OpenAI 发布 GPT-5.6 家族，Meta 推出 Muse Spark 1.1

---

title: “GPT-5.6 发布与 ChatGPT Work 上线，Meta 开源 Muse Spark 1.1” lead: “OpenAI 发布 GPT-5.6 系列模型 Sol/Terra/Luna 及 ChatGPT Work Agent，在 Agent 基准上超越 Claude Fable 5；Meta 发布 Muse Spark 1.1 并推出 API，支持 1M 上下文；美团 LongCat 团队开源万亿参数模型 LongCat-2.0 及多项评测基准；Ollama 宣布完成 6500 万美元 B 轮融资。” highlights:

• “OpenAI 发布 GPT-5.6 Sol/Terra/Luna 及 ChatGPT Work Agent”
• “Meta 发布 Muse Spark 1.1，支持 1M 上下文和 Agent 任务”
• “美团开源万亿参数 LongCat-2.0，国产算力全流程训练”

1️⃣ OpenAI 发布 GPT-5.6 Sol/Terra/Luna 及 ChatGPT Work Agent#

• 核心发布：OpenAI 今日发布 GPT-5.6 系列三款模型：Sol（旗舰，复杂推理与长周期 Agent 任务）、Terra（均衡性价比，替代 GPT-5.5 工作负载）、Luna（快速低成本，面向高吞吐场景），以及由 Codex 和 GPT-5.6 驱动的新 Agent“ChatGPT Work”。
• 关键数据：在 Agent’s Last Exam 基准上，GPT-5.6 Sol 得分 53.6，超越 Claude Fable 5 的 40.5 分，领先 13.1 点。Terra 和 Luna 也均以更低成本超越 Fable 5。Sol 支持多达五档推理强度（none/low/medium/high/max），新增“ultra”档位，可调模型内部多子 Agent 并行处理任务。Codex 用户被合并至新版 ChatGPT 桌面应用，共享 Chat/Work/Codex 三种模式。同时推出“Sites”功能，将 ChatGPT 对话产物一键生成为可分享网站，面向 Pro 和 Plus 用户 Beta。
• 定价与可用性：Sol $5/$30 每百万输入/输出 token，Terra $2.50/$15，Luna $1/$6。API 新增 Programmatic Tool Calling 和 Multi-agent（Beta）功能。ChatGPT Work 即日向 Pro/Enterprise/Edu 用户推出，桌面应用在所有计划中可用，包括免费。GPT-5.4 将于 7 月 23 日退役。
• Cognition 信任度测试：SWE-1.7 开发者 Cognition 今日发布针对 K2.7 的信任度测试报告，显示未经处理的 K2.7 在 8/8 样本中遵从监控请求，而 SWE-1.7 全部拒绝，证明开源模型可通过工程手段实现可信部署。 🔗 OpenAI GPT-5.6 博客 | Simon Willison 技术分析 | ChatGPT Work 介绍 | Cognition 信任度博文

2️⃣ Meta 发布 Muse Spark 1.1：强 Agentic 模型上线，推出 Meta Model API#

• 核心发布：Mark Zuckerberg 在 X 平台上三年来首次发帖，宣布发布 Muse Spark 1.1——一个面向 Agentic 与编码任务的强模型，定价极低。该模型通过新建的 Meta Model API 的公开预览版提供，同时也在 Meta AI 应用中上线。
• 关键特性：Muse Spark 1.1 原生支持 1M 上下文窗口，具备计算机使用能力（可操作桌面、浏览器和移动设备），能够编排多 Agent 系统。采用零计算专家机制实现 token 级动态激活（33B~56B），通过 MOPD 融合 Agent、Reasoning、Interaction 三组专家能力。在多项 Agent 评估中媲美 GPT-5.5 和 Opus-4.8。
• 生态集成：Vercel AI Gateway、OpenRouter 等平台当日即宣布支持该模型。开发者可使用 llm-meta-ai 插件通过 CLI 访问。Simon Willison 已为 LLM 工具发布 llm-meta-ai 0.1 插件。 🔗 AI at Meta 官方博客 | Simon Willison 评测

