你可能已经习惯把 AI 当成一个随叫随到的问答窗口：问一句，答一句；让它改一段文字、写一封邮件，也都还算顺手。但真正麻烦的工作不是一句话能结束的。比如你要它整理一批文件、对照表格、写出报告，再把结果放进办公文档里，这就不只是“回答问题”，而是要持续推进一个项目。OpenAI 今天的变化，正是往这个方向走：GPT-5.6 正式可用，ChatGPT Work 被描述为能跨应用和文件连续工作的长任务 agent，Microsoft 365 Copilot 也把 GPT-5.6 设为 preferred model。换句话说，模型、ChatGPT 产品和办公生态在同一天对齐了。
一日三发，发的不是同一件事
这次可以看作三层更新。
第一层是模型本身。GPT-5.6 系列正式可用，按 Simon Willison 转述 OpenAI 信息，它分成 Luna、Terra、Sol 三个尺寸，从小到大排列。模型家族就是同一代模型按能力、速度和价格拆成多个版本。用户不必每个任务都上最大型号：简单任务用 Luna，复杂任务再上 Terra 或 Sol。
第二层是 ChatGPT Work。OpenAI 官方称，ChatGPT Work 是一个 agent——这里可以理解为能执行多步骤任务的 AI 助手，不只是聊天机器人。它可以跨应用和文件采取行动，必要时在一个项目上持续数小时。Bloomberg 也报道说，OpenAI 正推出一个面向复杂任务、可连续工作数小时的 AI agent，用来吸引更多商务专业用户。
第三层是 Microsoft 365 Copilot。OpenAI 官方称，GPT-5.6 已成为 Microsoft 365 Copilot 的 preferred model，并用于 Word、Excel、PowerPoint、Chat 和 Cowork。这里的重要性不在“又接了一个入口”，而在它进入了很多人每天真实工作的文档、表格、演示和协作场景。
这三件事合在一起，才是标题里“一日三发”的含义：不是单个模型发布，而是模型能力、长任务产品、办公分发渠道同时推进。
GPT-5.6 新在哪？
先看可见的产品形态。GPT-5.6 不是一个单独型号，而是 Luna、Terra、Sol 三档。按 Simon Willison 的整理，三档每 100 万 input/output tokens 的价格分别是：Luna 为 1 美元/6 美元，Terra 为 2.50 美元/15 美元，Sol 为 5 美元/30 美元。
这里的 token，是模型处理文本的计量单位，可以粗略理解为“文字切片”。input tokens 是你喂给模型的内容，output tokens 是模型生成的内容。按百万 token 收费，是 AI API 常见的计价方式。
不过，单看输入输出价格已经不够了。原因是现在很多模型会消耗 reasoning tokens，也就是推理过程中用掉的内部计算量。可以把它想成模型在草稿纸上演算的部分：同样读一段话、输出一段答案，不同模型在草稿纸上写了多少，真实成本可能差很多。所以 Simon Willison 也提醒，单纯比较每百万 token 价格，已经不能完整说明问题。
OpenAI 这次最强调的是长时间 agent 工作能力。按 Simon Willison 转述的 OpenAI benchmark 说法，在 Agents’ Last Exam 上，GPT-5.6 Sol 得分 53.6，比 Claude Fable 5 adaptive reasoning 高 13.1 分。Agents’ Last Exam 被描述为覆盖 55 个领域的长时间专业工作流评测。也就是说，它更接近“让 AI 连续做一件复杂工作”，而不是只测一次问答。
同一来源还提到，在 medium reasoning 设置下，GPT-5.6 Sol 比 Claude Fable 5 高 11.4 分，估计成本约为后者四分之一；GPT-5.6 Terra 和 GPT-5.6 Luna 也在 Agents’ Last Exam 上超过 Claude Fable 5，成本约为其十六分之一。这些量化性能和成本结论主要来自单一信源转述 OpenAI，因此应当按 OpenAI 自我披露的 benchmark 信息来看。
但代码评测没有全赢
值得注意的是，GPT-5.6 并不是在所有评测上都压过对手。
Simon Willison 提到，在 SWE-Bench Pro 上，Claude Fable 5 得分 80%，高于 GPT-5.6 Sol 的 64.6%。SWE-Bench Pro 是面向软件工程任务的评测，材料没有展开它的具体设置，但可以把它理解成更偏“真实代码任务”的测试。
