如何以更低成本实现前沿智能体性能

核心亮点

OpenAI 在官网发布了一篇"省钱指南"式的文章，讲清楚 GPT-5.6 家族如何以更低成本拿到前沿级智能体性能。说白了，它不只是把模型变强，更关键的是新增了推理持久化、原生多智能体编排、程序化工具调用等 API 能力，让"又强又便宜"成为可能。

具体能力或事件经过

文章给出的硬数据很说明问题。在 ARC-AGI-3 上，启用"保留推理 + 压缩"后，Sol 得分从 13.3% 直接跃升到 38.3%，而输出 token 反而减少了约 6 倍。也就是说，模型不是靠堆 token 硬算，而是靠把推理过程"存下来、压一压"来提效。另一组是 Luna 在 BrowseComp 上以 84.04% 追平 GPT-5.5 的 84.36%，成本却从 33.27 美元降到 1.33 美元——几乎是两个数量级的差距。

技术细节

"推理持久化"意味着模型跨步骤保留思考链，不用每次都从头推理；"压缩"则把冗长的内部推理折叠成更紧凑的表示。两者叠加，既保住了准确率，又砍掉了冗余输出。原生多智能体编排让多个模型分工协作变得开箱即用，程序化工具调用则让"何时调工具"由代码逻辑决定，而非依赖提示词硬凑。

与竞品对比

比起单纯比拼基准分数，OpenAI 这次更强调"单位成本下的智能"。Luna 用 1.33 美元逼近对手 33 美元的答卷，本质上是在重新定义性价比的标尺。简单来说，前沿性能不再是昂贵专属，通过架构和工程优化，中等预算也能摸到天花板附近。

行业影响或适用场景

对预算敏感、又要上强度的团队，这篇文章提供了可落地的降本路径：善用持久化与压缩、用编排替代堆料。它预示着一个趋势——大模型竞争正从"谁分高"转向"谁在合理成本下分高"，这会直接影响企业选型时的算账方式。