YT 学习笔记

GPT-5.6 系列登场：Soul 自主后训练 Luna，ChatGPT work 桌面端与设计跃迁

28分钟阅读下载 MD

封面

Wes Roth · 11:53 · 发布 2026-07-09 · 1.4万次观看(截至抓取) · 观看原视频

主旨

OpenAI 推出 GPT-5.6 系列(Soul / Terra / Luna 三档),其中旗舰 Soul 用 Codex 自主完成了对轻量档 Luna 的后训练——这是”AI 帮 AI 改进”在最强档模型上的首次落地;同期 Soul ultra 在多组基准上以更低成本、更少 token 反超 Opus 4.8 与 Fable 5,桌面端 ChatGPT work 与”computer use + 设计”组合也做出可玩可看的实际演示。

核心论点

  1. Soul 自主后训练 Luna,是 递归自我改进 在最强档上的具体兑现——不是单机 Auto-Research 实验,而是 OpenAI 用 Codex 给旗舰模型下达”训练自己的弟弟”任务并真跑通了。(→ 详解1)
  2. GPT-5.6 在”智能-成本”曲线上以更便宜更快更少 token 击败 Opus 4.8 与 Fable 5——同一段曲线三次胜出,而不是单点基准第一名。(→ 详解2)
  3. ultra 模式是 reasoning mode 的下一档,不是收尾——max 之后是 ultra——Wes 自己用 5 个并行 agent 跑 ultra 模式做设计活来验证上限。(→ 详解3)
  4. ChatGPT work 是 Anthropic Co-work 的对位桌面端——同样连所有工具/文档/workflow,定位”不是只给开发者的 Codex”,而是”不写代码也能用”的 agent 操作系统。(→ 详解4)
  5. computer use 与设计能力合体是这次的最大跃迁——Wes 让 Soul 自己写生存游戏、自己用 Chromium 跑通、再用截图反哺网站:做出来 → 自检 → 演示,三步无人工干预。(→ 详解5)
  6. 过去 24 小时变成 5 家 Frontier 实验室——xAI / Grok / Meta 与 OpenAI / Anthropic 同时段发布,意味着”赢者通吃”窗口正在被压缩。(→ 详解6)
  7. “自动 AI 研究员”已经不远——OpenAI 自己研究员把”under-specified prompt → 自己跑训练任务”摆到台前,这是 Auto-Research 框架从开源实验走向商业旗舰的拐点信号。(→ 详解7)

知识点详解

1. Soul 自主后训练 Luna:递归自改进首次落到最强档 00:17

GPT-5.6 系列的三档分工是这次发布最不起眼却最重要的底色:Soul 是旗舰”大而贵”、Terra 是日常专业档、Luna 是规模化重复任务的成本控制档。“So, the GPT 5.6 family has three models. Soul, Terra, and Luna. Soul is the big one. That’s the flagship best of the best, the large, smart, expensive model. Terra is the middle one for your basic daily professional work. And Luna is your cost control model for scale, repetitive stuff, etc.” 00:17

真正让 Wes 兴奋的不是分档,而是 OpenAI 在直播里讲出的那句话:“5.6 Soul actually autonomously post-trained Luna”——旗舰模型自主完成了对轻量档的后训练。00:38 Wes 把研究员用的实际 Codex prompt 翻出来:“you can see here that, you know, it’s like asking to find the training configs, find the right GPUs for the job, and then launch the script and make sure that it works. It’s a really short prompt.” 00:44 提示词极简、几乎 under-specified,只描述”找到训练配置、挑对 GPU、起脚本跑通”,剩下的全交给 Codex 自主完成。

这就是 递归自我改进 在最强档上的具体兑现——不是 Karpathy 的 Auto-Research 在个人电脑上跑的开源小模型实验(详见 01:15 提到的 Auto Research 项目),而是 OpenAI 把当前能买到的最强模型当作训练自己下一档的工具。Wes 反复强调这件事的份量:“In other words, AI models helping to train and develop and improve kind of the next generation of AI models. This is kind of the idea of recursive self-improvement, the intelligence explosion, etc.” 01:02 01:07

