OpenAI 透露 GPT-5.6 Sol 数学与 ARC-AGI-3 实测细节

OpenAI 近日在官方 X 账号上发文，披露其新一代模型 GPT-5.6 Sol（代号 Sol）在数学与通用推理基准上的实际表现与一项令人意外的工程发现。该模型已被用于求解若干开放数学问题，但在 ARC-AGI-3 这一以二维谜题为形式的推理基准上却表现挣扎。OpenAI 研究团队随后展开调查，结果显示问题并非出在模型本身，而在于调用方式。

数学上的突破与 ARC-AGI-3 上的反差

OpenAI 在帖文中指出，GPT-5.6 Sol 已在数学领域取得实际应用进展，被用于尝试解决一些尚未被攻克的开放数学问题。然而在面对 ARC-AGI-3——以二维网格谜题著称、用于衡量模型抽象推理能力的基准时，模型的表现却远低于预期。这种「数学强、谜题弱」的反差促使团队进行了针对性排查。

关键发现：两个 API 设置改变结果

经过调查，OpenAI 表示，问题根源在于模型的「harness」（即调用与运行环境）未能让它有效记住此前学到的内容。在启用两个 API 设置后，团队在 ARC-AGI-3 上的得分提升至原来的约三倍，同时输出 token 数量减少了约六倍。换言之，模型能力本身并未改变，瓶颈在于上下文管理与记忆机制的调用方式。

对开发者的启示

OpenAI 的这一发现具有实践意义：即便是同一模型，调用参数的差异也可能导致基准表现出现数倍差距。这提示开发者在评估模型能力时，应同时关注推理配置与上下文策略，而非仅看原始模型版本。OpenAI 在帖文末尾以「we investigated」收尾，暗示后续可能发布更完整的技术说明。

当前信息边界

截至目前，OpenAI 仅在 X 平台以短文形式披露上述发现，尚未公布 GPT-5.6 Sol 的完整模型卡、参数规模、具体基准分数明细，也未指明是哪两个 API 设置起到了关键作用。读者如需进一步技术细节，仍需等待 OpenAI 后续的官方说明或配套发布。