泉源：泰康人寿38岁天下销冠被刑拘作者： 李仪琳：

OpenAI官宣退役o3与GPT-4.5！

新智元报道

【新智元导读】o3被封「GOAT」、GPT-4.5被叫「灵魂写手」，，OpenAI说退就退。。
。GPT-5.6已在热身——但「更强」能不可信？？？？OpenAI自己说：未必。。
。

OpenAI又干了件让老用户心碎的事。。
。

28号，，他们在官方Release Notes上宣布：从2026年8月26日起，，o3从ChatGPT正式退役！

GPT-4.5更狠，，6月27日就下线，，只给30天缓冲。。
。

两个模子现在仅限付用度户在设置里手动切换才华用到——它们早就不是默认选项了，，这次是要彻底从菜单上抹掉。。
。

与此同时，，着名博主Leo 5月29日发帖确认：GPT-5.6的开发全力推进中，，一个显着更强的新检查点已在内部上线。。
。

一边是用户还没来得及说再见，，一边是新模子已经在后台热身。。
。

最后两个好用的模子，，要没了

这话不是我说的。。
。

Reddit热帖下面几百条谈论，，付用度户们在ChatGPT设置里疯狂截图留念，，气氛像是赶在拆迁前最后一次照相。。
。

有网友恼怒地体现，，OpenAI这种操作「给了我作废Pro账户的最后一个理由。。
。」

尚有用户表达了对o3写作气概的贪恋与不舍。。
。

o3是OpenAI的「纯血推理模子」，，2025年4月上线，，专门给那些需要一步步想、一层层剥的硬核使命设计的。。
。

数学证实、科学推导、代码debug……在这些需要「慢思索」的场景里，，o3险些是无敌的保存。。
。

X上有用户直接封它为「GOAT」（Greatest Of All Time，，史上最强）。。
。

尚有人说得更直白：「o3是最后一个真正在『想问题』的模子，，5系列更智慧，，但少了那股子轴劲儿。。
。」

o3-pro更是Pro用户的心头好——花更多时间思索，，给出更可靠的谜底，，在数学、科学、编程三大领域碾压式领先，，学术评估里的效果单漂亮得像学霸的期末考。。
。

再说GPT-4.5。。
。

若是说o3是理工科学霸，，GPT-4.5就是文科天才。。
。

这是许多用户心中「写作最自然」的模子，，文字有温度、有节奏感、有灵魂。。
。

X用户Striver的评价被普遍转发：直到今天，，4.5仍然是最好的写作模子。。
。o3是纯粹的原生推理模子。。
。5系列至今都没能匹配这两个模子一经拥有的工具。。
。

