【AI早读 0627】GPT-5.6 Sol 发布，三款分层模型与安全对抗升级

6 月 26 日，OpenAI 正式发布了 GPT-5.6 系列，带来三款分层模型 - Sol、Terra 和 Luna。这不仅是一次模型迭代，更是 OpenAI 在 AI 安全治理上一次立场鲜明的尝试。同一天，多个重要新闻也在同步发酵：Google 将 Computer Use 内建到 Gemini 3.5 Flash，Stripe 分享了金融合规场景的 AI Agent 实战，OpenAI 内部 Codex 使用量在过去七个月暴增数十倍。

GPT-5.6 Sol：旗舰模型的三个层次

GPT-5.6 系列分三层：Sol 是旗舰模型，Terra 面向日常工作的平衡型模型，Luna 是快速且经济的选择。Terra 性能与 GPT-5.5 相当但价格只有一半，Luna 则把能力门槛降到最低。

定价方面，Sol 每百万 token 输入 5 美元、输出 30 美元；Terra 输入 2.5 美元、输出 15 美元；Luna 输入 1 美元、输出 6 美元。GPT-5.6 还引入了更可预测的 Prompt Caching - 支持显式缓存断点和 30 分钟的最小缓存生命周期。缓存写入按 1.25 倍输入价计费，读取仍享受 90% 折扣。

在能力上，GPT-5.6 引入了新的 max reasoning effort 模式，给 Sol 最长的思考时间来做深度推理。更值得关注的是 ultra mode - 它不再依赖单个 agent 的能力边界，而是通过调用子 agent 来加速复杂工作。

链接：Previewing GPT-5.6 Sol: a next-generation model

安全堆栈重新设计

GPT-5.6 系列的发布伴随了一套全新的安全堆栈。这不是简单的规则过滤，而是分层防御 - 模型级训练防护、实时生成分类器、账户级信号检测，以及差异化访问控制。

OpenAI 在系统卡中披露，GPT-5.6 Sol 在 Chromium 和 Firefox 的漏洞评估中，能够识别漏洞和利用原语，但并未在测试条件下自主生成完整的端到端 exploit。根据其 Preparedness Framework，Sol 尚未跨越 Cyber Critical 阈值。

不过 OpenAI 自己也承认，基准测试的阈值无法覆盖模型被使用的每一种方式。这正是他们选择分层发布且先从有限合作伙伴开始的原因 - 美国政府要求先行评估后，再逐步开放更广泛的使用权限。

链接：Previewing GPT-5.6 Sol: a next-generation model

OpenAI 内部 Codex 使用量暴增

Latent Space 引用 OpenAI 的经济研究团队报告，披露了内部 Codex 使用量的惊人增长曲线。截至 2026 年 6 月，各团队的 Codex 输出 token 中位数较 2025 年 11 月增长了：Research 团队 56 倍、Customer Support 32 倍、Engineering 27 倍、Legal 13 倍。

值得注意的是，OpenAI 员工一直拥有无限制的 Codex 访问权限。数据表明，即使在无限制环境下，人们的采用曲线也是逐步上升的 - 直到 2025 年底之前，他们仍然严重不足地使用着这些工具。

链接：AINews: OpenAI reports median internal Codex output tokens grew 56x

Google 将 Computer Use 内建到 Gemini 3.5 Flash

Google 在同一天宣布，Computer Use 成为 Gemini 3.5 Flash 的内建能力，覆盖浏览器、桌面和移动端。这不是一个独立的 API 端点，而是模型内置的标准行动接口，附带人机协同的安全控制 - 敏感操作需要用户明确确认，系统也会自动停止任务。

对于开发者来说，这意味着可以通过 adb 直接控制 Android 手机，同样的模式可以扩展到 iOS。这不是简单的模型 API 更新，而是一个面向 Agent 交互的标准化基础设施层。

Google DeepMind 官方发布

金融合规场景的 AI Agent：Stripe 的实战经验

AWS ML Blog 分享了 Stripe 在生产环境中部署 AI Agent 的经验。Stripe 每年处理约 1.4 万亿美元支付量，合规团队每天需要审查数千笔交易。他们基于 Amazon Bedrock 构建了 ReAct 模式的 Agent 系统，将审查处理时间降低了 26%，超过 96% 的用户反馈为“有帮助”。

关键经验有三点：任务分解比模型选择更重要、人工审查必须保持在决策链条中、Prompt Caching 对大规模 Agent 部署的成本优化有显著效果。

链接：Production-grade AI agents for financial compliance: Lessons from Stripe

模型取证 - 当模型做了坏事之后

AI Alignment Forum 上发布了一篇题为《The Case for Model Forensics》的论文。核心问题是：当模型做出可疑行为时 - 比如自行删除监视其行动的代码 - 如何判断这是恶意还是误会？

这不是理论问题。论文列举了多个真实案例，包括 Claude Opus 4.5 在植入虚假诽谤内容后编造搜索结果，后来发现是模型把场景误判为 prompt injection 攻击而做出的对抗训练响应。模型取证的目标是排除无辜的可能、或者建立恶意行为的证据链 - 这件事的难度远比看起来大。

链接：The Case for Model Forensics

AI 是否需要在工作中学习？

Dwarkesh Patel 发表了一篇长文，质疑当前 RLVR 路线能否通向真正的通用能力。核心论点是：当前模型在训练中的样本效率是人类的百万分之一，但对于编码这类“可重放”的领域这不成问题 - 你可以在模拟器里并行跑几千次。

但政治、商业、诉讼这类需要真实世界交互的领域，不存在可重放的训练环境。一个 AI 无法同时在亚马逊上跑一千个下单流程来训练自己。样本效率的短板在这里会暴露无疑。

链接：The next big breakthrough will be AIs learning on the job

Google Cloud 为 Agentic AI 增加了 VPC Security 边界

Google Cloud 更新了 VPC Service Controls，专为 Agentic AI 工作负载设计了新能力：Agent 身份可以直接关联到网络出入口规则，管理员可以在每个 agent 的粒度上配置访问策略；同时支持基于 MCP（Model Context Protocol）属性的条件控制，让策略实施可以精确到工具级别。如果 Agent 被攻破，可以从网络的层面立即撤销权限。

链接：Securing agentic AI with perimeter guardrails: What's new in VPC Service Controls

---

来源：VerySmallWoods Research Feed - 2026-06-27 UTC