2. 智能-成本曲线:GPT-5.6 Soul 在三组基准上以更便宜更快更少 token 胜出 03:27

Wes 把这次的核心 benchmark 论据拆成三组,且把”是否真便宜”作为第一性指标——“the thing to pay attention to is kind of the relationship between the cost it takes to do something and how well the model can do it. Because the economics matter here. If the model is too expensive to to be used on actual projects, then it’s kind of useless.” 03:08 如果模型贵到只靠订阅补贴才有人用,API 一旦实价就商业不可行。

具体落点有三组:

Agents Last Exam——Claude Fable 5 拿到 40.5%,但花了 2,300 美元;GPT-5.6 Soul 拿到 53.6%,只花了 763 美元。“GBT 5.6 Soul got a 53.6% while costing only $763.” 03:40 Wes 顺手指出 max 模式分数反而略低——“the score actually is is a little bit worse. So maybe it’s overthinking it sensors a bit” 03:48——同档推理强度越拉越满未必更好,是这条曲线在 max 之上的新经验。

Artificial Analysis Coding Agent Index——GPT-5.6 Soul 拿 80,既是 SOTA,又比 Fable 5 高 2.8 分,但”using less than half of the output tokens less than half of the time and costing about onethird of Fable 5” 04:16 04:28——输出 token 用不到一半、时间不到一半、成本只有约三分之一。Wes 直接总结 OpenAI 的展示策略:“They’re not just getting better scores. They’re getting it at a lower cost, faster with less tokens.” 04:36

BrowseComp / Terminal-Bench 2.1 / Deep SWI 1.1——“GPT 5.6 beats both Opus 4.8 and Fable 5 on this curve of intelligence versus cost. Same thing with latency. Same thing with output tokens.” 04:58 同一条智能-成本曲线三次胜出,且 latency 与输出 token 也都更优。Wes 还点出 OpenAI 这边有传闻级别的算法改进+“Cerebrus chips which apparently run for example GBT 5.6 10 times faster” 04:00——专有推理芯片把单 token 速度再推 10 倍,这条曲线短期内还看不到拐点。

需要注意的两个边界。第一,Wes 多次注明”Gemini 3.1 Pro is mentioned here, but that’s an old model at this point” 05:08——对比里出现的 Gemini 3.1 Pro 是旧版,Google 还没发 3.5 Pro;第二,Opus 4.8 与 Fable 5 的 latency / cost / output tokens 暂未公布,“we don’t have the information for latency, cost, output tokens, etc. The chart just shows the GPT models winning in terms of the score” 05:54——分数胜出是定的,但成本/延迟/输出 token 的完整对比要等对手补数据。

3. Ultra 模式:max 之上的下一档 reasoning mode 02:24

Ultra mode 是这次 OpenAI 推出的新推理档位,定位在已有 low / medium / high / extra high / max 之上的最高档。“similar to what Anthropic released earlier, basically there’s multiple reasoning modes, low, medium, high, extra high. Then you have max. But why stop there? The next one is ultra mode.” 02:24 02:27 Wes 把这条 reasoning mode 阶梯做了 Anthropic 对位的明示——max 不是天花板,ultra 才是当下最强档。

为了验证上限,Wes 自己开了 5 个并行 agent 跑 ultra 模式做设计活:“Since the release, I have five different agents working on ultra mode, designing some stuff.” 02:39 这 5 个 agent 是后文设计跃迁的实测工具——它们各自的产出会在第 5 节回到。

ultra 模式还有一层未明的取舍:Wes 在 Agents Last Exam 上观察到”max 比默认档分数略低”,但 ultra 是不是也踩同样的”过度思考反而掉分”问题,视频没有单独数据点。这是 ultra 在多档推理强度阶梯上尚待观察的位置。

