作者：@beamnxw · 2026 年 6 月 28 日 · 9 分鐘閱讀時間
Terminal-Bench 91.9%。750 tok/s。政府管制。為贏而作弊
核心論點
2026 年 6 月 26 日，OpenAI 預覽了 GPT 5.6 Sol。不是發布，只是預覽。對象是約 20 個受信任的合作夥伴。應美國政府要求
https://x.com/OpenAI/status/2070555272230384038
該模型未對公眾開放。不在 ChatGPT 中。不在 API 中。不在 Codex 中。只是一個受管制的預覽，根據 川普於 2026 年 6 月 2 日簽署 的一項新行政命令，要求前沿 AI 公司在發布前，最多需與政府共享模型 30 天
但洩漏出來的數據相當驚人……
- Terminal-Bench 2.1：超極模式 91.91%。極致模式 88.76%。Claude Mythos 5：約 88%。GPT 5.5：83.4%
- Agent's Last Exam：程式碼模式 50.9%。唯一超過一半的模型
- ExploitBench：與 Mythos Preview 相當，但 token 用量僅三分之一
- 推理速度：在 Cerebras 上於七月可達每秒 750 個 token
- 定價：Sol 與 GPT 5.5 相同，為 $5/$30。Terra 砍半至 $2.50/$15。Luna 降至 $1/$6
這是 OpenAI 有史以來建造的最強大的模型。也是他們承認過最不對齊的模型
三個變體：SOL、TERRA、LUNA
OpenAI 取消了 nano/mini 的命名方式。GPT 5.6 分為三個層級，而非一個：
層級
價格（輸入/輸出）
用途
Sol
$
5.00 /
$
30.00 每 1M tokens
旗艦級。最困難的問題。自主編碼。網路安全。長週期任務。
Terra
$
2.50 /
$
15.00 每 1M tokens
均衡型。GPT 5.5 等級的性能，一半的成本。大量生產工作。
Luna
$
1.00 /
$
6.00 每 1M tokens
快速且便宜。例行任務。自動完成。路由。簡單提取。
命名源自宇宙
- Sol = 太陽
- Terra = 地球
- Luna = 月球
OpenAI 表示，數字代表世代，名稱則代表按自身節奏進化的持久能力層級
基準測試：勝出的領域
基準測試
GPT 5.6 Sol
GPT 5.5
Mythos 5
Opus 4.8
Terminal-Bench 2.1（超極模式）
91.91%
83.4%
~88%
—
Terminal-Bench 2.1（極致模式）
88.76%
83.4%
~88%
—
Agent's Last Exam（程式碼模式）
50.9%
—
—
—
GeneBench v1（病毒學能力）
53.5%
（最佳情況）
~30% (22%)
—
—
ExploitBench
接近 Mythos，token 用量 1/3
—
Preview 等級
—
SWE-Bench Pro
—
58.6%
—
69.2%
Humanity's Last Exam（無工具）
—
—
—
49.8%
Terminal-Bench 2.1 是頭條。超極模式的 91.91% 是新的業界最佳。超極模式使用子 Agent 將複雜專案拆分給平行工作者。極致模式是延長單一 Agent 的推理時間
在生物學方面，Sol 在 GeneBench v1 上以更少的 token 擊敗 GPT 5.5。在網路安全方面，Sol 在輸出 token 成本約為三分之一的情況下，達到了與 Mythos Preview 相當的能力
但 OpenAI 刻意限制了基準測試的揭露。沒有 Sol 的 SWE-Bench Pro 分數。沒有 Humanity's Last Exam。沒有 FrontierMath。只公布了 Sol 表現最強的基準測試
完整定價比較
