OpenAI 推 GPT-5.6 系列 + ChatGPT Work:Coding Agent Index 80 分创 SOTA,ultra 档位默认开 4 个并行 Agent

> 2026-07-09 · OpenAI · AI Agent 商业化 > 原文链接:https://openai.com/index/gpt-5-6/ > ChatGPT Work 链接:https://openai.com/index/chatgpt-for-your-most-ambitious-work > Programmatic Tool Calling 文档:https://developers.openai.com/api/docs/guides/tools-programmatic-tool-calling > System Card:https://deploymentsafety.openai.com/gpt-5-6

事件:不是单模型,是「旗舰 + 均衡 + 极致性价比」三层组合 + 工作型 Agent

7 月 9 日,OpenAI 同步发布两件事:

第一件:GPT-5.6 系列三档(Sol / Terra / Luna),加上两个推理档位(max 和 ultra),全面覆盖「最强智能 ↔ 极致性价比」的价格-性能曲线。

第二件:ChatGPT Work,一个能跨应用和文件自主工作数小时的 AI 智能体,「为你的雄心勃勃的工作而生」。每周已经有 500 万用户在用 Codex,而 ChatGPT Work 是 Codex 技术在跨应用工作流上的进化版。

GPT-5.6 三个模型的定位和定价:

模型	输入 $/1M	输出 $/1M	定位
Sol	5.00	30.00	旗舰,智能+效率双 SOTA
Terra	2.50	15.00	均衡,性能对标 GPT-5.5,成本更低
Luna	1.00	6.00	极致性价比,大规模部署

每个模型还有两个推理档位:

max:更长的推理时间和探索空间
ultra:默认协调 4 个 Agent 并行处理复杂任务,API 中可通过 Responses API 的 multi-agent beta 配置最多 16 个 Agent

关键基准:SWE-bench Coding Agent Index 80 分创 SOTA

GPT-5.6 Sol(max reasoning) 在 Artificial Analysis Coding Agent Index v1.1 上拿到 80.0 分,这是当前公开 SOTA。

完整对比:

模型	Coding Agent Index v1.1
GPT-5.6 Sol(max)	80.0(SOTA)
GPT-5.6 Terra	77.4
Claude Fable 5	77.2
GPT-5.5	76.4
GPT-5.6 Luna	74.6
Claude Opus 4.8	72.5
Gemini 3.1 Pro Preview	42.7

更关键的是:Sol 的输出 tokens < Fable 5 的 1/2,耗时 < 1/2,成本 ≈ 1/3。智能变强了,但 token 消耗、时间消耗、金钱消耗反而都下降了。这是一个少见的「全维度 Pareto 前沿推进」。

其他基准(Sol 表现):

Agents' Last Exam:Sol 53.6(新高) —— 比 Fable 5 高 13.1 分
Terminal-Bench 2.1:Sol 88.8% / Sol Ultra 91.9%(SOTA)
BrowseComp:Sol 90.4% / Sol Ultra 92.2%(SOTA)
OSWorld 2.0:Sol 62.6%,超过 Opus 4.8 且输出 tokens 减少 85%
SEC-Bench Pro:Sol 71.2% / Sol Ultra 74.3%
ExploitBench 2:Sol 73.5%(GPT-5.5 仅 47.9%)
DeepSWE v1.1:Sol 72.7%

Programmatic Tool Calling:让模型自己写代码来编排工具调用

这是这次发布里最有架构意义的部分。

传统 agent 流程是这样的:开发者手工编排每一步,或者把每个工具响应都传回模型让模型决定下一步。这两种模式都有问题——前者工程量巨大,后者 token 消耗爆炸。

Programmatic Tool Calling 让 GPT-5.6 在内存中编写并运行轻量程序,用来:

编排工具调用
处理中间结果
监控进度
动态选择下一步动作
过滤大量中间数据,只保留关键信息,大幅减少返回给模型的 tokens

这个设计的工程价值是:它把 agent loop 从「模型思考-工具调用-模型再思考」的串行模式,推进到「模型写程序-程序调用多个工具-程序汇总结果-模型决策」的并行模式。

配套能力是 Zero Data Retention (ZDR) 兼容——这意味着 Programmatic Tool Calling 适合对数据驻留有严格要求的客户(金融机构、医疗机构、政府客户)。这条路径走通后,以前「敏感行业不能用 agent」的障碍少了一个。

ChatGPT Work:让 Codex 跨应用工作

ChatGPT Work 的产品定位非常清晰:一个能跨应用和文件收集信息、将复杂项目分解为小步骤独立完成并持续工作数小时的 AI 智能体。

内含的 Codex 技术是它的底座。OpenAI 在发布稿里给了一组数字:目前每周超 500 万用户在使用 Codex。这是一个非常关键的市场信号——Codex 已经不是「极客玩具」,它已经进入主流开发者工具市场。

ChatGPT Work 的能力层级:

跨应用和文件收集信息
将复杂项目分解为小步骤
独立完成(无需持续的人类干预)
持续工作数小时
由 GPT-5.6 驱动,具备多步骤推理和按模板生成材料的能力

值得关注的原因

1. 「分层模型 + 分层推理档位」的产品策略走向成熟

GPT-5.6 不是单一模型,是「Sol/Terra/Luna」三层 ×「max/ultra」两个推理档位 = 6 个不同的能力-成本组合。

这种设计的产品逻辑是:让用户为自己的实际需求付费,而不是为前沿模型的全量能力付费。一个文档总结任务用 Luna,一个复杂多步研究任务用 Sol + ultra,中间的所有粒度都有覆盖。

