ChatGPT大更新：能跨平台工作、能一鍵建站，還更便宜了

7月9日，OpenAI發布GPT-5.6系列模型，同時宣布ChatGPT桌面應用與Codex正式合併。在這次更新中，最值得關注的並非單純的參數提升，而是兩個維度的邊界重塑：一是模型定價上，Terra以GPT-5.5一半的價格提供接近的性能，Luna則將API成本壓至極低；二是工具形態上，合併後的應用推出Work模式，支持跨Slack、Google Drive等平台執行複雜項目並具備定時任務能力。這標誌著AI工具正在從「人觸發-機回答」的同步對話，向「機監聽-機執行」的異步工作流跨越。

ChatGPT Work支持跨平台執行與多端同步，圖片來源：OpenAI官方博客

GPT-5.6的定價刀法與執行成本重構

OpenAI在GPT-5.6系列上實施了激進的「按執行成本切分市場」策略。新系列包含旗艦級Sol、高性價比Terra和輕量級Luna三款模型，各自瞄準不同的執行場景與成本承受能力。

API定價方面，Sol輸入5美元每百萬token、輸出30美元每百萬token，與上一代旗艦GPT-5.5持平。Luna輸入1美元每百萬token、輸出6美元每百萬token，定位為輕量級模型。而真正改變開發者算帳邏輯的是Terra，其輸入價格為2.5美元每百萬token，輸出為15美元每百萬token，性能接近上一代旗艦GPT-5.5，但價格直接減半。

對於企業採購決策者和中端開發者而言，Terra提供了一條清晰的降本路徑。在處理大規模文本分析、代碼重構等非極端推理密集型任務時，使用Terra替代GPT-5.5可以直接將API開銷腰斬。假設一個團隊每月消耗100萬token輸入和50萬token輸出，從GPT-5.5遷移到Terra後，月度API費用將從約20美元降至約10美元。這種定價策略表明，OpenAI不再單純依賴Benchmark跑分來區分模型，而是通過明確的性價比梯度，讓企業能夠根據任務的實際ROI來選擇算力。

與此同時，Luna的極低定價並非單純為了下沉市場，而是為異步工作流提供了經濟可行性。在需要高頻調用、低延遲響應的後台任務中，例如數據清洗、日誌分析或定時巡檢，模型的單次調用成本成為決定能否大規模部署的關鍵。Luna的輸入輸出價格僅為Sol的五分之一，使得開發者可以在不擔心成本失控的前提下，讓AI在後台持續運轉。這種「廉價勞動力」定位，與後續Work模式下的定時任務功能形成了天然的搭配------用Luna跑後台定時匯總，用Sol處理前台複雜推理。

Sol則通過新增的max和ultra推理檔位拉高上限。max檔面向深度推理需求，ultra檔支持多智能體並行處理，面向高階與企業級工作流設計。在複雜的代碼庫重構或跨系統數據整合場景中，ultra檔可以調度多個子智能體同時處理不同子任務，再將結果匯總。這種分層不僅覆蓋了從低端到高端的全部需求，更將模型能力與具體的執行場景深度綁定，為後續的工具合併奠定了算力基礎。

從同步對話到異步跨平台執行

如果說模型分層提供了不同成本的執行引擎，那麼ChatGPT桌面應用與Codex的合併則提供了執行這些引擎的物理載體。合併後的應用統一提供Chat、Work、Codex三種工作模式，構建了從日常問答到跨平台項目執行再到沙盒級代碼工程的完整生產力光譜。

Chat模式依然承擔日常同步對話的功能，用於輕量創作和快速問答，交互方式與此前版本的ChatGPT桌面端基本一致。Codex模式則聚焦於重度代碼工程，新增了文件編輯、Pull Request審查以及Ultra模式，為開發者提供沙盒級的編程環境。Codex模式下的瀏覽器端還升級了CDP（Chrome DevTools Protocol）支持，允許AI檢查網絡流量、進行多標籤頁分析及登錄態操作，進一步擴展了代碼調試與Web應用測試的邊界。

真正打破傳統AI工具邊界的是Work模式。ChatGPT Work支持跨Google Drive、Slack等平台執行複雜項目，並具備定時任務功能。這意味著AI不再僅僅是一個被動響應的對話框，而是一個可以主動監聽、調度和執行的自動化終端。

具體來看，Work模式通過Plugins機制連接外部平台。用戶可以用自然語言描述任務目標，AI會自動拆解為多個步驟，分別從Slack獲取討論記錄、從Google Drive讀取項目文檔，然後綜合生成分析報告。更關鍵的是定時任務功能：用戶可以設定一個類似Cron的後台異步執行計劃，例如「每週一早9點匯總Slack頻道中的討論重點，並結合Google Drive中的項目文檔生成一份進度報告」。到設定時間後，AI會自動執行整個流程，無需人工觸發。

