OpenAI旗舰模型上线4天暗降参数？960→128的变动引爆评测争议

一张表格，一个数值，将OpenAI推向了风口浪尖。

960，骤降至128。

这组数字与股价或财报毫无瓜葛。它代表的是OpenAI旗舰模型GPT-5.6 Sol的“思考预算”，在无声无息中被削减了接近87%。揭开这层隐秘面纱的，是一群较真的X（Twitter）用户，OpenAI从未主动披露此事，是用户通过接口调试信息，硬生生挖掘出这串关键数据。

7月13日，一条充满Meme风格的帖子在X平台迅速传播，将整件事的荒诞性浓缩为以下几行：

“＞be openai ＞release gpt 5.6 sol ＞max thinking budgets, full psycho ＞benchmark results take few days to roll in ＞"best model ever" ＞reviews locked in ＞4 days later ＞silently nerf it ＞nobody re-tests lol ＞users still paying full price ＞not realizing the model they benchmarked isn't the model you're paying for. Lmao, it's over”

“你是OpenAI，发布了GPT-5.6 Sol，将思考预算拉满，彻底释放；评测结果需数日才能出炉，‘史上最强模型’的口碑就此定型；四天后，悄然削弱性能，竟无人重新测试；用户依旧全额付费，却未察觉：当初被评测的模型早已换皮，与如今付费购买的版本完全不符。哈哈，彻底完了。”

发帖人NIK(@ns123abc)写道。

该帖子附带了两张图：一张是OpenAI CEO萨姆·奥特曼(Sam Altman)接受采访的定格画面，另一张则是令技术圈震惊的对照表。

▲ NIK的原始帖子：Meme文案搭配奥特曼采访图与juice对照表，max档位从960暴跌至128

要理解这场争论，首先需厘清一个概念：juice。

GPT-5.6实则是一个模型家族：Sol为旗舰，专攻高难度长周期任务；Terra更均衡，适用于日常办公；Luna成本更低，吞吐量更高。用户界面显示的档位，如low、medium、high、xhigh、max，仅是表面旋钮，如同汽车仪表盘上的“运动模式”或“赛道模式”。

真正决定模型能“思考多久”的，是隐藏在接口与调试信息中的juice value，即思考预算的内部数值。OpenAI官方宣传从未提及此词，这是技术用户从蛛丝马迹中拼凑出的“引擎真实参数”。

标签未变，底层数值悄然调整，用户的直观感受便是：明明仍显示为high，却不再具备以往的high水准。这正是此次争议最令用户痛点所在。

用户Lentils（@Lentils80）是最早将这种模糊感受转化为确凿证据的人。她展示的对照表显示，Sol的五档juice value全线腰斩：max从960降至128，xhigh从128降至40，high从40降至16，medium从16降至8，low从8降至4。更令人震惊的是，Terra和Luna的juice值保持不变，这意味着在某些档位上，廉价的次旗舰思考预算竟超过了刚发布不久的旗舰。

▲ Lentils原帖：Sol新旧juice对照表，同时列出Terra/Luna当前数值

用户Fix（@FixlationAI）将这张表格解读为：所有人的推理档位整体下调了一级。过去开启Extra High能获得的性能，现在必须调至Max才能勉强挽回。换言之，“真正的Max”已不复存在。

▲ Fix的解读：相当于全员降档，Max名存实亡

时间回溯至7月9日。OpenAI官网正式上线GPT-5.6家族页面，标题宣称“Frontier intelligence that scales with your ambition”（与你的野心同步扩展的前沿智能）。发布通稿同时抛出两张王牌：更强且更省。

第三方复述的数据确实亮眼：在TerminalBench 2.1测试中，Sol Ultra得分约91.9%，Sol本体约88.8%，同期Claude Mythos 5约88.0%；在Agents' Last Exam上，Sol获得约53.6分。对订阅用户而言，这故事逻辑通顺：新旗舰更高效，也更划算。

发布初期，社区内涌现两种声音。一方面充满兴奋：Sol在长程编码、仓库级任务上“收尾能力”更强。另一方面隐隐担忧：额度消耗异常迅速，多智能体频繁疯狂spawn，Pro订阅的五小时限额被迅速击穿。这些抱怨当时仅是零星吐槽，无人能将它们拼凑成一张完整的图景。

直至7月13日清晨，Lentils发布的juice对照表将所有零散的体感，转化为了可指证的确凿证据。

juice表走红不久，OpenAI方面有人出面回应。负责Codex与ChatGPT产品线的Tibo（@thsottiaux）发布更新，开场白斩钉截铁：

“Updates for Codex and ChatGPT Work users.No nerfing, only good stuff!”

