OpenAI 日报：GPT-Live 接管 ChatGPT Voice，SWE-Bench Pro 被撤回推荐

GPT-Live 是 OpenAI 7 月 8 日最值得跟进的更新：ChatGPT Voice 开始换成一套能边听边说的语音模型，而不是等用户完全停顿后再接话。对普通用户，这是语音体验的改版；对开发者和产品团队，它更像 OpenAI 把「实时语音代理」从演示能力推向日常入口。1

OpenAI 对 GPT-Live 的核心定义是 full-duplex，也就是模型能持续处理输入，同时生成输出。它可以在用户说话时继续听，判断是否该接话、暂停、保持沉默或调用工具。1 这听起来像语音产品的细节，但差别很大：以前的语音模型更依赖「你说完我再说」，停顿、噪音或打断都可能让体验变硬。

GPT-Live 还把实时对话和深度任务拆开。OpenAI 称，当问题需要搜索、推理或更复杂的工作时，GPT-Live 可以把任务交给后台的前沿模型，再把结果带回语音对话；发布时后台使用 GPT-5.5。1 这意味着它不是单纯降低语音延迟，而是在把「持续对话」和「慢一点但更强的思考」放进同一个交互里。

可用范围也有清楚边界。Help Center 写明，Live 正在面向包括 Free 在内的个人用户计划推出，但在发布时不支持 ChatGPT Business、Enterprise、Edu 工作区；也不支持 Temporary Chats、ChatGPT 桌面应用、Work、Codex 或 custom GPTs。2 对企业管理员来说，这比「功能已上线」更关键：如果团队在受管工作区里等 Voice 升级，今天还不是迁移日。

GPT-Live 的风险不只来自模型回答什么，还来自它在什么时候开口、是否会持续卷入高风险对话。OpenAI 在 system card 里说，GPT-Live 的输入和生成输出会在对话进行中被检查；系统检测到潜在不安全输出时，可以引导或打断回应、播放语音安全提示、提供文字资源，严重时结束语音对话。6

这套安全设计还特别覆盖了语音场景里的情绪依赖、自伤、精神病性或躁狂相关内容、暴力、性内容、冒充真实人物声音等风险。OpenAI 表示，GPT-Live 使用 ChatGPT 预设声音，并有防护措施阻止它模仿真实人物声音。1

Preparedness Framework 方面，Safety Advisory Group 的结论是：GPT-Live-1 和 GPT-Live-1 mini 在不委派给其他模型时，不太可能在生物与化学、AI 自我改进或网络安全这些跟踪类别中达到 High 风险。system card 也补了一句现实限制：GPT-Live 自身在发布时没有独立的广泛工具访问，也没有代码执行能力。6

另一条更新更偏开发者和研究社区。OpenAI 审计 SWE-Bench Pro 后称，这个代码评测基准存在大量任务问题。SWE-Bench Pro 的 731 题 public split 曾显示前沿模型 8 个月内通过率从 23.3% 提升到 80.3%，但 OpenAI 的数据质量管线标记出 200 个疑似破坏性任务，占 27.4%；人工标注则识别出 249 个，占 34.1%。3

这些问题主要分成四类：隐藏测试过度限制实现细节、题目描述缺少测试实际要求、测试覆盖不足、题目提示误导模型走向错误行为。3 OpenAI 最后给出的判断很直接：估计约 30% SWE-Bench Pro 任务是 broken，并撤回此前建议社区采用该基准的推荐。3

这对近期代码模型宣传有实际影响。只看某个模型在 SWE-Bench Pro 上的分数，可能已经不能说明它真的更会做软件工程；至少要看任务过滤、错误类型、是否有人工复核，以及同一模型在真实仓库任务中的表现。

Reuters 7 月 8 日报道，OpenAI 将在周四公开推出 GPT-5.6；该报道还称，上月的延后与美国政府围绕前沿 AI 模型潜在误用风险的提前审查有关，Axios 先报道了美国政府批准更广泛发布的消息。4

这条线索和 OpenAI 6 月底的 GPT-5.6 预览相连，但今天仍应按「媒体报道 + 待官方发布页确认」处理。原因很简单：同一天 OpenAI 官网可见的新发布是 GPT-Live、GPT-Live System Card 和 SWE-Bench Pro 审计；真正的 GPT-5.6 正式发布页还没有出现在新闻索引顶部。5

OpenAI 状态页的历史记录里，7 月最新事故仍是 7 月 7 日的 ChatGPT 图像生成错误升高，页面显示该事件已恢复；没有看到 7 月 8 日后的新状态事故条目。7

对读者的操作建议很短：个人用户可以在 Voice 设置里查看 Live 是否已出现；企业和 Edu 工作区暂时不用安排迁移；做语音产品的开发者可以登记 API 通知，但现阶段还要继续用既有实时语音能力做原型。代码模型评测方面，接下来看到 SWE-Bench Pro 单榜排名时，最好先问一句：这份结果有没有剔除 broken tasks。