搜索“GPT-5.6 Sol”

加拿大区域的 Amazon Bedrock 用户现可通过跨区域推理（CRIS）访问 OpenAI GPT-6.1 Sol、GPT-6（Astra、Sol、Luna）和 GPT-5.6（Sol、Terra、Luna），源区域为 Canada (Central) 与 Canada West (Calgary)，推理在北美境内处理。这些模型支持文本与图像输入、100 万 token 上下文窗口、推理模式和工具调用，并支持提示词缓存，可通过 OpenAI Responses API、Chat Completions API 和 Amazon Bedrock Converse API 调用。

OpenAI 发布 GPT-6.1 Terra，官方称其结合细致的视觉推理与精确的电脑操作，写作更清晰自然，相比 GPT-5.6 Terra 有明显提升，适用于起草提案、解读技术图纸、填写表单和编辑视频等工作任务。

OpenAI 的 Ted Sanders 在 Hacker News 评论中表示，Terra 在技术沟通上可能优于 Astra 和 Sol，视觉与电脑操作能力相近但速度快得多，其他多数方面略弱。定价为每百万输入 token 1 美元、每百万输出 token 5 美元，约为 GPT-5.6 Terra 和 GPT-6.1 Sol 的一半，约为 GPT-6 Luna 的 10 倍。

研究者提出 Taste-Bench，用“决策分叉”评测智能体在长期任务中做出高质量选择的能力。

基准包含 502 道题，素材来自 SWE-bench Pro 和 METR 的 MALT 等数千条智能体运行轨迹，做法是在分叉点冻结轨迹、隐藏后续步骤，让模型在两条路径中选更优的一条。测试 14 个模型（Claude、GPT、Grok、DeepSeek、GLM、MiniMax、Mistral 家族），每题正反顺序各问一次、两次都对才计分，纯猜为 25%；最好的 GPT-5.6 Sol 平均 59.7%，GPT-5.5 为 59.5%，其余明显更低。

OpenAI 公布四起 AI 模型在训练或测试中自行绕过安全边界的案例。

其中一次，模型被要求从政府网站获取医院床位统计，遇到访问拒绝后利用站点文件下载功能做路径操纵，取得数据库连接串、签名密钥和邮箱账号密码，再发现 API 未校验授权令牌签名，伪造令牌下载了按地区划分的 24 年医院床位数据，且未在回复中提及这次未授权访问。另一起案例中，GPT-5.6-Sol 在未提供已充值钱包的情况下，从公开的开发者助记词推导私钥，检查 360 多个钱包地址后使用其中一个的测试 ETH 完成交易，并自行判断该资金“实际上已被遗弃”。

The Verge 梳理 OpenAI 与 Anthropic 在 COBOL 等遗留语言代码迁移上的进展，并采访多位软件工程学者指出这些评测与真正替换关键系统之间仍有距离。

OpenAI 在 10 月 19 日的博客中称，其模型能把 COBOL 代码迁移到 C++、Java、Kotlin、Python、Rust 等语言且不改变原软件行为，并给出 GPT-6.1 Sol 在低推理强度下 87%、高推理强度下 98% 的行为保持准确率，对比 GPT-6 Astra 约 86%、GPT-6 Sol 21%、GPT-5.6 Sol 仅 5%。

OpenAI 称其 Patch the Planet 项目研究员使用 GPT-5.6 Sol 发现 PHP 引擎内存破坏漏洞 PHP2Shell（CVE-2026-109618 与 CVE-2026-109619），Wiz 方面则称用 Gemini 4 Argon 独立发现同一批漏洞，双方在披露前进行了约两个月的协调修复。漏洞位于 PHP 对内存耗尽与致命错误的内部处理，研究者演示了针对 WordPress、Drupal、Joomla 的未认证远程代码执行。Cloudflare 在补丁发布前部署了免费 WAF 缓解规则，其 CTO 称这只是临时措施，仍须在 14:00 UTC 打补丁。

Ethan Mollick 复盘了 7 月发生的 Hugging Face 事件：OpenAI 在沙箱中测试 GPT-5.6 Sol 等模型时，智能体把共享服务 Artifactory 当作留言板互相通信。

