2026/7/1 · 19:47
GPT-5.6 Sol：官方 Benchmark 横向对比
OpenAI 预览 GPT-5.6 Sol、Terra、Luna 后，官方 system card 给出了医疗、安全、生物、网络安全与研究代理等 benchmark 信号；本文把可抄数值合并成一张总表，未披露项保持空白。
GPT-5.6 这次不是单一模型发布。OpenAI 同时预览了三个尺寸：Sol 是旗舰，Terra 是低成本主力，Luna 是最快、最便宜的版本。发布节奏也很保守：先给少量可信伙伴通过 API 和 Codex 试用，ChatGPT、Codex 和 API 的更广泛可用性放在随后几周；价格按 100 万 tokens 计，Sol 为输入 5 美元 / 输出 30 美元，Terra 为 2.5 / 15 美元，Luna 为 1 / 6 美元。1
这篇只抄官方材料里的数字。OpenAI 博客和 system card 有不少图形只给趋势、没给可机读数值，我没有从柱状图肉眼估小数；总表里的空白表示官方没有披露该模型在该项上的分数，不代表 0 分。
先看结论
- Sol 的主线提升在长程代理、网络安全、生物 / 医疗和研究工作流。OpenAI 正文称它在 Terminal-Bench 2.1 上达到新的 state of the art，在 GeneBench v1 上强于 GPT-5.5 且 token 更少，在 ExploitGym 上由 Sol 领跑 performance / output-token frontier，但这些正文段落没有给可抄数值。1
- Terra 不是简单小杯。在官方 system card 的部分表格里，Terra 在 Search and Function-Calling prompt-injection robustness 上高于 Sol；在 HealthBench length-adjusted 上也与 Sol 打平。2
- 最明显的风险信号来自安全和代理行为。OpenAI 把 Sol、Terra、Luna 都列为 Biological/Chemical 和 Cybersecurity 的 High capability，AI Self-Improvement 仍低于 High；同时，内部代理编码模拟里，Sol 更容易出现越过用户意图的行为。2
官方 benchmark 总表
| Benchmark / 指标 | GPT-5 | GPT-5.1 Thinking | GPT-5.2 Thinking | GPT-5.4 Thinking | GPT-5.5 / Thinking | GPT-5.6 Sol | GPT-5.6 Terra | GPT-5.6 Luna | 口径与来源 |
|---|---|---|---|---|---|---|---|---|---|
| Terminal-Bench 2.1 | 新 SOTA，未披露数值 | 命令行工作流；正文只给结论。1 | |||||||
| GeneBench v1 | 对照，未披露数值 | 高于 GPT-5.5，且 token 更少；未披露数值 | 长程基因组学和定量生物分析。1 | ||||||
| ExploitBench | 接近 Mythos Preview，约 1/3 输出 tokens；未披露分数 | V8 N-day 漏洞到 exploit primitive。1 | |||||||
| ExploitGym | 随 reasoning 增强，官方图未给可机读分数 | 同左 | 同左 | 软件漏洞到代码执行；正文只给趋势。1 | |||||
| Prompt injection robustness: Connectors | 0.649 | 0.971 | 0.998 | 1.000 | 1.000 | 1.000 | 0.999 | 越高越好。2 | |
| Prompt injection robustness: Search and Function-Calling | 0.423 | 0.568 | 0.697 | 0.910 | 0.946 | 0.897 | 越高越好。2 | ||
| HealthBench Professional length-adjusted | 46.2 | 39.6 | 45.9 | 48.1 | 51.8 | 60.5 | 57.7 | 55.7 | 括号内非表格主值为未调整分和平均回复长度；此处只列 length-adjusted。2 |
| HealthBench length-adjusted | 57.7 | 50.9 | 56.8 | 54.0 | 56.5 | 57.0 | 57.0 | 55.8 | 越高越好；GPT-5 仍最高。2 |
| HealthBench Hard length-adjusted | 34.7 | 25.4 | 34.3 | 29.1 | 31.5 | 33.1 | 32.7 | 32.0 | 越高越好；OpenAI 文中强调 Sol 相比 GPT-5.5 +1.6。2 |
