我们设计了 GPT‑5.6 模型系列,旨在平衡用户使用我们模型完成各类任务时的能力与成本。我们的旗舰模型 GPT‑5.6 Sol(最大推理模式)在人工智能分析编码智能体指数上超越了 Claude Fable 5,而成本不到后者的一半。Terra 在智能基准测试中表现与 GPT‑5.5 相当,但价格仅为一半;Luna 是我们最快且最实惠的模型,定价比 Sol 低 80%。为了实现这些效率提升,我们的研究和技术团队在技术栈的每个主要层面都进行了重大优化。这些改进涵盖了我们的模型、推理(我们运行模型以生成输出的方式)以及智能体框架(Codex 和 ChatGPT Work 均使用该框架)。

过去四年间,随着我们的模型扩展到 10 亿活跃用户和超过 200 万家企业,效率一直是让智能惠及所有人的核心。我们的使命是确保通用人工智能造福全人类。这些年来,我们不断在技术栈中解锁更大的优化空间,以便在成本-智能曲线上每个点都提供性能最优的模型。通过 GPT‑5.6,我们实现了迄今为止最高的每 token 智能效率,该模型经过训练可在每个 token 上完成更多工作。在训练中,我们同时优化任务成功率和效率,引导模型在完成任务时走更直接的路径。

本文不仅关注模型本身,还将分享我们如何通过技术栈中另外两个主要部分的进步来设计效率,包括:1)推理,通过优化负载均衡、推测解码、缓存和内核优化等流程,从相同硬件中获得更多输出;2)我们的智能体框架,包括更好地管理上下文膨胀、工具使用和重复工作。我们还将介绍 GPT‑5.6 Sol 在自主实现其中多项增益方面的作用。虽然任何孤立的改进可能看似有限,但这些成果叠加起来,使我们能够在智能和效率的前沿同时取得突破。

使用 GPT‑5.6 Sol 加速推理

在计算资源受限、模型需求增长快于容量增长的世界中,效率是每个系统设计的核心。这一点在我们的推理栈中尤为突出,推理栈负责运行训练好的模型以生成响应。我们的主要目标是用相同的硬件提供更多 token,同时保持用户期望的智能、延迟、可用性和可靠性。

实现这一目标需要优化整个系统。一个模型单独来看可能非常高效,但如果请求分配不当、硬件闲置或数据移动拖慢计算速度,其服务成本仍然可能很高。每一层的改进都会叠加,收益来自路由(请求发送到哪里)、调度(请求何时发送)、内核(在 GPU 上运行的软件)、缓存(保存并重复使用的工作)和模型实现(GPU 代码的执行顺序)等方面的优化。Codex 中的 GPT‑5.6 Sol 在这些优化中发挥了关键作用。

第一个重要例子是负载均衡。在全球范围内,我们根据地理位置、可用容量和加速器类型(运行模型的 GPU 或专用芯片类型)等因素路由请求。在集群内部,我们根据负载、上下文长度、缓存可用性和其他请求属性,将工作分配到各个模型实例。在每个实例内部,工作必须高效地分配到加速器、模型的子网络和计算核心。Codex 中的 GPT‑5.6 Sol 帮助我们分析生产流量,识别之前被忽视的不平衡来源,测试新的路由策略,并不断调整这些启发式规则。仅这些负载均衡改进就显著降低了模型服务成本。

我们还使用 GPT‑5.6 Sol 优化了模型的前向传播:将输入转换为下一个 token 预测的计算过程。即使单个操作很快,过多的内存移动、同步和低效的数据布局也可能导致 GPU 闲置。为避免这种情况,GPT‑5.6 Sol 找到了可以预计算、避免或并行化的工作。借助 Codex,GPT‑5.6 Sol 自主重写并优化了我们的生产内核,即执行构成模型的数学运算的核心代码。这在一定程度上是因为我们训练了 GPT‑5.6,使其能够高效地编写和优化 Triton⁠(在新窗口中打开)Gluon⁠(在新窗口中打开) 中的内核,这两种开源 GPU 编程语言由 OpenAI 维护。这些努力,加上 GPT‑5.6 Sol 带来的更广泛内核改进,将端到端服务成本降低了 20%。我们还大力投资了验证工具,例如开源工具 FpSan⁠(在新窗口中打开)(浮点清理器),以帮助验证 GPT‑5.6 Sol 编写的内核的正确性。

