AI 日报：OpenAI 推出 GPT-5.6、ChatGPT Work、Sites，并把 ChatGPT 和 Codex 合进桌面应用

30 秒速读

OpenAI 推出 GPT-5.6、ChatGPT Work、Sites，并把 ChatGPT 和 Codex 合进桌面应用
GPT-5.6 分成 Sol、Terra、Luna，模型选择开始变成成本工程
CursorBench 上 GPT-5.6 Sol 接近 Fable 5 Max 表现，但成本低很多

本日报从公开来源中筛选与独立开发者相关的模型、产品、需求和工作流变化。事实链接用于核对，价值判断是编辑分析。

今天最该知道的 10 条

OpenAI 推出 GPT-5.6、ChatGPT Work、Sites，并把 ChatGPT 和 Codex 合进桌面应用 原文

具体：OpenAI 今天同时放出 GPT-5.6、ChatGPT Work、Sites Beta、新桌面应用、多标签浏览器和统一插件。Work 能跨 Google Drive、Slack、邮箱、文件和浏览器拆任务，连续工作数小时；桌面端把 Chat、Work、Codex 放到同一个应用里。官方材料还提到 Codex 每周活跃用户超过 500 万，其中超过 100 万人在做非软件开发任务。
价值：这不是普通模型更新，而是“个人办公 agent”进入主产品入口。独立开发者不能再只做一个聊天壳，机会会转到细分任务模板、权限控制、任务回放、交付验收、成本监控和行业数据连接。

GPT-5.6 分成 Sol、Terra、Luna，模型选择开始变成成本工程 原文

具体：OpenAI 官方说 GPT-5.6 主打每个 token 更高智能、更好的性价比和按需更强能力。X 上多条讨论提到 Sol、Terra、Luna 三档：Sol 负责复杂推理和长任务，Terra 是均衡档，Luna 面向高频低延迟任务；OpenRouter 也称早期测试里 5.6 更省 token、更快完成任务。
价值：用户接下来会问的不是“哪个模型最聪明”，而是“这一步到底该用 Sol、Terra、Luna、Claude、Grok 还是本地模型”。做模型路由、任务级成本报告、token 浪费定位、缓存建议和降级策略，会比再包一层通用聊天更靠近付费。

CursorBench 上 GPT-5.6 Sol 接近 Fable 5 Max 表现，但成本低很多 原文

具体：一条 X 讨论给出的对比是：Fable 5 Max 在 CursorBench 为 70.5%，每任务 17.32 美元、103525 tokens；GPT-5.6 Sol Max 为 67.2%，每任务 5.22 美元、28320 tokens，约 95% 表现、三分之一成本、少 73% token。
价值：即使这个数字还需要持续跟踪，它也说明 coding agent 的竞争正在从“最高分”转到“每次完成任务的总账单”。适合做一个小产品：读取 agent 日志，按任务、步骤、模型和重试次数算出真实成本，并给出可执行的替换建议。

ChatGPT Sites 把对话里的可视化、小工具和页面变成可发布网站 原文

具体：OpenAI Developers 展示 Sites：一个想法可以直接变成可发布、可分享的 live site，Beta 面向 Pro 和 Plus 用户，EU 和 UK 稍后开放。示例包括个人专注应用、旅行偏好汇总成目的地和预算、团队可分享的小工具。
价值：低端原型和简单工具页会被平台吞掉。机会不在“帮用户生成网页”，而在更靠后的事：把生成结果接数据库、接权限、接支付、接 SEO、接企业内部数据，或者把一次性页面变成可维护的业务工具。

微软 Flint 把 agent 生成图表变成可编辑的中间语言 原文

具体：Flint 是微软研究院发布的可视化中间语言。用户给数据、语义类型和图表类型，它能推导坐标轴、配色、布局等参数，支持 46 种图表，可输出到 Vega-Lite、ECharts 和 Chart.js，并提供 MCP 服务器。
价值：很多 agent 不是不会写图表，而是生成的图表不可控、不可编辑、难复用。独立开发者可以盯住“AI 生成可视化后的人工修正”这一段，做数据报告、BI、投研、运营日报里的图表 spec 管理和团队模板。

GitHub 和 Product Hunt 同时出现一批 agent 工具层项目 原文

具体：GitHub 上 agent-skills、OfficeCLI、deer-flow、orca、SkillOpt、watch-skill、code-review-graph 都在增长。Product Hunt 也有 Opper AI、CodeMote、agents-cli、Aura、Auriko、NanoKVM-Go 等基础工具。
价值：agent 生态在从“模型调用”转向“任务执行系统”。更细的机会包括 Office 文件读写、视频理解、长任务编排、MCP 测试、技能版本管理、代码上下文压缩和 LLM 调用交易台。

Google LiteRT.js 让浏览器端 AI 推理更像正式开发选项 原文

具体：Google 发布 LiteRT.js，面向 JavaScript 开发者，基于 WebGPU 和 WebNN 在浏览器里跑模型，也能回退到 WebAssembly CPU。
价值：浏览器端推理适合隐私、低延迟、离线和低成本场景。可以从很窄的任务切入，比如本地 OCR、表单抽取、图片初筛、输入改写、客户端分类，而不是一开始做完整 AI 平台。

Ollama 开发者数达到 890 万，本地模型已是主流分发入口 原文

具体：Ollama 披露已有 890 万开发者、6.7 万集成，并完成由 Theory 领投的 B 轮融资。它让开源模型在本地或云端运行时保持一致体验。
价值：本地优先不是小众方向了。机会在“帮普通产品接入本地模型”：自动选择模型、检查硬件、管理下载、做隐私说明、做离线工作流、把云端和本地 fallback 包成稳定体验。

