GPT-5.6 正式上线，Codex 和 ChatGPT 合并，顶级 Agent 能力开始按任务定价
云朵君约 7 分钟OpenAI 在周四正式推出了 GPT-5.6 系列，同时把 Codex 整合进了 ChatGPT 桌面应用，并发布了一个新的智能体工具 ChatGPT Work。三件事同一天发生，很容易让人觉得"OpenAI 又发了个新模型"。但如果只盯着跑分看，会漏掉这次发布真正改变的东西。
GPT-5.6 的新模型确实能打——Sol 在 Agents' Last Exam、Coding Agent Index 和 Terminal-Bench 2.1 上都进入了和 Claude Fable 5 同一梯队的能力区间。
但更值得关注的结构变化是另一件事：OpenAI 把顶级 Agent 能力拆成了可按任务购买的不同价格档位。 Sol、Terra、Luna 三档模型加上 medium / high / max / ultra 多级推理深度，同一个模型体系下出现了多个独立的价格-能力组合。再加上显式缓存断点和多 Agent 并行，单次任务的总成本不再由模型名称决定，而是由你选择的档位组合决定。
01Sol 很强，但不是全场景替代
先看硬数据。GPT-5.6 系列分三个能力层级：旗舰 Sol、均衡 Terra 和轻量 Luna。API 标价分别为每百万 token 5 / 2.5 / 1 美元（输入）和 30 / 15 / 6 美元（输出）——Sol 的标价约为 Fable 5 的一半，Terra 和 Luna 更低。
在各家评测上，启用最高推理强度的 Sol 在覆盖 55 个领域的 Agents' Last Exam 上取得 53.6%。
在 Coding Agent Index v1.1 上取得 80 分。
在 Terminal-Bench 2.1 的 Ultra 模式下达到 91.9%——这三个数字分别是各自评测的当前最高或并列最高分，且均以低于 Fable 5 的 API 标价实现。
但 SWE-Bench Pro 上的数字是 64.6%，而 Fable 5 是 80%。二者差距显著。
一个模型的单项评测落后，通常只能说明"它在这个特定评测定义和任务集合下不够好"。不能自动证明这是多 Agent 并行的固有缺陷，也不能反推出它在所有仓库级任务上都不行。但把领先和落后的评测放在一起看，一个模式开始显现：GPT-5.6 在任务路径明确、步骤可拆分的场景（命令行操作、终端测试、浏览器自动化）表现突出，在开放式的仓库级代码修改上出现缺口。Fable 5 的领先侧则正好相反——SWE-Bench Pro 80 分是一骑绝尘，但 Terminal-Bench 2.1 上反而被 Sol 甩开了近 9 个百分点。
OpenAI 官方对 SWE-Bench Pro 的结果提出了异议，声称约 30% 的评测实例存在结构性缺陷。这目前是厂商自述，没有独立裁决，不能当定论——但它确实提醒了一件事：任何单个 Benchmark 都不该被当作模型的"真实编码能力"全貌。
如果只看一条评测，你会得出"Sol 秒杀 Fable 5"或"Fable 5 吊打 Sol"两种完全相反的结论。把多条评测并排看，结论变成：Sol 已进入 Fable 5 的能力区间，但优势侧不同——选模型不再是选"谁更强"，而是选"谁在你的任务类型上更稳"。
02三档模型 × 推理强度：一个选择框架
GPT-5.6 真正的结构变化不在性能排行榜上，而在价格表上。Sol / Terra / Luna 三个档位不是"好 / 中 / 差"的质量分层，是同一代模型体系下按能力密度定价的长期档位。每档之上再叠加 medium / high / max / ultra 等推理深度，形成了两轴独立的组合矩阵。
这不是 OpenAI 第一次做模型分层。但结合这次同步推出的显式缓存断点机制（最短保留 30 分钟，读取享 90% 折扣），和多 Agent 并行（默认 4 个，最高 16 个），整件事的实质是：OpenAI 把"用多少智能花多少钱"从一个模糊的套餐概念变成了可逐任务计算的算术。
基于公开价格和评测数据，一个初步的选择框架是这样的——但请注意，以下未经本地验证，是依据公开材料形成的初始建议：
这个框架的核心不是"推荐哪个模型"，而是把"值不值得换"从一个整体判断拆成了按任务类型的逐项判断。 你不必在"全部切到 GPT-5.6"和"继续用 Claude"之间二选一——你可以让不同类型的任务走不同的选择。
这比单纯的跑分排行榜有用，因为它回答的不是"谁考了最高分"，而是"我的实际任务该花多少钱买多少智能"。
