🔬 模型 · 递归自进化
OpenAI 让 GPT-5.6 进生产环境改写自身底层代码，服务成本降 20%
在最新技术报告中，OpenAI 披露已将 GPT-5.6 投入真实生产环境，用于分析线上流量、重写底层 Kernel、优化推测解码模型——模型不再只是被部署的工具，开始动手改造承载自己运行的系统。
来源：企业技术报告•
2026-07-30•
全文约 3 分钟读完
#GPT-5.6
#RSI
#递归自进化
#Triton
↓ 20%
端到端服务成本降幅
15%+
Token 生成效率提升
100×
内部编程推理算力半年增幅
⚡ 30 秒速览
- 做了什么：GPT-5.6 在 OpenAI 生产环境中干了四件事——分析流量路由、重写 Triton/Gluon Kernel、优化自己的推测解码、搜索最优部署参数。
- 味道像什么：RSI（递归式自我改进）——模型从被工程师调用的工具，变成改造模型系统的工程师，但优化目标与代码上线仍由人类决定。
- 谁在做：技术报告署名五人，其中包括 Triton 之父 Philippe Tillet；五年前 OpenAI 造 Triton 是教人写 Kernel，现在模型用它给自己改 Kernel。
- 外部也在省：另有一层 Rust 编写的 Agent Harness，通过「延迟发现工具」和「只追加不回写」两项优化，减少 Agent 循环中的重复计算。
- 用量信号：内部编程推理算力半年增长 100 倍，Agent Token 用量增长约 22 倍——AI 越便宜好用，用量不降反升。
01四件事：GPT-5.6 在生产环境干了什么
报告披露，GPT-5.6 已被投入 OpenAI 的真实生产环境，参与优化自身运行系统的四个环节：
1分析真实生产流量
- 寻找不同机器和服务节点之间的负载不均，测试新的路由策略，把请求分配到更合适的位置。
2重写和优化生产 Kernel
- 深入模型的 forward pass，寻找可提前计算、可省略或可并行执行的部分。
- 通过 Codex 改写生产环境中的 Triton 和 Gluon Kernel。
3优化自己的推测解码系统
- 为自己的 draft model 设计方案，自动运行数百次实验，测试不同模型大小、结构和特征。
- 训练过程中持续监控，在硬件故障或训练不稳定时主动介入。
4搜索最优部署参数
- 面对短对话、长上下文、代码任务等不同负载，自动搜索 batching、sharding 和 KV Cache 管理的更优组合。
四件事连起来，GPT-5.6 参与的已不是某个孤立的代码任务，而是一条真实的工程反馈回路：
观察生产系统→寻找瓶颈→提出方案→运行实验→处理故障→部署回系统
02工程细节：Triton 之父与 Rust Agent Harness
这份报告不是概念演示，而是带有具体工程细节的生产实践。五名署名作者中包括 Philippe Tillet——他是 Triton 之父。2021 年 OpenAI 发布 Triton 1.0 时，目标是让不懂 CUDA 的人也能写出接近专家水平的 GPU 程序；五年后，GPT-5.6 已经在用 Triton 改写自己跑在 GPU 上的底层代码。
除了模型自身的优化，OpenAI 还搭建了一层由 Rust 编写的 Agent Harness，连接模型、工具和用户环境，专门减少 Agent 循环中的重复工作。两项关键优化：
传统做法
一上来就把所有工具说明书塞进上下文；工具返回内容不限长；新消息和工具结果可能插回旧内容，导致 Prompt 缓存失效。
Agent Harness 优化后
真正需要时才向模型展示对应工具；工具返回默认限制在 1 万 Token 内，需要更多时由模型主动申请。新消息只追加到上下文末尾，不插回旧内容，GPU 可直接复用此前计算。
原理：一次 Agent 任务可能循环调用模型 30 次，每次哪怕只额外浪费 1 秒，累计就是 30 秒。当成千上万只 Agent 每天循环几十轮，省下的就不再是一点。
03内部用量信号：越便宜，用得越多
报告还透露了一组内部数据：GPT-5.6 内部测试期间，每名活跃研究人员的日均输出 Token 超过了 GPT-5.5 时期峰值的两倍。
100×内部编程推理算力
半年增幅
22×内部 Agent Token
用量增幅
2×+活跃研究员日均
输出 Token
这组数字不能直接证明研究速度也提升了 100 倍，但它说明了一件事：AI 一旦变得更便宜、更好用，用量不仅不会减少，反而会不断增加——这是典型的效率反弹效应。
编辑视角
本文信息来源为OpenAI 官方技术报告，属企业单方披露，未见第三方独立复测。20% 成本降幅与 15% 效率提升为 OpenAI 自报口径，读者宜将其视为工程方向信号而非精确基准。报告未公开具体实验配置与可复现评估流程，与完全开源的评测体系有本质区别。
同时需注意，文中所称「RSI」尚处早期阶段——GPT-5.6 优化的是自身运行环境而非自身训练过程，距离「模型训练下一代模型」的完整递归仍有距离。人类仍掌握优化目标设定、工具权限分配与代码上线决策权。
RSI 的落地路径正在从「模型训练模型」转向「模型优化自身运行时」——这是一条更工程化、也更可控的递归自进化路线，AI 基础设施的自我维护能力将成为下一轮竞争的底层变量。