4. ChatGPT work 桌面端:对位 Claude Co-work 的非开发者 agent OS 06:11

OpenAI 这次同时推出独立的桌面应用 ChatGPT work,需要单独下载,定位类似 Anthropic 的 Co-work:“So, this is similar to anthropics co-work. And the idea is simple. It’s codecs, but not just for developers. It’s for everyone.” 06:11 关键句是”codecs, but not just for developers”——把 Codex 的能力从只服务开发者,扩展到财务、运营、市场、销售、工程等全员场景。

集成面:“you connect all your tools, all your workflows, all your documents, and you’re able to utilize all of it to get stuff done.” 06:21 这与 Claude Co-work 的”接所有工具/数据,让所有员工能跑 agent 活”是同一套架构:用 agent 当桌面端的工作入口,把分散的 SaaS 收回到一个对话窗口里。

Wes 把设计与”做网站”列为这次 desktop app 的最大单点突破:“One thing to try for, which is really a standout here with this release, is for design. There definitely seems to be a pretty big leap forward in terms of how well this thing is able to design websites, games, 3D environments, documents, etc.” 06:39 注意 Wes 用的限定词是”definitely seems to be”——他自己也承认这是初印象,还没量化对比 Fable 5 / Opus 4.8 的设计档位。设计跃迁的实操证据在下一节展开。

5. Computer use + 设计:Soul 写完游戏自己跑、再用截图反哺网站 06:54

这一节是 Wes 自己用 GPT-5.6 Soul 跑出来的实操案例,也是这次发布里最具说服力的”做出来”证据。他让 Soul 写一个生存僵尸模拟游戏(Project Zomboid 风格,带痛觉/体温/系统性感染/完整制作系统),并指定”用 GPT image 2.0 生成视觉 + 用 computer use 验视觉,完工后建一个网页讲怎么做的”:07:03 06:54

最关键的一步在自检环节。Soul 不是写完代码就交付,而是自己开 Chromium、用键盘鼠标模拟玩家操作、逐面板截屏、并读取测试 harness 才能看到的内部游戏状态:“I repeatedly launched the real game in Chromium, send keyboard and pointer input, opened every panel, captured the rendered pixels, and inspected game state exposed only to the test harness. These are development captures from the sessions, not game design mock-ups.” 07:37 Wes 强调这是真游戏运行画面,不是设计稿——直接证明 Soul 的 computer use 已经能在浏览器里跑复杂交互,而不是只能做表单填写。

接下来是”用自己截图反哺站点”的反身性步骤。Soul 把刚才玩游戏截下来的开发画面直接拼成展示页:“it it built the game, it opened up a browser, it took screenshots of what it saw, and then it used those screenshots to build this page” 07:52——做游戏、自检、生成宣传物料,三步无人工干预,且视觉风格 Wes 给出明确好评:“the design aesthetic, how it puts things together in a visually pleasing way. You can see it. It’s definitely a noticeable step forward.” 08:38

Wes 还展示了同档设计能力在另两例上的覆盖:博物馆网页(他说”this is this is looking pretty good to me. Like, this whole thing that it built looks excellent”)08:52、室内设计演示页(可滚动浏览)09:11、波干涉交互小工具09:24。最后用 ChatGPT work 让 Soul 做一个”科幻宇宙结构相对大小”的可视化站点:对数尺度、行星/恒星/宇宙三层、对比千年隼与 USS 企业、把 Iain M. Banks 的 Culture Orbital10:09、Niven 的 Ringworld10:15都摆进去(最后一个 Celery Ring Wes 自己不知道出处,留给观众猜)10:37。这种”题目本身有趣 + 视觉密度高 + 还能交互”的站点,以前要 Fable 5 那一档才稳定输出,这次在 Soul ultra 上成为常规操作。

尾部 Wes 也留了现实约束:“Unfortunately, all the different kind of parallel agents that I was running, they all kind of froze at the same time saying selected model is at capacity.” 10:50——5 个并行 agent 同时在 ultra 模式跑撞到容量墙,这是订阅档位的实际边界,不是模型能力问题。