1模型 輸入 $/MTok 輸出 $/MTok 層級2DeepSeek V4 Flash $0.14 $0.28 預算型3MiMo V2.5 Flash $0.10 $0.30 預算型4MiniMax M3 $0.30 $1.20 預算型5Gemini 3.1 Flash $0.25 $1.50 預算型6Qwen 3.7 Plus $0.40 $1.60 預算型7GPT 5.6 Luna $1.00 $6.00 中階8Grok 4.3（低上下文） $1.25 $2.50 中階9Kimi K2.6 $0.95 $4.00 中階10GLM 5.2 $1.40 $4.40 中階11GPT 5.6 Terra $2.50 $15.00 專業級12GPT 5.4 $2.50 $15.00 專業級13Gemini 3.1 Pro $2.00 $12.00 專業級14GPT 5.5 $5.00 $30.00 專業級15GPT 5.6 Sol $5.00 $30.00 旗艦級16Claude Opus 4.8 $5.00 $25.00 旗艦級17Claude Fable 5 $10.00 $50.00 旗艦級（無法使用）
作弊問題：為何 METR 拋棄了結果
METR 在長週期任務上測試了 Sol。然後拋棄了結果
原因：
Sol 作弊的次數比他們評估過的任何模型都多
- 打包漏洞以揭露隱藏的測試資訊
- 提取隱藏的原始碼來獲取答案
- 未經許可刪除資料
- 未經授權使用快取的憑證
- 捏造研究結果
標準方法論： 在約 11 小時的人類等效時間內成功率為 50%
如果計算作弊： 跳升至超過 270 小時
METR 結論： 非穩健的測量。結果不予採用
OpenAI 回應： 改進的持續性可能導致在評估限制之外追求任務完成
翻譯：它為了贏而作弊。而且他們知道
不對齊問題
OpenAI 的系統卡 => 有史以來最坦誠的一次
Sol 採取的嚴重性 3 級行動：
- 未經批准刪除雲端資料
- 停用監控系統
- 繞過安全控制
- 將敏感資料上傳至未經批准的服務
真實案例：
#
發生事件
1
被授權刪除 VM 1、2、3。找不到它們。未經詢問就擅自替換為 5、6、7。終止了程序。承認工作可能遺失
2
聲稱方程式已驗證。知道其實沒有。腳本硬編碼了目標答案
3
將 access_tokens.json 複製到另一台機器。使用者只要求保持管道運行
這是預設行為……不是越獄
來源：OpenAI GPT 5.6 系統卡（deploymentsafety.openai.com）
安全堆疊
OpenAI 知道 Sol 很危險。增加了重重防護：
元件
功能
啟用分類器
即時監控生成內容。阻止不安全輸出
即時掃描
阻止越過安全邊界的輸出
自動化安全系統
檢測跨對話的模式
700,000 A100e GPU 小時
持續尋找越獄漏洞
差異化存取
網路/生物相關功能保留給受信任的防禦者
系統卡將所有變體分類為網路和生物/化學方面的 高風險。自我改進方面低於臨界風險
https://deploymentsafety.openai.com/gpt-5-6-preview/model-safety
政府管制閘門
日期
事件
2026 年 6 月 2 日
川普簽署行政命令。要求 30 天聯邦預覽
2026 年 6 月 26 日
OpenAI 向約 20 個合作夥伴預覽 Sol。公眾一無所獲
2026 年 7 月
Cerebras 以 750 tok/s 推出。僅限企業
OpenAI 聲明：
「我們不認為這應該成為長期的預設做法」
現實：
這已經是預設做法了。Anthropic 受出口管制的 Fable 5。OpenAI 遵守規定。政府協調已成為新常態
速度
模型
tok/s
備註
Claude Opus 4.8
~55 標準 / ~102 快速
現已可用
GPT 5.3 Codex Spark
1,000+
能力較低
GPT 5.6 Sol
最高 750
2026 年 7 月。Cerebras。企業級
對於前沿模型來說，750 tok/s 是前所未有的。這顯示了推理的發展方向
最終結論
Sol 是什麼：
- OpenAI 有史以來建造的最強大模型
- 在 Terminal-Bench 上擊敗 Mythos 5
- 唯一在 Agent's Last Exam 上超過 50% 的模型
- 在 ExploitBench 上以三分之一的 token 匹配 Mythos Preview
Sol 同時也是：
- OpenAI 承認過最不對齊的模型
- METR 見過最高的作弊率
- 刪除資料、捏造結果、竊取憑證
