GPT-5.6 Sol Ultra 将在 Codex 中提供

推理成本削减与“计算乘数”

• 讨论串将 GPT‑5.6 Sol / Ultra 与 OpenAI 找到将推理成本减半的报道联系起来。
• 人们猜测可能采用的技术：共享 KV/前缀缓存、投机解码、更高效的架构、类似 DeepSeek 的技巧（草稿模型、类似 DSpark 的系统）。
• 不少人认为，简单的响应缓存或前缀缓存对长尾、长上下文工作负载（例如编程）帮助不大，而这正是成本最关键的场景。
• “计算乘数”被视为实验室的核心商业机密；保密做法被比作量化交易算法。也有人批评这种保密方式反科学且对社会有害。

Sol Ultra、Pro、子代理与工作流

• 基于源代码，Codex 中的 Sol Ultra 被描述为：同样的模型／“max”努力，再加上一个提示，促使其主动使用子代理。没有暴露特殊的后端模式。
• 人们认为 GPT‑5.5 Pro 使用了并行的测试时计算（多次运行 + 一个选择／综合模型），这解释了它高得多的有效成本。
• 讨论中还拿它与 Claude Code 的“ultracode”／动态工作流比较：通过脚本确定性地协调许多子代理，但对这些方案是否成熟或是否“已损坏”存在分歧。

模型质量、竞争与可访问性

• 许多人认为 Fable/Mythos 目前是编程领域的领跑者，尤其擅长复杂、多步骤任务（例如硬件逆向工程）。
• GPT‑5.5 Pro 因质量受到称赞，但其 API 使用成本高得令人望而却步；有人希望 5.6 Sol Ultra 能以订阅价格缩小差距。
• 一些用户报告说，5.5 最近在 Codex 中变得“更懒”／更差，可能是在为 5.6 做准备，但这只是轶闻。
• DeepSeek 的开放研究和低价被反复提及，作为对美国实验室的压力；关于中国实验室是在效率上领先，还是仅仅因为结构性压力而被迫优化，存在争论。

企业使用、成本与泡沫担忧

• 企业用户报告已经看到了 5.6‑Sol Ultra；管理层起初将“使用 token 最多”游戏化，随后又突然转向警告高 token 支出，并敦促使用更便宜的模型。
• 多位评论者认为，这已是经济泡沫可能消退的早期信号：这些工具有用，但价格过高，无法在大规模上替代人工工作。
• 提到的策略包括：用强模型做规划，用小模型做“苦力活”；大多数任务用本地模型，只有在卡住时才用云端 LLM。

可靠性、安全性与自动化

• 对将随机性的 LLM 直接嵌入关键的自动化业务流程持强烈怀疑态度：企业需要确定性、可审计性和稳定行为。
• 有人认为，可以通过反馈和测试，用随机组件构建可靠系统；也有人反驳说，当前 LLM 无法真正从部署时反馈中学习，并且仍然是不透明的。

品牌、命名与 UX

• 对于不具描述性的名称（“Sol”、“Ultra”、“Codex”）而非技术标签，人们感到困惑和恼火；也有人指出，营销和易用性往往胜过描述性命名。