GPT-5.6 正式发布，最狠的不是跑分
两周前还躺在审查传闻里的模型，今天正式发货了。
7 月 9 日，Sam Altman 发推说，这显然是我们有史以来最好的模型，也是我们写得最好的博文之一。点进去，GPT-5.6 全家正式全量开放，旗舰叫 Sol，日常主力叫 Terra，走性价比路线的叫 Luna。月初有论文泄出过这三个代号，当时圈里还在猜是不是内部实验分支，现在实锤了，就是三档定位。同一天 OpenAI 还上了另一个大件，ChatGPT Work，一个装在 ChatGPT 里的 agent，能在你的应用和文件之间自己动手，复杂项目自己拆成小步骤，必要时连着干上几个小时。
如果你六月底刷到过那条新闻，应该还记得 GPT-5.6 上一次出现在时间线上的姿势。当时的报道说它找安全漏洞的能力太强，被摁在有限预览里出不来，一度被传成了叫停。两周之后，它不仅放出来了，还把迄今最全面的安全评估写进了发布页第一屏，人类红队加大规模自动化测试，外部专家机构一轮轮压。这个反差先记着，文末我们回来算这笔账。
先说 ChatGPT Work 是个啥，用人话讲。
它是 ChatGPT 里新开的一个工作模式，你把 Slack、Teams、Google Drive、邮箱、日历、CRM 这些天天在用的东西通过插件连给它，然后交代一个目标，它自己去这些地方扒上下文，产出表格、幻灯片、文档，甚至直接给你搭个 Web 应用。提示词里打个 @ 加应用名，就能指定它去某个地方取料。中途你可以插话、改方向，重要操作它会停下来等你批准。人不在电脑前它也接着跑，定时任务可以让它每周自动把 Slack 里的新消息滚进会议议程，或者每天早上盯一圈网站和仪表盘，把变化总结成报告发你。还有个叫 Sites 的公测功能，能把干完的活直接变成一个可分享的网页应用，仪表盘、项目跟踪器、内部门户这类东西，一个 URL 甩给团队。
血统上它是 Codex 的孩子。OpenAI 给了个挺有信息量的数字，Codex 现在每周有超过 500 万人在用，其中 100 多万人干的压根不是软件开发。一个给程序员写代码的工具，硬是被非程序员用出了百万级规模，OpenAI 顺水推舟，把它泛化成了给所有打工人的 agent。发布页里 Zapier 的企业营销负责人现身说法，说拿它搭了套每月审阅几千条销售线索的系统，扒出了七位数的潜在销售额。OpenAI 自己内部更夸张，接近 100% 的团队在用，财务把月末结账从几天压到了几小时。
官方给的上手建议倒是实在，别一上来就交给它陌生领域的大活，先扔一个你自己闭着眼都能干的任务，月末预算差异分析、销售会议准备这种，看它跑出来的东西你能不能挑出毛病。这个建议我想给它加个注脚，你能验收的活才能放心外包，你自己都看不懂的活，agent 干得再欢你也只能烧香。可用性方面，网页和移动端今天先给 Pro、Enterprise 和 Edu 用户，Plus 和 Business 这几天陆续放开。
这个剧情是不是有点眼熟。两天前我们刚写过 Anthropic 那边的对应数据，Claude Cowork 的 120 万次会话里，软件开发只占 8.7%，最大头是业务流程和运营。两家公司在同一个月，用各自的数据说了同一句话，agent 的主战场已经不在写代码了。区别在于 Anthropic 发的是观察报告，OpenAI 直接把产品拍了出来，正面对撞 Cowork。
跑分部分我快进着讲，你在别的号肯定已经刷过一遍了。
Agents’ Last Exam，一个测 55 个专业领域长程工作流的基准，GPT-5.6 Sol 拿了 53.6，比 Claude Fable 5 高出 13.1 分。Artificial Analysis 的编程 agent 指数，Sol 满血推理拿到 80 分创了新高，用的输出 token 不到对手的一半，时间也不到一半。走量的 Luna 干过了 Opus 4.8。网页浏览基准 BrowseComp 干到 92.2%，电脑操作基准 OSWorld 2.0 拿了 62.6%，还顺手补了一刀，说比 Opus 4.8 少用 85% 的输出 token。设计能力也专门吹了一节，说 GPT-5.6 会用电脑操作能力亲自检查渲染出来的界面，不是只管生成代码，改完还自己看一眼效果再交活，这一手有点子牛逼。Cursor 的总裁也来站台，说是他们在 CursorBench 上测过最强的模型之一。
效率账更是从头算到尾。官方说 Sol 开中等推理档也能赢 Fable 5 十一分多，而估算成本只有四分之一。走量的 Terra 和 Luna 更狠，十六分之一的成本，跑分还压对手一头。
