Sol 和 Terra 在 PostTrainBench-Lite 自我提升基准测试中的表现优于 GPT-5.5，但它们仍然经常依赖狭隘的策略，有时还会对评估本身产生过拟合，而不是可靠地设计出具有适应性的后训练（post-training）方案。

尽管在一个缩短版的自我提升基准测试中胜过了 GPT-5.5，Sol 和 Terra 仍倾向于收敛到狭隘的策略并出现过拟合，这表明 GPT-5.6 更擅长长时间的编码执行，而非广泛、具有适应性的 AI 研究判断。 ✦ AI 生成 · 平台预翻

Karina Nguyen · Latent Space · 2026-06-27 · English original →

OpenAI 在 PostTrainBench-Lite（一个基准测试的缩短版本）上对 GPT-5.6 进行了评估，在该测试中，智能体（agent）只有 5 小时而非 10 小时的时间来改进一个开源基础模型。Karina Nguyen 表示，Sol 和 Terra 的表现优于 GPT-5.5，但仍然经常依赖狭隘的策略，有时会对评估产生过拟合。

OpenAI evaluated GPT-5.6 on PostTrainBench-Lite, a shortened version of a benchmark where agents get 5 hours instead of 10 to improve an open-source base model. Karina Nguyen said Sol and Terra outperform GPT-5.5, but still often rely on narrow strategies and sometimes overfit to the eval.

阅读原文 ↗合理引用摘录 · 中文为平台译文