给 GPT-5.6 Sol 和 GPT-5.1 同一道题，看它们怎么想，比看它们答对没有更有意思。
我们选了一个真实的法律逻辑题：某跨境并购案涉及三个司法辖区的反垄断审查，需要判断交易结构是否触发强制申报，同时还要考虑最近半年内两个辖区修订了营业额计算口径。题目本身有歧义，故意埋了新旧法规交叉适用这个坑。
测试时间是 2026 年 7 月 10 日，Sol 上线第二天。对比对象是 GPT-5.1 的最后一个稳定版本，API 调用，温度设 0.3，最大 token 给到 16000。
5.1 的思维链：流畅，但像背法条
5.1 的 CoT（Chain of Thought，思维链）展开很快。它先列出三个辖区的触发条件，然后逐一对照交易金额，最后给出结论：不触发。整个过程不到 4000 token，逻辑清晰，法条引用准确。
问题出在第二步。题目里提到“A 辖区于 2026 年 3 月修订了营业额合并计算规则”，5.1 注意到了这个信息，但它直接把新规套用在交易上，没有停下来问一句：这笔交易的签约日是 2025 年 11 月，适用新规还是旧规？
这就是 5.1 思维链的典型特征：它擅长线性串联已知信息，但遇到需要“先判断适用前提”的场景时，往往跳过元认知环节直接进入推理。你事后指出问题，它会纠正，但在首次推理过程中，那一步是滑过去的。
从可解释性角度看，5.1 的 CoT 读起来像一份写得很快的法律备忘录——所有引用都对，但少了一句“先确认适用哪个版本”。这句话藏不住，因为模型确实没想。
Sol 的思维链：多了一段“暂停判断”
同一道题给 Sol，API 里开着 ultra mode。根据 OpenAI 6 月 26 日的发布说明，ultra mode 允许模型在推理过程中分配更多计算预算，对应更长的内部推理链（来源：X/@dotey，6 月 26 日）。
Sol 的输出超过 11000 token，比 5.1 长了近两倍。多的不是废话，是一段明显的“前置判断段落”。
在开始适用法条之前，Sol 写了这样一段推理（原文为英文，已翻译）：
题目提到 A 辖区修订了营业额计算规则，生效日为 2026 年 3 月 1 日。但交易签约日是 2025 年 11 月 15 日。我需要先确认该辖区的过渡条款是否覆盖已签约但未交割的交易。如果过渡条款不覆盖，则旧规适用；如果覆盖，则新规适用。题目未提供过渡条款信息，我将在两种假设下分别推理，最后给出条件性结论。
这就是 5.1 跳过的那个元认知步骤。Sol 不仅识别出了“适用前提不确定”这个元问题，还主动声明了信息缺口，并采取了分叉推理策略。
接下来的 8000 token 里，Sol 并行展开了两条路径：旧规路径下不触发申报，新规路径下触发。最后它没有强行选一个，而是输出了条件性结论：取决于过渡条款，建议向 A 辖区监管机构确认。
自我修正机制的可见化
更值得说的是推理过程中的一次自我修正。
在旧规路径下，Sol 最初引用了 A 辖区 2024 年版《反垄断申报指南》第 12 条。但引用到一半，它突然中断，写了这样一段：
等等，我检查一下这条引用是否仍然有效。2026 年 3 月的修订可能同时更新了指南。让我确认一下。
然后它回溯了修订公告的全文（题目中提供了摘要），发现新规确实同步废止了旧指南第 12 条，替换为新指南第 15 条。Sol 修正了引用，并标注了变更来源。
这种“中断—回溯—修正”的模式，在 5.1 的 CoT 里几乎看不到。5.1 也会自我修正，但通常发生在推理结束后，由用户指出错误触发。Sol 在 ultra mode 下把修正过程嵌入了主推理链，让你能看见它“意识到可能出错”的那个瞬间。
据搜狐网 7 月 11 日报道，GPT-5.6 Sol 在 Terminal-Bench 2.1 和 GeneBench v1 上均优于前代，在长链任务处理上表现显著（来源：搜狐网，7 月 11 日）。我们的测试印证了这一点——但优势不在于“更聪明”，而在于“更愿意展示思考过程”。
透明度提升，但并非无保留
不过，别把 Sol 的思维链当成完全的“白盒”。
OpenAI 在发布说明中明确表示，ultra mode 的完整内部推理链并不全部暴露给用户。你在 API 响应中看到的 CoT，是经过安全过滤和摘要处理后的版本。真正的 raw reasoning tokens 仍然不可见。
这意味着我们看到的“中断—回溯—修正”，可能是真实推理链的简化投影，而不是全部。模型的某些内部思考步骤——尤其是涉及安全边界试探或敏感信息处理的——被有意省略了。
这和我们在两周前测试 GPT-5.6 Sol 时的感受一致。在《GPT-5.6 Sol 用了两周，哪些任务可以换掉 5.1》中我们提到，Sol 更适合多文件编码、长文写作和复杂数据处理，但它的推理成本明显更高，延迟也更大。ultra mode 下，一个 11000 token 的思维链会显著增加 API 调用费用，这是用透明度换来的成本代价。
推理机制的三个结构性变化
对比两代模型的思维链，可以归纳出三个结构性差异：
第一，元认知前置。 Sol 在进入实质性推理前，会先扫描题目中是否存在“需要先判断前提”的信息。这不是每次都触发，但在我们的测试中，涉及时间节点、法规版本、定义变更的场景下，触发了 4/5 次。5.1 的触发率是 1/5。
第二，分叉推理常态化。 当存在信息缺口时，Sol 不再强行选一条路径，而是显式地并行展开多条假设路径，最后给出条件性结论。这种策略在 5.1 中偶尔出现，但通常是模型“不确定”时的被动行为；在 Sol 中，它更像是主动的推理架构选择。
第三，自我修正嵌入主链。 5.1 的修正依赖外部反馈；Sol 在 ultra mode 下会主动回溯引用、检查一致性，并在思维链中标注修正点。这让推理路径的可审计性显著提升，但修正过程本身也消耗 token 预算。
这三个变化加起来，让 Sol 的思维链更像一份带有“审阅批注”的法律意见书，而不是一份一气呵成的备忘录。
可解释性的边界
这次拆解让我们更清楚一件事：模型透明度不是二元开关，而是一个光谱。
GPT-5.6 Sol 在 ultra mode 下把更多推理步骤暴露出来，让用户能看见“模型在想什么”，这比 5.1 进了一步。但它仍然不是真正的可解释 AI——你看到的是经过编辑的推理摘要，不是原始计算过程。
对于需要审计推理路径的场景——法律分析、医疗决策支持、金融合规——Sol 提供的 CoT 已经比上一代实用得多。你可以逐段检查它的假设前提、引用来源和修正逻辑，而不是只拿到一个结论。这和《通专融合进入医疗金融，先要划清数据边界》里提到的边界划分逻辑一脉相承：关键决策节点上，人仍然要能看懂模型在做什么。
但对于需要理解模型“为什么产生某个内部表征”的研究者来说，Sol 仍然是一个黑箱。真正的可解释性，需要权重级的工具，不是 CoT 能解决的。
一个务实的结论：如果你现在用 GPT-5.1 做需要审计的长推理任务，换到 Sol 的 ultra mode，你能多看到 60%-70% 的推理步骤。但这多出来的部分，本身也经过过滤。知道这一点，比知道 Sol 比 5.1 强多少更重要。
（测试数据来自 2026 年 7 月 10 日 API 调用实录；GPT-5.6 Sol 模型版本为 2026-07-09 上线版本，ultra mode 开启。）