“致Codex与ChatGPT Work用户：无削弱，全是利好！”

但细读全文，画风突变。Tibo在正文中承认了四点：首先，将推理侧优化节省的算力返还用户，用量增加约10%；其次，发现Sol上下文上限从272k提升至372k后，实际扣费超预期，已回退至272k；第三，也是最关键的一句：

“To understand where the extra usage was coming from, we ran some experiments where reasoning efforts were changed (referred to as juice values under the hood) and have reverted this.”

“为查明额外用量来源，我们调整了推理强度（底层称为juice values）进行实验，现已回滚。”

第四，high/xhigh档位下多智能体用量略超预期，正在修复；第五，五小时限额暂时失效。

▲ Tibo完整更新帖：标题称“无削弱”，正文却承认进行过juice实验并已回滚

标题否认，正文认罪，这一反差未逃过网友法眼。NIK几乎原句转发，截取Tibo那句“we ran some experiments...and have reverted this”，配文改写为判决书：

“🚨OpenAI confirms they silently nerfed GPT 5.6 Sol”

“🚨OpenAI确认其悄悄削弱了GPT 5.6 Sol”

他还补充了一句讽刺：“Tibo先否认削弱，随后又确认削弱确实发生，LOL。”

▲ NIK圈出Tibo的自证句子并标注“CONFESSION”（自供），讽刺标题与正文自相矛盾

另有网友追加评论：附注确实证明了“发生过静默改动”，但附注未提及的是，透明度是在社区揪出问题后才姗姗来迟。

支持OpenAI者自然有话说：标题白纸黑字写着no nerfing，juice实验已reverted（回滚），还赠送了10%的用量优化，这怎么看都不像“坑用户”。但批评者紧咬不放的是另外两句狠话：你们承认修改过juice，且此事发生时，用户丝毫未获提前告知。

真正难以厘清的，其实是另一件事：“已回滚”之后，线上环境是否真回到了上线当日水平？官方称reverted，但部分用户坚持认为“现在的Max，酷似以前的xhigh”。此事目前无法在公开材料层面独立复现，双方各执一词。

juice表本身亦有边界：它源自网友截图与口口相传，并未出现在OpenAI系统卡的正式文档中，亦不确定是否覆盖ChatGPT、Codex、API等多个入口。而“无人重测”这一说法，拆解来看即是：公开讨论中，系统化、可复现、覆盖juice事件后的第三方全量重测，目前确实稀缺。大量发布期的评测文章，仍停留在GA（正式发布）前后数日的印象里。

此次风波真正令技术圈警觉的，绝非某个具体数字的涨跌。它撕开的是一个更大的缺口：当旗舰模型成为一项“活服务”时，评测与榜单究竟还能支撑多久？

传统软件的版本号相对稳定，你安装的1.2.3，大概率始终是1.2.3。但如今的大模型消费级服务更像持续部署的远程能力，权重、路由、安全策略、上下文上限、推理预算，均可能在不更改产品名称的情况下悄然调整。“模型名+档位名”，已无法唯一确定一次调用背后实际分配了多少算力。

现代AI产品的发布周期几成固定套路：发布会抛出最亮眼数据，意见领袖开启最高档位演示demo，媒体与榜单在48至96小时内定稿，随后真实流量涌入，服务端才开始悄悄调参。这条种子帖之所以迅速发酵，正戳中了第3步与第4步之间的错位：即便厂商毫无恶意，只要调参发生在“口碑窗口关闭之后、付费用户稳定之前”，市场解读出的，便是一种被欺骗感。

Lushbinary等深度评测账号在GPT-5.6发布期便曾提醒：0.8分的榜单差距完全可能落在噪声区间，真正靠谱的做法永远是亲自复测。juice事件，不过是将这条方法论建议，升格为一条采购风控铁律。

更荒诞的是价格结构本身：若旗舰思考预算被下调，而次旗舰纹丝不动，用户花费旗舰的费用，获得的却是更浅的思考深度。社区内已开始流传一种自嘲式建议：日常任务使用Terra，反而比使用“降级版”的Sol更稳妥。

AI圈这些年，“模型变笨了”的抱怨浪潮屡见不鲜。过去此类争论多止步于玄学体感，说不清是提示词习惯改变、路由策略调整，还是纯粹的随机性。此次不同之处在于，官方文本首次白纸黑字出现“juice”一词，并承认“进行过改动reasoning efforts的实验”。争论首次从“感觉不对”，推进到了“有据可查”。

发布页仍写着“frontier intelligence”（前沿智能）；社区表格显示max档从960变为128；产品负责人宣称“no nerfing, only good stuff”。三份文本可同时为真，亦可同时不完整：这取决于你选择相信的是宣传口径、民间探针，还是一份可审计的变更日志。

而唯一能穿透这团迷雾的方法，始终只有一个：在配置变动后，真的有人愿意，将评测重新跑一遍。