GPT-5.6发布：三档模型体系与Codex、ChatGPT大整合解读

上周五，OpenAI一口气发布了三款新模型：Sol、Terra、Luna，统称GPT-5.6系列。名字对应太阳、地球、月球，寓意一档比一档更贴近日常使用场景。

如果只看模型本身，这是一次常规的能力升级。但把镜头拉远一点会发现，OpenAI这次动的不只是模型参数，还有产品架构本身——Codex被正式并入ChatGPT，桌面版多出一个叫"ChatGPT Work"的新入口。对办公用户和开发者来说,这意味着同一套软件里,大家要用的东西不一样了。

这篇文章按顺序讲清楚五件事:三款模型分别是谁、跑分和安全表现如何、产品架构具体怎么变、官方演示和民间实测有多大差距,以及开发者接入Codex时该注意什么。

三款模型的定位与价格体系

GPT-5.6不是单一模型,而是一个覆盖高中低三档的家族。

Sol是旗舰级,官方称其为"OpenAI历来最强模型",主打程式开发、生物研究、网络安全这类高难度智能任务,提供Max与Ultra两种推理强度可选。

Terra是均衡型,效能大致和上一代GPT-5.5打平,但价格便宜了一半,适合日常开发和办公这种不需要顶级算力的场景。

Luna是轻量级,成本最低,专为大批量、需要快速响应的简单任务设计——比如批量整理文本、做简单的格式转换。

价格按每百万token计算:

换句话说,同样的价钱,现在能换到更强的模型。

使用权限上也做了分层。GPT-5.6 Sol目前只对Plus、Pro、Business和Enterprise用户开放;Free和Go用户只能用Terra。这个安排不难理解,顶级模型的推理成本更高,先给付费用户尝鲜是常规操作。

至于怎么选,一条比较实用的经验是:复杂需求、架构设计、正式交付这类活儿用Sol;日常开发用Terra就够;简单修改和批量任务丢给Luna,没必要用高配置浪费额度。推理强度这个参数也是同理——强度越高越适合处理复杂问题,但耗时和额度消耗也会同步增加,不是所有任务都值得开满档。

技术能力与基准测试表现

这一代新增了两个值得留意的功能。一个是max推理等级,给Sol更多时间做深度推理,处理需要多步骤规划的任务。另一个是ultra模式,可以调用多个子代理(sub-agent)并行处理复杂任务,比如把一个项目拆成美术设计和音效设计两条线同时推进,而不是串行等待。

跑分数据方面,OpenAI公布了几组对比:

在Terminal-Bench 2.1(测试程式开发中的规划、迭代和工具协同能力)上,Sol的表现超过了Anthropic的Mythos 5、Fable 5,也超过了Gemini 3.1 Pro。

在GeneBench v1(长程基因和量化生物分析测试)上,Sol超越了上一代GPT-5.5。

在ExploitBench(漏洞研究与漏洞利用测试)上,Sol用大约三分之一的token消耗,达到了和Anthropic Mythos Preview相当的效能——这个数字如果站得住,说明推理效率上确实有进步,不只是堆更多算力换成绩。

在ExploitGym上,三款新模型全部超过了GPT-5.5和GPT-5.4。

安全和治理层面,OpenAI给Sol加强了对高风险活动、敏感网络请求和重复性误用行为的防护,团队花了数周时间做漏洞排查和压力测试。内部评估中,Sol能够找出Chromium和Firefox里的漏洞和滥用原语,但没有自主生成完整的攻击链——这个边界OpenAI说得比较明确,是能力和滥用风险之间的一条分界线。

比较值得关注的一点是,在美国政府的要求下,OpenAI最初只向少数受信任的合作伙伴开放了预览测试,相关合作内容需要向政府报告。OpenAI的说法是,这种介入应该是阶段性的,接下来几周会扩大开放范围,同时也在和政府一起制定网络安全方面的行政命令框架。这算是AI公司和监管方互动的一个具体案例,值得后续观察落地情况。

产品架构大变动:ChatGPT Work与Codex合并

如果说模型升级是常规操作,那产品架构的调整才是这次发布真正的重点。

OpenAI把原本独立的Codex桌面应用和ChatGPT整合进了同一个新版桌面客户端,里面分出三个入口:Chat、Work、Codex。

Chat就是纯聊天,讨论问题、解释概念、头脑风暴用这个,走独立的普通ChatGPT消息额度,不占用其他资源。

Work面向的是非程序员的办公场景——整理资料、做文档、做表格、写报告、生成演示稿,由AI代理直接把任务做完,而不是给你一段建议让你自己动手。这个模式和Codex共享同一套Agent用量额度。

Codex面向开发者,能进入实际工作环境读写文件、执行命令、部署项目、操作浏览器。用一句话概括区别:Work和Codex是"真正把事情做完"的代理模式,Chat只是聊天。

推送节奏上,手机版和网页版先对Pro、Enterprise、Edu用户开放Work,Plus和Business用户会陆续跟进;桌面版倒是比较痛快,已经对所有付费方案全面开放,Windows和Mac都能用。

有一个连带变化容易被忽略:OpenAI因此决定在8月9日终止ChatGPT Atlas桌面浏览器。既然Work模式已经能在桌面端完成大量办公任务,一个独立的浏览器产品的定位就变得多余了,这个决定逻辑上说得通。

