GPT-5.6一夜刷新AI智能天花板 最小模型成本暴降25倍

GPT-5.6再次刷新AI智能天花板！

OpenAI重磅发布《GPT-5.6构建者指南》，交出了一份亮眼的成绩单。

在ARC-AGI-3上，GPT-5.6 Sol的性能从13.3%飙到38.3%，输出Token暴降6倍。

另一边，「超小杯」Luna表现同样惊艳：

在BrowseComp测试中，它以84.04%性能直逼GPT-5.5（84.36%），更将成本从33.27 美元打到1.33美元。

此外，官方还附上了「保姆级」教程，教初创团队如何以更低成本跑GPT-5.6。

GPT-5.6实力大涨，输出Token砍6倍

仅一个月的时间，GPT-5.6 Sol内部悄悄完成进化。

一直以来，ARC-AGI-3是顶尖AI还未拿下50%的最难测试，测试规则非常简单——

把AI丢进一堆没见过的2D小游戏里，不给说明书，让它自己摸索规则怎么玩。

结果，GPT-5.6 Sol在官方榜上只拿了7.8%，而GPT-5.5仅有0.4%。

就拿上一代对比来看，同一个Sol在ARC-AGI-2上考了92.5%分，还通关了《宝可梦·火红》。

为此，OpenAI两位研究员Ilan Bigio和Ted Sanders去查了原因，问题出现在harness上。

ARC官方的「通用harness」干了两件事：每走一步，就把模型的私有推理过程丢掉；上下文一满，就从最老的开始截断。

也就是说，模型每走一步，记忆就会被清空，然后再重来一遍。

于是，团队把harness换成Responses API，打开两个开关「推理保留」和「压缩」，重新跑了一遍公开题集。

没想到，GPT-5.6 Sol从13.3%飙到38.3%，且输出Token减少6倍。

「超小杯」Luna，成本更低了

这份《建造者指南》里，最抓眼球的一组对比，来自BrowseComp。

这是OpenAI自己打造的，一个专考「能不能在全网输出冷门事实」的榜单。

三个月前，GPT-5.5开到Extra High档，拿下84.36%，总花费33.27美元。

现在，GPT-5.6家族里最小最便宜的Luna，同样Extra High，拿下84.04%，花了1.33美元。

虽然成绩仅差0.32%，但成本砍了足足25倍。

当然了，OpenAI想要说的是——

三个月前，只有旗舰GPT才能干的活儿，现在最低档的小模型Luna，也能做到八九不离十。

让GPT-5.6自写代码、调工具

指南中，OpenAI还给出了另外三种方式，都是让GPT-5.6实现更低成本部署。

第一个，是程序化工具调用（Programmatic Tool Calling）。

以前的Agent像个事必躬亲的老板：每收到一份材料，都需亲自过目一遍，才能说下一步干什么——调100次工具，就得来回100趟。

现在模型可以直接写一段JavaScript，在沙箱里把工具批量调完、筛完、汇总完，只把最后那张表拿回自己眼前。

金融研究公司Rogo的实测结果，质量打平的前提下，输入Token少用了21%。

第二个，是「原生多智能体」。

主模型当工头，把活拆给一群子模型并行去干，最后收回来汇总。

ChatGPT里那个ultra档位，本来就是这么跑的，默认四个agent同时开工。

产品公司Obvious的联创Jon Bell说，他们一口气扔了六份需求进去，边写边搭边讨论，全程没散架。

第三个，是「提示词缓存」。 

缓存有效期拉长到至少30分钟，断点还能自己指定位置。

AI公司Ploy的工程师给一段29000 token的共享提示词加了断点和工作区专属键，未命中缓存的输入直接少了28%。

每秒750个token，加速14倍

同一天，OpenAI放出了Ultrafast模式预览版。

GPT-5.6 Sol，最高14倍速，每秒吐出750个token，先在OpenAI API上线。

这件事的分量在于，它撕掉了一条用了两年的潜规则——想要实时响应，就得退而求其次换个小模型。

现在不用了，Ultrafast跑的还是那个Sol，智能水平一点没减。

Cerebras自己做了一组对照，选的题是Humanity's Last Exam——2500道通常只有博士才答得上来的题。

Sol Ultrafast跑完全部2500题，用时11小时11分。

Claude Fable 5跑同一批题，用了78小时27分，三天多。

准确率相当，速度差了近7倍。

提分、降本、提速，短短一个月的时间，GPT-5.6完成了一次真正意义上的全方位进化。