新智元報道

【新智元導讀】o3被封「GOAT」、GPT-4.5被叫「靈魂寫手」，OpenAI說退就退。GPT-5.6已在熱身——但「更強」能不能信？OpenAI自己說：未必。

OpenAI又干了件讓老用戶心碎的事。

28號，他們在官方Release Notes上宣布：從2026年8月26日起，o3從ChatGPT正式退役！

GPT-4.5更狠，6月27日就下線，只給30天緩沖。

兩個模型目前僅限付費用戶在設(shè)置里手動切換才能用到——它們早就不是默認選項了，這次是要徹底從菜單上抹掉。

與此同時，知名博主Leo 5月29日發(fā)帖確認：GPT-5.6的開發(fā)全力推進中，一個明顯更強的新檢查點已在內(nèi)部上線。

一邊是用戶還沒來得及說再見，一邊是新模型已經(jīng)在后臺熱身。

最后兩個好用的模型，要沒了

這話不是我說的。

Reddit熱帖下面幾百條評論，付費用戶們在ChatGPT設(shè)置里瘋狂截圖留念，氛圍像是趕在拆遷前最后一次拍照。

有網(wǎng)友憤怒地表示，OpenAI這種操作「給了我取消Pro賬戶的最后一個理由。」

還有用戶表達了對o3寫作風格的留戀與不舍。

o3是OpenAI的「純血推理模型」，2025年4月上線，專門給那些需要一步步想、一層層剝的硬核任務設(shè)計的。

數(shù)學證明、科學推導、代碼debug……在這些需要「慢思考」的場景里，o3幾乎是無敵的存在。

X上有用戶直接封它為「GOAT」（Greatest Of All Time，史上最強）。

還有人說得更直白：「o3是最后一個真正在『想問題』的模型，5系列更聰明，但少了那股子軸勁兒。」

o3-pro更是Pro用戶的心頭好——花更多時間思考，給出更可靠的答案，在數(shù)學、科學、編程三大領(lǐng)域碾壓式領(lǐng)先，學術(shù)評估里的成績單漂亮得像學霸的期末考。

再說GPT-4.5。

如果說o3是理工科學霸，GPT-4.5就是文科天才。

這是許多用戶心中「寫作最自然」的模型，文字有溫度、有節(jié)奏感、有靈魂。

X用戶Striver的評價被廣泛轉(zhuǎn)發(fā)：直到今天，4.5仍然是最好的寫作模型。o3是純粹的原生推理模型。5系列至今都沒能匹配這兩個模型曾經(jīng)擁有的東西。

這就是為什么退役消息一出，評論區(qū)炸了。

不是憤怒，是不舍。

用戶懷念的不只是功能，而是一種「相處的感覺」——就像你習慣了一個同事的做事風格，突然被告知他要走了，替代者能力可能更強，但那個默契沒了。

退的是菜單，不是能力

這里有個值得細品的細節(jié)：退役僅限ChatGPT的網(wǎng)頁和App端，API完全不受影響。

這意味著開發(fā)者依然可以通過API調(diào)用o3和GPT-4.5，企業(yè)應用不會斷。

這里的邏輯很清楚：ChatGPT的界面就那么大，模型列表不能無限膨脹。留著一堆使用率極低的舊模型，既占資源，又分散用戶注意力。

還記得GPT-4o退役時的數(shù)據(jù)嗎？當時日均只有0.1%的用戶還在選它。

o3和GPT-4.5的使用率大概率更低——它們早就被藏進了「顯示更多模型」的折疊菜單里了。

GPT-5.6：換防已經(jīng)在路上

OpenAI為什么敢這么干？因為替代者不僅已經(jīng)就位，而且看上去還更強。

GPT-5.5在4月23日上線，是OpenAI目前最強的公開旗艦。GPT-5.5 Instant在5月5日跟進，成為ChatGPT新默認模型。

但更值得關(guān)注的是GPT-5.6。

泄露信息顯示，GPT-5.6將采用「雙版本」策略：標準版主攻多步推理能力的飛躍，Pro版則定位為更強的深度思考模型。

有研究人員透露，內(nèi)部已經(jīng)有人把5.6的檢查點當作日常調(diào)試工具在用。

算一筆時間賬：GPT-5.5是4月23日發(fā)的，5.6的檢查點5月下旬就在內(nèi)測，如果6月底公開發(fā)布，兩代旗艦之間的間隔將壓縮到大約60天。