這種能力標誌著AI工具開始切入傳統RPA（機器人流程自動化）和自動化工作流平台的腹地。相比於傳統RPA需要編寫複雜的規則腳本，Work模式通過自然語言理解優勢，大幅降低了自動化工作流的搭建門檻。AI工具的生產力邊界從「人觸發-機回答」的同步互動，擴展到「機監聽-機執行-人審批」的異步工作流。ChatGPT正在變成一個帶有AI大腦的Zapier與自動化終端的結合體。

一鍵建站與代碼遷移背後的生態挖角

在重塑工作流的同時，OpenAI還在通過功能閉環和降低轉換成本來加速生態綁定。

Sites功能允許用戶將可視化內容一鍵發布為網站，並且瀏覽器端升級後支持登錄態操作與多標籤頁。這意味著Work或Codex模式生成的分析結果或代碼應用，可以直接部署為帶登錄態的Web App。用戶在Work模式中完成數據分析後，可以通過Sites將互動式儀表盤發布為一個可訪問的網頁，團隊成員通過Sign in with ChatGPT即可登錄查看。對於企業內部而言，Sites功能鎖定了輕量級應用的分發渠道。過去，開發者使用AI生成代碼後，還需要尋找伺服器、配置部署環境才能讓團隊使用。現在，這一過程被壓縮為一鍵操作，極大地縮短了從想法到應用的交付周期。

而在開發者工具市場，OpenAI展現了更為直接的競爭策略。Codex新增了從Claude Code遷移的功能。官方在GitHub倉庫中提供了專門的遷移腳本，能夠精準掃描Claude Code的配置目錄，將其中的agents、MCP servers和hooks等配置一鍵轉換為Codex格式。

Claude Code作為AI編程助手領域的強勁競品，其配置體系代表了用戶的使用習慣和項目積累。一個開發者在Claude Code中定義的agents和MCP連接，往往關聯著具體的項目工作流和外部工具鏈。OpenAI主動提供官方遷移工具，是在AI編程助手紅海中降低競品用戶轉換成本的「挖角」利器。這表明在基礎模型能力差距逐漸縮小的階段，競爭焦點已從單純的模型性能轉向生態綁定與用戶遷移成本。誰能更順暢地接管競品用戶的既有資產，誰就能在開發者市場中佔據更大的份額。

合併帶來的臃腫與權限風險

儘管GPT-5.6的分層定價與工具合併展現了重塑生產力邊界的野心，但這一戰略同樣伴隨著不可忽視的限制與風險。

首先是應用臃腫與認知負擔的問題。將Codex這種重度代碼沙盒與ChatGPT的日常辦公終端合併到一個桌面應用中，引發了部分開發者的質疑。不同模式之間的切換是否流暢，功能堆疊是否會導致軟件過於臃腫，都是實際使用中需要面對的問題。對於只需要簡單代碼補全的開發者而言，面對一個包含Work、Codex等多種複雜模式的超級應用，可能會增加不必要的認知負擔。如何在不同模式間實現無縫但又不互相干擾的切換，考驗著OpenAI的產品設計能力。

其次是企業數據隱私與權限控制的挑戰。Work模式深度接入企業Slack、Google Drive等核心數據源，且Sites支持一鍵發布公網應用。這要求企業採購決策者在享受自動化便利的同時，必須建立嚴格的權限管理體系。雖然OpenAI強調了企業級別的數據不訓練默認設置和訪問控制，但在實際操作中，如何防止AI在跨平台執行時意外洩露敏感信息，仍是企業合規部門需要重點評估的風險。特別是當AI需要跨平台調度數據並生成可公開訪問的Sites時，數據流向的審計變得異常複雜。

更為關鍵的是瀏覽器底層權限的開放風險。Codex在瀏覽器端升級後引入了CDP（Chrome DevTools Protocol）權限，允許AI檢查網絡流量、進行多標籤頁分析及登錄態操作。這種深度的瀏覽器控制權雖然極大擴展了AI的執行能力，但也打開了潛在的安全漏洞。如果AI的Prompt被惡意注入，擁有CDP權限的AI可能會被誘導竊取用戶的登錄憑證或攔截敏感網絡流量。儘管官方要求用戶顯式批准且管理員可全局關閉該權限，但這種從「只讀」到「底層控制」的權限躍升，對終端安全防護提出了更高的要求。

OpenAI通過GPT-5.6系列與工具合併，清晰地勾勒出從對話到執行的生產力重塑路徑。但在模型分層帶來的成本優勢與工具合併帶來的執行邊界擴展背後，如何平衡功能豐富度與軟件輕量化，如何在開放權限的同時守住安全底線，將決定這一戰略能走多遠。