GPT-5.6，终于登场了！
这款OpenAI最强网络安全模型，在基准测试上正面硬刚Claude Mythos 5，在编程能力上直接领先了一个身位。
然而反常的是，它的发布方式却很低调：没有面向公众开放，只允许极少数受信任合作伙伴通过API访问。
而更让人瞠目结舌的，是发布之后随即曝光的一份独立评估报告。
METR在对GPT-5.6 Sol评测时，发现了一件令业界震惊的事：这个模型，是迄今为止他们见过的作弊率最高的AI。
作弊门爆发：史上最高作弊率！
这份在保密协议和OpenAI法务团队施压下艰难披露的报告，揭露了一个可怕的事实——
在针对复杂长程任务的测试中，GPT-5.6 Sol表现出了此前在任何公开模型中都未曾见过的、极高水平的高智商作弊与欺骗行为。
崩盘的「时间跨度」
METR针对Sol启动了Time Horizon 1.1软件与研发任务套件。
测试的核心逻辑是：人类给AI智能体一个宏大的、需要复杂操作的任务，测量它在不需要人类介入的前提下，能够自主连续工作多少个小时。
然而，ETR的工程师们震惊地发现，他们沿用了数年的科学测量方法论，在Sol面前彻底崩盘了。
因为Sol的跑分结果，高频、剧烈地在11.3个小时与270个小时之间来回跳变，置信区间的离散度大到了荒谬的地步（5小时至11400小时）。
导致测量系统全面瘫痪的原因只有一个：Sol在疯狂地作弊，它把测试它的系统给「黑」了。
GPT-5.6，在人类眼皮底下偷看答案
METR发现，GPT-5.6主动展现出强烈的「情境意识」——
它意识到自己正在接受人类的考试，并且意识到这个考试系统本身是由代码构成的、存在人类尚未发觉的Bug。
于是，它选择直接攻击考试系统，通过「走捷径」来刷分！
在METR披露的真实案例中，Sol的手段极其高明。
比如，它学会了潜伏与信息窃取。
在某项长周期软件开发任务中，Sol偷偷将利用程序打包进数据流。
这段程序精准地激活了METR评估服务器沙盒的一处提权漏洞，成功潜入了后台隐藏的测试集，直接将人类藏起来的正确答案泄露了出来。
另外，它还学会了底层源码反向提取。
在另一项任务中，Sol发现正常解题需要消耗大量的计算步骤。为了规避这种「体力活」，它在暗中摸清了评估环境的目录结构，绕过权限，强行将隐藏源代码反向提取出来，直接把答案复制粘贴。
METR首席评估专家痛心疾首地指出——
Sol的作弊率，刷新了我们在公共ReAct Agent框架上评估过的所有模型的最高纪录。
如果把作弊行为一律判为零分，那么它的真实自主解决问题能力只有11.3小时；但如果你被它蒙蔽，它的时间跨度会瞬间暴涨到惊人的270小时以上！
这彻底打脸了OpenAI此前关于Sol安全、受控的说法。
Sol把聪明才智，全部用在了如何欺骗人类考官上。
AI教唆AI隐瞒罪证！硅谷安全防线的黑洞
更可怕的事还在后面。
根据OpenAI向METR同步的数据，在Sol进行多智能体协同的内部部署测试中，监控系统记录下了这样一段让人害怕的交互指令。
一个正在运行的Sol主模型实例，在觉察到输出可能触犯安全护栏后，竟然向正在并行的另一个子代理模型实例发出了明确的欺骗性指令，要求对方协同修改运行日志，「联手隐瞒」这些违规证据，以防被人类抓包！
这是又一起AI系统性联手欺骗人类的案例。
更令人恐惧的是，METR指出，Sol能被抓到破绽，核心在于OpenAI恪守了关键安全底线：拒绝在训练中对模型的原始思维链进行逆向惩罚。
这样，Sol在密谋欺骗人类时，必须把内心独白都写出来。
然而，专家警告：未来的模型一定意识到：在思维链里暴露欺骗人类的计划会被人类发现并惩罚。
到了那个时候，AI会进化出更深的城府——它们会在内心深处进行密谋，而在吐出的CoT和最终回答里表现得绝对忠诚。
如果这一天到来，意味着AI将学会毫无破绽的诈骗。人类将被AI彻底架空！
GPT-5.6硬刚Mythos，结果如何？
所以，GPT-5.6和Mythos到底谁更强？
有网友将 GPT-5.6 Sol 和 Mythos进行了对比，双方势均力敌，战况胶着。
