7月30日消息，OpenAI 同日发布两篇官方博文，披露 GPT-5.6 Sol 的两项效率进展：Sol 通过 Codex 自主参与优化 OpenAI 的生产推理栈，官方称端到端服务成本因此降低 20%，令牌生成效率提升 15% 以上；另一篇博文则公布，在 ARC-AGI-3 基准上改用保留推理的评测配置后，Sol 的公开集得分从 13.3% 升至 38.3%，约为原来的 3 倍。
Sol 给自己做推理优化：重写内核降本，自训草稿模型提效
第一篇博文介绍 GPT-5.6 系列在推理和智能体框架上的效率设计，其中最具体的变化由 Sol 自己完成。OpenAI 称，Sol 通过 Codex 分析生产流量、找出负载均衡中被忽视的问题并测试新的路由策略；Sol 还自主重写并优化了生产环境的 GPU 内核——执行模型数学运算的核心代码，使用的是 OpenAI 维护的两种开源 GPU 编程语言 Triton 和 Gluon，正确性由开源工具 FpSan 验证。这些工作结合更广泛的内核改进，使端到端服务成本降低 20%。
推测解码是另一项。这项技术用小型的草稿模型先生成候选令牌，再由主模型并行验证。OpenAI 称，Sol 为自己的草稿模型设计并运行了数百组架构实验，测试尺寸、结构和特征的改动，并自主启动和监控草稿模型的训练过程，在硬件故障和训练不稳定时自行干预。这些改进使令牌生成效率提升超过 15%。
OpenAI 同时给出了 GPT-5.6 系列的定价分层：旗舰档 Sol、与 GPT-5.5 智能水平相当但价格减半的 Terra、以及比 Sol 便宜 80% 的最快档 Luna。官方博文还称，Sol 的最高推理档在 Artificial Analysis 的 Coding Agent Index 上超过 Claude Fable 5，且成本不到后者一半。这一对比为 OpenAI 单方口径。 ARC-AGI-3 的 13.3% 与 38.3%：差距来自两个设置
第二篇博文回答了一个悬而未决的问题：能解决数学未解难题的 Sol，为什么在 ARC-AGI-3 上只拿到个位数分数。ARC-AGI-3 是 ARC Prize 今年3月发布的基准，要求智能体在没有指令的情况下摸索陌生 2D 游戏的规则，按相对人类动作效率（RHAE）计分，人类测试者平均约 48%。
OpenAI 排查后发现，问题更多出在官方测试框架而非模型。官方框架在每次游戏动作后丢弃模型的全部私有推理，模型每一步都要重新理解游戏；框架还使用 17.5 万字符的滚动截断窗口，历史动作随对话变长而不可见。OpenAI 改用自家 Responses API 搭建测试环境，开启两个与其产品一致的设置：推理保留（跨轮次保留模型的私有思考）和压缩（对话过长时摘要续接，替代滚动截断）。两个设置开启后，Sol 在公开集的得分从 13.3% 升至 38.3%，输出令牌减少 6 倍。OpenAI 称，在其中一个此前没有前沿模型能通过第一关的游戏上，Sol 用新配置通过了全部六关。
需要说明的是，ARC Prize 采用通用框架有其公开立场：简单的框架能让模型缺陷更可见、模型间比较更公平。OpenAI 的立场则是评测应当匹配模型的真实部署方式，并在博文末尾建议开发者使用 Responses API、保留推理、开启压缩，建议模型对比也基于这些设置进行。
分数之争背后：benchmark 越来越依赖评测配置
两篇博文放在一起，指向同一个正在发生的变化。一方面，模型开始实质性参与自身推理栈的优化——分析流量、重写内核、改进自己的草稿模型并监控训练，这些都有具体的生产动作描述，不只是研究愿景。对 OpenAI，这直接意味着服务成本下降和毛利空间；对 API 用户，OpenAI 称会把这些改进以更便宜、更可用的服务传导回来。但这些数字全部来自 OpenAI 官方博文，没有第三方复现，把它写成"模型已实现自我改进"就超出了证据。
另一方面，ARC-AGI-3 的分数之争把评测方法问题摆上了台面。同一个模型，仅因测试框架是否保留推理、如何截断上下文，得分就差出约 3 倍——这说明基准成绩越来越多地测量"模型加配置"的组合，而不是模型本身。对开发者，OpenAI 给出的三个配置建议是可以直接照做的增量信息；对 ARC Prize 这类基准运营方，公开成绩被产品级配置大幅超越，通用框架的代表性会受到持续质疑。这场争议目前没有结论：ARC 的通用框架立场有公开理由，OpenAI 的"匹配真实部署"立场也有道理，在 ARC 方面回应之前，任何"框架有缺陷"的说法都为时过早。
AI 速览
