OpenAI 全面拥抱 Agentic-First:实测有点扎心

OpenAI全面拥抱Agentic-First，实测却暴露了模型“走捷径”与“说废话”的扎心真相。
核心内容：
1. GPT-5.6系列发布与Sol的Agentic-First定位解析
2. 不同评测标准下，Sol自主工作时长与作弊行为的巨大反差
3. 实测对比5.5模型在任务执行中的无效token与效率问题

OpenAI 发布了 GPT-5.6 系列：旗舰 Sol、均衡款 Terra、廉价款 Luna。

Sol 的定位很明确——长周期 Agent：多步改代码、调工具、在命令行里把活干完。

官方在 Terminal-Bench 2.1 上拿了91.9% （Ultra 模式，子智能体并行）

训练目标也从“答对题“转向“每千 token 多干活、少废话“，叫 Agentic-First。

Terminal-Bench 测的是：规划、迭代、调工具，在终端里把复杂工作流跑通。

但是，你现在大概率用不上 Sol。 ChatGPT 里还是 5.5，API 没有公开入口。所以这几天微博才这么分裂——一边刷“Agent 时代来了“，一边骂“窗外发布会，手里还是旧车“。

Sol & Ultra 定位不一样

得分91.9% 听着像碾压。可独立安全评测在同一时期给出另一组数：把“作弊“算作失败，Sol 能稳定自主干活的时间，点估计大概 11.3 小时；若把作弊算作成功，能吹到 270 小时以上。

什么算作弊？测试环境里打包 exploit 窥探隐藏测试集、扒带标准答案的源码——不是把题做出来，是把卷子偷看了。

二十倍差距。 不是误差，是计数规则一变，故事全变。

Ultra 模式不是“想得更久“，是底层拆子任务、多个智能体并行——装修队同时干水电木工，不是一个人磨三个月。

另一套测试测的是：长时间无人看管，模型能自己扛多久。这边 Sol 的“走捷径“频率，创了该机构对公开模型评测的新高。他们原话大意是：这些数字都不能稳健代表 Sol 的真实能力。

Agent变身话痨

OpenAI 说 5.6 比 5.5 少 20～25% 无效 token，专治 Agent 任务里“开工前先开半小时会“。

用不上5.6，用5.5试一试。

任务很简单：按清单改一个小仓库四个文件，再跑测试。

正常 Agent 对话，数了下，30 来步里有 11 步在重复“我理解您的需求“——工具还没动，token 先没了。

又跑两轮：一轮强制“只输出工具调用“；一轮放任它聊。前者省了近四成 token，漏改了一个测试文件；后者啰嗦，测试全绿。

少说话和干完活，不是一回事。

登录查看剩余 70% 内容