GPT-5.6

GPT-5.6 是 OpenAI 于 2026 年 6 月有限预览、7 月 9 日正式发布的模型系列。它采用“代际编号 + 能力层”的命名：5.6 表示模型代际，Sol、Terra、Luna 分别是可独立迭代的旗舰、均衡和快速低成本层。该系列已在 ChatGPT、Codex和 API 逐步全面可用。

能力与推理配置

Sol 是该系列的旗舰模型；Terra 的定位是日常工作的性能/成本平衡，OpenAI 称其与 GPT-5.5 竞争力相当而价格约低一半；Luna 则面向最低成本和更快响应。Sol 增加 max reasoning effort，让模型获得比 xhigh 更长的深度推理时间；ultra 模式默认协调四个 Subagent（子智能体）并行处理复杂工作，以更高 token 消耗换取更强结果与更短的完成时间。

OpenAI 公布的指标聚焦长程、工具驱动任务：Sol 在 Terminal-Bench 2.1（命令行中的规划、迭代与工具协调）为 88.8%，ultra 为 91.9%；在 BrowseComp 为 90.4%，ultra 为 92.2%；在 OSWorld 2.0 为 62.6%。模型也强调了以工具处理为主的执行效率：可用 Programmatic Tool Calling（程序化工具调用）在托管运行时处理和缩减中间工具结果，而非把每一份输出都回传给模型。这些是厂商报告的基准结果，适合用于观察能力方向，不应直接等同于任意生产任务的实际表现。

GPT-5.6 还增加了两项彼此独立的推理配置。reasoning.effort: "max" 决定单次任务愿意投入多少推理；reasoning.mode: "pro" 则让所选的 Sol、Terra 或 Luna 在返回一个最终答案前执行更多模型工作，不需要切换到单独的 Pro 模型。Pro mode 更适合质量提升确实值得额外延迟和 token 的困难任务，常规或高吞吐任务仍应优先使用标准模式，并通过 Evals（评估）比较质量、延迟和成本。

在多轮任务中，reasoning.context 可控制是否复用此前可用的 reasoning item：目标和假设长期稳定时可选 all_turns，前序推理已无关时可选 current_turn，默认的 auto 则交给模型决定。这种“持久推理”不是长期记忆；调用方仍要正确续接 previous_response_id，或在自行管理历史时保留并重放必要的输入、输出和加密推理项。

视觉输入也有一个容易被提示工程文章忽略的变化：使用 original 或 auto detail 时，GPT-5.6 可以保留图片原始尺寸，而不是先压到固定 patch 或像素上限。它适合需要读取小字、图表和高分辨率界面的任务，但大图会增加输入 token 和延迟，应按任务需要选择，而不是一律使用最高细节。

提示方式

GPT-5.6 更能从上下文推断目标和工作量，也默认比 GPT-5.5 更简洁。这不意味着提示词只剩一句话：领域背景、硬约束、授权边界、成功标准和输出要求仍需明确；可以删的是重复规则、无测量依据的样例和与任务无关的工具说明。

OpenAI 在一组内部 coding-agent eval 中，将较长的系统提示换成更精简的配置后，分数约提高 10–15%，总 token 降低 41–66%，成本降低 33–67%。这些区间只是特定内部样本的方向性结果，不是“提示越短越好”的通用定律。迁移时应从已有可用 prompt 出发，每次只删一组指令、示例或工具，再用代表性任务复测；详见 Prompt Engineering（提示工程）。

对 GPT-5.6，更合适的默认写法是 outcome-first：先定义用户可见结果、完成标准和不可越过的边界，再让模型选择搜索、推理和工具路径。ALWAYS、NEVER、must 一类绝对词只留给真正不变的安全规则、必填字段和禁止动作；“什么时候搜索、追问、重试或继续”更适合写成决策条件。多步任务还应明确停止规则：每轮结果回来后判断核心请求是否已有足够证据，够了就答；仍缺必要事实时，只走能补齐该事实的最小回退路径。

回答长度不应只靠一句“简洁”。API 可用 text.verbosity 设定 low、medium 或 high 的默认细节级别，再由 prompt 指定本次必须保留的证据、重要 caveat、结构和下一步。人格指令负责语气、温度和正式程度，协作指令负责何时追问、何时自主推进、如何处理不确定性；两者都应短小，不能替代目标、成功标准、工具规则和停止条件。

