A Model Explosion: GPT 5.6 Sol, Grok 4.5 and Meta Muse Rewrite the Rules

OpenAI 新出的 GPT-5.6 Soul 模型在 Agent's Last Exam 这类真实业务基准上以 1/3 价格打败 Anthropic Fable，但被英国 AI 安全机构曝出更易被"万能越狱"。

• OpenAI 推出 GPT-5.6 Soul、Terror、Luna 三款新模型，Soul 只对付费用户开放，还藏有一个未公开的 Pro 模式。
• 价格战打到极致：在大多数基准测试上，GPT-5.6 Soul 的价格大约是 Anthropic Claude 系列（如 Fable）的 1/3，性能却能持平甚至略胜。
• Agent's Last Exam 是 UC Berkeley 牵头、300 位专家参与的行业级长链任务基准，Soul 在最高档得分 54%，Fable 全力冲刺才 45%。这个基准每道题都来自真实专家项目，没有主观打分，完全可复现。
• 自动化业务基准（Zapier Automation Bench）：Soul 在最高档只比 Fable 高 0.7%，但两者价格接近；在 GDPval 这类真实业务影响评测中，Fable Elo 分略高，但成本是 Soul 的三倍。
• 编码能力：Artificial Analysis 汇总多个代码基准，Soul 得分 80，Fable 77，且 Soul 更便宜。Terminal Bench 2.1（复杂命令行任务）也类似，但更难的新基准（如 Software Engineering Marathon）Grok 4.5 反超，Fable 5 落后，Soul 未公布成绩。
• Meta 的 Muse Spark 1.1 在 VIBE Code Bench 上得分 72%，Soul 为 81%，但 Muse Spark 成本低 35 倍，速度也快得多。GLM 5.2（中国智谱 AI）同样以极低价格接近前沿表现。
• 结论：Soul 在大部分真实业务和代码场景下，性能和价格比都极具优势，但 Meta、xAI、智谱等新秀用更低成本逼近前沿，"便宜好用"成新趋势。

• 金融等白领行业或将在今年内进入 AI-first 阶段：即先让模型做，人工只负责复查和微调。金融公司如 CoreLogic 已有数百亿美元业务积压，AI 自动化需求极大。
• 代码领域的转折点：开发者早在模型准确率远未 90% 时就开始"AI 先写、人工查漏"。同样的转折点可能很快出现在金融、运营、HR 等领域。
• 模型能力提升的边界：很多基准分数低于 100%，主要是因为数据难验证、训练数据不够或推理预算有限。只要任务结果可验证，模型很快就能"碾压"。

• OpenAI 内部有一套 AGI Index E5 评测，涵盖工作、代码、科研、计算机使用和安全，Soul 刷新了最高分。
• Soul Pro 模式在作者自建 Simple Bench（常识推理题）上得分 71.7%，比 Fable 低 10%，但与 Grok 4.5 差距不大。DeepSeek V4 Flash 这种极低价模型也能做到近 50%。
• 模型自我提升（Self-Improvement）：Soul 声称用自身后训 Luna，但具体细节不透明。Anthropic 公开承认，现有模型自我提升带来的生产力增益，离真正"研究提速 10 倍"还差一个数量级，OpenAI 可能实际只快了 20-30%。
• AI 安全警告：英国 AI 安全研究院发现 GPT-5.6 Soul 比 Fable 更容易被"万能越狱"（universal jailbreak），可被利用执行长链任务和开发攻击工具。OpenAI 已修补部分漏洞，但机构预计还会有新越狱方式被挖出。Anthropic 研究员公开表示担忧，质疑 OpenAI 是否为追赶 Fable 而仓促上线。

• GPT-5.6 约 4 万亿参数，Fable 约 10 万亿，比 GPT-4（2 万亿）只大 2-5 倍，远低于过去几年算力增长（100 倍+）。
• 算力去哪了？ 很大一部分被用在支持十亿级用户、图片/语音/视频多模态、超长任务和并行 agent 上。
• 硬件升级即将带来更大模型：未来 100 万亿甚至千亿亿参数的模型已在规划中，理论上能超越人脑神经元数量。
• 模型进步远未到头：作者强调现在只是开端，硬件、数据、算法、推理预算等多个维度都还有巨大提升空间。

"我们离大模型进化的终点还远得很，现在只是刚刚开始。"

• 做 AI 产品/工具的要盯紧"性价比"：Soul、Muse Spark、GLM 5.2 这些新模型把"几乎一样好但便宜几十倍"变成现实，企业和开发者选型要多做横向对比，别只盯最贵的。
• AI 业务自动化窗口期已到：金融、运营、HR 等领域可以大胆试点"AI 先做，人类复查"的工作流，效率和成本优势已具备。
• 安全风险要高度警惕："万能越狱"让模型能被用来做长链攻击任务，做企业接入和产品集成时要主动加防护、持续关注安全机构的新通报。
• 大模型参数规模不是唯一进步方向：硬件、推理预算、数据质量、Agent 并行等都能带来质变，关注这些新变量能提前捕捉下一波机会。