2026 年 7 月 10 日，OpenAI 发布了 GPT-5.6。
如果只抓一个核心变化：大模型正在从聊天机器人变成能干活的智能体。过去你问它问题，它给你答案；现在你给它目标，它能自己规划步骤、调用工具、协调多个 Agent 并行工作，最终把任务完成。效率层面，GPT-5.6 在编程、知识型工作、网络安全和科学领域都交出了不错的数据，Token 用量和成本都在下降，任务完成率在上升。
一、从对话到执行
1.1 发展路径
过去几年，大模型的发展路径很清晰：GPT-3 解决语言生成问题，GPT-4 解决复杂推理问题，GPT-5.6 开始解决任务执行问题。
| 阶段 | 代表模型 | 核心能力 | 关注点 |
|---|---|---|---|
| 语言生成 | GPT-3 | 给定上下文，预测最合理的后续内容 | 文本质量 |
| 复杂推理 | GPT-4 | 在复杂信息中建立逻辑关系，找到可靠答案 | 推理准确性 |
| 任务执行 | GPT-5.6 | 理解目标，在真实环境中持续采取行动，完成目标 | 任务完成率 |
这三种能力不是替代关系，而是叠加关系。GPT-5.6 依然具备语言生成和推理能力，但它更进了一步，能够理解目标、规划步骤、调用工具并完成复杂任务。
1.2 一个具体场景
假设你在线上遇到一个接口变慢的问题。
传统模型会给你一套排查建议：查慢 SQL、检查 Redis 命中率、分析 JVM GC、看链路追踪。建议完全正确，但给建议不等于解决问题，你还是得自己去连监控、查日志、改代码、验证效果。
GPT-5.6 代表的方向是：模型自己去连监控系统、查日志、分析 SQL、定位问题、修改代码、跑测试、验证效果。根据现有信息，它能够编写并运行轻量级程序，在工作过程中协调工具、处理中间结果、监控进度并自主选择下一步操作。当然这是一个理想化的场景，实际效果取决于工具集成的完整度和权限配置。
类比来说，传统模型像百科全书式的顾问，你问什么它都知道，但不动手。GPT-5.6 更像能干的同事，你给它一个任务，它会自己想办法完成。
1.3 Benchmark 验证
具体数据在多个 Benchmark 上已经有所体现。
Agents’ Last Exam 覆盖 55 个专业领域的长周期 Agent 工作流评估。GPT-5.6 Sol 在该评测中领先 Claude Fable 5（自适应推理）13.1 分，即便在中等推理强度下，也以约 1/4 的成本领先 Fable 5 达 11.4 分。
OSWorld 2.0 衡量模型在真实计算机环境中的操作能力。Sol 得分 62.6%，超越 Claude Opus 4.8，同时输出 Token 用量减少 85%。
BrowseComp 是智能体网页浏览评估。Sol 得分 90.4%，ultra 模式下达到 92.2%。
这些数据的共同指向是：GPT-5.6 不只是更聪明了，而是能独立完成更长周期、更复杂的任务了。
不过需要说明，GPT-5.6 本身并不等同于 Agent。更准确地说，它提供了更强的 Agent 核心模型能力，而一个真正可靠的智能体系统仍然需要开发者构建工具层、状态管理层和执行框架。Agent = LLM + Tools + Memory + Runtime + Verification，GPT-5.6 解决的是其中 LLM 这一环的能力跃升，其余部分仍然是工程问题。
二、多智能体并行
2.1 ultra 模式
GPT-5.6 最值得关注的新能力之一是 ultra 模式下的多智能体并行。ultra 模式默认并行 4 个智能体，在 BrowseComp 和 SEC-Bench Pro 的测试中还展示了 16 个智能体的配置。增加并行智能体的效果是将得分-延迟前沿向左上方推移，在更短时间内取得更优的结果。
2.2 核心价值在于任务分解
用一个类比来理解：过去的模型像一个超级聪明的实习生，能力很强，但一次只能干一件事，你得等它做完 A 才能让它做 B。多智能体模式更像是一个小型团队，一个项目经理负责协调，几个执行者分头干活，最后汇总结果。
对于复杂任务（比如分析最近一个月销售下降原因并生成优化方案），多个 Agent 可以分头查销售数据、查用户画像、分析市场趋势、查库存情况，然后汇总分析生成报告，任务完成时间大幅缩短。