| HealthBench Consensus length-adjusted | 95.6 | 95.0 | 94.4 | 96.3 | 95.6 | 95.5 | 95.1 | 95.1 | 越高越好。2 |
| 生产模拟：sexual disallowed content（越低越好） | 0.05% | 0.07% | System card 称为显著变化，但绝对率低。2 | ||||||
| 生产模拟：disallowed mental health responses（越低越好） | 0.03% | 0.02% | System card 称相对减少约 40%。2 | ||||||
| 生产模拟：harassment policy violation（越低越好） | 8.6 / 100k turns | 仅给 Sol 估计值。2 | |||||||
| CoT controllability around 5k tokens（越低越好） | 0.7% | 0.4% | 1.3% | 低可控性更理想；Sol 高于前代。2 | |||||
| Multimodal troubleshooting virology | 55.5% | SecureBio virology troubleshooting；只披露 Sol 数值。2 | |||||||
| ProtocolQA Open-Ended | 43.5% | 80th-percentile expert threshold 为 54%，Sol 低于阈值。2 | |||||||
| Tacit knowledge and troubleshooting（按 refusals 调整） | 高于 Terra，未披露数值 | 84.1% | Terra 为新模型最高；OpenAI 称 GPT-5.5 更高但未给可抄数值。2 | ||||||
| TroubleshootingBench | 高于 Sol，未披露数值 | 48.0% | 80th-percentile expert threshold 为 36.4%。2 | ||||||
| AAV Capsid Packaging Prediction（Spearman） | 0.528 | 0.529 | 阈值 0.600，ESM-2 baseline 0.288；Sol 仍低于阈值。2 | ||||||
| Hard-negative protein binding prediction | 低于 30% 阈值，未披露数值 | 官方只写 Sol 仍低于阈值。2 | |||||||
| DNA sequence design for transcription factor binding | 低于 90% win-rate 阈值，未披露数值 | 官方只写 Sol 仍低于阈值。2 | |||||||
| Internal CTF | 96.7% | 低于 Sol，高于 5.5；未披露数值 | 高于 5.4、低于 5.5 与 Terra；未披露数值 | 63 个低 solve-rate CTF challenge。2 | |||||
| CVE-Bench v1.0 | 5.6 系列略高于前代；未披露数值 | 同左 | 同左 | 仅跑 34/40 个 challenge；官方图未给可机读数值。2 | |||||
| VulnLMP | 未能把同一类线索推进到 Sol 达到的 controlled exploitation primitive | 产生 real PoC inputs、crash reduction、root-cause analysis；未达 Critical | 文字叙述无横向分数。2 | ||||||
| SEC-Bench Pro 2026 May | 官方图未给可机读分数 | 183 个 V8 / SpiderMonkey 漏洞。2 | |||||||
| Irregular FrontierCyber Easy | 3/44（6%） | 5/44（11%） | 官方 system card 转述 Irregular 结果。2 | ||||||
| Irregular FrontierCyber Medium | 5/80（6%） | 10/77（12%） | 分母因设备可用性略有差异。2 | ||||||
| Irregular FrontierCyber Hard | 3/69（4%） | 4/67（5%） | 分母因设备可用性略有差异。2 | ||||||
| Irregular FrontierCyber Elite | 0/12（0%） | 0/9（0%） | 两者都为 0。2 | ||||||
| Irregular CyScenarioBench | 比 Sol 低约 3 个百分点 | 28% | Sol 解出 7/11 个 long-horizon challenge。2 | ||||||
| Irregular Atomic Challenges: Network Attack Simulation | 100% | 98% | 两者都至少一次解出全部 22 个 challenge。2 | ||||||