这里还有一个需要谨慎看的点：OpenAI 认为约 30% 的 SWE-Bench Pro 任务存在问题，并建议模型开发者仔细检查结果。也就是说，在一个对 GPT-5.6 不利的 benchmark 上，OpenAI 同时提出了对评测本身的审计意见。这个说法可以写，但不能把它直接当成“评测无效”的客观结论。更稳妥的理解是：OpenAI 在强调 Agents’ Last Exam 的领先，同时对 SWE-Bench Pro 的一部分任务质量提出质疑。
这也提醒我们，今天的模型竞争越来越难用一个榜单概括。一个模型可能更擅长长时间 agent 工作，另一个模型可能在复杂代码任务上表现更强。对用户来说，关键不是“谁绝对更强”，而是它在你的工作类型里是否更可靠、更便宜、更容易接入。
ChatGPT Work 把重点从回答转向交付
ChatGPT Work 的描述很短，但方向很清楚：跨应用、跨文件、持续数小时，把目标变成完成的工作。
这和普通聊天最大的区别，是工作单位变了。普通 ChatGPT 更像一个即时顾问，你问它“这份报告怎么改”，它给你建议。长任务 agent 更像一个项目助理，你给它目标，它需要自己拆步骤、查文件、调用应用、处理中间结果，最后交付成品。
当然，材料里没有展开它究竟能访问哪些应用和文件，也没有说明权限、安全边界、失败恢复方式。这些对企业用户非常关键。一个能跨应用行动的 agent，能力越强，越需要清楚地知道它能看什么、能改什么、什么时候需要人确认。供稿材料只支持写到“OpenAI 称它可以跨应用和文件执行任务，并可在项目上持续数小时”。再往下的具体机制，目前不能补写。
Bloomberg 的报道提供了另一个角度：OpenAI 这次是在争取更多商务专业用户。这个定位很合理。长时间 agent 的价值不只在模型聪明，而在能不能减少办公室里那些多步骤、跨工具、反复整理的工作。
为什么 Microsoft 365 Copilot 接入重要？
模型发布本身会吸引开发者，ChatGPT Work 会吸引重度用户，但 Microsoft 365 Copilot 是另一个层级：它把模型放进 Word、Excel、PowerPoint、Chat 和 Cowork 这些日常办公入口里。
很多 AI 产品的问题不是没人觉得有用，而是离真实工作流太远。你在一个窗口里让 AI 写完东西，还要复制到文档；让它分析表格，还要自己处理格式；让它做演示，还要回到 PowerPoint 调整。Copilot 的意义在于，AI 不再只是旁边的工具，而是嵌进原来的工作台。
OpenAI 官方称 GPT-5.6 会为 Microsoft 365 Copilot 带来更强 AI 能力，用于更快、更高质量的工作。但“更快、更高质量”属于官方营销性表述，供稿没有给出可核验指标。因此这里能确认的是接入范围和 preferred model 地位，不能进一步写成已经证明了具体效率提升。
为什么今天值得关注？
这次更新的看点，不是 GPT-5.6 又多了几个 benchmark 分数，而是 OpenAI 在把同一个方向贯通：更强模型服务更长任务，更长任务进入办公软件。
过去，模型能力常常停在演示里。今天的组合更接近一个商业化路径：API 里有 Luna、Terra、Sol 三档，方便开发者按成本选模型；ChatGPT Work 面向能持续数小时的复杂任务；Microsoft 365 Copilot 则把 GPT-5.6 带进办公软件。三者合起来，说明 OpenAI 正把“会回答”推进到“能交付”。
这也是为什么价格信息值得单独看。长任务 agent 如果要跑数小时，成本会直接影响能不能大规模使用。Luna、Terra、Sol 的分档，加上 OpenAI 强调的 performance per dollar，本质上是在回答同一个商业问题：更强的 agent 能不能便宜到让企业日常使用。
但这一步还没有完全被证明。材料里的长任务领先主要来自 OpenAI 自身披露并由 Simon Willison 转述的 benchmark；ChatGPT Work 的能力边界还不清楚；Microsoft 365 Copilot 的实际体验也需要等用户在真实文档、表格和协作场景里验证。
局限与未知
-
价格和多数 benchmark 数字主要来自 Simon Willison 转述 OpenAI，属于 single 信源信息，应按官方披露口径谨慎看待。
-
ChatGPT Work 的具体权限、安全限制、可访问应用范围和失败处理机制，供稿材料没有展开。
-
Microsoft 365 Copilot 接入 GPT-5.6 的实际效率提升没有可核验数字；官方“更快、更高质量”的说法目前只能视为产品表述。