一句话看懂：2026年7月9日，OpenAI 发布 GPT-5.6 全系列模型（Sol、Terra、Luna），其中最小模型 Luna 由旗舰模型 Sol 自主完成训练——从寻找GPU、编写脚本到执行任务，全程无人类干预。这意味着AI已经能“自己训练自己”，递归自我改进从概念变为工程化量产工具。
事件核心：发生了什么
OpenAI 在技术文档中披露，Luna 的完整后训练流程由 Sol 自主完成。Sol 作为旗舰模型，自行筛选训练数据、设计实验、执行知识蒸馏、编写评测用例并迭代优化。同时发布的基准测试数据显示，Sol 在编程测试 Terminal-Bench 2.1 中得分 91.9%，领先 Anthropic 的 Claude Fable 5 超过 8 个百分点。定价方面，Luna 输入价格低至每百万 token 1 美元，大幅压低行业成本。
为什么重要
这标志着大模型训练从“人类主导的手工作坊”转向“AI 自主实验的流水线”。传统模式下，数据清洗、奖励模型设计、超参搜索等工作依赖数百名博士和标注员，人力成本占训练总成本的 30%–40%。现在，Sol 可并行跑数百个实验，一天产出过去数月成果。OpenAI 内部数据显示，过去半年代码推理计算资源增长 100 倍，智能体任务 tokens 消耗增长 22 倍，递归自我改进能力内部评测得分比上代 GPT-5.5 高出 16.2 分。竞争对手面临两难：Anthropic 安全优先策略限制自主性，但已宣布不再招聘初级工程师；Google DeepMind 的 AutoML-X 项目仍处实验阶段。国内公司受芯片禁令影响，算力储备难以支撑这种“用推理换研发效率”的模式，差距可能从半年拉大到两三年。
对用户/开发者/创作者的影响
个人用户：Luna 的低价和轻量特性使高质量 AI 服务更易获得，但需警惕模型知识来自旗舰模型蒸馏，可能存在能力偏科。开发者：初级“调参侠”岗位加速消失，AI 行业人才结构从金字塔变为哑铃型——底部基础岗被自动化替代，顶部资深科学家月薪达 13.28 万元（脉脉数据）。但新岗位（如对齐工程师、智能体架构师）门槛极高，结构性人才断层正在形成。企业采购者：算力投入和自动化系统质量将成为核心竞争力，而非团队规模。采购时应优先评估供应商的自我迭代能力而非单次模型跑分。
AI 工具推荐
想把多个 AI 模型放在一个入口？
GamsGo AI 集成 ChatGPT、DeepSeek、Gemini、Claude、Midjourney、Veo 等常用模型，适合写作、绘图、视频和日常 AI 工作流。
推广链接：通过此链接购买，我可能获得佣金，不影响你的价格。
值得关注的后续
1. Anthropic 的反制：其禁止招聘初级工程师的决定等同于确认已开始内部递归改进，具体路径和进展需观察。2. 算力成本瓶颈：OpenAI 的 Project Loop 项目已投入 5 亿美元，计划 2027 年实现完全自动迭代，但当前每次自我迭代消耗海量推理算力，成本可能限制大规模落地。3. 安全治理：递归自我改进可能触发“智能爆炸”风险——AI 迭代速度超过人类理解能力。Anthropic 划分的三个阶段（辅助编码→自主实验→完全自迭代）中，行业刚迈入第二阶段，安全对齐策略的成败将决定飞轮能否可控运转。
来源：Readhub · AI
