OpenAI 是否削弱了 GPT-5.6 Sol？解读“能力值”争议

引言

GPT-5.6 Sol 广泛上线后不久，部分 Codex 用户开始反馈一个意外变化：模型响应变得更快，但深入解决复杂问题的意愿有所下降。

当社区截图显示一个被称为"能力值"的内部设置出现大幅变化时，这场辩论进一步升级。用户将该数值解读为隐藏的推理预算，并将其与 Sol Max 性能下降相关联。OpenAI 否认模型本身被故意削弱，但承认在调查异常高使用量期间临时调整了推理努力设置。

这一区别至关重要。模型的底层权重可以保持不变，而运行配置、可用上下文、工具权限、推理努力或多智能体行为可能发生变化。从用户角度来看，这些操作设置仍会使同一命名的模型在不同时间表现出不同行为。

本文将核实的事实与社区观察区分开来，并解释开发者如何更可靠地测试模型行为。

GPT-5.6 Sol 引入的特性

OpenAI 于 2026 年 6 月 26 日首次预览 GPT-5.6 Sol，将其描述为包括 Terra 和 Luna 在内的模型系列中的旗舰成员。更广泛的 GPT-5.6 版本随后于 2026 年 7 月 9 日发布。

此次发布的一大亮点是更广泛的推理设置范围。在 Codex 中，Sol 可以使用多种推理级别：

1. 低
2. 中
3. 高
4. 极高
5. 最高
6. 极致

OpenAI 将"最高"描述为给予 Sol 最深层次推理时间的设置。"极致"则更进一步，利用子代理将复杂任务分解并通过并行工作处理。

更高的推理努力并非没有代价。它通常需要更多时间并消耗更多令牌，但对于需要规划、反复测试、错误恢复或比较多个可能解决方案的任务会有所帮助。

用户为何认为 Sol Max 被削弱

最广泛的投诉之一来自一个日本市场研究团队，他们使用 Codex Sol Max 配合自定义命令行工具。

根据该团队在 Reddit 上的帖子，Sol Max 之前会花十多分钟处理复杂提示，反复测试想法并使用工具直至获得可靠结果。该团队表示，其性能随后突然下降，每位成员在同一工作日内都注意到推理深度变浅。

这份报告作为真实用户体验具有重要意义，但并非受控基准测试。影响代理编码运行的因素有很多：

• 选择的推理级别
• 可用的上下文窗口
• 工具权限和沙箱设置
• 代码库状态
• 提示措辞
• 服务端路由或配置
• 多智能体行为
• 速率限制和使用量统计
• 运行之间的随机差异

经验丰富的团队注意到的突然差异值得调查。但这本身并不能证明 OpenAI 更改了模型权重或永久降低了 Sol 的能力。

什么是"能力值"？

"能力值"这一说法成为核心关注点。

在Codex和ChatGPT Work团队的Thibault Sottiaux发布公开更新后，争议随之而来。

该更新中，Sottiaux表示OpenAI进行了调整推理投入的实验，内部将这些设置称为"果汁值"。他还表示该实验已被撤销。

最简单的解释是，果汁值是与模型在任务中允许投入多少推理工作相关的内部控制参数，不应自动视为智力评分。

较低的推理分配可能影响以下行为：

• 模型探索的方法数量
• 生成答案前的计算时长
• 生成的代码是否自动测试
• 失败修改的修正或回滚频率
• 模型是否委托子代理处理部分任务
• 检查边缘情况所投入的工作量