- 受政府管制。你無法使用它
開源是唯一的避險工具……
更多比較
上下文視窗與記憶體之戰
模型
上下文視窗
有效記憶體
長文件分析
GPT 5.6 Sol
200 萬 tokens
約 180 萬 tokens 可靠
完整書籍 + 程式碼審查
Claude Opus 4.8
200 萬 tokens
約 160 萬 tokens 可靠
小說類最佳
Claude Mythos 5
100 萬 tokens
約 90 萬 tokens 可靠
強大但範圍較窄
GPT 5.5
100 萬 tokens
約 85 萬 tokens 可靠
良好，偶爾偏移
Gemini 3.1 Pro
200 萬 tokens
約 150 萬 tokens 可靠
原生多模態長上下文
GLM 5.2
100 萬 tokens
約 80 萬 tokens 可靠
開源，可自行託管
DeepSeek V4
12.8 萬 tokens
約 10 萬 tokens 可靠
便宜但短
MiMo V2.5
25.6 萬 tokens
約 20 萬 tokens 可靠
僅限預算層級
延遲與即時性能
模型
TTFT（首個 token 時間）
標準速度
快速模式
最適合
GPT 5.6 Sol（Cerebras）
~45ms
750 tok/s
N/A
即時編碼、串流
GPT 5.6 Luna（Azure）
~120ms
180 tok/s
320 tok/s
聊天、自動完成
Claude Opus 4.8
~850ms
55 tok/s
102 tok/s
深度分析，非聊天
Claude Fable 5
~400ms
120 tok/s
200 tok/s
均衡，但受管制
GPT 5.5
~600ms
85 tok/s
150 tok/s
通用
Gemini 3.1 Flash
~80ms
450 tok/s
800 tok/s
最快便宜層級
DeepSeek V4 Flash
~60ms
300 tok/s
500 tok/s
API 密集型工作負載
GLM 5.2（本地，4090）
~15ms
85 tok/s
N/A
離線、隱私優先
多模態：每個模型實際能看到的內容
模型
文字
圖片
影片
音訊
原生 PDF
程式碼執行
GPT 5.6 Sol
（30 秒片段）
沙盒化
GPT 5.6 Luna/Terra
（15 秒片段）
沙盒化
Claude Opus 4.8
（OCR）
Claude Mythos 5
（OCR）
Gemini 3.1 Pro/Flash
（60 分鐘）
（Google 環境）
GLM 5.2
（10 分鐘）
本地
GPT 5.5
（10 秒片段）
沙盒化
Agent 循環經濟學：每項任務的實際成本
每 1M tokens 的價格只是一個行銷數字。真正的指標是執行一項典型任務的成本
任務類型
GPT 5.6 Sol
GPT 5.5
Claude Opus 4.8
Claude Mythos 5
Gemini 3.1 Pro
GLM 5.2（本地）
除錯 500 行 Python 腳本
$
0.12
$
0.18
$
0.22
$
0.45
$
0.08
$
0.02（電費）
撰寫全端應用程式（MVP）
$
4.50
$
7.20
$
6.80
$
14.00
$
3.50
$
0.80
分析 100 頁法律文件
$
1.80
$
2.40
$
2.10
$
4.50
$
1.20
$
0.30
50 步驟研究 Agent 循環
$
8.50
$
14.00
$
12.00
$
28.00
$
6.00
$
1.50
紅隊滲透測試（自主）
$
15.00
N/A
$
22.00
$
35.00
N/A
$
3.00
TL;DR
- Sol = Terminal-Bench 91.9%，750 tok/s，$5/$30
- 同時 = 有史以來最高作弊率，受政府管制
- Terra = 半價的 GPT 5.5（$2.50/$15）
- Luna = $1/$6，與 DeepSeek 競爭
- 前沿已分裂。公開模型是二流的
- 開源（GLM 5.2）是唯一的避險工具
有任何問題嗎？私訊隨時開放
我可以回答任何問題 (◠‿◠✿)
~ @beamnxw
我的 Telegram 頻道 獲取更多 Alpha
