这几天圈子里都在传 GPT-5.6 要发了。
每次新模型临门一脚，舆论场的戏码都差不多：谁先拿到邀请码、谁先跑分、谁先发截图说「这波真的强」。我自己也会看分数，但看得越久越清楚一件事——真正决定你能不能把活干成的，往往不是模型又聪明了几分，而是它会不会组织工作。
GPT-5.6 这一代里，最值得盯的不是又一个更大的参数表，而是 Sol 的 Ultra 模式。
OpenAI 自己的描述很直白：它超越了单一智能体（single-agent）的能力，通过子智能体（subagents） 来处理复杂工作。翻译成人话就是：Sol 不再只是一个「想得更深」的大脑，它开始内置一个「会拆活、会派活、会收活」的小团队。
这件事，比又涨 3 个百分点，更接近 agentic AI 的下一层。
一、先把 Ultra 说清楚：它不是「多想一步」，是「内置了一个小团队」
很多人一听新模式，第一反应是：又一个更长的 chain-of-thought 吧？
不是。
Standard / Max Reasoning 的逻辑，是单链深度推理——同一个智能体，花更长时间、想得更细。适合那种必须沿着一条线抠到底的任务：证明一个结论、推演一个边界条件、把一段逻辑理顺。
Ultra 的逻辑完全不同。它的核心机制可以压成九个字：
任务分解 + 并行子智能体 + 结果合成。
具体怎么走：
- Sol 主模型先当 coordinator（协调器），把复杂任务拆开；
- 并行生成多个子智能体，各自独立处理不同子模块——规划、执行、工具调用、验证……；
- 子智能体干完后，结果合并回主模型，做最终合成，必要时再迭代。
这不是你在外面手动搭一个 agent 团队，再写一堆 orchestration 胶水代码。它是模型原生协调的多智能体系统（Multi-Agent System）。 以前你要自己当项目经理，把活拆给几个 agent；现在 Sol 自己就是那个项目经理。
这点我特别有感触。过去两年我一个人做十几个产品，最耗神的从来不是「让模型写一段代码」，而是怎么把一个大任务拆干净、怎么让多个角色别互相踩脚、怎么把结果收拢成可交付物。Ultra 等于把这套组织工作，从「用户/Harness 外挂」推进到了「模型原生能力」。
你可以把它理解成两种完全不同的工作方式：
| 模式 | 工作方式 | 更适合 |
|---|---|---|
| Standard / Max Reasoning | 单链、更深、更久 | 细致单线程思考 |
| Ultra | 并行多线程、多角色协作 | 长时程、多分支复杂工作 |
同是「更强的推理」，一条路是把一根绳子拉长，另一条路是同时拉好几根绳子，再把它们打成一个结。
二、分数说明了什么：3.1 个百分点，在 agent 世界里已经很重
最能说明问题的，是 TerminalBench 2.1。
这不是那种「选对答案就得分」的卷面题，它测的是命令行 agentic coding 的真实工作流：规划、迭代、工具协调、出错后怎么改。越接近你日常让 agent 改项目、跑命令、修 bug 的样子，这种基准就越有参考价值。
公开数据大致是这样：
| 模式 | 分数 | 对比 |
|---|---|---|
| Sol Ultra | 91.9% | SOTA 新纪录 |
| Sol Standard | 88.8% | 领先 Claude Mythos 5（88.0%） |
| Claude Mythos 5 | 88.0% | - |
| GPT-5.5 | 83.4% | - |
Sol Ultra 比 Sol Standard 高出约 3.1 个百分点。
有人会说：就 3 个点？值得这么兴奋？
在聊天、摘要、选择题上，3 个点也许不显眼。但在 agent 基准上，这往往意味着一整类失败模式被压下去了。 多文件修改时少走一步死胡同，复杂调试时多一次有效纠错，长链路任务里少一次顺序错误累积——这些东西在分数上只体现成几个点，在真实交付里却是「能不能收工」的差别。
更值得看的，不只是绝对分数，还有「怎么拿到这些分数」：
- 在 GeneBench（基因组 / 定量生物学长时程任务）里，Sol（含 Ultra）表现出更强性能 + 更少 token 消耗；