但OpenAI尚未公布面向用户的推理级别与具体果汁值之间的官方数值映射。

报告显示的从960降至128的变化

社区帖子和截图声称Sol Max此前使用的果汁值接近960，后显示为128，降幅约87%。

这些数字应视为未经证实的社区观察结果，既未出现在GPT-5.6模型文档中，通过隐藏提示或"模型指纹识别"技术提取的值也可能无法可靠代表实际服务器端计算分配。

已确认的部分较为有限：OpenAI承认进行了推理投入实验，并表示相关变更已被撤销。

OpenAI的回应

Sottiaux的更新驳斥了GPT-5.6 Sol被故意削弱的说法，转而描述了若干运营问题和变更。

1. 推理优化

OpenAI表示已部署推理优化，并将节省的资源让利给订阅用户，预计仅此一项改进就能提供约10%的额外使用量。

效率提升可在不降低质量的前提下使模型更快或更经济。但若优化与其他配置实验同时推出，用户可能仍会注意到变化。

2. 上下文限制调整

OpenAI已将GPT-5.6 Sol的可用上下文限制从GPT-5.5的272k提升至约372k。

更大的上下文导致使用量扣除超出预期。OpenAI暂时将限制恢复至272k，并表示将在修正计费行为后重新部署372k。

这有助于解释为何两个问题同时被讨论：

• 用户看到使用配额消耗更快
• 部分用户看到可用上下文窗口变小

上下文窗口调整与模型权重变更无关，但仍可能影响长仓库任务和文档密集型工作流。

3. 推理投入实验

OpenAI表示在追踪使用量异常升高时调整了推理投入，这些内部设置被称为果汁值。

公司表示该实验已被撤销。

4. 多智能体与自动审核的使用情况

OpenAI还报告称，在"高"和"极高"模式下，多智能体的实际使用率略高于预期。该公司表示正在纠正这一行为，并提升自动审核的效率。

这一点之所以重要，是因为智能体委派会消耗大量资源。启动更多子智能体或执行额外审核工作的运行，其对订阅额度的消耗速度可能远超单智能体运行。

较小的推理预算是否会让模型变得不那么智能？

不一定，但这可能使模型在处理困难任务时显得能力不足。

分开理解三个层面会很有帮助：

模型能力

这主要源自训练好的模型本身：其权重、架构、所学知识以及核心问题解决能力。

运行时推理分配

这决定了系统允许模型在特定请求上花费多少时间或计算资源。

智能体环境

这包括工具、上下文、记忆、权限、子智能体、测试运行器、文件访问权限以及重试策略。

一个推理分配有限的强大模型，可能仍能正确回答简单问题，但在长周期编码任务上表现较差。它可能在找到第一个看似合理的解决方案后就停止，而不会尝试备选方案或从最初的错误方法中恢复。

这并不意味着模型的底层能力消失了。它意味着在特定运行过程中，该能力的展现程度可能降低了。

为何无需新模型权重，感知性能也会发生变化

生产型AI系统并非永远以完全相同方式提供的静态文件。提供商可以在不重命名模型的情况下更改许多操作参数。

例如，当平台更改以下内容时，用户可能会感受到差异：

• 最大推理时长
• Token或计算预算
• 上下文限制
• 工具调用限制
• 重试行为
• 并行智能体规则
• 缓存
• 安全检查
• 负载均衡
• 订阅配额

这就是为什么仅凭模型名称无法保证在不同日期、产品、套餐或推理设置下行为一致的原因。

对于企业用户而言，关键问题不仅是"选择了哪个模型？"还有"该模型附带了哪些运行时保障？"

如何测试Codex性能是否发生变化

有效的测试需要尽可能控制变量。仅在被怀疑发生变化前后各运行一次提示词是不够的。

第一步：固定任务

使用相同的仓库提交版本、输入文件、依赖项、环境变量和测试套件。

在每次运行前创建一个Git检查点，确保起始状态完全一致。

第二步：记录配置

在Codex CLI中，检查当前活动模型和会话配置：

/status

必要时使用模型选择器：

/model

你也可以用特定模型启动Codex：

codex --model gpt-5.6

对于可重复的非交互式任务：

codex exec -m gpt-5.6 "审核当前变更"

记录

推理级别、权限、上下文使用情况、Codex 版本以及任何已启用的工具或插件。

步骤 3：使用客观成功标准

在开始前明确结果定义。有用的指标包括：

• 通过的测试
• 修复的 bug
• 基准测试分数
• 修改正确的文件
• 回归缺陷数量
• 需要的人工修正次数
• 达成通过方案的时间
• 工具调用与重试次数
• 消耗的总资源量

避免仅凭回答看起来有多“聪明”来评分。

步骤 4：重复每个条件

对同一条件进行多次运行。推理模型和代理在不同尝试之间可能存在差异，因此单次运行可能具有误导性。

比较中位数和失败率，而非选择最优或最差的示例。

步骤 5：每次只改变一个变量

在保持其他所有条件不变的情况下，比较 Medium 与 Max 的差异。然后分别比较日期、版本或上下文限制。

如果同时改变多个变量，你将无法确定是哪个变量导致了结果变化。

步骤 6：保留日志

保存提示、终端输出、差异对比、测试结果、耗时和资源使用数据。清晰的记录有助于报告回归缺陷，并允许其他用户复现测试。

面向 Codex 用户的实际指南

对于日常任务，OpenAI 建议从默认推理设置开始，仅在需要更深入规划或分析时提升级别。

以下实践可使困难任务运行更可靠：

1. 明确说明验收标准。
2. 要求 Codex 在编辑前检查代码库。
3. 要求其运行相关测试。
4. 指示其报告未解决的失败，而非隐藏问题。
5. 在重要改动前后使用 Git 检查点。
6. 在开始高成本任务前，检查当前模型和推理级别。
7. 为团队重要工作保留可重复的基准测试。