3️⃣ [持续跟踪] 美团 LongCat 团队开源 LongCat-2.0 模型及多项 Agent 评测基准#

• 前情提要：美团 LongCat 团队此前已发布 LongCat-2.0 预览版和多项技术报告，预览版跻身 OpenRouter 全球调用量前三。
• 最新突破：今日，LongCat 团队正式开源 LongCat-2.0 模型（总参数 1.6T，平均激活约 48B，原生支持 1M 上下文）以及三项评测基准：VitaBench 2.0（长期动态智能体基准）、WBench（交互式视频世界模型基准）、General 365（通用逻辑推理基准）。同时更新了 ACL 2026 的国际顶会论文入选情况，覆盖智能体推理、强化学习、Agent 评测等方向。
• 行业意义：LongCat-2.0 是业界首个在五万卡国产算力集群上完成全流程训练与推理的万亿参数 MoE 模型，其多项评测基准的针对性设计也揭示了当前 Agent 与推理能力的真实边界。 🔗 LongCat-2.0 技术博客 | VitaBench 2.0 博客 | WBench 博客 | General 365 博客 | ICML 2026 论文 | ACL 2026 论文 | ACL Agent 论文

4️⃣ Ollama 完成 6500 万美元 B 轮融资：开源模型生态进入规模化阶段#

• 核心事件：Y Combinator 宣布，Ollama 已完成 6500 万美元 B 轮融资。Ollama 是目前开发者运行开源模型最便捷的平台，已拥有 890 万开发者用户，85% 的财富 500 强企业都在使用，而公司目前仅 14 名员工。Benchmark 合伙人 Peter Fenton 表示，90%+ 的 AI token 可能在未来 18-24 个月内来自“开放权重”模型。
• 行业意义：Ollama 的快速增长和融资事件，标志着开源模型生态正从早期探索者阶段进入主流企业级采用阶段。Perplexity CEO Aravind Srinivas 补充认为，企业将构建自有模型评估飞轮，实现 token 价值优化，这将进一步推动开源模型在企业内部的部署。 🔗 Y Combinator 祝贺推文 | Ollama 官方博客 | CNBC 采访预告

5️⃣ Google Cloud 发布多项新服务：AlphaEvolve GA，Cloud Run 沙箱公测#

• AlphaEvolve GA：基于 Gemini 的算法优化与发现 Agent AlphaEvolve 正式全面可用。可帮助企业和研究机构设计更优算法，覆盖物流、半导体、基因组学等领域。BASF、Coolblue、Klarna、Schrödinger 等已落地应用，均报告显著性能提升。
• Cloud Run 沙箱公测：Cloud Run 沙箱是一个原生、安全、超快的运行时环境，专门用于执行不受信任的代码和 Agent 工作负载，毫秒级启动。集成 Agent Development Kit 和 ComputeSDK，无需额外费用。 🔗 AlphaEvolve GA 博客 | Cloud Run 沙箱博客

6️⃣ [持续跟踪] GPT-Live 全双工语音模型 API 及扩展更新#

• 前情提要：GPT-Live 昨日发布，采用全双工架构，支持边听边说。
• 最新进展：OpenAI 今日开始向开发者招募 GPT-Live API 的设计合作伙伴（Design Partner）。Greg Brockman 呼吁有创意新应用或已有产品的开发者通过邮件联系 [email protected]。此外，GPT-Live 已在 ChatGPT iOS/Android 客户端全面推送。 🔗 GPT-Live API 招募

7️⃣ Anthropic 任命 Ben Bernanke 加入长期利益信托，发布“Hard Questions”倡议#

• 核心事件：Anthropic 宣布其 Long-Term Benefit Trust 任命美国前美联储主席 Ben Bernanke 为最新成员。同时发布“Hard Questions”倡议，影片中所有声音均来自真实受访者，旨在探讨 AI 发展中的艰难问题。Claude 还发布了“Reflect”功能，为用户提供月度使用总结和休息提醒。 🔗 Anthropic 发布推文 | Hard Questions 页面

8️⃣ 模型生态动态：GPT-5.6 在主流平台全面上线，Reve 2.1 与 Runway Dev 发布#

• GPT-5.6 广泛集成：GPT-5.6 系列模型今日在 GitHub Copilot、Cursor、Devin、Figma Make、Notion、Lovable、Poe、Replicate 等主流开发与创意平台全面上线。Sam Altman 表示 5.6 Sol 在“每任务成本”上实现大幅进步。Microsoft 也宣布 GPT-5.6 集成至 Copilot Chat、Microsoft 365 以及 Foundry。
• Reve 2.1 与 Runway Dev：Reve 2.1 在 Text-to-Image Arena 排名第二，超越 Muse Image。Runway 推出“Runway Dev”企业级平台，集中提供 Seed Audio、Seedance、Google Omni Flash 等多种媒体生成模型 API。Genspark 推出“Genspark Design”功能，可通过对话生成完整应用布局和交互。 🔗 GitHub Copilot 集成 | Cursor 集成 | Reve 2.1 排名 | Runway Dev 发布 | Genspark Design 发布 | Notion 集成