不过需要澄清一点：多智能体的核心价值不在于简单堆叠 Agent 数量。4 个 Agent 重复犯同样的错误并不会比 1 个 Agent 更好。真正的价值在于任务分解和角色分工：不同 Agent 负责不同子任务（比如 Research Agent 负责数据收集、Coding Agent 负责实现、Testing Agent 负责验证），配合共享记忆和验证机制，才能发挥协同效应。ultra 模式的意义也应该从这个角度理解。
2.3 API 层面的支持
开发者可以通过 Responses API 的 multi-agent 功能（测试阶段）实现类似 ultra 的体验：在单个请求中并行运行多个子智能体，并整合它们的工作成果。
三、模型分层
3.1 三个层级
GPT-5.6 提供了三个模型层级：
| 模型 | 定位 | 输入价格（每百万 Token） | 输出价格（每百万 Token） | 一句话说明 |
|---|---|---|---|---|
| Sol | 旗舰 | $5 | $30 | 最强能力，复杂任务首选 |
| Terra | 中端 | $2.50 | $15 | 性能≈GPT-5.5，成本更低 |
| Luna | 轻量 | $1 | $6 | 速度最快，性价比最高 |
命名策略上也值得留意：数字标注代系（5.6），Sol/Terra/Luna 是持久的能力层级，按各自节奏独立演进。从产品设计来看，OpenAI 正尝试建立一套长期的能力分层体系。如果这套策略持续下去，未来的 GPT-5.7 大概率仍然是 Sol/Terra/Luna 三档。
3.2 效率数据
不同任务对模型能力的要求差异巨大。所有任务都用最强模型，成本直接爆炸；都用轻量模型，复杂任务又搞不定。GPT-5.6 的效率数据比较有说服力：
- Luna 表现超越 Claude Fable 5，而成本仅为后者的约 1/16
- Terra 以更低的成本超越了 GPT-5.5 的表现
- 在编程场景中，Sol 相比 Fable 5：输出 Token 减少一半以上，耗时缩短一半以上，成本降低约三分之一
- Prompt Cache 支持显式缓存断点（explicit cache breakpoint），缓存有效期至少 30 分钟，缓存读取享受 90% 费率优惠
这些数据指向一个趋势：同等预算下能完成的任务量在增加，而不只是同等任务下成本在降低。
四、软件工程
4.1 为什么软件工程是最佳试验场
软件工程天然具备几个适合 Agent 发挥的特点：任务目标明确，修 Bug、实现功能、优化性能，每一类都有清晰的完成标准；环境反馈丰富，编译结果、测试输出、运行日志都会给出明确信号；过程可以验证，单元测试、集成测试、Code Review、线上指标，都是验证手段。
软件工程是那种做对了就是对了、做错了立刻能发现的领域，这恰好是 Agent 最需要的环境特征。
4.2 软件 Agent 的三层核心能力
从技术角度拆解，一个能参与软件工程的 Agent 需要具备三层能力。
第一层是 Repository Understanding（代码库理解）。不是把整个项目塞进上下文，而是能像工程师一样探索代码：Code Search 定位关键符号、Symbol Graph 分析调用关系、Dependency Analysis 理解模块依赖。GPT-5.6 在可编程工具调用上的突破正是为这一层提供了基础，模型可以自己写程序来检索和分析代码，而不需要每一步都依赖外部系统。
第二层是 Execution Feedback（执行反馈）。修改完代码后，Agent 需要能运行测试、查看编译结果、分析日志，根据真实反馈调整策略。Terminal Agent 的能力直接决定了这一层的上限，这也是 Terminal-Bench 成为重要评测的原因。
第三层是 Change Management（变更管理）。一次软件变更不只是改代码，还需要 Diff Review 确认修改范围、Rollback 机制应对失败、Human Approval 把控关键决策。这层能力目前更多依赖工程框架而非模型本身，但模型需要能理解和配合这些流程。
GPT-5.6 在这三层上都有提升，但提升幅度不同。第一层和第二层进步最明显（可编程工具调用 + Terminal Agent），第三层仍然需要开发者在框架层面解决。
4.3 Benchmark 数据
