OpenAI 正在展示自動化 AI 研究的新里程碑：根據該公司說法，其模型 GPT-5.6 Sol 在接收到研究人員所稱的「相當不夠明確的提示」後，能夠替一個名為 Luna 的較小模型進行後訓練。這項主張之所以重要，是因為它已超越程式撰寫輔助，進入模型開發中更敏感的一環：調整訓練設定、選擇硬體、啟動工作，以及確認模型改進流程是否正常運作。
這份由 The Decoder 報導、並歸因於 OpenAI 研究人員的內容顯示，該公司愈來愈常把前沿模型不只是用來寫軟體，也用來協助建立與精煉其他 AI 系統。如果這個說法能在內部示範與基準測試之外站得住腳，那它就指向 AI 實驗室內一種實用的遞迴式自我改進：不是某個模型獨自發明一個全新的後繼者，而是某個模型實質減少了改善另一個模型所需的人力。
OpenAI 表示發生了什麼事
根據 The Decoder 對 OpenAI 發表內容的報導，GPT-5.6 Sol 在 Luna 已完成初始預訓練之後，獨立處理了 Luna 的後訓練。在 OpenAI 的描述中，一位研究人員使用 Codex 給 Sol 一個簡短指令：找出正確的訓練設定、選擇合適的 GPU、啟動後訓練腳本，並確認執行是否正常運作。
這個工作流程比從零開始建立模型更狹窄，但仍然具有重要意義。後訓練是實驗室在基礎訓練完成後，塑造模型行為並提升任務表現的階段。如果一個系統能可靠地把既有配方調整到不同的模型規模，並在有限監督下完成執行，那它就可能壓縮掉研究與工程工作中的相當一部分。
OpenAI 員工 Jason Liu 如 The Decoder 所引述表示，Sol 並不是從無到有發明出完整配方。據報導，許多設定本來就已存在於 Sol 自己的後訓練設定中，而這次任務只是把那套設定調整給 Luna 使用並執行。即便如此，Liu 仍將結果視為重大，表示同樣的工作原本可能會占用兩名研究人員約兩週時間。
同樣被 The Decoder 引述的 OpenAI 研究員 Kathy Shi 則表示，這個結果讓「自動化研究員」的概念感覺已經不遠。這是一種來自高階研究者的解讀，而非經獨立驗證的產業標準，但它顯示 OpenAI 希望外界與內部如何理解這項成果。
為什麼這不只是示範寫程式的幫助
這項主張的技術意義不僅僅在於 GPT-5.6 Sol 會寫程式碼。許多實驗室早已用模型來做除錯、腳本撰寫與實驗支援。更值得注意的一步是，OpenAI 將 Sol 描述為在一個端到端研究迴圈中運作，且具備足夠主動性，能從模糊指令中補齊缺失細節。
如 The Decoder 所述，OpenAI 用於遞迴式自我改進的內部評估套件，包含研究系統除錯、最佳化 kernel 與訓練配方、執行機器學習實驗，以及改善另一個模型。這些任務更接近實驗室營運，而不是一般消費者聊天機器人的使用。對 AI 建構者而言，這種區別很重要：前沿開發的瓶頸往往不是產生想法，而是把想法轉化為穩定的實驗、可用的基礎設施，以及模型更新。
如果像 GPT-5.6 Sol 這樣的系統能接手更多這一層實作，即使沒有完全自主，影響也可能相當顯著。一個能夠可靠地從模糊指示走到完成實驗的模型，能縮短迭代時間。對產品團隊而言，這最終可能意味著像 Luna 這類較小專用模型的調校週期更快；對基礎設施團隊而言，則意味著模型輔助營運有機會成為訓練環境中的標準，而不只是應用開發中的做法。
不過，OpenAI 自身的說法也顯示這比較像是部分自動化，而不是完全自我主導。該公司描述的是在既有研究堆疊中的適應與執行，而不是一個能獨立構思新架構或取代人類策略的系統。
這項主張背後的基準測試
為了支撐更大的敘事，OpenAI 表示 GPT-5.6 Sol 在一項新的內部遞迴式自我改進基準測試，或稱 RSI 中領先。根據 The Decoder，Sol 在整體 RSI 指標上比 GPT-5.5 高出 16.2 分。報導中的模型層級顯示 Sol 位居第一，接著是 Terra 與 Luna，再來是 GPT-5.5 和 GPT-5.4。
OpenAI 表示，RSI 測試套件是以真實世界的 AI 研究任務為核心建立的。這是有用的背景，因為關於基準測試的討論常常會流向抽象的分數計算。這裡該公司試圖把評估與實際研究工作連結起來：除錯系統、調整 kernel、改進訓練配方、執行實驗，以及精煉另一個模型。
但這些證據仍然是由供應商自行報告的。根據目前可得的報導紀錄，OpenAI 尚未公布獨立驗證、廣泛的方法細節，或對基準結果的外部重現。相較於 GPT-5.5 高出 16.2 分可能代表有意義的進展，但讀者應把它視為由提出主張的公司所設計並報告的內部測量。
