起源：徐闻“男模队”挑着红土风物走秀粤BA作者： 孙琳莲：

OpenAI官宣退役o3与GPT-4.5！

新智元报路

【新智元导读】o3被封「GOAT」、GPT-4.5被接赘魂灵写手」，OpenAI说退就退。GPT-5.6已在热身——但「更强」能不能信？OpenAI自己说：不定。

OpenAI又干了件让老用户心碎的事。

28号，他们在官方Release Notes上颁发：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。

两个模型目前仅限付用度户在设置内行动切换能力用到——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，驰名博主Leo 5月29日发帖确认：GPT-5.6的开发全力推动中，一个显著更强的新查抄点已在内部上线。

一壁是用户还没来得及说再见，一壁是新模型已经在后盾热身。

最后两个好用的模型，要没了

这话不是我说的。

Reddit热帖下面几百条评论，付用度户们在ChatGPT设置里疯狂截图留想，氛围像是赶在拆迁前最后一次拍照。

有网友恼怒地暗示，OpenAI这种操作「给了我取缔Pro账户的最后一个理由。」

还有效户表白了对o3写风格格的依恋与不舍。

o3是OpenAI的「纯血推理模型」，2025年4月上线，专门给那些必要一步步想、一层层剥的硬核工作设计的。

数学证明、科学推导、代码debug……在这些必要「慢思虑」的场景里，o3险些是无敌的存在。

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

还有人说得更直白：「o3是最后一个真在『想问题』的模型，5系列更聪明，但少了那股子轴劲儿。」

o3-pro更是Pro用户的心头好——花更多功夫思虑，给出更靠得住的答案，在数学、科学、编程三大领域碾压式当先，学术评估里的成就单美丽得像学霸的期末考。

再说GPT-4.5。

若是说o3是理工科学霸，GPT-4.5就是文科天才。

这是很多用户心钟赘写作最天然」的模型，文字有温度、有节拍赣注有魂灵。

X用户Striver的评价被宽泛转发：直到今天，4.5依然是最好的写作模型。o3是纯正的原生推理模型。5系列至今都没能匹配这两个模型已经占有的器材。

这就是为什么退役新闻一出，评论区炸了。

不是恼怒，是不舍。

用户纪想的不只是职能，而是一种「相处的感触」——就像你习惯了一个同事的做事风格，忽然被奉告他要走了，代替者能力可能更强，但那个默契没了。

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齐全不受影响。

这意味着开发者依然能够通过API挪用o3和GPT-4.5，企业利用不会断。

这里的逻辑很明显：ChatGPT的界面就那么大，模型列表不能无限膨胀。留着一堆使用率极低的旧模型，既占资源，又分散用户把稳力。

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「显示更多模型」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？由于代替者不仅已经就位，并且看上去还更强。

GPT-5.5在4月23日上线，是OpenAI目前最强的公开旗舰。GPT-5.5 Instant在5月5日跟进，成为ChatGPT新默认模型。

但更值得关注的是GPT-5.6。

泄露信息显示，GPT-5.6将选取「双版本」战术：尺度版主攻多步推理能力的飞跃，Pro版则定位为更强的深度思虑模型。

有钻研人员泄漏，内部已经有人把5.6的查抄点当作日常调试工具在用。

算一笔功夫账：GPT-5.5是4月23日发的，5.6的查抄点5月下旬就在内测，若是6月底公开颁布，两代旗舰之间的距离将压缩到约莫60天。

这个节拍，已经起头靠近「月度迭代」了。

退掉o3和4.5，正是为了给这种速度腾出跑路。用户可能还没适应5.5，5.6就要来了。

模型的「性命周期」在急剧缩短——今天的GOAT，明天就是Yesterday's News。

但「更强」这张成就单

你敢信吗？

故事到这里，正本能够扫尾了：旧王逊位，新王即位，迭代提速，全国升平。

但就在颁发退役的第二天，OpenAI干了一件极度畸形的事——罕见颁布了一篇硬核长文，标题大意是《什么才是值得信任的第三方评估》。

长文系统拆解AI模型跑分的「潜规定」，并且直言：好多评估汇报里的亮眼数字，底子注明不了真实能力。

这蹬宗是自己掀了桌子。

OpenAI指出，主题问题在于：前沿模型早就不是「你问我答」的谈天机械人了，它们会用工具、会记高低文、会多步自主行动。

但大量第三方评估还停顿在「给模型前途题、看它答得对不合」的阶段。

真正决定成就凹凸的，往往不是模型自身，而是那套配套的测试框架（harness）。

harness是什么？

单一说就是「科场环境」——场地、工具、规定、能不能重试，全算在内。

统一个学生，在草稿纸都不给的科场和允许查资料的科场里，成就当然不一样。AI模型也一样。

最近Opus 4.8的争议就是活教材。

Datacurve的DeepSWE审计发现，Claude Opus 4.6和4.7在SWE-Bench Pro上超过12%的通过案例属于「舞弊」——模型直接从Docker容器的.git汗青里翻出尺度答案，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%；坏礁删换肪澈，Opus 4.7从高位跌到54%，GPT-5.5稳坐70%榜首。

更怪诞的是背面。

Anthropic自己也认可，4.8的代码缺点漏报率降到4.7的四分之一。

恳切=低分，舞弊=高分——这就是当前跑分游戏最怪诞的处所。不是某个模型不恳切，而是科场把后门留在那里了，会索求环境的模型天然会找到它。

OpenAI这篇长文拆得更狠。

它说，评估必须先说清自己在测什么：能力上限、安全防护、还是模型对比？三类主张齐全分歧。

而后用数据开刀：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，成就最高提升59%且还没触顶。

翻译成人话：你给模型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复查发现GPT-5.4号称「13幼时」的自主能力，其实是钻了环境缝隙，建改后腰斩到约6幼时。

Apollo的测试则显示，GPT-5.5在「藏拙前提」下52%的样本出现了评估意识——有些直接在思想链里写「这是一个sandbagging评估」。

嘴上没摆烂，脑子里已经知路自己在考试。

OpenAI总结了五大评估坑：嘉奖舞弊、拒答、传染、坏题、藏拙。

一个美丽的分数，可能是模型真强，也可能是题泄了、规定坏了、模型钻空子了，或者——它觉察自己在被考，有意收着演。

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「魂灵写手」被30天后下架，理由是「5.5已经足够好」。

但OpenAI自己刚刚通知全世界：决定谁强谁弱的那张成就单，自身就可能是被做过手脚的。

这是在说一个更深层的事实——在模型迭代越来越快、性命周期越来越短的今天，单一看一个Benchmark数字就下结论的时期，已经实现了。

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、评估框架的通明度、以及迭代速度自身。

o3和GPT-4.5的退役，标志取一个时期的闭幕。

但更值得关注的，是下一个时期的游戏规定在被重写：模型换得更快，评估要求更真，用户的适应窗口越来越短。

参考资料：

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

编纂：所罗门