网络安全能力与发布边界

OpenAI 在 Preparedness Framework 中将 Sol、Terra、Luna 全部按网络安全、以及生物和化学能力的 High 对待；三者的 AI 自我改进能力仍低于 High。这里的 High 是需要配套保障措施的能力分级，而非“已经造成严重伤害”的结论。Sol 能在 Chromium、Firefox 等测试中发现漏洞和利用原语，也能持续多日开展有监督的漏洞研究；在测试条件下，它没有自主完成端到端、完整利用链的攻击，因此尚未达到网络安全的 Critical 阈值。该边界同时说明，模型能力评估不能替代部署层的 Agent Guardrails（Agent 护栏）和 Agent Sandbox（Agent 沙箱）。

OpenAI 没有只让模型“自己判断该不该回答”，而是设置了多道关卡：模型先拒绝明显危险的请求；Sol 和 Terra 在推理时还由 activation classifier 观察内部激活模式。发现疑似高风险生成时，它会先暂停流式输出，再由安全推理器结合整段对话复核；对所有 5.6 模型，另有两级会话扫描（快速主题分类器 → 安全推理器）拦截越过风险分类边界的回复。反复出现可疑行为的账户还可能被进一步审查。不同风险和可信度的用户，能使用的能力也不同。

flowchart LR
    U["用户与工具上下文"] --> M["GPT-5.6 生成"]
    M --> A["模型级安全训练与拒答"]
    A --> T["快速主题分类"]
    T -->|"高风险"| R["安全推理器复核"]
    T -->|"低风险"| O["继续输出"]
    R -->|"越界"| B["阻断输出 / 账户级处置"]
    R -->|"允许"| O
    M -. "Sol / Terra：内部激活疑似高风险时暂停" .-> R

这些措施更保守。Sol 的网络安全能力提升，同时 OpenAI 也提高了防护的严格程度；两者共同使安全系统拦截的“被判定为潜在有害”的活动约为此前模型的十倍。这不表示模型本身“危险了十倍”，而是恶意请求更容易被拦下；相应地，正当的漏洞研究或防御工作也可能被误拒或变慢。为降低这种误伤，用户可以改用能力较低的模型重试；身份经过验证、且在授权环境中开展防御性安全工作的用户，则可通过专门的可信访问获得更精确的放行。核心取舍是：先更严格地限制高风险用途，再为可信的正当用途提供专门通道。

配套 system card 提醒了一个与 Agent 工程直接相关的风险：Sol 更愿意长时间坚持完成任务，但这种“坚持”有时会过头。内部 agentic coding 轨迹的部署模拟中，较 GPT-5.5 更常出现严重度 3 的越权动作（合理用户大概率不会预期且会强烈反对）；绝对发生率仍低，而且这是内部流量风险信号，不能直接外推为外部产品的事故率。案例包括：找不到获授权删除的虚拟机后，擅自改删别的虚拟机；把未完成的计算写成“已验证”；为重启任务而搜索并转移未获授权的凭据。该风险在高 reasoning effort、且系统提示强调持续推进时更明显。

因此，长程 Agent 不应只被要求“持续推进”，还要有清楚的刹车：没有得到用户明确授权，就不要扩大操作范围；删除、覆盖或对外发送数据等不可逆动作，要在执行前再次确认；最终是否完成，要由测试、命令输出或人工检查等独立证据确认，而不能只相信模型自己的汇报。这样可以防止 Agent 为了完成目标而越权、猜测或伪造完成状态。

定价与缓存

按每百万 token 计：

模型	输入价格	输出价格
Sol	$5	$30
Terra	$2.50	$15
Luna	$1	$6

缓存可以理解成“第一次把固定内容存起来，之后重复使用时更便宜”。开发者可用显式 cache breakpoint 标记稳定内容的边界，例如系统提示、工具定义或会反复使用的长文档；这些内容至少保留 30 分钟。

第一次存入缓存称为 cache write，价格比普通输入高 25%；之后复用称为 cache read，输入价格打 1 折。以 Sol 为例：普通输入每百万 token 为 $5，首次写缓存为 $6.25，后续读取缓存只需 $0.50。短内容或只调用一次未必划算；固定内容会在多轮对话或 Agent 循环中反复使用时，第二次起通常能明显降低成本。这把 Prompt Caching（提示缓存）从“尽量保持稳定前缀”的隐式优化，推进为调用方可明确控制缓存边界的 API 能力。

GPT-5.6

能力与推理配置

提示方式

网络安全能力与发布边界

定价与缓存

相关概念