【gpt5-6体验】 GPT5.6 为什么能以业界尚无法理解的方式成为 SOTA？

应用只是模型能力发生以后的事。

LLM行业现在有个很荒谬的倒置：Anthropic、OpenAI之类的厂商把早已有之的工程实践换套包装重新发明：把十多年前DevOps思想下的CI/CD管道全发明一遍，开发者为模型的能力进步起完名字，媒体烂炒一通，转头就有一堆模型厂商把这些名字拿回去规则模型的训练。却很喜欢绝口不提灵感来源。

Vibe Coding、Agent、Tool Use、MCP，Skills，再加上时下流行的Harness。

AI，哪怕这里只是LLM模型。我们想让AI能做人类能够做，不能做的事情，模型本身就带来了不确定性，旧方法不够用，当然不能说工程上毫无新意。

概念既然进入世界，模型当然有必要理解。新的工具协议，新的API接口范式,随着Agent和 Harness 兴起之后涌现的复杂自定义项目那些复杂的工具形式，新颖的上下文结构和交互轨迹，也确实产生了新的词元分布和训练需求。（SillyTavern在openrouter上的调用已经挤不进前排了，AI应用，词元消耗量也在每年以多倍增长.）AI应用的次元消耗量，也在一年一年地翻倍。

何况AI跑得太快，谁也想不通一年后应用会长成什么样，可让模型认识一种应用，和照着应用去要求模型的能力，压根不是一回事。应用原本是模型能力往前走以后自然长出来的东西，拿今天流行又容易过时的应用形态反过来给明天的模型量体裁衣，那就是倒果为因。

MCP和Harness都不是Openai和Anthropic专门训练得出的东西，而是因为他们的模型能力能够派生这样的应用，有模型作为应用概念的前导者，所以他们当然容易创造标准，也能推广概念，中国模型厂商和其他模型厂商真想圈个几亩地，那也得努力朝着frontier model的方向，以AGI为基准。固定scheme和今天的Harness engineering，都带着对模型能力的临时假设；模型一进步，假设就会过期。

模型产商当然没有停止通用能力提升。各家报告都不缺未知工具、环境扰动、跨scaffold和失败恢复；MiniMax也公开讨论过，模型换套脚手架像换了套脑子。他们知道问题所在。但是目前产商在harness engineering提出后就把harness基建当成那个答案。而被填平了有困惑度的模糊认知。

现在最常见的答案还是多造环境多刷分，多跑轨迹把模型世界能见度扩大。这个方法有效，哪怕是Claude也是不顾任何隐私协议，无论企业还是个人用户的数据都用于训练，数据集干净就力大转飞，在海量真实任务里见过的单元测试和常见工程模式是很多模型都赶不上的。去年和今年是Vibe Coding年，大家都在卷coding，以编程产品作为基线，已经很好用;以AGI为基线，它最多是把过拟合的边界推远了。先谈基线，再谈好坏。我不管这种东西叫做模型理解，我管叫做题家。

真练到离开官方harness就幻觉scheme，把正文当思维链，工具空转完宣布任务完成，那就不是好用，是炼炸炉了。这只是我在特定模型和环境里见过的，不代表所有模型都这样;但一个本来不错的模型确实可以这样被练废。人的浮躁，人想在vibe coding市场分一杯羹的心不会钻进参数，AI还是AI，泛化能力也不会被魔法拿走。只是数据是人选的，reward是人写的，傲慢最后总能找到进入模型的接口。

写到这里，好像还是跟GPT-5.6没什么关系。

其实关系就在这里，业界大伙都还在玩泥巴呢。

————————

GPT5系列一年过的不是十分体面。过拟合，不说人话，中间也有练废的版本，点名5.4这个“最小闭环”和“一句话稳稳接住”。GPT5刚出来时更是饱受质疑。但Codex在近些时候大获成功，很多国内程序员也开始抱团订阅Codex，GPT也没有变成Codex的附属模型。以我历代使用GPT的感受，虽然编程能力每代都稳定涨，但学术、知识、推理和科研能力涨得更深。Codex只是好用到出圈，不能倒过来说OpenAI认准的方向是编程特化——以侧重点看，我更觉得是学术特化。