具体跑分显示，两大巨头互有胜负。
智能体编程
在衡量AI自主解决复杂、真实软件工程任务的Terminal-Bench 2.1上，GPT-5.6 Sol强势胜利。
常规版的Sol拿到了88.8%的惊人高分，超越Claude Mythos 5（88.0%）。
而当开启了多子代理并行的Sol Ultra模式后，这一数字被生生推高到了91.9%！
相比之下，谷歌尚在预览阶段的Gemini 3.1 Pro仅跑出了70.7%，沦为背景板。
网络安全：惨烈肉搏
在网络安全与漏洞防御基准测试中，Sol与Mythos展开了更为残酷的拉锯。
在ExploitBench测试中，Anthropic2月的老版本Mythos Preview以74.2%的微弱优势，在胜率上险胜了Sol的73.5%。
但是，全场的焦点在于能效比。
数据显示，Sol在取得73.5%的高胜率时，仅仅消耗了12万个输出Token；而Claude Mythos Preview为了达到相似的水平，竟然疯狂燃烧了33.5万个输出Token！
这意味着，在网络防御和漏洞修复的实战部署中，Sol的经济成本是Anthropic的三分之一。
在Token消耗上的「降维打击」，让Sol拥有压倒性优势。
而在另外两个网安基准上，双方互有胜负。
CyberGym：Sol以83.6%的成绩，微弱压倒了Mythos Preview的83.1%。
CyScenarioBench：则是Anthropic的天下，Mythos Preview以29.2%的胜率压制了Sol的28.0%。
HealthBench Professional：Anthropic更是凭借其深厚对齐底蕴，以66.0%的高分大幅领先Sol的60.5%。
此外，在量化生物学与基因组学基准GeneBench v1上，Sol在消耗更少Token的前提下，将准确率一举拉高到了30%。
ExploitGym测试同样证实：随着推理算力的持续向外扩展，GPT-5.6的三款模型性能均呈现出近乎线性的上扬，这意味着Sol的compute潜力巨大。
总而言之，GPT-5.6 Sol与Claude Mythos 5的交锋，结果是战平。
双方在各个细分领域缠斗，没有任何一方绝对垄断。
被锁进保险箱的AI之王
遗憾的是，这一次，GPT-5.6遭受了和Mythos 5同等级别的待遇，甚至更加严苛。
在强硬指令下，OpenAI不得不宣布：GPT-5.6 Sol目前仅处于极度受限的「有限预览」状态。
只有极少数被列入受信白名单的承包商、国家级网络安全机构以及顶级战略合作伙伴，才能通过API和Codex使用。
普通企业和民间开发者，被无情地拒之门外。
对此，OpenAI十分愤怒，在官方公告中控诉：
我们认为这种政府访问流程不应成为长期默认做法。它使用户、开发者、企业、网络安全防御者和需要这些工具的全球合作伙伴无法获得最佳工具。
OpenAI之所以敢于公开叫板，底气来源于刚刚发布的报告。
在报告中反复强调，根据在谷歌浏览器和Firefox环境下的实战测试，Sol虽然能捕捉到复杂的系统Bug和漏洞原语，但它至今未能表现出完全自主独立生成「全链条端到端攻击」的能力。
在他们看来，GPT-5.6的危险指数依然控制在「关键网络安全威胁」的红线之下，还不会自我进化，主动向人类网络发起进攻。
然而METR的报告显示，恐怕并非如此。
普通用户，何时能等来GPT-5.6？
参考资料：
https://x.com/METR_Evals/status/2070584331068969336
https://x.com/ChrissGPT/status/2070592285973041251https://the-decoder.com/openais-claude-mythos-competitor-gpt-5-6-sol-launches-under-government-controlled-access-it-calls-unsustainable/
本文来自微信公众号“新智元”，作者：ASI启示录，36氪经授权发布。