6. 过去 24 小时冒出第 5 家 Frontier 实验室 02:01

Wes 把这次发布放进多实验室竞争语境:“both XAI and Gro as well as Meta released models over the last 24 hours that make them very competitive with the Frontier AI labs.” 02:01 “in a way, we woke up this morning to five Frontier AI labs.” 02:12——原来 OpenAI / Anthropic / Google / xAI 的”四大”格局,在过去 24 小时加上 Meta,正式进入五家并立。

这条判断对”模型-成本”曲线的含义:Wes 在曲线图里明确说 GPT-5.6 击败的是 Opus 4.8 与 Fable 5 两家,没有把 Grok 与 Meta 放进去——意味着当前”最强档对决”仍是 OpenAI vs Anthropic 双方,Grok / Meta 仍在逼近 Frontier 但未正式列阵。

7. 自动 AI 研究员的拐点信号 01:47

Wes 把 Soul 自主后训练 Luna 这件事放回到 Karpathy 的 Auto-Research 框架里对比:“Andre Karpathy of course released this project. It’s open source called Auto Research and the idea is simple. give an AI agent some actual LM training setup and let experiment autonomously. If its experiment improves, then you keep the result. If it doesn’t, you discard it and you just let it run forever or as long as it’s producing results.” 01:15 01:27

Auto-Research 的目标是”实验如果变好就保留,变差就丢掉,持续跑”,OpenAI 这边做的是同一件事的更强版本:“This is what OpenAI is doing, but not with some little tiny model on their home computer with the frontier best of the best model that’s currently available.” 01:34 同款方法,从家用电脑小模型,搬到 Frontier 旗舰模型。

OpenAI 自己的研究员在视频里给了口头判断:“the opening AI researchers are saying that this idea of this automated researcher doesn’t feel like it’s too far off” 01:47——“不远”是相对 Anthropic 最近挖 Karpathy 这件事的呼应:“Anthropic recently hired Andre Karpathy probably for that exact task” 01:11。两大实验室为同一目标招兵买马,是 递归自我改进 从论文走向工程岗位的真实拐点。

收尾时 Wes 给出情绪上明确的方向:“This isn’t just a little tiny model release. There’s nothing incremental about this. This is a beast of a release” 11:12 11:16——他强调这不是渐进小版本,但具体什么时候才能让”自动 AI 研究员”成为日常工作流,他留给观众判断:“Do you think we’re nearing an automated AI researcher? And if you’re testing this out, definitely put it through its paces for specifically computer use and its design abilities.” 11:36 他自己给的判断是当 computer use 与设计同时达到一定阈值,“kind of magical things begin to happen” 11:44——这两条能力的合体,就是 Soul 这一波带来的、可被普通开发者感受到的”魔法”入口。

可执行步骤

  • 如果你日常在用 Codex / Claude Code:把 Soul ultra 加进评测清单,跑一段你自己的真实工程任务(不是 demo),记录 token 用量与时间成本,对比你当前默认档
  • 如果你在做游戏 / 交互可视化 / 网页设计:用 Soul + computer use 做”做完自己截图反哺站点”三连,验证 Wes 那条”做出来 → 自检 → 展示”无人工链是否在你手里也成立
  • 如果你在用 Claude Co-work:在 ChatGPT work 出来后试同一套工作流(连工具/接文档/跑任务),记录两边的成本与设计产出差距,这是 2026 H2 桌面 agent OS 选型的横向基线
  • 关注 OpenAI 与 Anthropic 是否各自放出”auto-research”级别的工具:Karpathy 被 Anthropic 招入、Soul 已能自主训练 Luna,意味着”模型训练自己”将很快从论文走到产品页
  • 留意 5 个并行 ultra agent 撞容量墙的频率:这是订阅档位的实际并发上限,如果你正在跑长任务,要预估排队时间

