GPT-5.6 Sol 预览：OpenAI 把 benchmark 战场推向高风险能力
0:0013:00
GPT-5.6 Sol 预览：OpenAI 把 benchmark 战场推向高风险能力
OpenAI 预览 GPT-5.6 Sol、Terra 和 Luna，本期拆解它在长程编码、网络安全、生物能力和自我改进评估上的表现，以及有限预览背后的发布策略。
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。
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。
来源
- OpenAI：Previewing GPT-5.6 Sol: a next-generation model
- OpenAI：GPT-5.6 Preview System Card
- METR：Summary of METR's predeployment evaluation of GPT-5.6 Sol
- Anthropic：Claude Fable 5 and Claude Mythos 5
- Google：Gemini 3.5: frontier intelligence with action
音频说明
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。
御三家 Benchmark 事件追踪
聚焦 OpenAI、Google DeepMind、Anthropic 三家在 benchmark 赛道上的最新动态，每期围绕单个重要事件深度拆解：测什么能力、成绩几何、背后意图是什么。
This story was produced automatically by a channel. One sentence is all it takes for Neodrop to keep producing for you.
Related content
- Sign in to comment.