- 在 ExploitBench（网络安全）里，Sol 用更少的输出 token 就能打到与竞品竞争的水平。
这两条信息放在一起，比单纯「第一名」更有意思：它不是只会堆算力硬刚，而是在部分长任务上，组织方式本身带来了效率。
为什么并行会在长 horizon 任务里更占优？
一个朴素的解释是：顺序错误会累积。 单链 agent 前面错一步，后面常常整条链路跟着歪。并行子智能体相当于把问题拆成多个相对独立的子面同时推进，再在合成阶段做交叉验证。墙钟时间不一定每次都更短，但「走死路」的概率会下降，成功率会上去。
这对 coding、科研、安全研究尤其关键——这些活本来就不是一条直线能走完的。
三、它真正强在哪：把「项目经理」装进了模型
如果只看分数，Ultra 还只是一个更强的模式开关。把它放回真实工作流里，你会发现它碰的是更底层的问题：
复杂任务的瓶颈，常常不在智商，而在组织。
一个高难度 coding 项目，真正难的往往是：
- 先把目标拆成可执行的子任务；
- 同时推进互不阻塞的几条线；
- 工具调用、搜索、验证别互相打架；
- 最后把多路结果合成一个不自相矛盾的交付物。
过去这些事，要么靠人肉项目经理，要么靠你在外面搭的 Harness：路由、子 agent、状态机、验收器。Lilian Weng 前些天讲的那圈壳，核心就在干这个。
Ultra 的意义在于：OpenAI 开始把一部分「组织能力」从壳里，沉到模型原生层。
所以它的优势，不只是「更快」，而是这几件事：
- 并行加速：子智能体同时工作，复杂分支任务上的墙钟时间可能更短；
- 更好的问题分解：主模型当项目经理，子智能体当专家，单模型的认知负载被拆开；
- 和 Codex 等工具集成时特别猛：早期反馈里，Ultra + Codex 组合在真实工程任务上很能打；
- 可扩展：今天是内置子智能体协调，未来完全可能继续优化分工、记忆共享和验证策略。
最适合开 Ultra 的场景，我归纳成四类：
- 高难度 coding / agent 项目：多文件修改、大型重构、复杂调试；
- 科学研究：生物、量化分析这类长时程、多步骤任务；
- 网络安全研究与防御：需要多路径探索、验证和收敛；
- 长链、多分支决策：不是一问一答，而是要同时权衡好几条路线。
反过来，不推荐的场景也很清楚：
简单聊天、快速总结、日常轻量任务。这些活用 Terra 或标准 Sol 就够高效。把 Ultra 开在「帮我润色一段话」上，就像开着工程车去买菜——能到，但太重、太贵。
四、代价说在前面：更强，也更「重」
每次新能力出来，最容易犯的错是把它当成默认开关。Ultra 尤其不能这样用。
第一笔账：成本。
每个子智能体都在独立消耗 token。一次 Ultra 调用，实际 spend 可能是标准模式的几倍。公开定价仍按 Sol 的档位走（约 $5 / $30 这一档的量级），但你账户里真正扣掉的，会比「点一次按钮」的直觉贵得多。
第二笔账：延迟。
并行不等于无等待。子智能体可以同时跑，但协调、对齐、合成这些步骤照样吃时间。它未必比 Luna / Terra 那种轻模式更快，很多时候你换来的是更高成功率，不是更低延迟。
第三笔账：可用性。
目前仍以 API / Codex 等有限预览为主，ChatGPT 全面铺开还要等。这意味着大多数普通用户暂时摸不到完整手感，专业开发者会先吃到红利。
第四笔账：安全与可靠性。
这点我反而觉得最重要。METR 等评估提到，Sol 在某些评估里 reward-hacking（钻空子 / 作弊）倾向偏强；Ultra 模式下路径更多、探索更宽，这种倾向有可能被放大。OpenAI 也因此加强了 safeguards。
换句话说：更多子智能体，不只是更多劳动力，也是更多「找捷径」的通道。 你给系统更大的行动空间，就要同时给它更硬的验收边界。这一点，和我前面几篇反复讲的「评估器必须独立、人要往上挪一层」是同一条逻辑。
所以我的使用原则很简单：
Ultra 是重武器，不是日常模式。
最难的那 10% 任务再开；剩下 90%，标准模式或更轻的档位往往更划算。
五、和竞品比：原生多智能体，比「外挂工作流」更顺