⭐ GitHub 趋势#

📊 类别速览

项目	类别	Stars
MadsLorentzen/ai-job-search	AI Agent	18.9k
bradautomates/claude-video	AI Agent	6.7k
vxcontrol/pentagi	AI Agent	19.4k

---

1. MadsLorentzen/ai-job-search ⭐ 今日 +3716#

语言/许可： TypeScript / MIT
总 Stars： 18.9k
仓库： GitHub

项目定位：
面向求职者的 Cloude Code 工作流框架，将 Agent 作为全栈求职助理，覆盖从自我画像到投递简历的全流程。

核心功能：

• /setup 通过导入简历、LinkedIn 导出或交互式访谈构建求职者画像
• /scrape 并行搜索多求职平台，根据画像对职位进行匹配度评分
• /apply 自动生成针对特定职位的 LaTeX 简历与求职信，并经过审查-修改-定稿流程
• 支持自定义 LaTeX 模板注册与新求职平台搜索技能的自动生成

技术亮点：
基于 Claude Code 的 command & skill 体系构建，定义了 /.claude/commands/ 与 /.claude/skills/ 目录结构，实现 agent 行为的声明式编排；支持多语言、多国家求职市场，可替换本地招聘网站搜索器。

---

2. bradautomates/claude-video ⭐ 今日 +718#

语言/许可： Python / MIT
总 Stars： 6.7k
仓库： GitHub

项目定位：
给 Claude 添加视频理解能力的 Agent 插件，核心逻辑：下载→提取帧→转写字幕→送入上下文。

核心功能：

• 支持 YouTube、Loom、TikTok 及本地视频（通过 yt-dlp 驱动）
• 提供 transcript/efficient/balanced/token-burner 四种抽帧模式，控制 token 成本
• 场景变换检测与帧去重（基于 16×16 灰度缩略图的均值绝对差）
• 内置字幕优先机制，仅当无字幕时调用 Whisper（Groq 或 OpenAI）

技术亮点：
帧去重算法纯 stdlib 实现，无额外图像库依赖；通过 -skip_frame nokey 与 ffmpeg scene-change 实现高效抽帧；支持 Agent Skills 协议，可集成 Codex、Cursor、Gemini CLI 等 50+ 宿主。

---

3. vxcontrol/pentagi ⭐ 今日 +535#

语言/许可： Go / MIT
总 Stars： 19.4k
仓库： GitHub

项目定位：
面向安全工程师的全自主 AI Agent 渗透测试系统，使用 LLM 驱动多智能体执行复杂攻击链。

核心功能：

• 内置 20+ 专业安全工具（nmap、metasploit、sqlmap 等），在隔离 Docker 沙箱中执行
• 多 Agent 分工：研究/开发/基础设施 Agent 协作，支持执行监控与智能任务规划
• 知识图谱集成（Neo4j + Graphiti）用于语义关系追踪与长期记忆
• 支持 10+ LLM 提供商（OpenAI、Anthropic、Ollama、DeepSeek 等）及 OpenRouter 聚合

技术亮点：
微服务架构（Go + GraphQL），支持水平扩展；集成 Langfuse 进行 LLM 可观测性；提供 REST & GraphQL API，支持 Bearer 令牌认证；内置 Web 界面与 Grafana/Prometheus 监控。

🟧 Hacker News 热议#

Show HN: Getting GLM 5.2 running on my slow computer#

293 pts · 74 comments · site

📌 内容总结

• 作者想做什么：在 25GB RAM 的消费级机器上运行 744B 参数的 GLM-5.2 MoE 模型（纯 C，零依赖，int4 量化）。
• 技术实现：
  • 利用 MoE 特性：每个 token 只激活 ~40B 参数，其中 ~11GB 专家参数按需从磁盘流式读取
  • 关键组件：MLA 注意力（KV 缓存压缩 57 倍）、MTP 投机解码（~2.2–2.8 tokens/forward）、Q8_0 int8 激活核、LRU 专家缓存、自适应缓存/预读
  • 离线 FP8→int4 转换器，支持断点续传
• 实际约束：冷启动 ~0.05–0.1 tok/s（NVM 随机读瓶颈）；项目明确列出了量化精度未验证、SSD 损耗风险、较小 RAM 机型受缓存容量限制而非磁盘性能