| 评测 | GPT-5.6 Sol | Claude Fable 5 | GPT-5.5 |
|---|---|---|---|
| Coding Agent Index v1.1 | 80（新 SOTA） | 77.2 | 76.4 |
| Terminal-Bench 2.1 | 88.8%（Ultra 91.9%） | 83.1% | 85.6% |
| DeepSWE v1.1 | 72.7% | 69.7% | 67% |
| SWE-Bench Pro | 64.6% | 80% | 59.4% |
在 SWE-Bench Pro 上，Fable 5 仍然领先（80% vs 64.6%），说明不同 Benchmark 上各家模型互有胜负。但在 Coding Agent Index、Terminal-Bench、DeepSWE 这三项更侧重完整工程能力的评测上，GPT-5.6 Sol 都拿到了第一。效率方面，Sol 在 Coding Agent Index 上以 80 分创下新 SOTA，同时 Token、耗时、成本均大幅下降。
4.4 可编程工具调用
GPT-5.6 在编程场景下的一个重要变化是：模型能够编写并运行轻量级程序，在工作过程中协调工具、处理中间结果、监控进度并自主选择下一步操作。
传统的 Tool Calling 模式是调工具、拿结果、再调工具、再拿结果，每一步都需要模型参与决策，消耗大量 Token 和交互次数。而 GPT-5.6 可以直接在内存中写程序来处理中间数据、过滤噪音、只保留关键信息，然后在运行过程中动态调整工作流。开发者无需编写每一个步骤的脚本，也不必将工具的每个响应都回传给模型。
4.5 Terminal Agent
过去代码助手主要工作在 IDE 内，模型无法观察代码运行后的真实结果。软件开发是一个高度依赖反馈的过程，模型生成了代码，但只有运行之后才知道对不对。
通过 Terminal，模型可以执行 git status、mvn test、npm run build、docker logs 等命令，观察编译错误、测试失败、运行异常。这让 AI 从代码生成器变成了开发环境中的参与者。Terminal-Bench 2.1 的成绩（Sol 88.8%，Ultra 91.9%）直接反映了这方面的能力。
4.6 真实用户反馈
Benchmark 是实验室数据，真实用户的反馈可以补充参考：
GPT-5.6 帮助用户以比前代模型减少约 25% 的步骤和 35-48% 的工具调用量完成任务，同时将项目成功率提升了 15%，并减少了运行卡顿的情况。
—— Fabian Hedin，Lovable 联合创始人
GPT-5.6 是我们在 CursorBench 上测试过的能力最强的模型之一，在早期评估中表现稳健。在任务持久性、智能水平及整体效率方面的提升，对开发者而言是令人振奋的一步。
—— Oskar Schulz，Cursor 总裁
五、能力拓展
5.1 设计能力
GPT-5.6 在设计方面有一个值得关注的进步：仅凭高层次指导就能创建界面，并且能够检查并优化渲染后的结果，在交付最终作品前主动捕获视觉与功能问题并进行细节修饰。
这个能力转变的实质是：模型从生成完就结束变成了能自己看渲染结果、发现问题、自己修复。官方展示了多个 demo，包括 3D 航海游戏、博物馆网站、室内设计演示文稿、交互式万花尺等，均是仅凭自然语言描述生成。在 ChatGPT Work 中，GPT-5.6 还能将自然语言请求转化为精美的、具有互动性的解释与可视化呈现，这对前端开发和教育场景有直接价值。
5.2 知识型工作
GPT-5.6 在知识型工作方面也有能力提升。它能从用户的文档以及 Slack、Notion、Microsoft 365 和 Google Drive 等日常工作流中提取信息，将其转化为可交付的成果。
具体能力包括：从零开始制作完全可编辑的 PPT（能够推断参考文档的设计体系并一致应用）、更准确地遵循复杂参考格式处理文档与电子表格、在 BrowseComp 上取得 90.4% 的成绩反映其从多源信息中提取和整合知识的能力。
六、安全机制
6.1 Agent 安全的本质变化
传统模型的安全问题相对简单：输入危险内容，模型拒绝回答，核心是内容过滤。但 Agent 的安全问题本质上变了，模型不再只是回答问题，而是拥有了执行动作的能力。
