GPT-5.6 Sol最容易被记住的数字，是150万tokens。
据百度百科条目，OpenAI于2026年7月9日发布GPT-5.6系列，Sol面向复杂推理、科研、编程和网络安全任务，并提供Max深度推理与Ultra多智能体协同模式。在Terminal-Bench 2.1中，标准模式得分88.8%，Ultra模式为91.9%。OpenAI官方页面则将Sol称为该系列旗舰模型，并表示产品在有限预览后全面开放。
这些信息能证明Sol的容量和任务能力上限有所提升，却不能推出另一个结论：装进窗口里的每一条信息，都能在长任务后半程被准确调用。
150万tokens是容量，不是记忆承诺
上下文窗口描述的是模型一次能够接收的token规模。它更像仓库面积，而不是一份“所有货物都能随时准确取出”的保证。
当材料里同时存在旧版需求、新版需求、重复文件和互相冲突的指令时，窗口越大，模型需要筛选的信息也越多。材料可能完整地留在上下文中，但到了具体一步，模型仍有可能引用旧版本、忽略早期限制，或者把次要信息当成主线。
因此，长任务中的“漂移”不一定意味着窗口突然缩小，也不等于前文已经被删除。从外部结果看，同一种错误可能来自信息检索、指令冲突、状态更新遗漏，甚至工具返回与主任务脱节。现有可引用资料没有给出Sol内部故障的官方诊断，不能把这些现象统一归结为某一种注意力机制问题。
真正容易丢的，是任务状态
长任务不只是把一批资料读完。模型还要持续维护一套会变化的状态：哪些要求已经确认，哪些方案被否决，当前使用哪个文件版本，上一阶段留下了什么未完成项。
即使模型能重新找到最初的原文，也可能没有正确继承中间决策。例如，前期已经更换接口定义，后续生成的测试却仍沿用旧约定；某个子任务修正了结论，主任务汇总时却继续使用修正前的版本。这类问题表面上像“忘了”，本质上更接近执行链断裂。
Vaibhav Sisinty在一则体验帖中把Sol形容为更偏向执行的模型，认为它更能理解大型任务，也减少了反复沟通。这是有价值的使用感受，但仍属于个体体验，不能代替对超长任务稳定性的系统测试。
Ultra分数更高，也不能替代过程审计
Ultra采用多智能体协同，Terminal-Bench 2.1得分高于标准模式，说明这种模式在该测试中带来了收益。但仅凭88.8%和91.9%两个结果，看不出测试是否把上下文推到了150万tokens，也无法判断模型在多阶段任务中能否始终保留早期约束。
多智能体还会增加一层协调成本。不同子任务可能采用不同假设，汇总阶段则需要消除冲突、确认版本并补齐遗漏。如果约束没有完整传递，最终答案出错，原因可能在协同链路，而不是上下文容量。
Max和Ultra提高的是处理复杂任务的方式，并没有把长任务变成一次无损、无状态损耗的读取过程。
别把“还用不了”和“跑不稳定”混在一起
GPT-5.6 Sol发布初期还存在访问权限带来的混淆。BitBiasedAI在7月8日发布的视频直接以Why You Can't Actually Use It Yet为题；百度百科条目则称，该模型经历安全审查，最初只向部分合作伙伴开放预览，之后才全面开放。
这类情况属于发布节奏和产品权限问题。无法进入产品、账号尚未获得权限，与模型已经接收任务却在执行中偏离目标，是两种完全不同的问题。讨论上下文漂移前，应先把两者分开。
用几次小测试找到真正的断点
判断Sol的长任务问题，不能只看最终答案是否正确。更有效的做法，是把接收、检索和执行拆开检查。
- 检查材料是否完整接收。 在材料开头、中部和末尾放置容易识别的文本锚点，再要求模型逐一引用。如果末尾材料根本没有进入会话，问题首先出在平台限制或输入截断，而不是注意力漂移。
- 建立约束账本。 在任务开始时列出固定要求、已变更决定、已否决方案和待办事项。每完成一个阶段就重新核对。若没有新指令，账本内容却自行变化，说明任务状态已经开始偏移。
- 隔离文件版本。 暂时移除旧规范、重复代码和过期资料，只保留当前版本。若任务随之稳定，主要问题更可能是上下文冲突，而非窗口不够大。
- 回放协同链路。 使用Ultra或外部工具时，保留各子任务的输入、输出和汇总结果。找到第一次偏离要求的位置，比笼统归因于模型“忘记前文”更有用。
实际生产任务也不必刻意把150万tokens填满。窗口是容量储备，不是使用目标。清晰的阶段交付、版本管理和状态检查，通常比把所有材料塞进一个会话更重要。
对“无损读取”保留一点距离
一篇CSDN解析文章将Sol描述为支持150万Token“无损长文本读取”，并称其可以一次载入上百份PDF，长序列信息遗忘率较GPT-5.5降低67%。这些说法来自二手资料，而本次提供的OpenAI官方页面摘要并未给出对应的测试方法。
在缺少测试集、信息分布、错误判定标准和任务流程的情况下，不能把“降低67%”直接理解为150万tokens范围内不会遗忘，更不能把“能够载入”改写成“能够在长任务中始终正确执行”。这并非否定数据，而是划清证据边界。
更稳妥的判断是：150万tokens扩大了Sol可以处理的信息范围，Terminal-Bench 2.1成绩也显示其编程执行能力有所提升；但长任务稳定性仍取决于信息检索、指令一致性、状态维护以及多智能体协同。
如果模型找不到早期锚点，应检查材料接收和检索；如果能找到原文却不再遵守约束，应检查任务状态；如果错误首次出现在子任务汇总阶段，就应回查协同链路。把所有问题都叫作“上下文窗口漂移”，反而会掩盖真正需要修复的断点。
