【AI早读 0711】GPT 5.6 三体发布、Codex 合并超级应用

7 月 10 日是 OpenAI 的大日子。

我会梳理这一天最重要的几条动态：GPT 5.6 三款模型落地、Codex 与 ChatGPT 桌面端合并、以及几篇值得关注的研究和观点文章。期望对大家有所帮助。

GPT 5.6 Sol/Terra/Luna：三体落地

OpenAI 正式发布了 GPT 5.6 家族 - Sol、Terra、Luna，分别对应太阳、地球、月亮的大小定位。这不是一次单纯的模型更新，而是一整套价格 - 性能阶梯的重新搭建。

链接：AINews：OpenAI launches GPT 5.6 Sol/Terra/Luna, Codex becomes ChatGPT superapp

三款模型的核心定位很清晰：

• Sol（旗舰） - 最高天花板，预算不敏感的场景
• Terra - 对标 GPT 5.5 级的性价比，成本大幅降低
• Luna - 最快最便宜，适合高吞吐量场景

价格方面，OpenAI 给出了一个直白的阶梯：Sol 输入 / 输出每百万 token 为 $5 / $30，Terra $2.5 / $15，Luna $1 / $6。缓存写入首次单独计费，缓存读取依然享受 90% 折扣。

性能方面，OpenAI 的基准数据显示：Sol 在 Agents' Last Exam 上达到 53.6，比 Claude Fable 5 adaptive 高出 13.1 分；即使在中档推理深度下，Sol 也以约四分之一成本超过 Fable。Terra 表现略高于 Fable 5，Luna 则超越 Opus 4.8 - 三款都在约三分之一的时间内、以约一半的输出 token 数、约四分之一的估算成本完成。

Sebastian Raschka 在博客中特别分析了 GPT 5.6 的 72 种可能配置 - 模型在不同 effort 层级下的行为差异，以及开发者应该如何根据场景选择最优设定。

链接：GPT 5.6 Has 72 Possible Configurations. What's A Good Default?

Ultra 与 multi-agent 推理

这次新增了一个顶级 effort 模式 ultra - 它会默认协调四个 agent 并行工作，在复杂任务上同时追求更高的质量和更短的完成时间。Altman 的评价是“5.6 Sol 在 dollars-per-task 上是巨大的进步”。

此外，Computer Use 能力也有明显提升：速度更快、token 效率更高，支持批处理和跨多步任务的并行操作，新增的 picture-in-picture 模式让人类可以实时监督 agent 的操作过程。

Codex 变成 ChatGPT 超级应用

与模型发布同步，OpenAI 推出了 ChatGPT Work 和更新后的 Codex 桌面应用 - 两者正在融合为一个统一的工作台。

链接：OpenAI Blog：How Deutsche Telekom is rewiring telecommunications with AI

这大概是 OpenAI 超级应用策略的倒数第二步（最后一步是 agentic browser 如何整合进来）。新桌面端合并了 Codex 的编程能力和 ChatGPT 的通用对话能力，同时引入了 Sites 内测版、程序化工具调用（Programmatic Tool Calling）、以及在 Responses API 中的 multi-agent 内测。对于企业客户，ChatGPT Work 还支持模版、参考文件和自定义风格的文档/PPT/表格生成，并可直接导出到企业工具生态。

从 April 的预测到 July 的落地，这个过程比大多数人预想的要快。

Pydantic AI 2.0：组合能力构建 Agent

在工具链层面，Pydantic AI 2.0 正式发布。Cole Medin 在视频中演示了它的核心理念 - “组合能力”（Composing Capabilities），强调将小型、专注的模块组合成复杂 agent 系统，而不是构建一个庞大的单体 agent。

这个方向与 OpenAI 的 multi-agent 推理思路不谋而合：无论是模型内部的 agent 协调（ultra 模式下的四个并行 agent），还是框架层面的模块组合，行业都在朝“小型单元 + 编排层”的架构演进。

Anthropic GRAM：通过模块化预训练实现访问控制

Anthropic 与 AE Studio 合作发表了一篇重要的安全研究 - GRAM（Gradient Routed Auxiliary Modules），通过引入“辅助模块”来隔离模型中的危险知识，实现对特定能力的按需开关。

链接：Modular Pretraining Enables Access Control

核心思想很直观：与其训练多个模型来分别处理不同敏感级别的数据（成本极高），不如在单个模型中训练专门的模块，根据用户权限决定哪些模块被激活。实验表明，一个 5B 参数的 GRAM 模型可以通过开关模块来近似多个独立训练的数据过滤模型的效果 - 而且这个能力随着模型规模扩大而提升。

这项研究如果在实际部署中落地，可能会改变模型分发的逻辑：不再需要“给不同用户发不同模型”，而是“给所有用户同一个模型，但控制他们能触及的知识范围”。

自然语言自编码器的鲁棒性问题

TurnTrout 和合作者发布了一篇关于自然语言自编码器（NLA）鲁棒性的研究，结果有些令人担忧。

链接：How robust are natural language autoencoders to initialization?

NLA 的设计目标是通过“激活向量 → 自然语言描述 → 激活重建”的流程来解释模型在想什么。问题是：NLA 的训练依赖 Claude 提前生成的猜测文本来初始化。研究团队发现，如果用完全不合理的描述来初始化 NLA，它仍然能达到和合理初始化版本几乎相同的重建精度 - 但输出中 99.3% 的陈述是不可信的。强化学习阶段虽然能让它变得稍微可信一些（从 0.08% 提升到 0.7%），但合理初始化的 NLA 在训练结束后可信度反而从 21% 下降到了 7.6%。

如果这个结果能推广到更大规模的模型，NLA 作为解释性工具的可靠性会受到严重质疑。

Copilot Code Review：工具变好之前先变差

GitHub 博客发了一篇坦诚的文章 - “Better tools made Copilot code review worse. Here's how we actually improved it”。

链接：Better tools made Copilot code review worse. Here's how we actually improved it

核心矛盾在于：Copilot 本身生成代码的能力持续提升，但其代码审查能力却因为“工具变好”而出现了退化 - 因为 Copilot 生成更复杂的代码片段后，它审查这些自己生成的长段代码时反而更难发现隐藏的错误。GitHub 的解决方案涉及调整审查模型的上下文窗口策略和 feedback loop 设计，是一个典型的产品迭代案例：某个维度的优化可能在其他维度制造新问题。

---

来源：VerySmallWoods Research Feed - 2026-07-11 UTC