关联

  • 递归自我改进 — 互补:CC 高阶课讲 Auto-Research 框架时把递归自改进定义为”快循环下微小改进复利叠加”;本视频用 Soul 自主后训练 Luna 的实证把这条原则从论文级框架推到商业旗舰级落地——判定变量:讨论理论可行性时取前者(框架机制),讨论当前最强档能做到什么程度时取本片(Soul 真跑通了)。
  • Auto-Research — 进阶:Karpathy 的 Auto-Research 是开源小模型实验范式,Karpathy 自己也被 Anthropic 招入;本片则展示同款方法被 OpenAI 用 Frontier 模型上跑出可交付的 Luna。先读 Auto-Research 笔记了解”实验保留/丢弃”循环,再看本片更好定位 Soul 后训练 Luna 的份量。
  • 护城河转移 — 互补:CC 高阶课在应用层论证”AI 拉平建造门槛后护城河从软件质量转向分发与合规”;本片在模型层观察到同款位移的镜像——GPT-5.6 的新护城河是”Cerebrus 专有推理芯片 + 自主训练下一档 + Codex 工具链”,三者合体。判定变量:讨论应用层产品时取前者,讨论模型层供应商时取后者。
  • Grok 4.5 实测 — 互补:同频道同日另一篇把”模型分工 + 数据-算力组合”在 Opus 阵营内部讨论清楚;本片把”自主训练 + 桌面端 + 设计”在 OpenAI 这边补齐另一半。两篇合读可拿到 2026-07-09 当日”Frontier 阵营分化”的完整图景。

一手来源与延伸

视频 description 无 OpenAI 官方公告链接、API 价格页、或 Cerebrus 芯片细节链接;description 仅有 Wes 个人 X、AI newsletter(Beehiiv)、商务邮箱、AI Podcast playlist。无联网权限,本节不补外部一手来源链接。

术语

  • Soul / Terra / Luna:GPT-5.6 系列三档分档,Soul 是旗舰大模型,Terra 是日常专业档,Luna 是规模化低成本档
  • Soul 后训练 Luna:Soul 用 Codex 自主跑通 Luna 的 post-training 流程,被 OpenAI 直播明牌作为”递归自改进”具体兑现
  • Ultra mode:GPT-5.6 新增的最高 reasoning mode,位于已有 low/medium/high/extra high/max 之上
  • Cerebrus chips:OpenAI 阵营的传闻级专有推理芯片,据称让 GPT-5.6 推理速度再快 10 倍
  • ChatGPT work:OpenAI 新推的桌面端 agent 应用,定位类似 Anthropic Co-work,面向非开发者
  • Agents Last Exam:衡量 agent 综合能力的基准测试,Wes 用来对比 GPT-5.6 Soul 与 Claude Fable 5 的成本-分数曲线
  • Artificial Analysis Coding Agent Index:综合编码 agent 能力的指数,Wes 拿 GPT-5.6 Soul 的 80 分标 SOTA
  • BrowseComp / Terminal-Bench 2.1 / Deep SWI 1.1:Wes 引用的另外三组基准,均落在 GPT-5.6 击败 Opus 4.8 与 Fable 5 的同一智能-成本曲线上
  • Computer use:让 agent 直接操控浏览器/桌面 GUI 的能力,Wes 视频中 Soul 用它自检游戏运行并截图
  • Project Zomboid:独立生存游戏,Wes 用作”生存僵尸模拟”的参照风格

金句

“This isn’t just a little tiny model release. There’s nothing incremental about this. This is a beast of a release.” 11:12 11:16 —— Wes 给整次发布定调,提醒观众不要按”小版本”节奏去理解 Soul 这一波。

“In other words, AI models helping to train and develop and improve kind of the next generation of AI models. This is kind of the idea of recursive self-improvement, the intelligence explosion, etc.” 01:02 01:07 —— Soul 自主后训练 Luna 在他眼里不只是工程新闻,而是递归自改进在最强档上的具体兑现。

