【AI早读 0710】GPT-5.6 三模型发布：Sol、Terra、Luna 开启高效智能新篇章

7 月 9 日，OpenAI 正式发布 GPT-5.6 系列模型，包含 Sol、Terra、Luna 三个尺寸。这是 OpenAI 继 GPT-5.5 三个月后的又一次重大更新 - 不是单一大模型，而是一个从效率到性能完整覆盖的家族。

我会梳理这三款模型的核心变化，以及同日发布的 ChatGPT Work、GPT-5.6 进入 M365 Copilot、GPT-Live 等配套动作。期望对大家有所帮助。

旗舰家族：Sol、Terra、Luna

GPT-5.6 三个模型按尺寸从小到大排列：Luna（最小/最便宜）、Terra（平衡款）、Sol（旗舰）。定价分别为每百万 token 输入/输出 $1/$6、$2.50/$15、$5/$30。作为对比，Claude Opus 系列是 $5/$25，Claude Fable 5 是 $10/$50 - 但单纯比 token 单价已不能反映实际成本，因为推理 token 的用量在不同模型间差异巨大。

三款模型共享 2026 年 2 月 16 日的知识截止日期、百万 token 上下文窗口和 128K 最大输出 token。

链接：The new GPT-5.6 family: Luna, Terra, Sol - Simon Willison

智能体评测：超越 Fable 5

OpenAI 在长篇智能体任务上做了重点优化。在覆盖 55 个专业领域的 Agents' Last Exam 评测中，GPT-5.6 Sol 取得 53.6 分，超出 Claude Fable 5（自适应推理）13.1 分。即使使用 medium 推理，Sol 也超出 Fable 5 达 11.4 分，成本仅为后者的约四分之一。

更令人关注的是成本效率：Terra 和 Luna 在约十六分之一成本下即可超越 Fable 5。在 Artificial Analysis Intelligence Index 上，Sol 在 max 推理下与 Fable 5 仅差不到 1 分，但完成时间少 61%，成本约低一半。

不过，在 SWE-Bench Pro 上，Fable 5（80%）大幅领先 Sol（64.6%）。有趣的是，OpenAI 在发布前一天专门发了一篇文章，指出 SWE-Bench Pro 中约 30% 的任务存在缺陷 - 这个时机颇为微妙。

链接：GPT-5.6: Frontier intelligence that scales with your ambition - OpenAI

新 API 能力：编程式工具调用与多智能体

GPT-5.6 的 API 新增了几项值得关注的能力：

Programmatic Tool Calling 允许模型“编写并运行 JavaScript 来编排工具调用” - 这有点像把 MCP 和完整终端会话之间的差距拉近了一步。工具调用的中间结果由程序代码自主过滤，不用每步都回传模型，大幅减少 token 消耗。

Multi-agent 让模型可以“启动子智能体做并行的专注工作” - 多智能体模式正式成为 API 核心功能。此外还有 prompt cache breakpoints，允许显式指定缓存断点（类似 Claude 的缓存机制），以及 detail: original 参数，避免图片在推理前被自动缩放。

链接：GPT-5.6 模型使用指南 - OpenAI API Docs

ChatGPT Work：从对话到实干

同一天，OpenAI 还发布了 ChatGPT Work - 一个能在应用和文件间跨平台行动、持续处理项目数小时的桌面端智能体。

ChatGPT Work 内置了 Codex 技术。超过 500 万人每周使用 Codex，其中约 100 万人用它从事非软件开发类工作。通过 Plugins 系统，它可以连接 Slack、Teams、Google Drive、SharePoint、CRM 等工具，自动识别何时调用哪个插件（用 @ 语法手动指定也可以）。

它能完成的工作流包括：将客户研究转化为营销策划案、依据策划案制作宣传物料、再根据不同市场做本地化适配。Scheduled Tasks 功能让它可以在用户离线时继续推进项目。

OpenAI 内部几乎所有团队（包括财务和销售）已在使用 ChatGPT Work。财务部门将月结和预测从数天缩短到了数小时。

链接：ChatGPT is now a partner for your most ambitious work - OpenAI

GPT-5.6 进入 M365 Copilot

微软宣布 GPT-5.6 将成为 Microsoft 365 Copilot 的新首选模型，覆盖 Word、Excel、PowerPoint、Chat 和 Cowork。用户可以在熟悉的办公套件中获得更高效的 AI 辅助 - Word 中更少的轮次即可完成文档润色，Excel 中更高效的数据分析，PowerPoint 中更明智的演示排版。

链接：GPT-5.6 is now the preferred model in Microsoft 365 Copilot - OpenAI

ARC-AGI-3：7.8% 的“丑闻”

在 OpenAI 官方数据之外，GPT-5.6 Sol 在 ARC-AGI-3 上的得分很有意思：7.8%。

这个数字有多重含义。一方面，它确实很低 - 人类可以轻松达到 90% 以上。一个能自己训练更小模型（OpenAI 在发布会上演示了 Sol“自主后训练”了 Luna）的 AI，在某些视觉推理问题上还不及普通人。

但另一方面，它比 GPT-5.5 的 0.43% 提升了约 20 倍。回顾 ARC-AGI 系列的历史 - 前两版也一度让模型“寸步难行”，如今已基本饱和。按照这个趋势，ARC-AGI-3 可能在年内被攻克。

这恰好触及了那个老问题：AI 很强，但强在哪些方面、弱在哪些方面，远不是一句“超越了人类”能概括的。

链接：OpenAI GPT-5.6: AI Could Do Anything, Then It Met ARC-AGI-3 - The Algorithmic Bridge

GPT-Live：语音模式升级

OpenAI 终于更新了 ChatGPT 语音模式使用的模型 - 新的 GPT-Live 在 iPhone 应用上可用。相比基于 GPT-4o 时代的旧版，新模型大幅提升了语音对话的流畅度和实用性。遇到需要推理或搜索的问题时，它可以将任务转给后台的 GPT-5.5，完成后将结果带回对话，整个过程不打断语音交流。

Simon Willison 在试用中遇到了一个“无端笑场”的 bug，不过他反馈后 OpenAI 做了调整。他最长的一次对话持续了一小时 - 遛狗、拍鹈鹕照片、全程语音交流。

链接：Introducing GPT-Live - Simon Willison

其他值得关注的研究

AWS 发布了一篇关于 MCP tool design 的实践文章，讨论了工具描述膨胀（bloat）和模型混淆（confusion）这两个最常见的失败模式。核心观点是：工具定义占用上下文，过多定义会削弱模型推理能力，这是上下文工程需要解决的平衡问题。

链接：MCP tool design: Practical approaches and tradeoffs - AWS

Google Research 发布了 SensorFM，一个基于超过一万亿分钟的可穿戴传感器数据预训练的基础模型。它学习了通用的人体生理表征，可迁移到 35 种健康预测任务 - 从心血管到代谢、从睡眠到心理健康。

链接：SensorFM: Towards a general intelligence and interface for wearable health data - Google Research

---

来源：VerySmallWoods Research Feed - 2026-07-10 UTC