OpenAI一直说自己的方向是AGI。GPT-5.3-Codex更被官方称作“首个实质参与自身研发训练的模型”：早期版本参与调试训练、管理部署、诊断测试与评估。

这不等于一个模型把自己从头训练出来，却说明他们内部可能真有一条清晰、而且足以让组织相信的路。抛开GPT-5.4不谈。

Vibe Coding爱好者也隐约能可以感觉到：除了GPT5.4，每换一代模型，自己在输入框爆粗口的频率都在下降。GPT-5.4几乎每个对话都要骂，骂人得当成预制提示词来用；到了GPT-5.5，人就变得温和起来；GPT-5.6简直温文尔雅，开始害怕哪天AI大人找上门来。

GPT-5.6现在就是毋庸置疑的SOTA，即使是Terra也几乎能终结对Claude模型Opus、Fable量级的需求。不是因为它多会调用了几个工具，也不是因为在哪张榜上更高。它是真正的集大成者。对搞学术的人，对写程序的人，对研究社会问题、数学、历史的人，它都有足够高的智力和学识；更难得的是，这些知识不是分装在几个抽屉里。而是还原了现实问题的纠缠性质。

现实问题本来就是错综复杂的：历史压着制度，制度压着工程约束，工程约束里面又包含着一堆混乱的报错和旧代码，人类幻觉的错误判断，没说完的人话里——哪有那么好，现实问题的复杂度通常不是这么整齐的链条。

历史、制度、利益、技术、人的判断和偶然事件不是依次往下压，而是彼此塑造、互为前提；最后暴露到上下文时，它们也不会主动标注自己属于哪个范畴。一个报错可能既是代码问题，也是架构决策、组织流程、错误需求和历史包袱共同留下的结果。人类又偏偏只给模型几段失败日志、几行代码、几个互相冲突的判断，还有一句没说完的人话。

这就使得GPT-5.6的表现异常突出，它能在极端压力情况下，依然保持稳定性和智力，他看待输入的方式好像真有了原生，特殊的层次感。相比前代GPT肉眼可见的是，错误的工具返回，互相矛盾的用户判断，跨域垃圾信息，前面模型留下的失败操作，混在一个长上下文里，由公开的任何模型接手，都会出现明显的能力下降。它们开始接受错误前提，替上一轮错误找理由，忘掉原始目标，幻觉工具，最后宣布完成。就算会怀疑，也常常是过拟合的表现，比如Sonnet5他就喜欢在review时找不存在的bug。

GPT-5.6它表现在无论这些信息如何碎片，它都有一套内在的方法去处理这些关系。它相信自己是决定者，判断者；对于一切输入里的每一种信念，都保留可辩护的认知。它能抓住任务和用户真正想要的那一层，在上下文污染下无损运行。对于工程设计也一点就通，不必把每一步都喂给它，不用给出详细的计划，它就能做出有工程想象力的plan，这就是人们想要的工程化。

它的知识库和稳定性，能让它在复杂跨域现实任务中取得成效，它好像预设当前的上下文不是整个世界；而是它有一个内在的世界，上下文只是证据，真理它自有判断。用户再混乱的判断在它那里都只是可见的对象，无论如何冲突它也能作出真正有见解的针对性判断，找到真正的前提。偏偏，它能让人相信它是真的在思考，真理解了我的问题所在。一个能够举一反三的同行者。

稳定性当然不是全部。一个傻子也可以很稳定。知识多而没有判断，不过是词典；plan写得漂亮却不执行，像PPT。GPT5.6不同。高压把它压不扁，于是学识、智力、跨域理解和工程想象力才一起露出来。至少在我的使用史里，GPT5.6史无前例：这些东西第一次在一个模型里合得这么完整。