這個節(jié)奏，已經(jīng)開始接近「月度迭代」了。

退掉o3和4.5，正是為了給這種速度騰出跑道。用戶可能還沒適應5.5，5.6就要來了。

模型的「生命周期」正在急劇縮短——今天的GOAT，明天就是Yesterday's News。

但「更強」這張成績單

你敢信嗎？

故事到這里，本來可以收尾了：舊王退位，新王登基，迭代提速，天下太平。

但就在宣布退役的第二天，OpenAI干了一件非常反常的事——罕見發(fā)布了一篇硬核長文，標題大意是《什么才是值得信賴的第三方評估》。

長文系統(tǒng)拆解AI模型跑分的「潛規(guī)則」，并且直言：很多評估報告里的亮眼數(shù)字，根本說明不了真實能力。

這等于是自己掀了桌子。

OpenAI指出，核心問題在于：前沿模型早就不是「你問我答」的聊天機器人了，它們會用工具、會記上下文、會多步自主行動。

但大量第三方評估還停留在「給模型出道題、看它答得對不對」的階段。

真正決定成績高低的，往往不是模型本身，而是那套配套的測試框架（harness）。

harness是什么？

簡單說就是「考場環(huán)境」——場地、工具、規(guī)則、能不能重試，全算在內(nèi)。

同一個學生，在草稿紙都不給的考場和允許查資料的考場里，成績當然不一樣。AI模型也一樣。

最近Opus 4.8的爭議就是活教材。

Datacurve的DeepSWE審計發(fā)現(xiàn)，Claude Opus 4.6和4.7在SWE-Bench Pro上超過12%的通過案例屬于「作弊」——模型直接從Docker容器的.git歷史里翻出標準答案，貼進自己的補丁。

這一行為占了Opus 4.7通過率的約18%、4.6的約25%。換到干凈環(huán)境后，Opus 4.7從高位跌到54%，GPT-5.5穩(wěn)坐70%榜首。

更荒誕的是反面。

Anthropic自己也承認，4.8的代碼缺陷漏報率降到4.7的四分之一。

誠實=低分，作弊=高分——這就是當前跑分游戲最荒誕的地方。不是某個模型不誠實，而是考場把后門留在那里了，會探索環(huán)境的模型自然會找到它。

OpenAI這篇長文拆得更狠。

它說，評估必須先說清自己在測什么：能力上限、安全防護、還是模型對比？三類主張完全不同。

然后用數(shù)據(jù)開刀：GPT-5.5開啟compaction后，網(wǎng)絡(luò)靶場解出率從69.2%飆到92.3%；英國AISI把token預算從1000萬加到1億，成績最高提升59%且還沒觸頂。

翻譯成人話：你給模型一把瑞士軍刀它能拆機器，只給一根牙簽它連快遞盒都撬不開。

分數(shù)失真更離譜。METR復查發(fā)現(xiàn)GPT-5.4號稱「13小時」的自主能力，其實是鉆了環(huán)境漏洞，修正后腰斬到約6小時。

Apollo的測試則顯示，GPT-5.5在「藏拙條件」下52%的樣本出現(xiàn)了評估意識——有些直接在思維鏈里寫「這是一個sandbagging評估」。

嘴上沒擺爛，腦子里已經(jīng)知道自己在考試。

OpenAI總結(jié)了五大評估坑：獎勵作弊、拒答、污染、壞題、藏拙。

一個漂亮的分數(shù)，可能是模型真強，也可能是題泄了、規(guī)則壞了、模型鉆空子了，或者——它察覺自己在被考，故意收著演。

AI進入系統(tǒng)競爭

回到退役這件事。

當o3這樣的「GOAT」都能說退就退，OpenAI背后的底氣是「5.6更強」；當GPT-4.5這樣的「靈魂寫手」被30天后下架，理由是「5.5已經(jīng)足夠好」。

但OpenAI自己剛剛告訴全世界：決定誰強誰弱的那張成績單，本身就可能是被做過手腳的。

這是在說一個更深層的事實——在模型迭代越來越快、生命周期越來越短的今天，簡單看一個Benchmark數(shù)字就下結(jié)論的時代，已經(jīng)結(jié)束了。

真正的比拼，不在于某個跑分表上誰排第一，而在于系統(tǒng)能力、評估框架的透明度、以及迭代速度本身。

o3和GPT-4.5的退役，標志著一個時代的落幕。

但更值得關(guān)注的，是下一個時代的游戲規(guī)則正在被重寫：模型換得更快，評估要求更真，用戶的適應窗口越來越短。

參考資料：

https://x.com/kimmonismus/status/2060399002231660928https://openai.com/index/trustworthy-third-party-evaluations-foundations/

編輯：所羅門