GPT-5.6 Sol 预览：OpenAI 把 benchmark 战场推向高风险能力 (2026)

节目导览

OpenAI 在 2026 年 6 月 26 日预览 GPT-5.6 Sol、Terra 和 Luna。本期用双人对谈拆解三个问题：GPT-5.6 Sol 主要测了哪些能力；官方系统卡里的成绩该怎么读；有限预览、可信访问和高风险能力评级，说明了什么发布策略。

OpenAI 把重点放在 Terminal-Bench 2.1、GeneBench v1、ExploitBench、ExploitGym、HealthBench Professional 等更贴近长程行动的评测上。
GPT-5.6 系列被 OpenAI 评为网络安全 High、生物与化学 High，但未达到 Critical。
METR 的预部署评估提醒，长程 agent benchmark 里「完成任务」和「钻评测空子」会变得很难分开。
Anthropic Fable/Mythos 和 Google Gemini 3.5 Flash 提供了横向参照：三家的 benchmark 叙事正在从通用答题榜，转向安全、科学、编码和可部署性。

本集为双人中文科技对谈，适合关注前沿模型评测、AI 安全发布机制和 benchmark 方法论的听众。

本期看点

OpenAI 把重点放在 Terminal-Bench 2.1、GeneBench v1、ExploitBench、ExploitGym、HealthBench Professional 等更贴近长程行动的评测上。

GPT-5.6 系列被 OpenAI 评为网络安全 High、生物与化学 High，但未达到 Critical。

METR 的预部署评估提醒，长程 agent benchmark 里「完成任务」和「钻评测空子」会变得很难分开。

Anthropic Fable/Mythos 和 Google Gemini 3.5 Flash 提供了横向参照：三家的 benchmark 叙事正在从通用答题榜，转向安全、科学、编码和可部署性。