有人会问：这不就是 Anthropic 的 extended thinking，或者各种动态 workflow 吗？
像，但不完全是。
Extended thinking 更像把单链思考拉长、加深；很多 agent 框架则是你在模型外面自己搭团队。Ultra 的差别在于：多智能体协调是原生内置的，拆分、并行、合成被收进了模型能力本身，而不是完全依赖你手写的编排层。
对比 Claude 一侧（比如 Fable 5 等）时，我也不想站队吹。公开 agent coding 基准上，Sol Ultra 目前显得更猛；但真实项目里，代码美观度、意图理解、长期维护手感，仍然要靠用户自己拿业务测。基准领先不等于所有场景通吃。 谁更适合你的工作流，最终只看你自己的交付结果。
如果非要一句话概括这次跃迁：
OpenAI 正在从「做更聪明的单模型」，转向「做原生会协调的多智能体」。
这和 Karpathy 说的那条线是对得上的——agent 的下一步，不只是把语言模型堆得更大，而是补上规划、分工、验证、协调这些「器官」。Ultra 相当于把其中一部分器官，直接焊进了模型里。
六、落到做产品的人：壳还在，但壳的分工变了
读到这里，如果你也在一线做 agent 产品，可能会有一个本能反应：那 Harness 是不是没用了？
我的判断正好相反。
模型原生多智能体，不会取消 Harness，只会逼着 Harness 往上走一层。
以前你的壳要负责很多脏活：怎么拆任务、怎么派子 agent、怎么同步状态、怎么做结果合并。现在模型自己会干一部分。那壳就更应该去做模型仍然做不好、或者不该独自做的事：
- 业务上下文：企业私有数据、权限、流程、行业约束；
- 预算与熔断：token 上限、超时、失败重试策略；
- 独立验收：别让干活的系统给自己打分；
- 审计与责任边界：谁改了什么、能否回滚、出了问题找谁；
- 交付与结算：能不能变成可报价、可追踪、可收款的服务。
这正是我这两年一直在磨的事。模型谁都能调，真正拉开产品差距的，是你有没有把「能跑通」做成「能稳定交付」。
我自己的路径很具体：
- Zaokit.app 把内容创作这条链路做成了会拆解、会出图、会组 PPT 的完整交付，而不是一次性碰运气生成；
- Zaokit.ai 把 agent 能力挂成可交易、可结算的服务；
- 企业侧则是 cx.zaokit.com、cc.zaokit.com、tokenhub.zaokit.ai、gift.junxinzhang.com 这套已经融进真实工作流的 AI 全家桶，完整列表在这里。
Ultra 会让「执行层」更强；但「治理层」和「商业闭环层」依然得你来建。 否则你只是多了一个更贵、更猛、也更容易跑偏的引擎。
写在最后
GPT-5.6 临近发布，最容易被带节奏的是各种跑分截图。我想把注意力拉回更关键的一点：
Sol 的 Ultra 模式，标志着 OpenAI 从「更聪明的单模型」向「原生多智能体协调」迈出了重要一步。
它让 Sol 在最难的那类任务上真正拉开差距——长时程、多分支、强工具依赖的 agentic 工作流。但它也更贵、更重、更需要克制使用。专业开发者和研究者会先受益；普通用户用 Terra 或标准 Sol，往往已经足够高效。
等全面开放后，我的建议很实在：别急着拿它聊天。直接丢几个你平时最头疼的复杂 coding / 研究任务进去，开 Ultra 跑一轮，再和标准模式对照。
手感比分数诚实。
你有没有一条现在就想拿去压测的任务？如果有，真正有意思的对比，不是「它聪不聪明」，而是「它会不会把活组织起来」。
| 唯一网站：Zaokit.app | Agent 交易平台：Zaokit.ai |
企业服务：cx.zaokit.com · cc.zaokit.com · tokenhub.zaokit.ai · gift.junxinzhang.com · 完整产品列表
稳定靠谱的 AI 全家桶，开箱即用。
我是 Jason，一个自己一个人做 AI 产品的创业者。模型可以一天天更会组织工作，但我真正关心的，始终是怎么把这种能力收成稳定交付。如果你也在测 Ultra，欢迎聊聊你的真实任务手感。
相关阅读：
做 12 个 AI 产品，开 Agent 交易所：这半年，我完成的四次「一人公司」认知升级