推测解码是提高速度和效率的另一个杠杆。该技术涉及在主模型旁边运行一个较小的草稿(或“推测器”)模型,提出多个 token 供主模型并行验证。当这些提议被接受时,系统可以通过一次主模型前向传播生成多个输出 token,从而减少昂贵的顺序计算量。GPT‑5.6 Sol 通过在其架构上设计并运行数百次实验,测试大小、结构和特征的变化,改进了自身的草稿模型。此外,GPT‑5.6 Sol 启动并监控了推测器训练过程,在出现问题时(包括硬件故障和训练不稳定)自主干预。由此产生的改进使 token 生成效率提高了 15% 以上。

在处理未缓存的输入 token 时,模型通过一次计算密集型的前向传播构建键值缓存;在生成输出时,它会反复读取并扩展该缓存。服务的最佳配置(如批处理、分片和键值管理)在很大程度上取决于工作负载——提示和输出长度、批大小、缓存命中率、查询特征等。然而,配置空间以前太大,无法系统性地调整,迫使工程师依赖宽泛的启发式规则。借助 Codex 中的 GPT‑5.6 Sol,我们能够分析生产工作负载,生成并评估候选配置,并针对每种场景超优化引擎和模型的配置方式。这使得一种新的工作负载特定优化成为可能,从而从相同硬件中提取更多有用的推理结果。

推理优化是一个持续的反馈循环。我们测量生产行为,识别最大差距,实施变更,并验证它们能改善整个系统而非孤立基准。GPT‑5.6 Sol 和 Codex 加速了这一循环的每个环节。这意味着我们的团队可以探索更多想法,更快响应变化的工作负载,并构建一个延迟更低、容量更大、成本更低的推理栈。

我们的智能体框架如何简化重复工作

ChatGPT Work 和 Codex 通过一系列模型请求和工具调用来完成复杂任务。在单次交互中——从用户请求到最终响应——Codex 可能检查源代码、搜索部署历史、阅读事件报告、编辑文件并运行测试。每个步骤都可能需要一次请求。

准备上下文、传输数据、运行推理、调用工具和启动进程都需要时间和计算资源。如果一个任务需要30次模型请求,每次请求多花一秒就会累积起来。提升整体性能意味着减少系统中重复的工作,而不仅仅是让模型更快。

一次用户交互可能包含多次模型和工具迭代。重复区域内的任何成本都可能被多次支付。

这些乘数效应指导了我们如何设计智能体框架,这是一个用 Rust 编写的编排层,连接我们的模型、工具和用户环境。接下来,我们将介绍如何通过避免上下文膨胀、加载工具和复用工作来提高每次请求的效率。

避免上下文膨胀

随着智能体被授予更多工具、技能、插件和对话历史,上下文窗口很容易扩大。这会增加成本,分散模型注意力,并引发不必要的推理。该框架可以通过延迟发现来减少这种开销,使集成、自定义 MCP 工具、技能和插件仅在需要时才可访问。该框架还能防止单个工具和 MCP 集成意外消耗上下文窗口。默认情况下,工具输出限制为10,000个 token,除非模型请求不同的限制。

保留精确前缀以支持提示缓存

如前所述,智能体循环可能在单次交互中多次向 GPU 发送相同的指令、对话历史、工具定义和先前结果。处理这些重复输入成本高昂,因此提示缓存会复用与先前处理过的提示前缀相关的计算。为了保留该前缀,框架将所有模型可见的历史记录视为仅追加:新消息、工具结果和环境更新被添加到末尾,而不是插入到较早的上下文中。工具也以确定性顺序呈现,而运行时设置(如审批策略)在执行期间应用,而非嵌入工具定义中。这一设计选择有助于 Codex 和 ChatGPT Work 实现较高的整体提示缓存命中率。

增量传输改变了网络传输的内容;提示缓存改变了模型可能避免重新计算的内容。宽度为概念性示意,未显示额外的压缩层。

智能曲线上的效率提升

我们通过 GPT‑5.6 实现的效率提升是多年来跨栈(涵盖研究、推理和智能体框架)复合改进的结果。GPT‑5.6 在实现这些改进中的角色让我们对优化速度的加速感到乐观。我们将继续在核优化等领域进行更大改进,同时对我们栈进行基础性提升。我们期待将这些持续进行的底层改进以更广泛可用、更具成本效益的智能形式回馈给用户和客户。

特别感谢技术团队成员 Matthew Ferrari、Philippe Tillet、Ahmed Ibrahim、Joe Gershenson 和 Steve Coffey 对本文的贡献。

本文内容采集自官方网站,排版和翻译可能与原页面存在差异。

阅读官方全文