对 OpenAI 自身来说,这是 token 经济的进一步精细化运营——以前一个模型只能用一个价,现在可以在同一接口下根据用户场景自动选择最优成本组合。

对竞品(Anthropic、Google)来说,这构成了直接的产品压力——它们要么也推出类似的分层模型,要么在「单模型 + 更低价格」上死磕。Claude Fable 5 在 Coding Agent Index 上 77.2,Sol 已经 80.0,这个差距需要 Anhtropic 用下一代模型来回应。

2. Coding Agent Index 80 分意味着什么

Artificial Analysis Coding Agent Index v1.1 是一个综合性的 agentic coding 评测——它不是单一的 SWE-Bench,而是综合了多个真实工程任务的复合分数。80 分意味着:

在端到端的「接需求-读代码库-改代码-测试-提交」循环里,模型独立完成 80% 的任务
这是「Copilot 时代」到「Agent 时代」的临界点——以前模型只能写代码片段,现在可以独立完成整个 PR
80% 的数字还在涨——5 年前 SWE-Bench 是 0%,2024 年是 30%,2025 年是 60%,2026 年是 80%

对软件工程行业来说,这个数字意味着 「AI 替代初级程序员」的预测已经从假设变成可量化的现实。昨天(07-07)Stanford 的数据(22-25 岁软件开发人员就业下降 19%)就是这个趋势的经济后果。

3. ChatGPT Work 把 Codex 推向「跨应用员工」

Codex 原本是 IDE 里的编码助手。ChatGPT Work 把它推到「跨应用的数字员工」层面——它能读 Slack、看 Notion、查 Excel、改 GitHub、写 Confluence,而不仅仅是写代码。

这个定位的转变很关键。在企业市场,「AI 帮你写代码」和「AI 帮你完成项目」是两个完全不同的购买决策。前者是工具支出(开发者预算),后者是劳动力支出(运营预算)。ChatGPT Work 直接瞄准后者,这是 OpenAI 把企业 ARPU 拉高的关键路径。

4. 中国背景:Coding Agent Index 80 分的中国意义

GPT-5.6 在 Coding Agent Index 上创 SOTA 的同一天,Cognition 发布了 SWE-1.7(基于 Kimi K2.7),Terminal-Bench 上 81.5%。同时美团 LongCat-2.0 已在 SWE-bench Pro 上超越 GPT-5.5(07-06 报道)。

这意味着 「AI coding 的前沿能力」已经不再是单一公司、单一国家的游戏——美国闭源旗舰(OpenAI)、美国第三方 RL(Cognition)、中国开源基座(月之暗面)、中国主权模型(美团)在同一个细分赛道上同时提供前沿能力。

对中国 AI 行业来说,这是一个双向信号:

正面:Kimi K2.7 作为基座被 Cognition 选用,证明中国开源模型的工程水平被国际顶级应用认可
反面:前沿模型的核心增量(RL pipeline、agent harness、产品体验)依然主要由美国公司定义,中国公司在「基座训练 + 原始创新」上的优势没有完全转化为「应用层定义权」

风险与待观察

诚实承认几点不确定性。

第一,Coding Agent Index 的基准选择争议。Artificial Analysis 是一个独立评测机构,但它的评测集和权重是公开的——这意味着模型厂商可以针对性地优化。SWE-1.7 在 Cognition 自家基准 FrontierCode 上 42.3%(领先 GPT-5.5 一点点),但在 Artificial Analysis Coding Agent Index 上低于 GPT-5.6 Sol 多个身位。这种「同一类能力、不同基准、不同排名」的现象会越来越常见。

第二,ChatGPT Work 的「跨应用」是真自主还是预设模板。发布稿里说「将复杂项目分解为小步骤独立完成」,但没有披露具体的工作机制。如果底层是用预设的 workflow 模板,那 ChatGPT Work 仍然是一个「高级自动化工具」;如果底层是真正的开放式 agent loop,那是另一个量级的产品。期待后续公开的技术博客能说清楚。

第三,ultra 档位的 4-Agent 并行是否真正解决问题。4 个 Agent 并行理论上能加速复杂任务,但实际生产中,Agent 之间的协调成本可能吃掉并行收益。OpenAI 没有公开 4-Agent 并行的端到端 latency 改进数据,这是一个需要等待验证的产品细节。

第四,GPT-5.6 Sol 定价 $5/$30 per 1M tokens 仍然不便宜。Luna 是 $1/$6,这是首次把前沿模型的「轻量版」压到 $1 输入。但 1000 TPS 级别的 Cerebras 推理 + 0.25x 成本,到底能不能撑起 GPT-5.6 Sol 80 分的体验?这是个开放问题。

总的来说,GPT-5.6 + ChatGPT Work 是 OpenAI 在 2026 年中段最重要的一次产品发布。它的战略意图清晰:用分层模型覆盖所有用户场景,让 Codex 从工具走向员工,在企业市场建立定价权。接下来 12 个月,Anthropic 和 Google 必须回应这个产品策略——这场模型厂商之间的「产品体验战」会直接决定企业 AI 支出的流向。