有一个公式可以帮助判断：任务总拥有成本 = (Token 成本 + 等待时间成本 + 返工成本) / (完成质量 × 成功率)。 Luna 的 Token 单价只有 Sol 的五分之一，但如果在一个需要跨多文件追踪依赖的任务上，它的上下文检索退化到 41.3%（MRCR 8-needle 评测数据），返工成本可能轻易吃掉 Token 省下来的部分。反过来，Sol 在 Terminal-Bench 上稳定跑完复杂命令行任务的能力，对关键基础设施变更的价值远超过它多花的 Token 成本。
03Codex 进 ChatGPT：Agent 从开发工具走向通用入口
模型之外，这次发布的产品动作同样值得关注。Codex 已进入 ChatGPT 桌面应用的统一入口——用户在同一个应用内可以在 Chat（对话）、Work（自主任务执行）和 Codex（专业开发）三种模式间切换。OpenAI 同时保留了 Codex 的独立产品名称、更新日志和专业功能（内联 diff、PR 审查、多仓库支持）。
这不是"Codex 被消灭了"。更准确的描述是：OpenAI 正在把 Agent 工作流从"开发者专属工具"扩展为 ChatGPT 的全员入口，同时保留 Codex 作为专业开发界面的能力品牌。
这个动作的商业逻辑很清楚。ChatGPT 有超过 10 亿周活用户，但其中绝大部分从未用过 Codex——不是因为不需要 Agent 类工具，是因为"Codex = 写代码工具"的心智模型把他们挡在了门外。把 Agent 执行能力放进 ChatGPT 的主界面，用一个叫 Work 的模式来承载，解决的就是这个心智门槛。
ChatGPT Work 新增了几个关键能力：长任务追踪与审批、基于插件的自动调度、以及 Sites 一键部署。你可以让它监控 Slack 频道的客户反馈，每周自动更新会议议程；或者检测到新邮件反馈时自动更新演示文稿。这些功能在 Codex 的底层 Agent 引擎上都能实现，但 ChatGPT Work 的界面语言和交互模式面向的是非开发者。
OpenAI 内部几乎 100% 的团队（包括财务和销售团队）现在都使用 ChatGPT Work 和 Codex 来加快工作速度、承担复杂任务，并花更多时间与客户互动。
这个策略的本质是：同一个 Agent 引擎，按用户角色提供不同的入口和交互层。 开发者继续在 Codex 里用终端和 diff，非开发者在 Work 里用文档、表格和定时任务。底层是一套东西，但心智模型不再绑定在"写代码"上。
这比任何单次 Benchmark 排名都更值得长期关注。因为如果这个策略成功，Agent 工具的用户基数将从数百万开发者扩展到数亿知识工作者——那时候讨论"哪个模型在 SWE-Bench 上多几分"的语境，会和今天完全不同。
04写在最后
几件事目前还不能下结论，仍需观察。
SWE-Bench Pro 的争议——OpenAI 声称约 30% 实例有缺陷——需要独立第三方裁决。在裁决之前，SWE-Bench Pro 上的差距既不能忽视，也不该被当作 GPT-5.6 的定性标签。
安全策略与自主执行之间的张力也值得注意。OpenAI 的安全报告将 GPT-5.6 的安全体系描述为其"最强"，并披露了更严格的行为监控和欺骗检测。但这些措施的"用户侧影响"——比如正常请求被拦截的概率——目前没有独立的量化数据。更强的自主性是否会被更保守的安全策略部分抵消，还要等更多实际使用数据出来才能判断。
最后，Anthropic 在 GPT-5.6 发布前夕重置了 Claude 订阅配额并延长了 Fable 5 的访问期限。竞争很激烈，受益的是用户。
一句话总结：GPT-5.6 的意义不是把能力榜重新排了一次，而是把顶级 Agent 能力拆成了可按任务购买的不同价格档位。在多数场景下，它让高性能 Agent 更便宜了。但便宜还不等于总成本更低——在高价值仓库级任务上，这一点尤其需要用自己的实际任务来验证。
参考材料
OpenAI GPT-5.6 官方发布页 — openai.com/index/gpt-5-6 ChatGPT Work 官方发布页 — openai.com/index/chatgpt-for-your-most-ambitious-work OpenAI 部署安全报告 — deploymentsafety.openai.com/gpt-5-6 Codex Changelog — help.openai.com/en/articles/11428266-codex-changelog Artificial Analysis 基准测试 — artificialanalysis.ai