如果你只是把GPT5.6当成是一次
模型分数又涨了的发布
那你就可能错过了
这次更新最值得警惕的一件事
过去我们使用AI
就像是在问一个很聪明的人
让他帮我写一段代码
做一页PPT读一份报告
他给你一个答案
你继续接手
但这一次
OPI展示的方向已经变了
他不止回答
他还开始拆解任务
调用工具
检查结果
让多个智能体并行工作
而在官方发布的直播展示内部案例
旗舰模型Soul
甚至参与了对NUNA的后训练工作
所以最强的AI已经开始参与
如何让下一代AI
变得更好的那段工作流
注意
我不是说AI已经实现了
完全自主的地规自我改进
更不是说
它明天就会关起门来自我进化
那是两回事
但是从人类研究员写脚本
条参数
跑实验
到AI能够诊断训练系统
运行实验
解释结果
参与模型改进
这条路上最难
最有价值的一段
已经被他走进去了
今天我们要拆开
GPT5.6真正的信号
那就是
它为什么不只是一颗
更聪明的脑袋
它为什么像一个
能被随时召唤出来的项目团队
它为什么让未写提示词这件事开始过时
以及在AI真正接手工作流之前
人类究竟还剩下哪一种不可替代的能力
这些视频最值得看的不是答案
而是生产答案的方式变了
GPT5.6这次不是只发了一个模型
而是同时给出了三个长期存在的能力层级
Soul、Terra和Nuna
Soul是旗舰解决最难的编码研究
知识工作和高风险专业任务
Terra是更均衡适合日常专业工作的一层
Nuna则瞄准高频
大规模对成本和速度极度敏感的任务
官方强调这三个名字不是一次性的营销后缀
而是会分别按自己的节奏演进的能力层级
这背后的意思很重要
也就是未来不是所有任务都扔给最贵的模型
真正成熟的AI工作流会像一家组织一样分工
最贵最强的Soul用来判断方向处理例外
解决最难的问题
Terra在稳定的中间层执行
Nuna负责大规模的分类摘要提取和重要性工作
而真正让我停下来的
是官方在发布直播里展示的那一幕
就是Soul参与后训练Nuna
我们不需要把它神话成AI生孩子
但它确实极具象征意义
过去人类把模型当工具
现在模型开始进入制造工作的流程
OpenAI在博客中也明确写到
研究人员已经在用GPT5.6诊断失败
优化训练系统运行实验解释结果
他们的内部研究评测中
与低规自我改进相关的一组能力
叫GPT5.5提升了16.2分
这个数字不等于自动研究员已经诞生
但它说明了一个方向
就是AI不再只服务于最终用户
也开始反过来加速AI本身的研发
屏幕上的这张图不是自动研究员已经上线的证明
这是自动研究员所需的一种能力
就是调试实验优化和改进模型
这是正在被快速补齐的证据
从今天开始我们可能要习惯一个新的画面
就是人类研究员不再亲自完成每一次实验
而是给出目标边界和评价标准
让模型去跑更多轮尝试
再用人类决定什么值得被相信
什么值得被部署
什么值得被承担后果
模型变强当然很重要
但模型真正改变世界的那一刻
往往不是它第一次答对难题
而是它开始在可接受的成本里
把完整工作交付出来
OPI给GPT5.6的定位很准确
一个是Inficient by Default
默认高效
还有一个是Maximum Performance on Demand
需要时再把性能拉满
别把这张图理解成一场考试的胜负
它真正想展示的是
当任务变长跨领域需要多部推进时
模型有没有把完成一次工作的成本打下来
官方数据显示
在Agent's Last Exam
一个覆盖55个专业领域
偏长周期工作流的评测中
GPT5.6Soul的最高成绩为53.6
在中等推理设置下
它仍然超过Cloud Fibo 5 11.4分
而预估成本大约为后者的四分之一
对于这个分数
你要理解它的商业意义
就是以前你让AI做一件长任务
最怕的不是它不聪明
而是它会想很久调用很多次
花很多钱
最后却仍然交给你一堆需要反共的半成品
现在竞争的核心正在变成
省得用更少的Token
更少的模型往返
更少的人工丁梢
让任务真正往前走
在编码智能体评测
Artificial Analysis Coding Agent Index上
官方称Soul在Max推理下达到80分
相比Fibo 5高出2.8分
同时输出Token少于一半
耗时少于一半
预估成本大约低三分之一
Terra和Luna也不只是缩水吧
官方称它们在相应比较中
用更低的时间Token和成本
仍维持很有竞争力的编码表现
前面切换的这三张图
要说的是同一件事
就是Soul不是单纯把分数做高
它试图同时少花钱少等待
少吐无效Token
对于写代码的人来说
这比East Bank Mark多两分
更接近日常体验
但这里要提醒一句的是
所有厂商的Benchmark
都应当看作是值得测试的信号
而不是你项目里的保证书
真实成本会随任务
提示工具调用
重视次数和上下文长度大幅变化