这些数字怎么看。坦率讲，全部出自 OpenAI 自家发布页，成本前面都挂着 estimated，对比模型开哪个档位也是他们挑的。每一场发布会都是发布方赢，行业惯例，看看就好，等第三方独立复测出来再下结论不迟。
但有一个信号我觉得是真的。整页博文翻下来，OpenAI 翻来覆去强调的不是我们更聪明，而是我们每个 token 干的活更多。高出多少分之外必带一句成本只有几分之一，赢的方式是便宜十六分之一地赢。上一轮发布季大家还在拼谁的天花板高，这一轮开始拼谁的电费单好看。军备竞赛进入了算账阶段，对掏钱的人来说，这算个好消息。
真正让我从椅子上坐直的是 ultra。
我的日常工作是给大模型搭脚手架，就是 agent 的工具链、调度、上下文管理这层，让模型真正能干活的工程。所以看到 ultra 的介绍时职业病直接犯了。它是 GPT-5.6 的最高档位，默认同时调度四个 agent 并行开工，官方图表里还秀了 16 个 agent 的配置，配合 Responses API 新开的多智能体 beta，开发者可以自己搭出同款。还有个叫 Programmatic Tool Calling 的新能力，模型自己写小段程序去协调工具、过滤中间结果，不用每次工具返回都绕回模型走一圈。
好家伙。任务拆分、并行调度、结果合并、中间数据过滤，这些以前要自己写编排器一点点抠的活，现在变成了模型的一个参数。去年这时候，多 agent 编排还被当成创业公司的护城河来讲，今年它成了发布页上的一个开关。护城河这个东西在 AI 行业的保质期，目测比酸奶长不了多少。
不过 ultra 的另一面，写在定价说明的小字里。
四个 agent 并行，就是四份 token 一起烧。OpenAI 的原话很委婉，使用量会随所需工作量变化，更复杂的任务可能消耗更多套餐内的使用量。翻译成人话，你让它连干四个小时，它就烧你四个小时的额度，还是并行着烧。发布页里专门给企业管理员做了支出控制、群组限额、超额申请审批流。一个功能要是不烧钱，厂商是不会贴心到提前给你搭好预算审批系统的。
还有一笔账 OpenAI 没帮你算，你的时间。
agent 连干几小时，产出一堆文档、表格、幻灯片，谁来验收，你来验收。我天天看 agent 在生产环境里跑，最深的体会是，生成的速度是模型的，验收的速度是人的。模型一小时吐十份报告，你还是得一份一份读，读不过来，就只能在信与不信之间二选一。OpenAI 在安全那节说，自动审阅层在红队测试里拦截了 100% 的敏感数据提取尝试。这个 100% 我个人习惯性打个问号，安全行业里所有的 100%，一般都活不过下一个星期天。
开发者还有两条要划重点。
第一条，Codex 独立应用没了，并入新的 ChatGPT 桌面应用，你现在用的老桌面版会改名叫 ChatGPT Classic，可以留着，但不再更新不再维护。给开发者留了点体面，可以把 Codex 设成打开桌面应用的默认视图，图标也能换回 Codex 的标。合并之后还塞了几个新功能，diff 里直接行内编辑，侧边栏审 PR，一个项目里挂多个代码库，这些倒都是写代码的人天天要用的。
第二条，Atlas 浏览器宣布逐步停用，从高调发布到进坟场不到一年。有意思的是，新桌面应用里的内置浏览器和电脑操作能力，替你点击、输入、把文件挪到该去的地方，官方自己承认这些经验就来自 Atlas。产品死了，器官移植给了下一代。OpenAI 砍自家产品的手速跟发新品一样快，要是你的工作流深度绑在它家某个入口上，记得系好安全带。
然后就说到了我觉得这次发布里真正狠的地方。不是跑分，是入口。
新的桌面应用里，聊天、Work、Codex 对所有档位开放，包括免费档。注意，是把当家的 agent 能力直接放进免费档。图什么，图你先把习惯养成。搜索时代的入口是地址栏，移动时代的入口是超级 App，OpenAI 和 Anthropic 现在赌的是同一件事，下一个时代的入口是那个常驻你桌面、替你干活的 agent。谁的 agent 住进你的电脑，谁就拿住了你未来十年的工作流。套餐费都是后话，先住进来才是正经事。
说实话，新桌面版我还没来得及装，等真跑几天再回来汇报体感。免费档的量到底够不够干活，审批弹窗会不会烦到你想关掉它，多 agent 并行在真实任务上是提速还是空转，这些都得实际用了才知道，官方发布页不会替你回答。
最后回到开头留的那个反差。一个两周前还因为太会找漏洞而出不了预览的模型，今天已经躺在所有人都能下载的桌面应用里了。暂停键和发布键，从来都是同一根手指按的。这个行业的潮水改道时不会提前打招呼，最先感觉到的永远是船底。愿你我的小船都还稳。