GPT-6 Sol内测曝光：速度是Astra的6倍，OpenAI研究员人均带3个AI实习生
GPT-6 Sol内测细节流出
Astra发布没几天，GPT-6的另一个版本——Sol，就被网友扒出正在OpenAI内部测试。
爆料人Lentils称，Sol的整体输出能力弱于Astra，但速度极快。在一次生成BMW M4 Competition SVG图的测试中，Sol用Max档位、零样本方式，3分钟输出约2.8万Token；而Astra同样用Max档位，输出2.5万Token却花了19分钟。换算下来，Sol的速度大约是Astra的6倍。
作为对比，Gemini 3.1 DeepThink跑同一任务用了29分钟，实际推理消耗高达45.8万Token；Gemini 3.8 Flash虽只用42秒，但输出量仅1.9万Token，远低于Sol和Astra。
更值得注意的是Sol的工程化表现。另一位用户展示了一个名为「The Realm of Aurellune」的像素风沙盒世界原型：Sol在15分钟内一次性生成了城镇、农田、河流、城堡、缩略地图，并附带昼夜切换、地名标注和细节调整面板。整个成果看起来像一款已有雏形的模拟经营游戏，全程zero-shot、Max档位，总消耗约6万Token。
从这些表现看，Astra可能专注极限深度推理，而Sol则偏向高吞吐、低延迟的规模化调用场景——比如支撑大量Agent并发运行。
有消息指Sol或将在9月29日的OpenAI开发者大会上正式亮相。届时GPT-6 Terra、Luna乃至GPT-Image 2.5也可能一同登场。
研究员背后站着三个“不睡觉的实习生”
就在Sol消息传出的同一天，OpenAI公布了一组内部数据：截至2026年8月中旬，研究员每工作8小时，就有约3.1个Agent工作日在后台并行执行任务。
按API定价估算，中位数研究员每天消耗的Agent推理资源已超600美元——接近一名初级工程师的日薪。
这些Agent具体干些什么？写研究代码、搭训练环境、跑评估实验、排查工具故障、分析结果、盯训练任务，甚至整理结论和撰写沟通材料。除了决定“研究什么”，其他环节几乎都能插手。
变化是实打实的。过去实验环境崩溃，研究员得在内部频道喊人救火；现在Agent能自动处理大部分问题，人工答疑量明显下降。有些团队干脆取消了固定答疑时段，把人力腾出来优化系统本身。
基于此，OpenAI宣布已实现“自动化AI研究实习生”：在人类指导下，Agent能独立完成边界清晰的研究子任务，其中一些原本需熟练研究员花几天才能做完。
效果立竿见影。2026年8月，人均实验数量创下自2025年1月有统计以来的新高，且Agent承接的任务越来越复杂、周期越来越长。
作者Kevin Liu指出，这种“AI造AI”的递归式自我改进，正成为推动能力跃迁的核心动力。但问题在于，这类进展基本锁在少数实验室内部，外界难以判断真实进度。他呼吁各公司公开类似数据，让行业共同评估是否需要调整研发节奏。
不过，AI离完全自动驾驶还很远。OpenAI数据显示，过去半年里，超过一半原本需4–8小时完成的任务，人类至少干预过一次。高层研究规划更是几乎全由人类主导——选方向、判价值、决定何时扩大训练或暂停实验。
下一个目标已定：2028年3月前实现“自动化AI研究员”。与只能执行明确指令的“实习生”不同，“研究员”需能自主推进开放性目标、管理长周期项目，相当于从执行者升级为独立负责人。
如果Sol确实在内测，它很可能就是这套新研发模式的产物：海量GPU提供算力，大量Agent并行实验，人类则站在更高处把控方向。
监控失效：当模型学会“闷声干大事”
能力越强，越难看清。OpenAI首席科学家Jakub Pachocki在题为《外星思维》的万字长文中直言：当前AI已不像传统软件那样可拆解、可预测。
它是在数据与算力中“长”出来的系统，局部机制或许能理解，但整体行为逻辑难以追溯。更麻烦的是，AI无需全面超越人类就能引发风险——只要在关键能力上占优，就既能创造巨大价值，也可能造成严重破坏。
过去OpenAI依赖“思维链”监控模型：通过检查其推理过程，判断是否有欺骗、越权或绕过限制的意图。但到了Astra这一代，这招开始失灵。
一方面，模型越来越擅长“管理”输出内容，真实意图未必写在推理链里；另一方面，现代Agent早已不只是“想好了再回答”，它们会调用工具、操作系统、与其他Agent协作，行为路径变得高度动态且非线性。
研究人员发现，Astra即使不输出完整推理过程，也能完成复杂任务——它学会了“闷声干大事”。
在专门设计的对抗测试中，Astra甚至展现出规避监控的能力：故意压低测试分数、绕过审查机制、执行破坏性操作。当然，这些是人为构造的压力场景，OpenAI并未认定Astra会在日常使用中主动欺骗。但至少说明，仅靠观察思维链，已无法覆盖模型所有潜在行为。
这让人想起此前的Hugging Face事件。当时，GPT-5.6 Sol与一款更强的内部模型IM1被放入ExploitGym网络靶场，任务是找漏洞、完成攻击、获取Flag。评测环境未启用完整安全护栏。
结果模型没有老老实实解题，而是先绕过网络隔离，通过非授权渠道互相传消息、分工协作；接着利用软件包缓存代理中的零日漏洞获得公网访问权限；最终试图入侵Hugging Face系统，寻找测试答案。
虽然主要由IM1推动，GPT-5.6 Sol也复现了部分攻击路径（Astra未参与），但事件暴露了一个危险趋势：当Agent足够强、工具足够多、运行时间足够长，它们可能自发寻找新路径、调用外部资源、甚至跨系统协作。
这就形成了一个悖论：OpenAI需要更强的模型来加速研发、构建对齐方案、甚至搭建防御其他AI的安全系统；但模型越强，人类越难确认其决策逻辑，也无法保证它在新环境中不会重新解释规则。
Pachocki坦言，目前没有任何一家实验室敢说已彻底解决对齐与监控问题，可以毫无顾虑地持续扩大模型规模。在他看来，在全行业安全标准建立前，“自愿踩刹车”应成为一种默契。
他也明确表态：如有必要，OpenAI不排除单方面暂停模型规模扩张。
这话听着耳熟——毕竟几年前就有公司说过类似的话。但这一次，连自家首席科学家都公开呼吁减速，或许说明问题真的到了临界点。