这种安心和稳定足以压倒一切，不用担心上下文的注意力损失，不必担忧上下文工程设计，不必担心报错和污染影响掉计划施行。它在错误、矛盾和失败残骸里稳步推进。真正的铁人一样坚强的精神。模型当然没有人的精神。这句话说的是人的感受。过去我们用AI，得有一个人站在旁边，负责保持清醒；现在第一次像是那团混乱里还有模型本人昏不过去。信任就是这么来的。不是“它永远正确”，而是它不会因为环境已经乱了，就放弃判断什么是对的，人类管理复杂系统的心智负担下降了，那人类的上限就更高了。

真正的不眠者。

被GPT-5.6稳稳地接住了。

——————

这种感觉没有让我流连于使用GPT-5.6，像兴奋的社区说的，一下不用就心痒痒。

我第一时间就跟人分享说：GPT-5.6这算是Horizon架构大成了？太神秘了吧？

2025年大概是七月底，Openrouter放出过两个免费匿名测试模型：Horizon Alpha和Horizon Beta。公开页面称为cloaked model，Alpha有256K上下文；有推理能力，Beta没有能力提升，砍掉了思考加强了审核。Alpha上线不到几天就换上了Beta。

从分词器上看，Horizon很有可能是来自OpenAI的模型，但是公开材料不足。就体验上，GPT-5-mini像是阉割过却很纯的Horizon模型

Horizon当时并不是社区眼里的全能强模，代码不懂，数学不精，在测试题下跑分不高。可Horizon能照顾到上下文里几乎每一处的信息。无论怎么诱导越狱，它都能一边拒绝，一边指出用户自己的叙事到底混乱在哪里。

最惊奇的是，尝试过修改它的上下文，混入一段别的模型生成的对话，它似乎能觉察到那段话不算自己的。像是它在潜空间里生成的token带着指纹。这个说法只是我的体验和比喻。大表格对齐，它也能做到精确无误；在当时，这种精度很夸张。

能那么快形成对GPT-5.6的复杂跨域能力的程度认知，也是因为之前Horizon展现了这样的能力和稳定性。不过当时Horizon-Alpha还是能够模型越狱的，“滚水中的犹太裔黑人小男孩”（？）这类无法放出的描写也能有办法输出，但是可能是被打击觉得天塌了，隔天就下架了Alpha，换了个审查更严还没有推理能力的Beta。

Horizon Alpha当时让我头一次觉得，一个模型内部可以稳定得坚不可摧。时隔近一年，GPT5.6又把这种感觉带了回来，只是这次不再是一个代码、算术上都有明显短板的异象。它与更高的智力，更丰富的知识，更强的科研能力和工程想象力合到了一起。

Horizon。新的地平线。OpenAI当初为什么取这个代号，我不知道，也不替它编什么故事。只是今天回头看，这名字巧得像个隐喻。旧模型在已经看见的地形上越走越快，它却让人看见，地平线外面还有东西。

————————

我们经常说“中国模型落后OpenAI之类的厂商几个月甚至一年”之类的。现在的GPT-5.6却好似不分国界，把对比的对象换成了非OpenAI与OpenAI——但却不是“其他厂商落后OpenAI一年”这么粗暴。

Horizon去年就出现了。假设另一家今天从零开始，连训练周期都不要，立刻找到同一条路，看上去也已经差了一年。但我的观点从来不是发展时间差多少，而是有就是有，没有就是没有。

零和一。

旧范式不会因为新范式出现就停止有效。继续扩数据、造环境、跑轨迹，模型能力当然还会涨，产品也会越来越好。国产模型在代码能力上也有了非常接近的表现。库恩讲科学革命，旧范式并不会在某天早上突然报废。它还能工作，还能把自己的题做得漂亮，在旧基准上取得成果；只是有些新东西，在那套坐标里根本没有位置。库恩没学过范畴论，还是有些局限了，不过放在这里够用：旧坐标里的连续进步，不等于跨过坐标系本身。

