内容摘要：IT之家 7 月 11 日讯 —— 据科技媒体 The Decoder 7 月 10 日发布的最新报道，OpenAI 宣布其最新模型 GPT-5.6 Sol具备自主对小型模型 Luna进行后训练Pos

IT之家 7 月 11 日讯 —— 据科技媒体 The 化身Decoder 7 月 10 日发布的最新报道，OpenAI 宣布其最新模型 GPT-5.6 Sol具备自主对小型模型 Luna进行后训练（Post-training）的研究员后能力。测试数据显示，训练GPT-5.6 Sol 在衡量 AI 研究能力的模型“聚合 RSI”（Aggregate RSI）指数上，比前代模型 GPT-5.5 高出 16.2 个百分点。化身

IT之家注：后训练（Post-training）是研究员后指模型在完成初始大规模预训练后，针对特定任务、训练行为模式或专业能力，模型进一步调整参数与配置以优化性能的化身过程。

从“辅助工具”到“自动化研究员”

OpenAI 研究员 Kathy Shi 在演讲中强调，研究员后传统的训练后训练工作通常由高级研究团队手动完成，流程复杂且耗时。而 GPT-5.6 Sol 被定位为“自动化研究员”，它能够基于自身的后训练路径和配置逻辑，独立为 Luna 模型制定并执行完整的后训练方案。

研究人员通过部分经过精心编辑的提示词（Prompts）来引导 GPT-5.6 Sol，这些指令涵盖了从底层硬件选择（如 GPU 配置）到上层代码执行（如脚本启动、验证运行）的全流程。

建立内部评估套件“聚合 RSI”

为了量化评估模型在真实科研场景中的能力，OpenAI 开发了一套基于真实 AI 研究任务的内部评估套件——聚合 RSI（Aggregate Researcher Score Index）。该套件主要考察以下核心能力：

• 调试研究系统：排查并修复代码或环境错误。
• 优化 Kernel 与训练方案：提升计算效率与训练效果。
• 运行机器学习实验：独立执行复杂的实验流程。
• 改进其他模型：对现有模型进行迭代优化。

官方数据显示，在同等测试条件下，GPT-5.6 Sol 的表现比 GPT-5.5 模型高出 16.2%，显示出显著的技术跨越。

研发效率翻倍：Token 产出与 PR 数量显著增长

除了模型能力的提升，GPT-5.6 Sol 在 OpenAI 内部研发周期中的应用也带来了显著的效率红利。研究人员在调试、训练系统优化、实验运行及结果分析等环节广泛使用该模型。

内部测试数据表明：
1. Token 产出翻倍：活跃研究员的人均每日 Token 产出量较 GPT-5.5 时期的峰值翻倍以上。
2. 产出质量提升：单个研究员提交的代码合并请求（Pull Request）数量及完成的实验数量均实现显著增长。

这一进展标志着 AI 模型正从单纯的“内容生成者”向具备自主科研逻辑的“智能研究员”角色转变。