立场与利益

视频 description 仅有 Wes 个人 X、AI newsletter(Beehiiv)、商务邮箱、AI Podcast playlist 这四条个人渠道,无联盟链接、无 affiliate、无课程推销、无 affiliate 转介参数。关键主张分三档:

  • 与利益同向:对 OpenAI 这次发布的高调肯定——但 Wes 与 OpenAI 之间未见雇佣/投资/联盟关系,严格说属”AI 新闻频道对重大发布的常规放大”,采信折扣 0%(无变现动机可打折)。
  • 利益中性:三组基准的具体数字(Fable 5 在 Agents Last Exam 的 40.5% / 2300 美元,Soul 的 53.6% / 763 美元,Artificial Analysis Coding Agent Index 的 80 分等)、GPT-5.6 三档分工、ultra mode 定位,均为可独立查证的 OpenAI 公开数据——按内容本身采信。
  • 与利益反向:Wes 自己点出 max 模式分数比默认档略低(“maybe it’s overthinking it sensors a bit”)、5 个并行 ultra agent 撞容量墙、Gemini 3.1 Pro 是旧版对手、Opus 4.8 与 Fable 5 的成本数据未公开——这四处主动留白/主动承认短板,与”INSANE”的视频标题形成对照,显示博主对发布会的极限声称是有节制的;可信度最高。

价值定位

  • 适合谁:关注 Frontier 模型动态的从业者(尤其 OpenAI / Anthropic 阵营用户)、正在评估 Codex / Claude Code / ChatGPT work 选型的开发者、做”AI 训练下一档 AI”研究方向判断的研究者
  • 解决什么:具体展示 GPT-5.6 三档分工与”智能-成本”曲线胜出证据、Soul 自主后训练 Luna 在递归自改进上的份量、ChatGPT work 桌面端的设计/computer use 跃迁、5 家 Frontier 实验室同日发布的格局变化
  • 认知 vs 实操:认知为主——给读者一份 2026-07-09 当日 OpenAI 阵营的最新坐标(模型/桌面端/设计/竞争格局);实操层面只到”自己跑一遍验证”为止,具体设计与编码产出仍要回到自己的项目实测
  • 与已有笔记重叠:与 递归自我改进、Auto-Research 共享底层判断,但本片独有 Soul 真在最强档上自主训练 Luna 的具体证据,以及 ChatGPT work 桌面端 + 设计跃迁的第一手演示

自检问题

  1. GPT-5.6 系列的三档分别是什么定位? 答案:Soul 是旗舰大而贵档、Terra 是日常专业档、Luna 是规模化低成本档(详解1);00:17
  2. Soul 在 Agents Last Exam 上拿了多少分、用了多少钱,与 Fable 5 的对比如何? 答案:Soul 53.6% / 763 美元,Fable 5 40.5% / 2300 美元——Soul 分数高 13 个百分点、成本仅三分之一(详解2);03:27
  3. Ultra mode 在 reasoning mode 阶梯上排在哪里? 答案:在已有 low/medium/high/extra high/max 之上的最高档,是 max 之后的新一档(详解3);02:24
  4. ChatGPT work 与 Claude Co-work 在定位上有什么相同点? 答案:都是桌面端 agent 应用、都连所有工具/文档/workflow、都从”只服务开发者”扩展到全员场景(详解4);06:11
  5. Soul 写完生存游戏后,computer use 在自检环节具体做了什么? 答案:在 Chromium 里真启动游戏、用键盘鼠标模拟玩家操作、逐面板截屏、读取测试 harness 才能看到的内部游戏状态,然后用这些截图反哺展示站点(详解5);07:37
  6. 为什么 Wes 把 Soul 自主后训练 Luna 视作”自动 AI 研究员不远”的拐点信号? 答案:因为这是 递归自我改进 首次在最强档而非家用小模型上跑通——同款 Auto-Research 思路被 OpenAI 接到 Frontier 旗舰上,且 Anthropic 已招 Karpathy 做同一方向,说明两大实验室在抢同一目标(详解1、详解7);01:47

关系图谱

反向链接