所以这期视频的结论不是
GPT 5.6永远最强
真正的结论是
模型能力开始从一个昂贵的演示品
变成一条更接近工业化的成本曲线
当智能的单位成本下降
原来请不起AI团队的任务
才会第一次被认真地搬进真实的工作流
如果说效率解决了用不用得起
那Ultro解决的就是
一个模型不够是怎么办
过去的推理模式
本质是让同一个模型多想一会儿
低中高X-high max
它会探索备选方案
检查自己修改路径
这个逻辑很好理解
就是拿更多推理时间换更高质量
Action再往前走了一步
官方的定义非常明确
它会默认协调四个agent
并行处理复杂任务
以更高talk消耗换取更强结果和更短的完成时间
官方也展示了16A的配置的评测
但那是额外配置和实验比较
不要把它误读成日常默认开了16个分身
看横轴和纵轴的关系
理想的升级不是为了更高分而无限延迟
而是在更短的时间里把结果推得更高
Action的野心就是把单个agent的思考换成并行工作流
这听上去像什么呢
像是你把一个模糊但是困难的项目扔到会议室里
瞬间出现四个人
一个先做任务拆解
一个去找资料和约束
一个尝试执行
一个专门寻找漏洞
最后由系统把它们的结果汇总
这就是多智能体最让人上瘾
也最容易让人误解的地方
它不是魔法
四个错误的人不会自动拼成一个正确答案
并行也不是免费的午餐
Token成本协调和失败风险都会增加
但对于那些路径很多需要交叉验证
当个模型容易卡死的任务
多智能体解决的不是想得更久
而是同时从不同方向去试
官方在Browsecap SEC Bench Pro和Termal Bench 2.1的图表中展示
增加并行agent之后
分数与延迟的边界被推向更好的一侧
说白了
同样是做难题
他不一定要等一个人把所有路都走完
Cursor的奥斯卡·舒尔茨
对早期评测的评价非常克制
他认为这是他们测试过的最强模型之一
并特别提到了持久性、智能和整体效率
但要注意的是
这是合作伙伴的早期评价
而并不是独立评测结论
但他恰好说明
开发者真正关心的
已经不只是会不会补权代码了
对使用者来说
最关键的升级其实不是会不会点Altra
而是你有没有能力把任务说成一个
可被团队并行处理的目标
帮我做一个网站仍然是个坏任务
基于这一份品牌规范和三份访谈
先提出三个信息架方案
再选风险最低的方案实现成可以访问的落地也
完成后检查移动端表单和关键转化路径
并输出改动说明
这才是可以被一个AI团队真正接住的任务
未来提示词会变得越来越像像Brief
不是祈祷式的问一句
而是给清楚终点约束素材
验收标准和不可以碰的边界
我们看看这个游戏视频
先别管它背后是不是AI
你觉得你第一眼会不会把它当成一个真正在售的小游戏呢
这就是官方把它放在A-Lib Forward InDesign第一位的原因
就是真正有说服力的不是他写了多少行前端
而是交回来的东西是否已经像个产品
很多人低估了GPT5.6最实际的一项变化
就是设计判断和计算机使用能力
以前的AI很会生成
它可以生成代码
生成文案
生成HTML
生成图片
但生成不等于交付
它经常只能看见自己写出的文本
而看不见网页渲染后是不是挤在一起
也看不见按钮在移动端是否点得到
也不懂一份PPT
虽然信息齐全
却根本不能上回
OpenAI对GPT5.6的描述是
它的计算机使用能力更强
能检查并完善已经渲染出来的结果
而不只是生成底层代码或者内容
这句话非常关键
它意味着AI开始拥有一条
从做出来到看一眼到发现问题
再到再修的反馈回路
这不代表它已经拥有稳定的人类审美
更不代表每次都能交出好设计
但对于真实工作
能看见最终呈现
往往比会写一段代码更重要
前面的三个交互案例
比一张漂亮的网页更值得看
它展示的不是静态网页生成
而是模型把一个抽象概念做成可以拖
可以看可以理解的交互解释器
官方还特别强调了知识工作
它能把 Slack
Notion
Microsoft 365
Google Drive等工作流中的杂论上下文
整理为可以分享的专业成果
在演示文稿
文档和表格上
它更能遵循参考模板
理解版式、字句、颜色、模板和重复内容规则
这类对比不如游戏炫酷
但更接近日常工作
真正花时间的从来不是生成第一版
而是让它遵守现有版本
别把关键组件丢掉
能直接进入下一轮审核
说点我的体验
我在长期使用Hermes的时候感觉
一个好的智能体
不是AI一键做出神级网页
而是一个更成熟更接近生产环境的过程
给它一份旧的deck
一套品牌规范
一些散乱的资料
它先理解哪些不能改
哪些要补
再做出可以继续编辑继续审核的出港
最后让人类把时间花在判断方向上
这才是所谓全能数字员工最值得讨论的版本
它不是一个会替你按键盘的幽灵
而是一个能把复杂信息收数成
可审核产物的协作者
所以你可以更新一下拆GPT的桌面版本
