一个月不到，GPT-5.6直接把医疗评估的桌子掀了。最小的变体Luna，在最低推理强度下就能超过全速冲刺的GPT-5.5，成本只有后者的二十五分之一；最大的变体Sol则树起一块泛着冷光的全新标杆。但真正让人后背发凉的还不是这些技术参数——是医生自己参与的盲评结果：在20000次平行评分里，他们从GPT-5.6回答中挑出的缺陷，比从自己同行写的内容里挑出的还要少。这不是一次简单的模型升级，这是一场发生在医疗话语权腹地的、静默的认知夺权。
推理强度与成本交叉出的分水岭
过去谈论大模型在医疗上的潜力，总绕不过一个隐痛：想要高质量输出就得烧计算，一烧计算成本就窜得不像话。而GPT-5.6系列就是冲着这个矛盾来的。
Luna怎么用最低档位废掉了旧旗舰的全马力
所谓推理强度，大致可以理解成模型生成回答时投入的计算资源深度——测试时反复推敲、拆分步骤、内部验证，每一步都在烧算力。旧版GPT-5.5想拿高分，必须把推理强度推到最高，回答一次就像雇了一整支专家团连夜会诊。结果GPT-5.6 Luna轻飘飘地切到最低档位，得分就跨过了那根线。这里头的潜台词很清楚：底层架构和训练方式发生了根本性跃迁，不再是单纯靠堆栈长度来压榨表现。Luna像是一个学会了用更少草稿纸解出更复杂方程的学生，从骨子里把效率做透了。
25倍的成本差不是优惠，是重新定价
医疗行业对AI的成本敏感度从来不是“预算卡得紧”那么简单。一个诊断建议如果是烧了几块钱算力才吐出来的，那叫算法辅助；但如果同样的质量甚至更高的质量，成本压缩到几毛钱几分钱，商业模式和部署半径瞬间就变了。Luna把进入门槛踩碎到旧旗舰的二十五分之一，意味着基层诊所、社区卫生中心、在线问诊App不必再担心“用不起高级推理”。配上最低推理强度，它甚至可以近乎实时地给出决策建议，不用让患者和医生盯着加载条发呆。把性能和成本画成一条曲线，GPT-5.5时代的拐点已经被抹平，新的曲线近乎贴着零轴起飞——这才是让产业不得不重新画图纸的地方。
Sol再把“最好”拔高一截
如果说Luna负责瓦解旧秩序，那GPT-5.6 Sol就是负责在废墟上立一个新基准。OpenAI没有披露Sol用了多大的推理强度，但评估数据让它显得像是把Luna的骨架推进了更高精度的推理舱。它在准确性、完整性、沟通质量这些维度上踩下的脚印，为后续所有专为医疗优化的模型标定了一个很难绕开的上限。以后新模型出来，第一句话都得是“在Sol的对比下”。这不仅仅是分数上的超越，是把“标杆”这个词的物理意义重新锻打了一次。
把医生请进盲评席，然后拆掉围墙
评估设计本身比技术参数更值得咂摸。OpenAI找了一批专科医生，给他们无限时间、开放网络权限，让他们撰写涵盖患者端与临床端的多样化问题回答——这已经是竭尽全力给人类选手加满了外挂。然后，另一批医生以盲评者的身份进入，用五把尺子量每一份文本。
五把尺子量出20000次真实判断
不是泛泛地“你觉得哪个更好”，而是把评估压到了五个不可模糊的维度：准确性——信息是否无误；沟通——表达是否清晰、有同理心、患者读不读得懂；完整性——关键要素是否缺失；指令遵循——是否精准回应了提示中的全部要求；健康决策帮助性——能不能真正推动下一步的合理选择。20000次评分，不是20000个问卷，是20000次具体的、带着职业尊严感的博弈。每一个打分背后，都是一位医生在审视：这段话到底值不值得被写进病历或塞进患者手里。
缺陷更少的反而是AI那份
结果的核弹埋在这里：盲评医生从GPT-5.6全系列模型的回答里发现的缺陷，少于他们从人类医生自己精心撰写的内容里发现的缺陷。这完全反直觉——人类医生拥有无限制的时间和全部网络权限，理论上能慢慢搜集资料、反复核对、润色措辞，怎么到头来漏洞更多？部分答案或许藏在认知疲劳和隐性盲区里：人会不自觉地省略主观上认为“显而易见”的信息，会在整段回答的结构上出现松弛；而模型生成的内容虽然也可能有错，但其缺陷模式更离散、更不容易在统计上抱团。盲评者拿着放大镜检查时，AI那份显得更“干净”——干净到让人不舒服。
无限时间的偏向没能把人拉回来
这个评估给专科医生的“特权”其实相当慷慨。真实临床场景里哪有无限时间？门诊三五分钟，住院写记录也是抢着间隙。说句不客气的话，这是把人类医生放在一个几乎不存在的理想实验室里较量，结果还是输了。这反过来揭示一个更深的裂痕：医疗工作的瓶颈早已不是单次回答的知识储备，而是持续注意力、表达稳定性和跨任务的一致性。模型没有血压波动，不会接了两个紧急电话之后手抖着写鉴别诊断。所有GPT-5.6模型的表现显著优于医生，恰好是在这些非知识性的执行层面拉开了差距。
当“缺陷”反向标记信任的边界
评估中使用的“缺陷”一词值得单独拿出来解剖。它不是简单的错误，更多时候指的是遗漏、模糊表达、不合指令的部分响应、对患者下一步决策缺乏实质帮助的段落。正因为它含混而全面，才成了一面尖锐的镜子。
缺陷少不等于完全可靠，但敲碎了舒适区
GPT-5.6在盲评中被挑出的缺陷更少，证明它在遵循复杂指令、保持结构完整和避免基础性遗漏方面形成了一种机械性的优势。可医疗决策不是盲评打分，它还要面对责任链条、伦理风险、罕见并发症的边缘情况。缺陷少说明模型越来越能仿造出一个“极度负责”的表征，但能否处理表征之下的不确定性混沌，尚不是这20000次评分能回答的。然而它已经足够敲碎一个旧信念：以前大家以为顶多AI帮医生审阅草稿，现在草稿变成了医生帮AI审阅。角色一旦对调，整个生产关系的调整也就只是时间问题。
盲评暴露的空白，恰好是下一个优化方向
这份评估同样划出了AI当下的软肋——既然所有变体都显著优于医生，那为什么Sol和Luna之间仍有差距？那种差距主要出现在更高阶的临床推理链和多轮交互中。换句话说，当下最强的医疗AI仍然有可被量化的上限，而且这个上限还在被更高强度的推理一寸一寸往上推。OpenAI把Luna的成本压到这么低，显然不只是为了发报告好看——低成本意味着可以铺量收集更多真实反馈，用海量反馈再喂给Sol级别的架构，循环一旦合拢，现在看到的SOTA可能就是下一代的基态。那才是医疗行业必须连夜思考的时刻：今天挑缺陷，明天可能连挑缺陷这件事都得重新定义标准了。