额度机制也需要拆开说清楚,不然容易搞混:Work和Codex共用一个Agent用量额度;Chat的额度单独计算;图片上传、文件上传、语音这些功能也各有独立限制,不会占用Codex的额度。简单说就是"聊天的钱"和"干活的钱"是两个钱包,不要以为多聊几句就把开发额度花没了。

实测体验:亮点与争议并存

官方演示视频里,给出的展示效果相当漂亮。用一句简短的开放式提示词,在Codex里就能构建出一整套卡牌游戏——模型自主设计玩法、生成美术素材,还能在此基础上继续迭代增强。演示强调的核心能力是程序化工具调用,减少了工具输出和上下文窗口之间的来回折腾,省下不少时间和token。子代理并行处理美术、音效等不同任务的演示,也确实展示出了效率上的优势。

但民间测评呈现出来的是另一幅图景,复杂一些,也争议一些。

有测评者直言,GPT-5.6在命名和Work模式的设计上像是"对Claude的拙劣模仿",而且此前OpenAI团队在社交媒体上的预热把期待值拉得过高,实际体验下来"没有达到预期"。这种落差感,一部分是产品本身的问题,一部分也是营销节奏带来的心理反差。

正面的实测案例不少:一个马里奥风格的小游戏做得像样;一个可交互的"橡皮泥"哈哈镜相机应用完成度不错;部署了一个带公开链接的Web应用;用GPT-5.6做的介绍网站,审美明显优于GPT-5.5生成的结果;还有一个高中生物复习知识网页,被认为是"切实需求"下的成功案例——这类任务需求明确、边界清晰,模型完成得比较到位。

翻车的案例也不少。一个3D射击游戏操作体验很差;一个横版赛车游戏的物理效果出了问题,车头先着地这种基础bug都没处理好;用高阶Sol模型制作PPT花了24分钟,消耗了30%的额度,效率谈不上高;审美风格被吐槽"像小时候寒假作业"。

综合来看,如果把前端设计能力也纳入评价维度,这位测评者认为GPT-5.6目前还没超过对标的Anthropic Fable 5。但它胜在额度充足,可以重置多次,模型总体也够聪明,算是一个"量大管饱"型选择——不追求每次都惊艳,但用起来不会轻易见底。

官方视角和民间测评正好形成互补。官方更愿意强调工具调用效率和子代理编排带来的速度提升,这些确实是技术层面的进步;民间测评更在意实际产出的美术观感和操作体验的短板,这些是普通用户用起来第一时间会感受到的东西。两边说的都不算错,只是站的位置不一样。

Codex接入与实际使用要点

对开发者和深度用户来说,接入Codex有三条路径可选。

一是通过DeepSeek这类国内模型接入,门槛最低,但不支持多模态。二是通过中转站接入,支持多模态,还能开发票,适合有报销需求的团队。三是用官方ChatGPT账号直接接入,体验最完整,但需要自己解决网络问题。

实际操作中,有几个机制值得摸清楚。

文件权限与安全确认这一块,批准策略分"请求批准"和"完全放行"两档,沙盒设置分"只读""工作区写入""完全访问"三档,这两个参数组合起来,决定了Codex能做什么、在什么时候需要停下来问你一句。图省事直接开完全放行会更快,但风险自己承担,建议按项目重要程度来调整。

Git操作上,一个实用的习惯是修改前后各保存一次版本,方便回溯出问题的地方。Codex可以直接用自然语言完成拉分支、提交、推送这些操作,不用记命令,但正因为方便,更要靠版本记录兜底。

Plan计划模式适合需求不明确、影响范围比较大的任务。Codex会先梳理需求、识别风险,通过反复提问帮你把产出形态想清楚,而不是直接开始写代码,写出来才发现方向不对——用测评者的话说,这样能避免"抽盲盒"式开发。

定时任务支持任务级别和项目级别两种设置,可以让Codex在指定时间自动执行汇报、检查代码质量这类重复性工作,省去手动触发的麻烦。

结语

GPT-5.6这次发布,分量在两个地方。一个是模型能力上的三档细分和安全强化,Sol、Terra、Luna各自对应不同预算和任务复杂度,跑分数据也确实有提升。另一个是产品形态上Codex和ChatGPT的深度整合,OpenAI显然是想让办公用户和开发者在同一套工具体系下各取所需,而不是维护两套割裂的产品线。

但这中间存在一个落差:官方基准测试展现出来的数据相当强势,部分民间实测暴露出的审美和交互短板也确实存在,说明模型能力的提升和产品体验的打磨不是同步发生的。跑分好看不代表用起来处处顺手,这一点在这次发布上体现得比较明显。

普通办公用户可以先关注Work模式在自己账号上的落地进度,毕竟推送是分批进行的。开发者不妨优先试试Codex的Plan模式和权限管理机制,这两项对日常开发的实际帮助比跑分数字更直接。至于对模型能力抱有更高期待的用户,建议结合自己的实际场景先跑一遍再下判断,官方演示和民间实测之间的差距,说明"效果好不好"这件事,终归还是要自己上手试过才知道。