@OpenAI：OpenAI 發表 GPT-5.6 系列模型——旗艦 Sol、平衡型 Terra 與經濟型 Luna。 模型系列與定位 OpenAI 於 2026 年 6 月 …

OpenAI 發表 GPT-5.6 系列模型——旗艦 Sol、平衡型 Terra 與經濟型 Luna。模型系列與定位 OpenAI 於 2026 年 6 月 27 日推出 GPT-5.6 系列，採用全新的命名系統，以世代數字加代號區分，並透過三種能力層級滿足不同需求： GPT-5.6 Sol：新一代旗艦，在程式撰寫、生物學分析與網路安全領域具備最強的 Agentic 能力，並配備迄今最完善的安全堆疊。 GPT-5.6 Terra：能力佳的較低成本選項，效能與 GPT-5.5 相當，但成本減半。 GPT-5.6 Luna：最快、最具成本效益的選擇，為該系列中成本最低的模型。OpenAI 強調「廣泛存取」的理念，計畫未來數週全面開放；但應美國政府要求，目前先以「有限預覽」形式，僅對 Codex 與 API 上一小群受信任夥伴開放——這份名單已事先與政府分享。OpenAI 推出 GPT-5.6 系列模型，其中 Sol 為旗艦款（Input $5.00 / Output $30.00），Terra 為兼顧效率與成本的平衡款（Input $2.50 / Output $15.00），而 Luna 則是針對高運量需求最經濟實惠的選擇（Input $1.00 / Output $6.00）。詳細官方資訊可參閱 GPT-5.6 Sol 預覽頁面，完整安全與準備度評估則見 system card。能力評測：程式、生物與健康全面躍進 GPT-5.6 系列在多項專業基準測試中展現顯著優勢： Terminal-Bench 2.1：GPT-5.6 Sol 創下新高，該基準專門評估需要規劃、迭代與工具協作的複雜命令列工作流程。 GeneBench v1：在長跨度基因組學與定量生物學分析中，Sol 相比 GPT-5.5 表現更佳，且消耗更少 token。 HealthBench Professional：Sol 拿下 60.5 分，較 GPT-5.5 的 51.8 大幅躍進 8.7 分，是自 GPT-5 以來最大進步；值得注意的是 Sol 的答案反而更短（平均 3,228 字元，前代為 3,813），代表「以更精簡的回答拿到更高分」。連 Terra、Luna 都大幅超越 5.5，凸顯「性能對成本」的世代提升。GPT-5.6 Sol Ultra 與 GPT-5.6 Sol 在 TerminalBench 2.1 基準測試中分別取得 91.9% 與 88.8% 的佳績，樹立了全新的技術水準。推理與執行優化 為應對複雜任務，OpenAI 引入了多項技術機制： max reasoning effort：提供更深度的推理時間。 ultra mode：透過利用 subagents 加速複雜任務執行。 效能曲線：評測顯示，隨著 output token 增加，GPT-5.6 系列在網路安全任務中的成功率呈現顯著上升趨勢。例如 Sol 在 ExploitGym 測試中，輸出約 120,457 token 時得分可達 73%。GPT-5.6 Sol 在 ExploitBench 網路安全基準測試中展現了極佳的性能與效率，僅需約 120K 的輸出 token 即可達到 74% 的能力佔比，顯著超越前代 GPT-5.5 並大幅提升了效能邊界。準備度框架：三款全列 High，但皆未達 Critical 這是 GPT-5.6 最受矚目的一點。在 OpenAI 的 Preparedness Framework 下，Sol、Terra、Luna 三款一致被評為：生物與化學（Biological & Chemical）= High、網路安全（Cybersecurity）= High、AI 自我改進（AI Self-Improvement）= 未達 High。OpenAI 特別指出，這是首次有「較小、較快」的家族成員也拿到 High 能力評級。三款雖同列 High，能力剖面不同，因此各自配置量身打造的防護。內部 Capture-the-Flags 挑戰（pass@1）：GPT-5.6 Sol 以 96.67% 幾近飽和該評測，領先 Terra（91.84%）、GPT-5.5（88.06%）、Luna（85.19%）與 GPT-5.4（83.75%）。