OpenAI公佈GPT-5.6自進化秘籍！翁荔被曝迴歸

OpenAI 於今日凌晨一次釋出四項重大消息，涵蓋模型自我優化技術、關鍵人才動向、硬體研發進展與用戶規模里程碑。其中，最新旗艦模型 GPT‑5.6 Sol 已開始自主優化生產環境中的 GPU 核心程式，成功將推理服務部署成本降低 20%，同時透過改進推測解碼技術，使整體 Token 生成效率提升超過 15%。此外，剛離職並創辦美國 AI 獨角獸 Thinking Machines Lab 的翁荔（Lilian Weng）傳出將重返 OpenAI，協助公司推進 AI 自進化研究。OpenAI 總裁 Greg Brockman 則透露，公司正在打造一款 AI 硬體，且「用戶可能很快見到」，他認為在多數情況下，人們會選擇與電腦進行對話。在產品規模方面，OpenAI 用戶數首次突破 10 億人，服務企業達 200 萬家。 GPT‑5.6 系列模型於本月初正式發布，旗艦版本 GPT‑5.6 Sol 在 Artificial Analysis 的編程智能體評測榜上表現優於 Claude Fable 5，調用成本約為後者的三分之二；均衡模型 Terra 在智能基準測試中對標 GPT‑5.5，費用僅為一半；快速且經濟的 Luna 則是該系列中響應最快、性價比最高的模型，定價較 Sol 降低八成。這些成果背後，OpenAI 從兩大技術棧進行改革：一是推理服務體系，透過優化負載均衡、推測解碼、緩存機制與內核算子；二是智能體調度基座，針對上下文膨脹、工具調用邏輯與重複計算冗餘進行改善。 在負載均衡方面，GPT‑5.6 Sol 透過 Codex 平台分析全球真實業務流量，能自動定位算力失衡問題，測試新的路由策略，並迭代調度規則。研究人員已訓練 GPT‑5.6 使其能在 Triton 與 Gluon 兩種開源 GPU 編程語言中編寫及優化核心代碼，這些代碼負責執行構成模型的數學運算。該自主優化最終讓端到端推理服務成本降低 20%。另一項關鍵技術是推測解碼，系統同步部署一個較小的預測模型與主模型協同運作：草稿模型先行預測一串 Token，再由主模型並行校驗。GPT‑5.6 Sol 能針對預測模型進行數百組架構對比實驗，並自主啟動訓練任務，遇到硬體故障或訓練震盪時自動介入，使整體 Token 生成效率提升 15% 以上。 此外，模型處理未緩存的輸入 Token 時，會透過高算力消耗構建 KV 緩存，後續生成階段反覆讀取並擴充。以往因配置參數空間龐大，研發人員只能依賴通用經驗規則。如今 GPT‑5.6 Sol 能解析真實線上負載，生成並比對各類備選配置，針對不同場景完成精細化超參優化，形成一套可持續運轉的閉環反饋系統。 在智能體調度基座方面，ChatGPT Work 與 Codex 依賴連續的模型調用與工具調用鏈路完成複雜任務。研究人員指出，若一項任務需發起 30 次模型調用，每次多一秒延遲，累積損耗就很可觀。為此，OpenAI 採用三大手段：管控上下文膨脹、優化工具加載機制、複用已有計算成果。具體做法包括延遲加載檢索，僅在工具被實際調用時才載入上下文；預設限制工具返回輸出內容在 10,000 Token 以內；並將模型可見的全部歷史數據設為「僅追加寫入」模式，避免前文被修改，確保提示緩存的前綴穩定保留。 值得注意的是，GPT‑5.6 Sol 雖然已攻克圈複覆蓋猜想等數學難題，但在二維解謎評測基準 ARC-AGI-3 中正確率僅 7.8%，上一代 GPT‑5.5 更只有 0.4%。OpenAI 研究發現，這並非模型本身的缺陷，而是智能體調度框架的參數配置所致。該框架在模型每執行一次操作後，會清空所有私有推理思考過程，導致模型無法留存上一輪的推演思路；同時採用滾動截斷窗口機制，隨著交互歷史累積，早期操作記錄被自動剔除。當研究人員啟用 ChatGPT 與 Codex 內部默認的兩項 API 配置——推理記憶留存與上下文壓縮後，模型在公開測試集上的得分直接提升 3 倍，輸出 Token 消耗量縮減至原來的六分之一。 具體來說，OpenAI 基於 Responses API 重構了 ARC-AGI-3 的調度框架，讓模型只需傳入上一輪應答 ID，即可在多輪交互中完整保留推理過程。開啟推理內容持久留存後，模型每一步操作前的推演耗時明顯下降，且能隨任務進程不斷習得解題規律。同時，用上下文壓縮機制取代原有的滾動截斷，使模型在更長的解謎流程中留存各謎題的習得經驗，最終以更少的輸出 Token 獲得更高分數。OpenAI 建議 API 開發者採用與產品相同的設置，或在比較不同模型時選擇使用這些設置的評估結果。 伴隨模型性能、核心人才與用戶體量的全線突破，OpenAI 在此次發布中展現了大模型競爭已邁入全棧工程化比拼階段。從算子內核優化到底層技術架構升級，GPT‑5.6 系列所實現的效率提升，源於多年來在算法、推理、智能體調度等技術體系上的層層迭代。OpenAI 認為，隨著模型本身承載並落地大量優化方案，後續的迭代速度將持續加快，而提供低成本、高效率、可規模化的產業落地能力，將成為降低 AI 應用門檻、促進大規模落地的關鍵。