对于特别困难的项目，Max 或 Ultra 可能适用。当问题可分配给子代理时，Ultra 很有用，但也会消耗更多资源。

争议揭示了“固定智能”的真相

更大的问题不在于某个有争议的内部数字究竟是 960 还是 128。更深层次的担忧在于，用户通常认为模型名称代表固定且稳定的行为水平。

实际上，用户体验取决于模型及其周围的服务配置。提供商可能在保持模型名称不变的情况下，优化推理、更改上下文限制、调整推理分配或修改代理编排。

这种灵活性对于运营大型服务很有用，但也造成了透明度问题。构建关键工作流的开发者需要知道哪些特性是可靠的，哪些可能动态变化。

更清晰的文档应包含：

• 推理级别的稳定定义
• 上下文窗口的保证
• 有意义的运行时调整变更日志
• 资源使用核算规则
• 部署实验性配置时的通知
• 可复现的评估指南

缺乏这些信息时，用户只能通过响应速度、令牌使用量和主观输出质量来推断系统变化。

常见问题

GPT-5.6 Sol 是否被官方削弱了？

OpenAI表示并非故意削弱模型性能。官方承认存在临时性实验，调整了推理强度设置以及上下文、多智能体和用量统计参数。

GPT-5.6 Sol中的"juice值"指什么？

OpenAI用该术语指代与推理强度相关的内部设置。该值似乎控制或代表推理资源，但公司尚未公布完整的技术定义或官方数值标尺。

Sol Max的juice值真的从960降至128了吗？

该说法源自社区截图和隐藏提示实验。OpenAI未官方确认这两个数值，因此不应将其视为经过验证的模型规格。

为何Sol会感觉更快但不够深入？

较低的推理分配会导致模型探索更少方法、减少校验次数或提前终止。包括上下文限制、工具行为、服务器配置和随机波动在内的其他因素也可能产生类似效果。

372k Codex上下文窗口发生了什么？

OpenAI表示GPT-5.6 Sol的上下文限制已从272k提升至372k，但该变更导致用量扣除速度超出预期。在准备重新推出372k期间，临时恢复至272k限制。

开发者是否应始终使用Max推理？

非也。更高推理设置耗时更长且消耗更多资源。建议从默认设置开始，仅当任务确实需要深度规划、测试或错误恢复时再提升设置。

团队如何验证疑似模型退化？

使用相同代码库、提示词、工具、权限、推理级别和测试进行重复运行。追踪客观指标如测试通过率、错误率、完成时间、工具调用和用量消耗。

相关工具

• OpenAI Codex：OpenAI的智能编码环境，用于处理代码库和开发任务。
• Codex CLI：在本地项目和自动化工作流中运行Codex的官方命令行界面。
• Codex GitHub仓库：Codex CLI的官方开源仓库。
• ChatGPT：可使用支持的GPT-5.6模型和推理设置的网页界面。
• Terminal-Bench：用于测试AI代理在命令行任务中规划与工具使用能力的基准测试。

相关链接

• GPT-5.6发布公告：OpenAI关于GPT-5.6系列全面可用性的公告及基准测试概览。
• GPT-5.6 Sol预览：介绍Max推理和Ultra多智能体模式的官方预览。
• Codex模型指南：关于Sol、Terra、Luna及可用推理等级的官方指南。
• Codex CLI文档：Codex命令行工具的安装、配置和工作流程说明。
• [OpenAI在X平台的运行时更新](https://x.

com/thsottiaux/status/2076495156757577895)：关于推理优化、上下文限制、"果汁价值"实验及多智能体使用的公开讨论。

• 社区 Sol Max 报告：触发更广泛性能讨论的 Reddit 报告。

总结

GPT-5.6 Sol 的争议始于用户的真实反馈，称 Max 推理速度变快但深度不足。社区截图将这一体验与内部"果汁价值"的已知调整联系起来，但具体从 960 降至 128 的说法仍未经证实。

OpenAI 否认故意削弱模型，同时确认曾尝试调整推理努力设置、临时修改上下文限制，并发现多智能体和自动审核工作流中的意外用途。这些属于运营层面的变更，而非确认替换底层模型权重，但运营调整仍会影响实际性能。

对于依赖 Codex 的团队，最佳应对是建立可复现的基准测试、记录运行时设置，并通过测试而非直觉衡量结果。

关键教训是：模型名称无法完全描述用户实际获得的行为；推理分配、上下文、工具及服务配置同样至关重要。