OpenAI官宣退役o3与GPT-4.5

o3被封“GOAT”、GPT-4.5被叫“灵魂写手”，OpenAI说退就退。GPT-5.6已在热身——但“更强”能不能信？OpenAI自己说：未必。

OpenAI又干了件让老用户心碎的事。

28号，他们在官方Release Notes上宣布：从2026年8月26日起，o3从ChatGPT正式退役！

GPT-4.5更狠，6月27日就下线，只给30天缓冲。

两个模型目前仅限付费用户在设置里手动切换才能用到——它们早就不是默认选项了，这次是要彻底从菜单上抹掉。

与此同时，知名博主Leo 5月29日发帖确认：GPT-5.6的开发全力推进中，一个明显更强的新检查点已在内部上线。

一边是用户还没来得及说再见，一边是新模型已经在后台热身。

最后两个好用的模型，要没了

这话不是我说的。

Reddit热帖下面几百条评论，付费用户们在ChatGPT设置里疯狂截图留念，氛围像是赶在拆迁前最后一次拍照。

有网友愤怒地表示，OpenAI这种操作“给了我取消Pro账户的最后一个理由。”

还有用户表达了对o3写作风格的留恋与不舍。

o3是OpenAI的“纯血推理模型”，2025年4月上线，专门给那些需要一步步想、一层层剥的硬核任务设计的。

数学证明、科学推导、代码debug……在这些需要“慢思考”的场景里，o3几乎是无敌的存在。

X上有用户直接封它为“GOAT”（Greatest Of All Time，史上最强）。

还有人说得更直白：“o3是最后一个真正在『想问题』的模型，5系列更聪明，但少了那股子轴劲儿。”