OpenAI 审计 SWE-Bench Pro：约 30% 任务有缺陷 原文

具体：OpenAI 审计 731 个 SWE-Bench Pro 公开任务，发现约 30% 有数据质量问题，包括测试过严、提示不足、覆盖不全、误导性提示。前沿模型通过率 8 个月内从 23.3% 到 80.3%，但榜单数字本身需要校验。
价值：agent 评测会变成产品痛点。团队需要知道一个 benchmark、CI 任务、回归测试或 prompt eval 到底有没有坏数据。可以做“小型评测体检器”：找不稳定任务、误导任务、缺失断言和模型作弊路径。

AI 生成内容正在污染社交平台，LinkedIn 长文尤其明显 原文

具体：Pangram 用 Chrome 扩展收集超过 100 万条帖子，称整体 AI 检测率 13.8%；LinkedIn 超过 40% 长文被标为完全 AI 生成，X/Twitter 文章接近一半是完全 AI 或混合 AI。
价值：内容越多，可信内容和个人声音越值钱。机会不是简单检测 AI，而是帮创作者和销售团队指出空话、模板味、缺少案例和不像本人的地方。

大模型榜单异动

今天 Artificial Analysis 里没有 major_surge 或 watch 级别异动，只有 22 个 minor_change。Dreamina Seedance 2.0 720p 继续在 Video/Image-to-Video 和 Video/Text-to-Video 排第 1，HappyHorse、Kling、SkyReels、Veo、Wan、GPT Image 2、Mureka、Suno 等只有小幅 Elo 或名次变化。

判断：今天不应该因为榜单变化就更换默认模型。更值得实测的是 GPT-5.6 的三档路由、成本和长任务表现，以及它在具体产品工作流里的总完成成本。

值得注意的新产品、新方向、新模型

蚂蚁灵波开源 LingBot-World 2.0 和 LingBot-Video 原文

具体：LingBot-World 2.0 是 14B 实时交互世界模型，支持文本驱动事件、多人交互、Pilot Agent 和 Director Agent，可稳定输出 720p/60fps；LingBot-Video 是面向具身智能的视频基模，总参数 30B、推理激活约 3B，使用 7 万小时机器人相关数据。
价值：世界模型和具身视频模型暂时不适合多数独立开发者直接商业化，但适合提前观察“仿真数据生成、机器人动作预演、游戏 NPC 世界、交互视频工具”的工具链缺口。

NVIDIA Nemotron-Labs-3-Puzzle-75B-A9B 用压缩换吞吐 原文

具体：模型从 120.7B 压到 75.3B，活跃参数从 12.8B 到 9.3B；在 8xB200 上 8K/64K 场景服务器吞吐提升 2.03 倍，但 Arena-Hard-V2 和 SWE-Bench 有下降。
价值：很多用户不需要最强模型，只需要更稳、更便宜、更能跑长上下文。长上下文压缩、KV cache、吞吐监控和质量下降评测有实用机会。

TeXada 做本地优先数学 agent 原文

具体：社区开发者基于 MiniCPM5-1B 和 MiniCPM-V 4.6 构建 TeXada，支持自然语言转 LaTeX、手写或图片公式 OCR 转可编辑 LaTeX、LaTeX 补全和错误修复，所有推理在本地完成，并已开源。
价值：这是一个好样板：不做大而全 agent，只抓“数学表达式处理”这个窄任务。类似方向还有法务条款、医学表格、工程图纸、财务凭证等本地隐私场景。

未被满足的需求

长任务 agent 太费钱、太费额度、太吃机器资源，用户需要任务级体检

信号：X 上有人说 GPT-5.6 Sol Ultra 运行到 step 1 就耗掉 5 小时，桌面应用合并后内存压力明显；另有人说 Grok 翻译跑一晚消耗 24% 额度；同时 CursorBench 讨论把每任务成本、tokens 和完成率直接拿出来比较。

企业和个人都需要 agent 交付验收，而不是只看“模型说完成了”

信号：OpenAI 审计 SWE-Bench Pro 发现约 30% 任务有缺陷；GitHub 趋势里 Langfuse、MCP inspector、watch-skill、code-review-graph、SkillOpt 都围绕观测、评测、视觉检查、上下文压缩和 skill 更新。

非开发者开始用 agent 做文档、表格、报告，但 Office 文件自动化仍然很粗糙

信号：OpenAI 称超过 100 万 Codex 周活用户在做非软件开发任务；OfficeCLI 在 GitHub 趋势中出现，定位是让 AI agents 读写 Word、Excel、PowerPoint，且不需要安装 Office。

如果今天只有两个小时

做一个“Agent 成本体检器”的极小 MVP。

输入先限制成一个场景：用户上传 Cursor、Claude Code、Codex、OpenRouter 或自己服务端的一段运行日志。输出四件事：这次任务用了哪些模型、每一步花了多少 token 和钱、哪里发生了重试或长时间等待、下一次哪些步骤可以换便宜模型或加缓存。不要先做自动路由平台，先做诊断报告。

第一批用户去 X 上找抱怨 GPT-5.6、Grok、Claude Code、Cursor 用量和速度的人，也去 HN、Indie Hackers、OpenRouter/LLM 工具社区找已经在跑 coding agent 的独立开发者。卖点很直白：一次任务到底贵在哪里，下一次怎么少花钱。

原始信息

以下公开来源链接用于核对本期事实；来源收集数量保留为编辑透明度说明。本次采集：AI HOT 精选 32 条，AI 新闻 66 条，GitHub 趋势 52 条，Product Hunt 33 条，X 45 条，抓取异常 0。