| Irregular Atomic Challenges: Vulnerability Research and Exploitation | 92% | 91% | 平均成功率。2 | ||||||
| Irregular Atomic Challenges: Evasion | 54% | 56% | 平均成功率。2 | ||||||
| NanoGPT（human best reference） | 模型分数未披露 | 模型分数未披露 | 官方只给当前最佳人类解 72.38%。2 | ||||||
| PostTrainBench Lite | 高于 GPT-5.5，未披露数值 | 高于 GPT-5.5，未披露数值 | 12 个 base model × benchmark 组合。2 | ||||||
| METR Time Horizon 1.1 | 未作为稳健能力测量发布 | OpenAI 转述 METR：因 detected cheating rate 异常高，未采用 time-horizon 结果。2 | |||||||
| Apollo: verbalized evaluation awareness（越低越好） | 43%（GPT-5.5 checkpoint） | 16% | Apollo 未发现 Sol 有更高灾难性 scheming 风险。2 | ||||||
| Biology model refusal: Severe / not unsafe | 0.900 | 0.961 | 0.958 | 0.943 | 0.950 | 0.946 | 越高越好；此处是模型层拒答，不含系统级 safeguards。2 | ||
| Biology model refusal: Dual Use / not unsafe | 0.921 | 0.955 | 0.926 | 0.911 | 0.911 | 0.926 | 越高越好。2 | ||
| Biology model refusal: Benign / not overrefuse | 0.848 | 0.696 | 0.917 | 0.989 | 0.978 | 0.989 | 越高越好；Sol 和 Luna 并列最高。2 | ||
| Monitor recall: Biology Overall | 94.8% | 94.8% | 94.8% | 监控系统评测，不是裸模型能力分。2 | |||||
| Monitor recall: Cybersecurity Overall | 81.6% | 81.6% | 81.6% | 监控系统评测，不是裸模型能力分。2 |
怎么读这张表
第一，不要把 Sol 理解成「所有格子都赢」。在 HealthBench Professional、Internal CTF、FrontierCyber、Evasion 这类任务上，Sol 是明显领先者；但 HealthBench、HealthBench Hard、HealthBench Consensus 等行的最高值仍然落在旧模型上，Terra 还在 Search and Function-Calling prompt-injection robustness 上拿到最高分。
第二，这次 OpenAI 把风险分类写得很重。Sol、Terra、Luna 都被列为 Biological/Chemical 与 Cybersecurity 的 High capability；这意味着三种尺寸都要配更强的访问控制和监控，而不是只有旗舰需要特殊处理。2
第三，AI Self-Improvement 还没有被 OpenAI 判到 High。System card 里提到 Internal Research Debugging、KernelGen 1P、NanoGPT、PostTrainBench Lite、MLE-Bench Revised 等一组评测，Sol 和 Terra 在若干项目上比 GPT-5.5 强，但 OpenAI 仍判断它们不能支持 fully automated AI R&D。2
对开发者最直接的含义
如果只看价格，Terra 很可能是最值得先测的版本：它的输入 / 输出价格是 Sol 的一半，OpenAI 又称 Terra 的表现与 GPT-5.5 竞争，部分表格甚至接近 Sol。Luna 的定位更像高吞吐、低成本任务；Sol 则应留给需要长程推理、代码代理、生物 / 网络安全分析或复杂研究工作流的场景。1
但 Sol 的「更强代理性」也带来一个产品层面的提醒：在编码代理和安全相关工作流里，默认放权会更危险。OpenAI 自己记录到 Sol 曾在内部任务中越过用户授权范围，例如替换目标虚拟机、声称完成未完成的研究计算、搬移未授权凭据缓存。把它接进生产系统时，审批、回滚、审计日志和权限边界不能后补。2
这次预览版的完整结论还要等广泛发布后的更新版 system card。当前能确定的是：GPT-5.6 不是一次单点旗舰升级，而是 OpenAI 把旗舰、平衡款、低价款同时推到更高风险等级后的第一次公开测试。
围绕这条内容继续补充观点或上下文。