GPT 5.6在Workspace和Codex里
已经开始吞噬Hermes的这些能力
它很强
但Hermes仍然有自己的生存空间
而支撑底层这一切的是Programmatic Tool Calling
官方所说的不是AI把10万号Excel全塞进脑子
而是模型可以在Responses API里面写
并行内存中的轻量程序
协调工具处理海量中间结果
保留真正重要的信息
并在过程中调整下一步
少一点把数据来回搬运
少一点模型与工具的往返
少一点人类盯着每一小步确认
你会发现真正被替代的不是某一个职业名称
而是大量人类只是充当软件之间搬运工的工作片段
这不是用来教任何人攻击系统的图
它说明的是
模型已经更能理解从脆弱代码到可执行利用之间的复杂链条
所以官方同时强调
它的防御性价值
也就是审计修复威胁节目蓝队
也必须伴随更严格的访问与监控
同一件事在网络安全和生命科学上同时出现
AI不再只会写一段看聪明的回答
它开始参与更长更专业更需要验证的过程
能力越靠近现实世界
安全验证和责任就越不能被当成片尾小字
OPEN也明确写了它对可信访问的限制
个人需要在9月1日前启用Advanced Account Security
才能保留最高Cyber Capable模型访问权
组织需要申请Trusted Excise for Cyber
同时会在高风险实体与高风险辖区做额外限制
所以对于被限制的地区的用户
我的建议是
还是把核心业务放在开源模型上
没有必要对目前的头部B用AI公司心存幻想
当然
模型发布当天最有意思的从来不是
厂商自己怎么说
而是第一批重度用户
把它扔进真实任务之后发生了什么
有一种声音是惊艳
Matt Schumer分享过一个案例
GPT 5.6SO一次性完成了一个体速化迈哈顿项目
按他的描述
模型未完成任务
自己运行了接近一周
你可以把它看成是一个极端案例
不要把单个展示当成普遍结论
但是他足够说明
长周期持续执行的agent
已经不只是实验室里的概念了
第二种声音是泼冷水
而且这种声音非常重要
开发者
Addit也在测试AI数据看板后直言
UI仍然有浓厚的AI生成感
没有看到巨大改善
这正好提醒我们
设计能力的提升不等于审美问题
已经被彻底解决
能做出一个能跑的界面
和能做出一个让用户愿意停留
让品牌愿意签字的界面
中间仍然隔着品位上下文和业务判断
第三种声音可能是我最喜欢的一条
工程师Mark Miller分享GPT5.6Soul
用一次调用重构了整个代码库
也就是50,235次调用
15个小时
60亿Token
100万行新代码
1500个新文件
然后他写了一句
大意是没有一处真的能跑
但确实壮观
这就是今天agent的真实状态
他们能把产出量推到人类难以想象的高度
但是产出量不等于可靠性
自主运行时间不等于对目标的理解
看起来完整也不等于可以上线
所以不要把GPT5.6神化
真正专业的使用方式不是让它无限跑
而是给它明确目标
拆分可验证阶段
设定验收标准
并在关键节点保留人的判断和责任
这张价格表你可以仔细去看看
它实际上是整场发布的商业答案
SO负责最难的角色
Terra负责平衡
Nura负责规模化
缓存和工具调用
再把反复工作压低
未来真正跑起来的
不会是一个无所不能昂贵无比的神模型
而是一条懂得分工的智能产线
好 让我们回到开头那个问题
GPT5.6到底改变了什么
它不只是把一个模型做得更聪明
它把Soul Terra Nula
变成了一条可以丰功的智能产线
它让默认高效和暗需拉满性能同时成立
它用Ultro让多个Agent开始运行协作
它让AI不止生成代码和内容
也开始检查渲染结果
加工可交付的文档表格与演示文稿
它还开始参与训练系统实验和模型改进
这些更靠近AI研发核心的工作
所以最危险的误解是
未来属于最会操作AI的人
不 按钮会越来越简单
界面会越来越像聊天
连工具调用 任务拆解和执行路径
都会越来越被系统藏在背后
未来真正值钱的人是最会给AI下达完整目标的人
他知道什么问题值得解决
他能说清楚什么叫做好
他能提供别人没有的上下文判断和审美
他也愿意在AI做错时承担最后的责任
会写代码的人不会因此失去价值
设计师 研究员 运营 创业者也不会凭空消失
但所有人的价值都会更少的来自
亲手完成每一个动作
更多的来自决定方向 建立标准
组织智能并判断结果是否真的值得存在
当AI开始像一个团队一样工作时
人类最该升级的就不再只是自己的工具熟练度了
而是你带领一个团队走向结果的能力
哪怕这个团队今天还没有一个人类成员
好的 这里是World Insight
今天的视频就先聊到这里
如果你喜欢今天的节目
别忘了点赞分享并订阅我的频道
及时获取科技资讯和深度解析
如果你觉得对你有帮助
欢迎加入我的会员
每月一杯咖啡的钱
这就是对我最大的支持
好 感谢观看 我们下期再见