ChatGPT大更新：能跨平台干活、能一键建站，还更便宜了

By: rootdata|2026/07/10 03:55:00

7月9日，OpenAI发布GPT-5.6系列模型，同时宣布ChatGPT桌面应用与Codex正式合并。在这次更新中，最值得关注的并非单纯的参数提升，而是两个维度的边界重塑：一是模型定价上，Terra以GPT-5.5一半的价格提供接近的性能，Luna则将API成本压至极低；二是工具形态上，合并后的应用推出Work模式，支持跨Slack、Google Drive等平台执行复杂项目并具备定时任务能力。这标志着AI工具正在从"人触发-机回答"的同步对话，向"机监听-机执行"的异步工作流跨越。

ChatGPT Work支持跨平台执行与多端同步，图片来源：OpenAI官方博客

GPT-5.6的定价刀法与执行成本重构

OpenAI在GPT-5.6系列上实施了激进的"按执行成本切分市场"策略。新系列包含旗舰级Sol、高性价比Terra和轻量级Luna三款模型，各自瞄准不同的执行场景与成本承受能力。

API定价方面，Sol输入5美元每百万token、输出30美元每百万token，与上一代旗舰GPT-5.5持平。Luna输入1美元每百万token、输出6美元每百万token，定位为轻量级模型。而真正改变开发者算账逻辑的是Terra，其输入价格为2.5美元每百万token，输出为15美元每百万token，性能接近上一代旗舰GPT-5.5，但价格直接减半。

对于企业采购决策者和中端开发者而言，Terra提供了一条清晰的降本路径。在处理大规模文本分析、代码重构等非极端推理密集型任务时，使用Terra替代GPT-5.5可以直接将API开销腰斩。假设一个团队每月消耗100万token输入和50万token输出，从GPT-5.5迁移到Terra后，月度API费用将从约20美元降至约10美元。这种定价策略表明，OpenAI不再单纯依赖Benchmark跑分来区分模型，而是通过明确的性价比梯度，让企业能够根据任务的实际ROI来选择算力。

与此同时，Luna的极低定价并非单纯为了下沉市场，而是为异步工作流提供了经济可行性。在需要高频调用、低延迟响应的后台任务中，例如数据清洗、日志分析或定时巡检，模型的单次调用成本成为决定能否大规模部署的关键。Luna的输入输出价格仅为Sol的五分之一，使得开发者可以在不担心成本失控的前提下，让AI在后台持续运转。这种"廉价劳动力"定位，与后续Work模式下的定时任务功能形成了天然的搭配------用Luna跑后台定时汇总，用Sol处理前台复杂推理。

Sol则通过新增的max和ultra推理档位拉高上限。max档面向深度推理需求，ultra档支持多智能体并行处理，面向高阶与企业级工作流设计。在复杂的代码库重构或跨系统数据整合场景中，ultra档可以调度多个子智能体同时处理不同子任务，再将结果汇总。这种分层不仅覆盖了从低端到高端的全部需求，更将模型能力与具体的执行场景深度绑定，为后续的工具合并奠定了算力基础。

从同步对话到异步跨平台执行

如果说模型分层提供了不同成本的执行引擎，那么ChatGPT桌面应用与Codex的合并则提供了执行这些引擎的物理载体。合并后的应用统一提供Chat、Work、Codex三种工作模式，构建了从日常问答到跨平台项目执行再到沙盒级代码工程的完整生产力光谱。

Chat模式依然承担日常同步对话的功能，用于轻量创作和快速问答，交互方式与此前版本的ChatGPT桌面端基本一致。Codex模式则聚焦于重度代码工程，新增了文件编辑、Pull Request审查以及Ultra模式，为开发者提供沙盒级的编程环境。Codex模式下的浏览器端还升级了CDP（Chrome DevTools Protocol）支持，允许AI检查网络流量、进行多标签页分析及登录态操作，进一步扩展了代码调试与Web应用测试的边界。

真正打破传统AI工具边界的是Work模式。ChatGPT Work支持跨Google Drive、Slack等平台执行复杂项目，并具备定时任务功能。这意味着AI不再仅仅是一个被动响应的对话框，而是一个可以主动监听、调度和执行的自动化终端。

具体来看，Work模式通过Plugins机制连接外部平台。用户可以用自然语言描述任务目标，AI会自动拆解为多个步骤，分别从Slack获取讨论记录、从Google Drive读取项目文档，然后综合生成分析报告。更关键的是定时任务功能：用户可以设定一个类似Cron的后台异步执行计划，例如"每周一早9点汇总Slack频道中的讨论重点，并结合Google Drive中的项目文档生成一份进度报告"。到设定时间后，AI会自动执行整个流程，无需人工触发。