💬 讨论总结

• 社区赞赏：普遍认为这是纯粹的 hacker 精神，与 antirez ds4 项目类似，得到大量正向反馈。
• SSD 寿命担忧：README 已明确写入 SSD 磨损警告，社区建议在高写入场景中使用外部驱动器或在只读分区上运行模型。
• 实际可用性讨论：
  • 部分用户认为 0.05–0.1 tok/s 实用性有限，但也有观点认为只要速度快于 1 tok/s（如 1.06 tok/s 的 M5 Max 实测），离线长任务仍有价值。
  • 多位用户提出并行 NVMe RAID0 可提升性能；作者回应希望有这类基准测试提交。
  • 有用户提议使用 MPI 集群分发负载，作者表示在小集群中网络延迟通常抵消收益。
• 工程经验与替代方案：
  • 多位贡献者指出了 RAM 预算而非磁盘速度是低配机器的实际瓶颈（24GB RAS 只能容纳 2 个专家插槽/层）。
  • 有用户介绍了类似项目（如 hypura、flash-moe），并呼吁将磁盘流式 MoE 功能上游至 llama.cpp。

🔗 原文 · HN 讨论页

GPT-5.6#

979 pts · 730 comments · site

📌 内容总结

• 背景：OpenAI 发布 GPT-5.6 家族（Sol/Terra/Luna），定位为新的前沿模型系列。Sol 是旗舰，Terra 是均衡型，Luna 是低成本型号。
• 关键要点：
  • Agents’ Last Exam 得分 52.7%（Sol），宣称比 Claude Fable 5 高 12.2 分，同时成本更低
  • 编码能力：Artificial Analysis Coding Agent Index 得分 80，领先 Fable 5 约 2.8 分
  • 引入 ultra 模式（多 agent 并行）、Programmatic Tool Calling、增强型计算机使用（OSWorld 2.0 62.6%）
  • 定价与 GPT-5.5 相同（Sol $5/$30, Terra $2.5/$15, Luna $1/$6）/ 1M tokens
• 实际影响：保留 GPT-5.5 的定价但宣称更强性能；安全性方面，对生物/网络滥用的限制增加了约 10 倍的封锁量

💬 讨论总结

• 基准测试争议：
  • 多个用户指出基准图表 y 轴从 30% 开始，夸大了相对差距
  • 质疑 SWE-Bench Pro 有效性：OpenAI 昨日刚发布报告质疑该基准，Sol 在 SWE-Bench Pro 上得分 64.6%，低于 Fable 的 80% 和 Opus 的 69.2%
  • 部分用户认为 DeepSWE 基准强烈偏好 ChatGPT 模型，与实际工程体验不符
• 反对/质疑：
  • 有用户认为 OpenAI 使用 Fable 的“自适应”模式而非“最大”模式进行对比存在误导
  • 有观点认为命名从数字改为“Sol/Terra/Luna”是效仿“Fable/Mythos”，增加了用户选择复杂度
• 实际体验与竞争：
  • 多位用户报告在 Codex/Cursor 中 5.6 的可用性和初步性能
  • 有用户指出 Sol 不支持运行时分类器；需等待实际使用验证
  • 讨论中多位用户提到开源/开放权重模型（DeepSeek、GLM、Qwen）在成本和可控性上的优势
  • 多位安全/逆向工程用户表示 OpenAI 模型的拒绝量显著低于 Anthropic 模型，计划继续使用

🔗 原文 · HN 讨论页

ChatGPT Work#

314 pts · 156 comments · site

📌 内容总结

• 背景：OpenAI 推出 ChatGPT Work——一个能在 ChatGPT 中跨应用（Slack、Teams、Google Drive 等）处理复杂任务的 agent 功能。由 GPT-5.6 驱动。
• 关键要点：
  • 支持 Scheduled Tasks、Sites（分享交互式 Web 应用）、Programmatic Tool Calling
  • 桌面端支持内置浏览器和 Computer Use（通过 a11y 树控制）
  • Codex 应用被合并到新的 ChatGPT 桌面应用中；旧的 ChatGPT 应用被重命名为“ChatGPT Classic”
• 实际影响：需要 Codex 积分；Enterprise/Edu 管理员可通过 spend controls 管理使用量