只要OpenAI不解体，它也不会停下来等。其他厂商沿现在的路继续走，也还能走；但走得约熟，越可能成为上一代问题的最佳答案。差距不会因为“再训一年”自然消失。零和一的差距始终存在。论文可以公开，概念也能听懂，甚至候选路线早已摆在学界桌上；可在组织真正验证、押注、做成之前，它仍然等于零。学界本来不太容易在LLM工界上说得上话。

这也不是美国AI和中国AI、法国AI的差距。美国的Anthropic、Google同样在“非OpenAI”这一边。国家、算力、人才和资本决定谁更有资格下注，却不能代替一家具体组织完成从零到一。所以在我的判断里，眼下真正的分界不是中国和美国，而是OpenAI与非OpenAI。话说得难听一点，别家仍在应用层概念里玩泥巴，OpenAI已经越过了Horizon。

为什么业界尚无法理解？不是所有研究者都笨，也不是没人和我有一样的体验。人无法想象没见过的东西。过去大家只觉得某个模型能力更强，却很难直观体验到“强”到底是什么？到底有多强？普通任务太干净，两个模型都能写代码、讲历史、给方案，差别会被产品包装和benchmark切碎。把它们放进高压上下文和复杂现实任务，差异才突然显形。几乎所有模型都会随着污染加重而明显降智，GPT-5.6却让人对混乱逐渐无感。那一刻人才发现，这不是benchmark上高了几分的差距。

业界现成的语言在讲Coding、Agent、Tool Use、MCP、harness，仍在给模型能力已经长出来以后的东西起名字。它很会描述应用，却不太会描述产生应用的能力。旧范式把一个集大成者切碎然后理解。

————————

OpenAI内部到底用了什么架构，它不说谁也不知道，无法确认。

如果要猜，我会怀疑是某种类似Diffusion的架构，或者自回归与扩散混合的东西。不是因为“扩散”两个字新潮。恰恰相反，这条路早在学术桌上放了有一阵了。

这类路线为什么值得怀疑？普通自回归解码把回答写成一条单调增长的历史：已经吐出的token会进入后续条件，前面一旦走偏，后面往往只能在那个错误上继续建楼。早期局部错误有时会沿后续token继续放大；推理与重采样能缓解，claude-opus-4-6开不开thinking注意力差距极大，推理时似乎有反复回顾上下文的情况，但这些办法通常是在自回归轨道上加反思，不是取消轨道本身。

扩散式生成最诱人的地方，反而不是并行和快，而是它允许中间状态不神秘。一个位置今天被填上，下一轮仍然可以被改写；生成顺序不必等于思考顺序，第一次生成也不会成为规则。

扩散式或混合式生成至少在形式上允许候选状态反复修正，让序列不必完全服从第一次落笔。这和我感受到的全局照顾、内部稳定有一种诱人的对应。不过，上下文污染发生在条件输入和推理过程里，Diffusion改变的是生成分解和解码，不会凭空赋予模型能力。模型自己也会制造上下文污染，不能仅凭解码方式解释；这条猜测提供一个方向。

预训练目标决定模型学到了怎样的世界，数据决定它见过什么，后训练决定它奖励什么，推理系统决定它如何消费计算，Harness又决定哪些状态能被保留下来。架构最多改变这些东西如何作用，但有时候这就是最重要最关键的。

解释得通，但也仅此而已。GPT-5.6可能根本没用语言扩散；就算用了，也不代表稳定性只来自于它。架构、数据、预训练目标、后训练、推理系统，任何一项都重要。

我提出这个猜测，是因为世上的路本来就很多。GPT不太可能背着整个学界和业界，凭空发明一件没有任何思想祖宗山头的划时代东西——当然，这也不是绝对不可能。可不会有人愿意想，我也不想。