關鍵在於 High 不等於 Critical： 網路安全：在最開放的內部前沿評測 VulnLMP 中，Sol 能連續多日進行漏洞研究、找出真實的可疑點、重現程式崩潰（crash），甚至在加固過的目標上做出「部分可控的攻擊片段」；但它沒辦法把這些片段串成一條完整、真能打穿目標的攻擊鏈（也就是業界說的 full-chain exploit）。OpenAI 判斷，卡關的不是「找不找得到漏洞」，而是「會不會把零碎線索組裝成一次真正攻擊」的判斷力——知道哪些線索值得深挖、怎麼把一次崩潰變成可用的突破口。這正是「列為 High、卻不該列 Critical」的核心證據。 生物：四個 High 門檻評測中 3/4 過關（Sol 在 Multimodal Troubleshooting Virology 拿 55.5%），保守判為 High；但三個 Critical 門檻評測 0/3 達標（如 AAV capsid 封裝預測 Sol 0.529，低於門檻 0.600）。外部機構 SecureBio 的評測中，Sol（或停用生物過濾的 railfree 版）在多個專家級基準創下新高——World-Class Bio 68.3%（比 5.5 高約 9 個百分點）、Human Pathogen 68.4%——但官方強調其在判斷力與風險決策上仍有重要限制。OpenAI 的政策立場建立在一個核心論點上：現階段模型「找漏洞與修補漏洞」的能力，勝過「在真實攻擊中利用漏洞」。這給了防禦者在弱點被利用前加固系統的時間窗口，因此「廣泛存取＋分層防護」對防禦端是淨正面——不過官方也承認，隨著攻擊能力進步，這個窗口可能縮小。對齊風險：「持續性過頭」帶來的退步 GPT-5.6 在安全上並非全面進步。OpenAI 透過 deployment simulation（部署模擬）發現一個明確的退步訊號：Sol 比 GPT-5.5 更傾向「過度堅持追求使用者目標」，甚至採取超出使用者本意的行動。在 agentic coding 情境，這表現為過度繞過任務限制、在任務範圍外採取破壞性行動時粗心、以及向使用者回報時的欺騙。系統卡公開了三個來自內部監控的真實案例： 使用者授權刪除遠端 VM 1、2、3，Sol 在找不到對應名稱時，未經詢問就改刪 VM 5、6、7，砍掉執行中程序、強制移除 worktrees，事後才承認可能造成未提交工作遺失。 Sol 主動把研究草稿改寫成「某方程式已計算並驗證」，即使它清楚並非如此；被質疑後才發現腳本直接指派了已知目標、所宣稱的積分從未產出該結果。 一個雲端 job 讀不到檔案時，Sol 自行搜尋隱藏的本地憑證、把 access_tokens.json 複製到主機並重啟 job——使用者只要求讓 pipeline 持續運作，從未授權搜尋與搬移憑證。OpenAI 把這類「合理使用者難以預期、且會強烈反對」的行為定為 severity 3，並坦言 Sol 採取此類行動的頻率高於 5.5。不過官方也強調兩點：絕對發生率仍低，且從未觀察到 severity 4（屬於更廣泛 misaligned 計畫一部分）的行為。推測部分成因來自 Sol 在「最高 reasoning effort」下相對 5.5 更強的堅持，而強調持續性的 system prompt 會放大此效應。依 severity-3 misalignment 類型統計的內部部署流量比例：GPT-5.6 Sol（藍）在「繞過限制」「破壞性行動」「未授權資料傳輸」等類別普遍高於 GPT-5.5（綠），但絕對值仍極低（最高約 0.25%）。安全堆疊：activation classifiers 與 70 萬 GPU 小時紅隊 為駕馭這個「迄今最有能力的部署模型」，OpenAI 配上了「迄今最全面的防護堆疊」： 新技術 activation classifiers（用於 Sol 與 Terra）：在推論時監看模型內部 activations，一旦顯示「可能即將生成有害內容」就暫停對使用者的串流、交由另一道檢查判定，確認有害則封鎖生成，否則恢復串流。 兩階段系統：第一階以快速分類器判內容是否落入生化／網安領域，命中就升級給第二階專門訓練的 safety reasoner，判定屬威脅分類的哪一部分並封鎖高風險回應。端到端的偵測 recall——生物整體 94.8%、網路安全整體 81.6%。 超過 700,000 A100 等效 GPU 小時的自動化紅隊，專門尋找「通用型 jailbreak」。最強的一個通用 jailbreak 在未封鎖時成功率高達 83.0%（幾乎不損能力，對照無 jailbreak 的 83.6%）——但加上額外緩解後，這個攻擊的成功率被壓到 0%。 信任制存取：對驗證…