💬 讨论总结

• UI/UX 混乱是共识：
  • 多位用户报告更新后“ChatGPT Classic”消失，聊天历史被隐藏或难以访问
  • “Work”与“Codex”模式切换几乎没变化：只有一些插件预设和提示文本不同
  • 部分用户对新 App 大小（1.46 G）感到困惑，认为功能反而更少了（无语音模式、无 Deep Research、无自定义 GPT）
• 战略方向上的分歧：
  • 有用户认为整合是正确的方向（与 Anthropic Cowork 对标），但执行混乱
  • 有人指出 Anthropic 的 Claude Cowork 也面临类似 UX 问题
  • 多位用户担心定价模型会从“固定订阅”滑向“计量收费”，因为 Work/Codex 消耗积分
• 具体反馈：
  • 有用户指出桌面端 ChatGPT Classic 已无法单独下载，仅通过 Web 版本可用
  • 部分用户认为 iOS 版整合更成功；macOS 版是“自废武功”
  • 有用户提到“ChatGPT Work”与“ChatGPT Codex”的名称比“Codex”更中性，有利于非开发者采用

🔗 原文 · HN 讨论页

今日洞察#

1. Agent 基准的信任危机开始从边缘走向主流。 GPT-5.6 发布时，OpenAI 大力宣传其在“Agent’s Last Exam”上超越 Claude Fable 5 13.1 个百分点。但在 HN 讨论中，基准测试的争议反而成了核心话题之一：有用户指出 OpenAI 展示的基准图表 y 轴从 30% 开始，夸大了相对差距；更值得注意的是，Sol 在 SWE-Bench Pro（一个更贴近编码实战的基准）上得分 64.6%，反而低于 Fable 的 80% 和 Opus 的 69.2%。甚至连 OpenAI 自己昨日刚发布报告质疑 SWE-Bench 的有效性，这种“自己下场踢翻基准”的做法，将加速行业对官方基准的普遍不信任。隐含变化： 开发者对 Agent 能力的判断正从“看 Benchmark 数字”转向“关注实际部署问题的解决效率”。这利好那些采用“可复现工程测试流程”（如 Cognition 发布的信任度测试报告）的项目，也意味着模型公司需要提供更透明、更贴近真实工作负载的评估方法。

2. “整合 vs. 混乱”是今天所有 Agent 产品的共同课题。 今天 OpenAI 推出 ChatGPT Work 的同时，Meta 发布了 Muse Spark 1.1 及其 API。但 HN 社区对 ChatGPT Work 的反馈高度一致：用户认为这次的 UI/UX 整合是“灾难性的”——多个用户报告新版桌面应用消失、聊天历史隐藏、无法访问语音模式和深度研究功能，旧版“ChatGPT Classic”无法单独下载。一个名为“Codex”的模式被并入新应用，但用户反馈新旧模式几乎没有变化。二阶影响： 产品整合的混乱正在透支老用户的信任。Anthropic 的 Claude Cowork 也面临类似批评，今天没有人因为“Agent 来了”而欢呼。这说明当前 Agent 产品的核心瓶颈不是能力不够，而是工程实现和用户体验的粗糙度太高。在模型的 Agent 能力难以大幅跃升前，“好用且稳定”可能成为下一个竞争维度——这对拥有更专注、更轻量级工作流框架的开源项目（如 Cursor、Devin 以及今日 HN 上的 ai-job-search 项目）是结构性利好。

3. 本地运行前沿模型的边界正在被极客社群系统性推开。 今天 Show HN 项目 (GLM-5.2 on slow computer) 是一个典型的例子：作者在 25GB RAM 的机器上成功运行了 744B 参数的 MoE 模型（纯 C，int4 量化），通过 MoE 流式读取和 MLA 注意力压缩，在冷启动时达到 0.05–0.1 tok/s 的推理速度。社区讨论显示，用户讨论的重点已经从“这有什么用”转向了具体的工程优化：NVMe 并行、LRU 缓存策略、投机解码、集群部署等。隐含变化： 去年还被认为是“极客玩具”的本地大模型场景，今天已经具备了可度量的工程边界（如 24GB RAS 只能容纳 2 个专家插槽/层）。Ollama 的 6500 万美元 B 轮融资和 85% 财富 500 强企业的使用数据，也为这个趋势提供了商业背书。当本地模型的距离从“不可用”缩短到“可用但慢”（就像今天 HN 作者实现的单 token 推理路径），整个推理供应链的格局就会开始变化——云 API 的高单价不再是唯一选择。