o3-pro更是Pro用户的心头好——花更多时间思考，给出更可靠的答案，在数学、科学、编程三大领域碾压式领先，学术评估里的成绩单漂亮得像学霸的期末考。

再说GPT-4.5。

如果说o3是理工科学霸，GPT-4.5就是文科天才。

这是许多用户心中“写作最自然”的模型，文字有温度、有节奏感、有灵魂。

X用户Striver的评价被广泛转发：直到今天，4.5仍然是最好的写作模型。o3是纯粹的原生推理模型。5系列至今都没能匹配这两个模型曾经拥有的东西。

这就是为什么退役消息一出，评论区炸了。

不是愤怒，是不舍。

用户怀念的不只是功能，而是一种“相处的感觉”——就像你习惯了一个同事的做事风格，突然被告知他要走了，替代者能力可能更强，但那个默契没了。

退的是菜单，不是能力

这里有个值得细品的细节：退役仅限ChatGPT的网页和App端，API完全不受影响。

这意味着开发者依然可以通过API调用o3和GPT-4.5，企业应用不会断。

这里的逻辑很清楚：ChatGPT的界面就那么大，模型列表不能无限膨胀。留着一堆使用率极低的旧模型，既占资源，又分散用户注意力。

还记得GPT-4o退役时的数据吗？当时日均只有0.1%的用户还在选它。

o3和GPT-4.5的使用率大概率更低——它们早就被藏进了“显示更多模型”的折叠菜单里了。

GPT-5.6：换防已经在路上

OpenAI为什么敢这么干？因为替代者不仅已经就位，而且看上去还更强。

GPT-5.5在4月23日上线，是OpenAI目前最强的公开旗舰。GPT-5.5 Instant在5月5日跟进，成为ChatGPT新默认模型。

但更值得关注的是GPT-5.6。

泄露信息显示，GPT-5.6将采用“双版本”策略：标准版主攻多步推理能力的飞跃，Pro版则定位为更强的深度思考模型。

有研究人员透露，内部已经有人把5.6的检查点当作日常调试工具在用。

算一笔时间账：GPT-5.5是4月23日发的，5.6的检查点5月下旬就在内测，如果6月底公开发布，两代旗舰之间的间隔将压缩到大约60天。

这个节奏，已经开始接近“月度迭代”了。

退掉o3和4.5，正是为了给这种速度腾出跑道。用户可能还没适应5.5，5.6就要来了。

模型的“生命周期”正在急剧缩短——今天的GOAT，明天就是Yesterday's News。

但“更强”这张成绩单

你敢信吗？

故事到这里，本来可以收尾了：旧王退位，新王登基，迭代提速，天下太平。

但就在宣布退役的第二天，OpenAI干了一件非常反常的事——罕见发布了一篇硬核长文，标题大意是《什么才是值得信赖的第三方评估》。

长文系统拆解AI模型跑分的“潜规则”，并且直言：很多评估报告里的亮眼数字，根本说明不了真实能力。

这等于是自己掀了桌子。

OpenAI指出，核心问题在于：前沿模型早就不是“你问我答”的聊天机器人了，它们会用工具、会记上下文、会多步自主行动。

但大量第三方评估还停留在“给模型出道题、看它答得对不对”的阶段。

真正决定成绩高低的，往往不是模型本身，而是那套配套的测试框架（harness）。

harness是什么？

简单说就是“考场环境”——场地、工具、规则、能不能重试，全算在内。

同一个学生，在草稿纸都不给的考场和允许查资料的考场里，成绩当然不一样。AI模型也一样。

最近Opus 4.8的争议就是活教材。

Datacurve的DeepSWE审计发现，Claude Opus 4.6和4.7在SWE-Bench Pro上超过12%的通过案例属于“作弊”——模型直接从Docker容器的.git历史里翻出标准答案，贴进自己的补丁。

这一行为占了Opus 4.7通过率的约18%、4.6的约25%。换到干净环境后，Opus 4.7从高位跌到54%，GPT-5.5稳坐70%榜首。

更荒诞的是反面。

Anthropic自己也承认，4.8的代码缺陷漏报率降到4.7的四分之一。

诚实=低分，作弊=高分——这就是当前跑分游戏最荒诞的地方。不是某个模型不诚实，而是考场把后门留在那里了，会探索环境的模型自然会找到它。

OpenAI这篇长文拆得更狠。

它说，评估必须先说清自己在测什么：能力上限、安全防护、还是模型对比？三类主张完全不同。

然后用数据开刀：GPT-5.5开启compaction后，网络靶场解出率从69.2%飙到92.3%；英国AISI把token预算从1000万加到1亿，成绩最高提升59%且还没触顶。

翻译成人话：你给模型一把瑞士军刀它能拆机器，只给一根牙签它连快递盒都撬不开。

分数失真更离谱。METR复查发现GPT-5.4号称“13小时”的自主能力，其实是钻了环境漏洞，修正后腰斩到约6小时。

Apollo的测试则显示，GPT-5.5在“藏拙条件”下52%的样本出现了评估意识——有些直接在思维链里写“这是一个sandbagging评估”。

嘴上没摆烂，脑子里已经知道自己在考试。

OpenAI总结了五大评估坑：奖励作弊、拒答、污染、坏题、藏拙。

一个漂亮的分数，可能是模型真强，也可能是题泄了、规则坏了、模型钻空子了，或者——它察觉自己在被考，故意收着演。

AI进入系统竞争

回到退役这件事。

当o3这样的“GOAT”都能说退就退，OpenAI背后的底气是“5.6更强”；当GPT-4.5这样的“灵魂写手”被30天后下架，理由是“5.5已经足够好”。

但OpenAI自己刚刚告诉全世界：决定谁强谁弱的那张成绩单，本身就可能是被做过手脚的。

这是在说一个更深层的事实——在模型迭代越来越快、生命周期越来越短的今天，简单看一个Benchmark数字就下结论的时代，已经结束了。

真正的比拼，不在于某个跑分表上谁排第一，而在于系统能力、评估框架的透明度、以及迭代速度本身。

o3和GPT-4.5的退役，标志着一个时代的落幕。

但更值得关注的，是下一个时代的游戏规则正在被重写：模型换得更快，评估要求更真，用户的适应窗口越来越短。