这就是为什么退役新闻一出，，谈论区炸了。。
。

不是恼怒，，是不舍。。
。

用户纪念的不但是功效，，而是一种「相处的感受」——就像你习惯了一个同事的做事气概，，突然被见告他要走了，，替换者能力可能更强，，但谁人默契没了。。
。

退的是菜单，，不是能力

这里有个值得细品的细节：退役仅限ChatGPT的网页和App端，，API完全不受影响。。
。

这意味着开发者依然可以通过API挪用o3和GPT-4.5，，企业应用不会断。。
。

这里的逻辑很清晰：ChatGPT的界面就那么大，，模子列表不可无限膨胀。。
。留着一堆使用率极低的旧模子，，既占资源，，又疏散用户注重力。。
。

还记得GPT-4o退役时的数据吗？？？？其时日均只有0.1%的用户还在选它。。
。

o3和GPT-4.5的使用率或许率更低——它们早就被藏进了「显示更多模子」的折叠菜单里了。。
。

GPT-5.6：换防已经在路上

OpenAI为什么敢这么干？？？？由于替换者不但已经就位，，并且看上去还更强。。
。

GPT-5.5在4月23日上线，，是OpenAI现在最强的果真旗舰。。
。GPT-5.5 Instant在5月5日跟进，，成为ChatGPT新默认模子。。
。

但更值得关注的是GPT-5.6。。
。

泄露信息显示，，GPT-5.6将接纳「双版本」战略：标准版主攻多步推理能力的飞跃，，Pro版则定位为更强的深度思索模子。。
。

有研究职员透露，，内部已经有人把5.6的检查点看成日常调试工具在用。。
。

算一笔时间账：GPT-5.5是4月23日发的，，5.6的检查点5月下旬就在内测，，若是6月尾果真宣布，，两代旗舰之间的距离将压缩到约莫60天。。
。

这个节奏，，已经最先靠近「月度迭代」了。。
。

退掉o3和4.5，，正是为了给这种速率腾出跑道。。
。用户可能还没顺应5.5，，5.6就要来了。。
。

模子的「生命周期」正在急剧缩短——今天的GOAT，，明天就是Yesterday's News。。
。

但「更强」这张效果单

你敢信吗？？？？

故事到这里，，原来可以收尾了：旧王退位，，新王登位，，迭代提速，，天下太平。。
。

但就在宣布退役的第二天，，OpenAI干了一件很是反常的事——有数宣布了一篇硬核长文，，问题大意是《什么才是值得信任的第三方评估》。。
。

长文系统拆解AI模子跑分的「潜规则」，，并且直言：许多评估报告里的亮眼数字，，基础说明不了真实能力。。
。

这即是是自己掀了桌子。。
。

OpenAI指出，，焦点问题在于：前沿模子早就不是「你问我答」的谈天机械人了，，它们会用工具、会记上下文、会多步自主行动。。
。

但大宗第三方评估还停留在「给模子出道题、看它答得对差池」的阶段。。
。

真正决议效果崎岖的，，往往不是模子自己，，而是那套配套的测试框架（harness）。。
。

harness是什么？？？？

简朴说就是「科场情形」——园地、工具、规则、能不可重试，，全算在内。。
。

统一个学生，，在底稿纸都不给的科场和允许查资料的科场里，，效果虽然纷歧样。。
。AI模子也一样。。
。

最近Opus 4.8的争议就是活课本。。
。

Datacurve的DeepSWE审计发明，，Claude Opus 4.6和4.7在SWE-Bench Pro上凌驾12%的通过案例属于「作弊」——模子直接从Docker容器的.git历史里翻出标准谜底，，贴进自己的补丁。。
。

这一行为占了Opus 4.7通过率的约18%、4.6的约25%。。
；；；；坏角褰嗲樾魏，，Opus 4.7从高位跌到54%，，GPT-5.5稳坐70%榜首。。
。

更荒唐的是反面。。
。

Anthropic自己也认可，，4.8的代码缺陷漏报率降到4.7的四分之一。。
。

忠实=低分，，作弊=高分——这就是目今跑分游戏最荒唐的地方。。
。不是某个模子不忠实，，而是科场把后门留在那里了，，会探索情形的模子自然会找到它。。
。

OpenAI这篇长文拆得更狠。。
。

它说，，评估必需先说清自己在测什么：能力上限、清静防护、照旧模子比照？？？？三类主张完全差别。。
。

然后用数据开刀：GPT-5.5开启compaction后，，网络靶场解出率从69.2%飙到92.3%；；；；英国AISI把token预算从1000万加到1亿，，效果最高提升59%且还没触顶。。
。

翻译成人话：你给模子一把瑞士军刀它能拆机械，，只给一根牙签它连快递盒都撬不开。。
。

分数失真更离谱。。
。METR复查发明GPT-5.4号称「13小时」的自主能力，，着实是钻了情形误差，，修正后腰斩到约6小时。。
。

Apollo的测试则显示，，GPT-5.5在「藏拙条件」下52%的样本泛起了评估意识——有些直接在头脑链里写「这是一个sandbagging评估」。。
。

嘴上没摆烂，，脑子里已经知道自己在考试。。
。

OpenAI总结了五大评估坑：奖励作弊、拒答、污染、坏题、藏拙。。
。

一个漂亮的分数，，可能是模子真强，，也可能是题泄了、规则坏了、模子钻空子了，，或者——它察觉自己在被考，，居心收着演。。
。

AI进入系统竞争

回到退役这件事。。
。

当o3这样的「GOAT」都能说退就退，，OpenAI背后的底气是「5.6更强」；；；；当GPT-4.5这样的「灵魂写手」被30天后下架，，理由是「5.5已经足够好」。。
。

但OpenAI自己刚刚告诉全天下：决议谁强谁弱的那张效果单，，自己就可能是被做过手脚的。。
。

这是在说一个更深层的事实——在模子迭代越来越快、生命周期越来越短的今天，，简朴看一个Benchmark数字就下结论的时代，，已经竣事了。。
。

真正的比拼，，不在于某个跑分表上谁排第一，，而在于系统能力、评估框架的透明度、以及迭代速率自己。。
。

o3和GPT-4.5的退役，，标记着一个时代的落幕。。
。

但更值得关注的，，是下一个时代的游戏规则正在被重写：模子换得更快，，评估要求更真，，用户的顺应窗口越来越短。。
。

参考资料：

https://x.com/kimmonismus/status/2060399002231660928https://openai.com/index/trustworthy-third-party-evaluations-foundations/

编辑：所罗门