安全的焦点因此从内容安全转向了权限控制。一个 Agent 可能拥有文件读写权限、数据库操作权限、代码执行权限、企业系统访问权限。真正需要防范的不是模型回答错误，而是模型在错误的时间、对错误的资源、执行了错误的操作。Agent Security 更接近传统软件安全中的 Identity + Authorization + Audit + Sandbox，而不只是输入输出过滤。
6.2 分层保护架构
GPT-5.6 采用了分层保护架构：模型内置防护（在训练阶段嵌入安全约束）、推理监控器（Reasoning Monitor，审查对话内容，用推理能力理解上下文而非只靠分类器标记）、实时校验加持续监控加账户级干预（多层冗余，确保单层失效时系统仍然安全）。
关键数据：正式推出前进行了约 70 万个 A100 GPU 小时的黑盒自动化红队测试；网络安全防护拦截量比前代模型增加约十倍；在生物学与网络安全领域，能力均超越前代，但未跨越严重（Critical）风险阈值；最敏感的网络安全能力仅通过 Trusted Access 计划向经过验证的用户开放。
6.3 一个值得思考的权衡
过度拦截本身也有安全风险。如果防护机制太严，防御者无法测试系统和部署补丁，而攻击者却在继续使用其他模型和现有黑客工具。这个观点有道理，安全机制的设计需要在防护和可用性之间找到平衡点，而不是一味加严。
七、开发影响
7.1 AI 辅助研发的数据信号
OpenAI 披露了内部使用数据：每位活跃研究人员的日均 Token 输出是 GPT-5.5 时期的 2 倍以上；用于内部代码推理的计算资源占比增长了 100 倍；内部 Agent Token 使用量增加了约 22 倍。
这些数字本身不能衡量研究进展，但反映了一个趋势：AI 辅助在研发以及销售、营销、用户运营、财务等团队中的应用正在快速增长。
7.2 开发重点的转移
一个明显的变化是：开发者对怎么写 Prompt 的关注正在让位于怎么组织 Agent 的上下文和工具链。GPT-5.6 的产品设计也体现了这一点，可编程工具调用、multi-agent API、显式缓存断点、30 分钟缓存 TTL，这些都是在帮开发者解决工程层面的问题，而不只是提示词层面的问题。
业界将这一趋势概括为从 Prompt Engineering 到 Context Engineering 的转变。这并非 OpenAI 官方术语，而是一个被广泛接受的行业观察。
7.3 AI 应用越来越像传统软件系统
早期 AI 应用可能只需要一个前端加一个 LLM API 调用。未来需要 Agent 层、Workflow 编排、Memory 管理、Tools 集成、监控体系，AI 应用开发会越来越接近后端系统开发。RAG 不会消失，但定位会变化，从独立的 AI 应用范式变成 Agent 系统中的一个知识组件。MCP（Model Context Protocol）等协议的重要性也在提升，Agent 需要连接大量外部系统，统一工具协议是降本增效的关键。
八、现实局限
GPT-5.6 在 Agent 方向上有明显进展，但距离完全自主工作的 AI 还有差距。
可靠性方面，模型仍可能理解错误目标、做出错误决策、产生幻觉。在 SWE-Bench Pro 上，Fable 5 仍然以 80% 领先 Sol 的 64.6%，说明在纯代码理解和修复能力上还有提升空间。
成本方面，Sol 的输出价格 $30/M tokens 并不算便宜。复杂 Agent 需要多次模型调用，综合成本仍然不低。对于高频调用场景，Terra 和 Luna 是更务实的选择。
抽象推理方面，Sol 在 ARC-AGI-3 上只拿到 7.78%，距离通用人工智能还有很长的路。
安全标准方面，让 Agent 自主执行任务、操作生产系统，安全边界如何划定？OpenAI 的分层防护方案是一个起点，但行业整体还没有成熟的标准。
总结
GPT-5.6 代表了大模型应用方向的一次实质性转变：从你问我答到你给目标我执行，从单 Agent 到多 Agent 协同，从单纯追求模型能力到同时追求执行效率。
对开发者来说，真正需要关注的不是某个 Benchmark 上的排名变化，而是一个更深层的信号：AI 应用开发的重心正在从怎么跟模型对话转向怎么围绕模型构建可靠的执行系统。GPT-5.6 在这个方向上迈出了一步，但系统工程的活才刚刚开始。