这种能力标志着AI工具开始切入传统RPA（机器人流程自动化）和自动化工作流平台的腹地。相比于传统RPA需要编写复杂的规则脚本，Work模式通过自然语言理解优势，大幅降低了自动化工作流的搭建门槛。AI工具的生产力边界从"人触发-机回答"的同步交互，扩展到"机监听-机执行-人审批"的异步工作流。ChatGPT正在变成一个带有AI大脑的Zapier与自动化终端的结合体。

一键建站与代码迁移背后的生态挖角

在重塑工作流的同时，OpenAI还在通过功能闭环和降低转换成本来加速生态绑定。

Sites功能允许用户将可视化内容一键发布为网站，并且浏览器端升级后支持登录态操作与多标签页。这意味着Work或Codex模式生成的分析结果或代码应用，可以直接部署为带登录态的Web App。用户在Work模式中完成数据分析后，可以通过Sites将交互式仪表盘发布为一个可访问的网页，团队成员通过Sign in with ChatGPT即可登录查看。对于企业内部而言，Sites功能锁定了轻量级应用的分发渠道。过去，开发者使用AI生成代码后，还需要寻找服务器、配置部署环境才能让团队使用。现在，这一过程被压缩为一键操作，极大地缩短了从想法到应用的交付周期。

而在开发者工具市场，OpenAI展现了更为直接的竞争策略。Codex新增了从Claude Code迁移的功能。官方在GitHub仓库中提供了专门的迁移脚本，能够精准扫描Claude Code的配置目录，将其中的agents、MCP servers和hooks等配置一键转换为Codex格式。

Claude Code作为AI编程助手领域的强劲竞品，其配置体系代表了用户的使用习惯和项目积累。一个开发者在Claude Code中定义的agents和MCP连接，往往关联着具体的项目工作流和外部工具链。OpenAI主动提供官方迁移工具，是在AI编程助手红海中降低竞品用户转换成本的"挖角"利器。这表明在基础模型能力差距逐渐缩小的阶段，竞争焦点已从单纯的模型性能转向生态绑定与用户迁移成本。谁能更顺畅地接管竞品用户的既有资产，谁就能在开发者市场中占据更大的份额。

合并带来的臃肿与权限风险

尽管GPT-5.6的分层定价与工具合并展现了重塑生产力边界的野心，但这一战略同样伴随着不可忽视的限制与风险。

首先是应用臃肿与认知负担的问题。将Codex这种重度代码沙盒与ChatGPT的日常办公终端合并到一个桌面应用中，引发了部分开发者的质疑。不同模式之间的切换是否流畅，功能堆叠是否会导致软件过于臃肿，都是实际使用中需要面对的问题。对于只需要简单代码补全的开发者而言，面对一个包含Work、Codex等多种复杂模式的超级应用，可能会增加不必要的认知负担。如何在不同模式间实现无缝但又不互相干扰的切换，考验着OpenAI的产品设计能力。

其次是企业数据隐私与权限控制的挑战。Work模式深度接入企业Slack、Google Drive等核心数据源，且Sites支持一键发布公网应用。这要求企业采购决策者在享受自动化便利的同时，必须建立严格的权限管理体系。虽然OpenAI强调了企业级别的数据不训练默认设置和访问控制，但在实际操作中，如何防止AI在跨平台执行时意外泄露敏感信息，仍是企业合规部门需要重点评估的风险。特别是当AI需要跨平台调度数据并生成可公开访问的Sites时，数据流向的审计变得异常复杂。

更为关键的是浏览器底层权限的开放风险。Codex在浏览器端升级后引入了CDP（Chrome DevTools Protocol）权限，允许AI检查网络流量、进行多标签页分析及登录态操作。这种深度的浏览器控制权虽然极大扩展了AI的执行能力，但也打开了潜在的安全漏洞。如果AI的Prompt被恶意注入，拥有CDP权限的AI可能会被诱导窃取用户的登录凭证或拦截敏感网络流量。尽管官方要求用户显式批准且管理员可全局关闭该权限，但这种从"只读"到"底层控制"的权限跃升，对终端安全防护提出了更高的要求。

OpenAI通过GPT-5.6系列与工具合并，清晰地勾勒出从对话到执行的生产力重塑路径。但在模型分层带来的成本优势与工具合并带来的执行边界扩展背后，如何平衡功能丰富度与软件轻量化，如何在开放权限的同时守住安全底线，将决定这一战略能走多远。