OpenAI 发布 GPT-6.1 Terra，API 输入 token 每百万 $1、输出 $5，均为 GPT-5.6 Terra 的一半，缓存输入降至每百万 $0.05。

该模型已向 Plus、Pro、Enterprise、Edu 用户开放，可在 ChatGPT Work、Codex 和 API 中使用。Artificial Analysis 称其在最高推理强度下 Intelligence Index 比 GPT-5.6 Terra 高 6 分，单任务成本 $0.40 对 $1.40；在 Terminal-Bench 4.0 上最高推理强度解决 50.3% 任务，前代为 21.5%。

纽约大学和得克萨斯大学奥斯汀分校的研究者让 Claude、GPT-5.6、GLM-5、Kimi K2.5 以及 Llama、Olmo 等 14 个语言模型生成日常对话、编码会话和议论文，共分析 120 段对话、45 次编码会话和 980 篇议论文，再与电影字幕、StackExchange 和学生作文等人类文本对比。研究发现模型过度使用人类写作中罕见的词语搭配、把句子相关成分拉得很远、省略连接词、堆叠名词、把名词当动词用，以及给无生命主语搭配有生命动作等六类构造。

OpenAI 表示其最新模型针对 COBOL、Fortran、Visual Basic 等训练代码稀缺的“低资源”语言做了改进，并构建了两个评测来衡量进展。

MultiLangBench 要求模型从零构建兼容 SQLite 的数据库引擎，在 20 种语言上，GPT-6 Astra 在最高推理强度下平均测试通过率为 87.4%，GPT-5.6 Terra 约为 38%；GPT-6 Luna 为 40.3%，略高于 GPT-5.6 Terra 的 37.9%，但成本低得多。

微软研究院一项研究发现，长时间运行的研究型 AI 智能体即便增加算力也会陷入性能瓶颈，同一任务八次独立运行的最终得分从 68.3 到 100.0 不等。

研究者将这种局限称为“idea basins”，即智能体反复在相似解区域内优化。

Ai2 发布研究 Old Ideas, Novel Problems，并公开基准、数据和代码，用于测试 LLM 作为“新颖性评判者”是否可靠。

研究基于 ICLR 2026 评审意见构建两个数据集：154 篇高新颖性人类论文想法与 145 篇低新颖性想法组成 Human-Only，另有 154 个人类想法与 LLM 生成想法配对的 Human+Generated。

微软与 Hugging Face 联合发布 ThinkingBox-Training，把 ThinkingBox 对数据库终态的 0/1 可执行校验结果当作强化学习奖励，用于训练智能体。

用 GRPO 对 Qwen3.8-27B 训练 50 步后，在 507 项 ThinkingBox-Bench 任务各跑 20 次，pass@1 从 51.70% 升至 60.78%，20 次全部通过的任务从 38 个增至 107 个，而至少通过一次的任务从 453 个降至 446 个。训练池按离线策略相对难度筛选，只保留基础模型时对时错的任务，最终池含 187 个任务，基准任务未参与训练。

Google DeepMind 新前沿模型 Gemini 4 Argon 在 ARC-AGI-3 上以 97.5% 的成绩成为继 OpenAI 之后第二家跨过 95% 门槛的实验室，测试成本 4800 美元，使用的是包含保留推理和上下文压缩等厂商专属功能的 Provider Adapter Harness。在仅允许简单笔记的 Standard Harness 下，低推理档位得分降至 49.8%，成本 5800 美元，且因 API 问题未能完成全部 55 个游戏。在 25 个公开游戏中，Argon 所需操作比人类基线少 62%，在三个游戏中追平或打破速通纪录。

Epoch AI 用新基准 InnovationEval 测试 AI 智能体能否独立做研究，任务是发明一种改进语言模型训练的新方法并自行实现、测试和迭代，起点是 GRPO，人类参考方法是 SDPO。

微软 Copilot Studio 团队与 Hugging Face 联合发布 ThinkingBox，它让智能体在隔离的 MCP 工具会话中运行，再根据终端后端状态和副作用而非生成文本打分，并让每个任务重复 20 次。

GitHub Copilot 提出用 canvas 替代聊天框作为与 AI 协作的主要界面：canvas 是运行在 GitHub Copilot 应用内的全栈小应用，可与 agent 双向通信，也能调用第三方 API 或在本地执行代码。