這點尤其重要，因為在 AI 安全與政策辯論中，遞迴式自我改進帶有沉重的概念包袱。嚴格來說，RSI 指的是能以加速未來自我改進方式持續改善自身的系統。如果 OpenAI 的展示描述正確，那它看起來更像是受監督工作流程中的有限自我改進，而不是長期情境中常被討論的更強形式。
朝自動化 AI 研究前進的更大競賽
OpenAI 並不是唯一推動這種敘事的公司。The Decoder 指出，Anthropic 在六月表示，完整的遞迴式自我改進尚未達成，但可能比許多機構所準備的時間更早到來。據報導，Anthropic 認為 Claude 目前已能處理大型典範轉移之間的增量工作，而人類如今只占方向性決策的一個個位數百分比。
把這些主張放在一起看，就能看出前沿實驗室在競爭什麼。這場競賽不再只是公開模型排名或聊天機器人功能而已，也是在比內部槓桿：哪個實驗室能最有效利用 AI，來加速自己的研究、模型調校、系統工作與實驗。
這對 企業 AI 與更廣泛的供應商市場都有立即影響。如果前沿實驗室能自動化更多自己的開發流程，它們就可能更快發布模型更新、降低維護專用變體的成本，並擴大與缺乏類似內部工具的買方及小型供應商之間的差距。同時，企業不應假設這些收益會直接轉化為更安全或更可預測的部署。更快的迭代或許能提升能力，但也可能增加營運複雜度。
對於打造 AI 代理或領域特定模型的團隊來說，實際教訓更窄，也更可執行。OpenAI 的例子顯示，下一個生產力前沿可能是能直接管理 ML 營運任務的系統：選擇設定、分配算力、執行檢查，以及完成實驗迴圈。這會把今天的 程式碼助理類別，推向更接近 ML 共同研究者的方向。
證據、限制，以及仍未被證明的部分
這則故事中最強的主張來自 OpenAI，經由 The Decoder 報導，而不是來自獨立論文、公開基準或第三方審計。這很重要。
核心事實主張是 GPT-5.6 Sol 透過 Codex 接收到一個寬鬆指定的指令後，自主替 Luna 完成後訓練。就目前可得證據而言，沒有公開的訓練紀錄、沒有外部重現，也沒有針對失敗率、必要的人為介入，或存在多少隱藏安全護欄的詳細揭露。因此，The Decoder 引述的 Jason Liu 補充說明很關鍵：Sol 是在調整既有設定，而不是從第一原理創造一種新的訓練方法。
採用與生產力的訊號也同樣是供應商自行報告的。OpenAI 表示，研究人員在整個開發週期中都使用 GPT-5.6 Sol，而活躍研究人員的人均每日 token 產出，已超過 GPT-5.5 所創下的先前高峰兩倍以上。公司還表示，每位研究人員的 pull request 與實驗數量增加，分配給內部程式碼推論的算力在六個月內成長了 100 倍，而基於代理的 token 使用量則增加了約 22 倍。根據 The Decoder，OpenAI 自己也承認這些數字並不能直接衡量研究進展。
即便如此，這些數字仍可能作為方向性證據，顯示內部 AI 代理的使用正在擴張。但它們不應被解讀為證明自動化研究已在科學品質、模型可靠性或商業優勢方面帶來等量收益。
接下來要關注什麼
第一個要關注的訊號是資訊揭露。如果 OpenAI 釋出更多關於 RSI 基準、實驗設定，或 Codex 在 Luna 工作流程中扮演的精確角色，外界就能更好判斷 GPT-5.6 Sol 代表的是可重複的研究突破，還是經過精心安排的內部展示。
第二，要觀察 OpenAI 是否把類似能力帶到產品中。如果內部用來引導 Luna 後訓練的工作流程開始出現在開發者工具裡，就表示公司不只是把這視為實驗室優勢，也視為可商品化的平台能力。
第三，值得注意 Anthropic 與其他實驗室的競爭回應。圍繞 Claude、GPT-5.6 Sol 與自動化研究的主張，正匯聚到同一個戰場：誰能用 AI 代理縮短從想法到經驗證的模型改進之間的路徑。
最後，還要留意可靠性與治理方面的證據。自主模型改進工作流程會帶來不同於一般程式碼助理使用的營運與安全問題。企業與監管機構會想知道，實驗室如何限制這些系統、如何稽核它們的決策，以及如何防止訓練流程中的靜默失敗。
Creati.ai 觀點
GPT-5.6 Sol 後訓練 Luna 的重要性，不在於 OpenAI 已經達成完整的遞迴式自我改進。就現有證據來看，並沒有。更可信的結論是，前沿實驗室正在把內部研究勞動產品化為由模型中介的工作流程。這是具體且近程的轉變。
對建構者與企業 AI 團隊而言，教訓是不要只看聊天機器人基準，而要關注工具鏈。像 Codex 這類系統，搭配 GPT-5.6 Sol 之類的模型，正在走向接手過去只留給資深工程師的研究與 ML Ops 任務。如果這個趨勢持續，競爭優勢將愈來愈取決於組織是否能讓 AI 代理在具備護欄、可觀測性與人工審核的真實管線中良好運作。最先掌握這個循環的實驗室，從 AI 獲得的收益，可能會比任何單一模型發布都更多。
