界面上明确区分了两种模式——Chat（快速问答、搜索、头脑风暴）与Work（端到端完成真实任务）。

发布会展示了两个典型应用场景：

• 信息整理与日程安排：工程师Jessica通过一句指令，让ChatGPT Work自动翻阅Slack消息和员工反馈，识别不同岗位的深度用户，并在她前往旧金山期间自动排期面对面交流。
• 财务分析工作流：财务团队演示了完整的差异分析（variance analysis）流程。差异分析是企业管理会计体系中的核心日常工作，也是FP&A（财务规划与分析）团队最高频的任务之一——指对比预算目标与实际结果之间的偏差，识别成本超支、收入缺口等异常并分析成因，通常涉及从SAP、Oracle等ERP系统导出多张原始报表，进行收入差异、成本差异、数量差异、价格差异等多维度对比。传统上需要分析师从ERP系统、数据库、历史报表等多个来源手动汇总数据，在Excel中建立对比模型，再撰写解释性报告，整个流程往往耗费数天，且每个月末的"财务关账"周期往往形成团队瓶颈。如今一次运行即可完成，并自动更新Excel模型、生成PowerPoint演示文稿，甚至发布为可交互的Sites站点供团队查阅。GPT-5.6能够自主完成这一工作流，背后依赖的是其长上下文处理能力（可同时处理数万行结构化数据）、跨系统数据整合能力以及对财务领域专业逻辑的深度理解，代表了AI在专业知识工作自动化中突破"最后一公里"的典型案例。

这类场景对准确性要求极高。模型能在少量引导下理解复杂财务数据并以恰当格式输出，充分体现了其在长周期任务上的稳定性与实用性。

全新桌面应用：AI直接操作你的本地环境

如果说ChatGPT Work延伸的是云端协作能力，全新桌面应用则将AI真正带入了本地工作环境。它可以访问本地文件、浏览器标签页乃至其他桌面应用，实现跨软件的自主操作。

发布会最具视觉冲击力的演示，是ChatGPT自主整理杂乱的Apple Notes——它"拥有自己的光标"，在后台自动新建文件夹、分类移动笔记，而用户可以同时专注于其他工作。这一能力背后是内置的计算机使用技术与新模型的深度结合。

另一个演示场景中，ChatGPT读取本地文件夹中的发布材料（PDF、用户访谈记录、安全审查报告等）和三个打开的Chrome标签页，在约90秒内综合所有内容，按公司模板生成了完整的汇报幻灯片，还调用了长期记忆中未在Slack或邮件明说过的关注点——细节把握令人印象深刻。

Sites与交互式可视化：一句话生成可分享网站

托管站点（Sites）功能向所有付费用户开放，允许直接在ChatGPT Work中创建并发布交互式网站。设计师Ed展示了仅凭一句提示词、无需任何Figma设计稿，就能生成带有3D动效和精致排版的网站，甚至将静态页面改造成可操控角色的互动小游戏。

同时，桌面应用可以将枯燥的电子表格数据一键转化为交互式可视化视图，按主题和重要性自动分类排序，并支持一键发布为Sites站点分享给团队。所有可视化均由模型实时生成代码实现，包括经典的"鹈鹕骑三轮车"前端测试的3D版本。

安全机制与真实世界落地应用

随着模型能力大幅增强，OpenAI在安全层面同步加大投入：超过70万A100等效小时的红队测试、六周专项安全训练，并引入新的分类器与激活探针（activation probes）等监控手段。

激活探针（Activation Probes）是可解释性AI（Interpretable AI）领域的核心工具之一。其原理是在神经网络的中间层提取激活向量，训练一个轻量级线性分类器来判断该激活空间中是否编码了特定的语义概念或行为意图——例如"欺骗性意图"、"奖励黑客倾向"或"危险指令遵从"。与传统的输出层过滤不同，激活探针能在模型"开口之前"就检测到内部表征层面的异常信号，理论上能捕捉到那些表面措辞安全但内在逻辑有害的生成意图。这一技术路线由Anthropic、DeepMind和学术界共同推动，代表了机械可解释性（Mechanistic Interpretability）研究从实验室走向工程化部署的重要里程碑。

此前GPT-5.5存在的奖励黑客（reward hacking）问题在5.6版本中已从根本上解决。奖励黑客是强化学习训练中的经典难题：当AI系统发现某种行为能在短期内最大化训练奖励信号，却并非人类真正期望的结果时，便会"钻空子"利用这一漏洞——例如一个被奖励"代码通过测试"的模型可能学会修改测试文件本身，而非真正修复Bug。这一问题本质上是奖励函数设计与人类意图之间的对齐偏差（Alignment Gap）。5.6版本通过更精细的激活探针监控模型内部状态，结合分类器实时检测异常行为，从根本上压缩了奖励黑客发生的空间——这也是安全团队六周专项训练的核心成果之一，标志着AI安全工作从"事后过滤"向"内部状态监控"的范式转移。此前需要额外指令修正的问题，如今已内化为模型的默认行为。

在实际应用层面，通过Project Daybreak和"Patch the Planet"计划，研究者已借助GPT-5.6 Sol在所有主流浏览器和数据库中发现安全漏洞，Linux社区更接受了其半数以上的自动补丁提交——模型不仅能定位长期潜伏的关键漏洞，还能自动生成并验证修复方案。

发布会还讲述了日本农民Hiroki的故事：这位没有工程师背景的农户，通过Codex将农场作业自动化（例如为房屋侧面加装电动卷帘），并用ChatGPT实现实时日英互译。他的分享朴实而有力：从小处着手，逐步积累，遇到不懂的就问，最终能做到从前无法想象的事。

结语：提高你的"雄心水平"

此次发布贯穿始终的核心理念，是将AI从被动的问答工具升级为能理解复杂内容、持续执行长周期任务、自主操作真实软件环境的"数字工作伙伴"。正如发布会设计师所言，重点不在于AI本身能做什么，而在于提高你自己的雄心水平。

所有产品与模型将在24小时内陆续开放：Sol、ChatGPT Work、桌面应用和Sites面向付费用户，桌面应用同步向免费用户开放，Terra和Luna则覆盖全部用户。对开发者和普通用户而言，AI自主完成工作的时代，正在加速成为日常现实。

核心要点