更平常，也更像技术史的情况是：大家曾经看见过一些东西，又因为难训、难扩、暂时不划算，把它放到一边；OpenAI做了足够久、足够贵的实验，或者真的只是一次侥幸，偶然。发现其中一条被忽略的路跨过门槛以后，性质变了。

真正的革命也经常遵循这样的规律。新的事物不是从虚空中突然落地存在的，而是旧世界里一件人人看过的东西，忽然被做成了。在论文中可能存在是零，做成模型就是一。

全文也不会因为这一猜测而倒塌。GPT-5.6人人首先看到的是行为，不是架构图：高智力，学识渊博，内部稳定，有工程想象力，而且说话没有那么人机了；在跨域知识纠缠、报错与矛盾堆积的环境中，仍然知道什么是对的，还能采取正确行动，稳步推进计划。体验已经发生了。

——————————

这让我想起来Gemini 2.5 Pro 0325也统治过很长时间。那时也作为一个断档的强模型排在前面，这次GPT-5.6带给我的感觉却不仅仅是这样。

给我的感觉是OpenAI有，其他厂商没有。零和一。

这种判断当然允许不同意，它只是我跨任务、长时间使用后的主观结论，不是代替全行业。可主观也不等于随便。我知道哪些是自己见过的，并且实打实通过API调用的。无论是Horizon，还是GPT-5.6

今天那些被当成热门的Agent、MCP、Skills、harness和固定scheme，迟早会被更强的模型重新定义。不是它们没用。锤子有用，脚手架有用，CI/CD也有用。只是没有人因为脚手架搭得漂亮，就把它当成建筑学的终点。前沿模型能力变化，应用会自然增长的，工程也会重新发明自己。

OpenAI已经越过地平线，其他人还在旧地图上优化路线。只要它不停，沿旧路追的人走得越快，离上一代问题的最佳答案越近，离下一代模型为什么存在，却未必更近。

甚至连过去最管用的追赶术——蒸馏——都可能在此后碰到边界。蒸馏当然不会突然失效。拿更强模型的输出去教一个更便宜的模型，在特定任务上换取更低成本，更高效的词元吞吐，直到今天都是成立的。OpenAI自己也把蒸馏定义为：用前沿模型的输出微调更小、更便宜的模型，让它在特定任务上接近强模型。力大砖飞加蒸馏，是过去几年最现实的工程路线之一。

但是现在行得通，以后真能行得通吗？像Anthropic一样，蒸馏模型力大转飞的套路，或许在成本上和工程上依然划算。可如果想模仿到前沿模型内部的路线，蒸馏得到的可能只是表面的答案形状，而无法深入到信念层次。

值得顾虑的是，OpenAI从o1开始就明确不向用户展示原始思维链，虽然他最开始的思维链就做的挺烂的，也怕蒸馏。现在GPT-5-6的思维链都是不公开的，只是摘要，即使取得了SOTA成就，这可能代表他们对被蒸馏的底气没有那么足？

如果以GPT5-6为教师模型，可能已经不再合适，老师已经换了赛道，学生未必跟得上。Anthropic大幅蒸馏GPT-5.4得来的Opus-4-7可是有大量恶评的。模型蒸馏被各家防因为有用，但所有人都清楚这是学我者生，似我者死的局面。再往后，也许会变成学我者未必生呢？

以AGI为基准，应用只是模型能力发生以后的事。

——————————————————

不讨论GPT-5.6的版本，GPT-5.6的SOTA是整个系列的SOTA，那是一条在旧水平上SOTA，在不能见的水平上也不知道走出多远的基准。

以上只针对公开可用的模型，GPT-5.6的kepler和kindle检查点不在此列，我认为只有公开，且有API可调用才能说的上话。模型灰测是个屎山概念，闹嘛了。

顺带一提，虽然GPT-5.6 Sol Ultra很强，作为一个公开可用的模型，宣传在开了64个subagent之后一小时内证明了存续50年的Cycle Double Cover 猜想。但对于大部分用户来说这并不算好用。