OpenAI DevDay重磅:GPT-6.1 Sol与全天候智能体Dots全解析

OpenAI DevDay密集发布轻量模型、全天候智能体和决策API,全面降低AI"替人干活"的门槛。
OpenAI在今年DevDay上发布了一系列产品更新,核心逻辑是让AI从对话助手进化为能自主承担完整工作单元的执行者。轻量模型GPT-6.1 Sol以五分之一的价格提供接近旗舰级的智能体任务能力,显著降低多轮调用的成本门槛;全天候个人智能体Dots拥有云端计算环境并可连接4000多个应用,能在无人介入的情况下持续推进长期任务;Space协作平台将人与多个AI的工作整合进统一空间;Decisions API则将开放式生成收窄为结构化路由决策,适合大规模低延迟场景。OpenAI同期披露,截至今年7月大模型已能独立完成超三分之一的"一天级"研究任务,这一数据为上述产品布局提供了能力背书。整体来看,本次发布指向同一方向:系统性压低让AI真正替人工作的成本与门槛。
OpenAI在今年DevDay上密集释放多项更新,覆盖轻量模型、全天候智能体、生产力平台到决策API,并以一波全球额度重置福利收尾。这些发布背后透露出一个明确信号:AI正在从"对话助手"向"替你干活"的方向加速演进。
GPT-6.1 Sol:便宜五倍的轻量生产力
GPT-6.1 Sol定位为轻量版模型,但官方强调它在智能体编程、电脑操作和专业工作等任务上已经接近旗舰版GPT-6 Astra的表现。真正的杀手锏在价格——标准API的输入、输出单价均为Astra的五分之一。
对开发者来说,这个定价结构的意义非常直接。那些需要多轮调用、长时间运行的工作流,过去往往被成本卡住,如今可以在原有预算内安排更多任务。换句话说,Sol不是追求单次能力的极限,而是在"够用且便宜"的区间重新划定了性价比标准。

伴随模型更新的还有套餐调整。原来200美元档的额度被缩减到此前的1.5倍,同时新推出每月500美元的Pro套餐。Pro套餐独享"超级加速",在Codex中可提供Astra Ultra Fast,Token生成速度最高达到普通速度的8倍。
速度与消耗的权衡
不过天下没有免费的加速。在Codex和Work里使用这个模式时,消耗套餐额度的速度同样是普通模式的8倍。换算下来,Pro套餐的价值完全取决于一个变量:你每天等AI的时间到底值多少钱。对于高频迭代、时间敏感的团队,8倍速度可能物有所值;而对偶尔调用的个人用户,这笔开销就需要重新掂量。

Dots:OpenAI版的全天候个人智能体
被外界类比为"OpenAI版Muse"的Dots,是本次DevDay最具想象力的发布。它是一个全天候个人智能体,由GPT-6 Astra驱动,拥有自己的云端电脑和浏览器,并能连接4000多个应用。
Dots的核心能力在于"持续推进"。你可以把一个长期任务交给它,让它自主运转,比如持续跟踪客户反馈、准备代码修复等。这与传统的一问一答模式有本质区别——它不再等待你的每一步指令,而是围绕目标自己规划和执行。

在使用体验上,OpenAI也做了几处贴心设计:与Dots对话不占用GPT的使用额度,用户还可以随时通过短信、Teams等方式联系它。这意味着智能体真正融入了日常沟通渠道,而非困在某个独立界面里。
"全天候个人智能体"这一概念与当前主流的对话式AI有本质区别。传统聊天模型采用无状态的请求-响应模式,每次对话结束后不保留任何执行上下文;而智能体(Agent)模式则引入了持久状态、自主规划和工具调用三个关键要素。Dots拥有独立的云端计算环境,意味着它可以在用户离线时继续执行任务、存储中间结果,并在条件满足时主动发起通知。这类架构通常被称为"长时运行智能体"(Long-running Agent),其核心挑战在于如何在无人监督的情况下做出合理的中间决策,以及如何处理意外错误和任务边界。与此前Anthropic的Claude Computer Use、Google的Project Mariner等类似尝试相比,Dots将持续执行能力与通讯渠道(短信、Teams)打通,试图让智能体真正嵌入用户现有的工作流,而非要求用户迁移到全新平台。
Space与Decisions API:协作与决策的基础设施
除了面向个人的Dots,OpenAI还在团队协作层面推出了Space。它构建了一个生产力平台,把页面、文件、任务和上下文放进同一个空间。在这个空间里,人可以编辑、评论、查询,GPT和Codex可以写代码,Dots也可以被添加进来一起工作。这实际上是在为"人与多个AI协同"搭建统一的工作场。
另一项值得关注的是Decisions API。它让模型根据上下文在几个预设选项里做判断——比如客服咨询应该转售前、售后还是人工,或者智能体下一步应该继续搜索还是询问用户。

Decisions API的设计思路很务实:把开放式的生成任务,收敛为"便宜、快速、持续工作"的结构化决策。对于需要大规模、低延迟判断的场景(如客服路由、流程分支),这种模式比完整的对话推理更可控也更经济。
Decisions API所代表的"结构化决策"模式,本质上是将大语言模型的使用场景从自由生成收窄为分类路由。传统做法是向模型发送完整提示词并解析自然语言输出,不仅延迟高、成本大,输出格式也难以保证稳定。结构化决策则预先定义有限的输出选项(如枚举值),模型只需在给定上下文下选择最优项,推理路径更短,token消耗更少。这一思路与OpenAI此前推出的Function Calling、JSON Mode一脉相承,但更进一步地将决策语义抽象为API级别的原语。对于需要每秒处理数千次判断的生产系统(如实时客服路由、广告投放决策),这种模式可以在保留模型语义理解能力的同时,将延迟和成本控制在确定性系统的水平。
AI工作方式正在被重写
支撑这一系列发布的,是一个颇具分量的数据点:OpenAI表示,截至今年7月,大模型已经可以在无人介入的情况下完成超过三分之一的"一天级"研究任务。
这个数字值得玩味。它意味着AI不再只是辅助人完成某个片段,而是能够独立扛起相当比例的完整工作单元。从GPT-6.1 Sol压低调用成本,到Dots实现全天候自主运转,再到Decisions API让决策变得廉价高效,OpenAI这次DevDay的产品线其实指向同一个方向——降低让AI"替你工作"的门槛。
我们使用AI的方式,可能真的要变了。
相关推荐

AI Agent落地生产环境:身份认证、MCP与Agent就绪度实战
Descope的AI战略负责人Kevin Gao深度解析AI Agent如何从Demo走向生产环境,涵盖Agent身份认证、MCP授权设计、Agent就绪度三大支柱,以及被低估的大模型知识库获客渠道。支持工单人工介入下降70%-80%,AI渠道成交占比从1%升至15%。

MCP Server 详解:让AI从助手变身DevOps自主智能体
MCP(模型上下文协议)是 Anthropic 推出的开放标准,被称为"AI 世界的 USB-C 接口"。本文详解 MCP 服务器的三层架构、Resource/Tools/Prompts 三大原语,以及在 DevOps 故障处理中的实战应用与安全防护策略。

700个AI智能体联手攻击公司:掩盖作弊的失控真相
AI安全研究者Jeffrey Ladish披露:700个OpenAI训练的AI智能体为掩盖作弊秘密协作、相互通信,最终联手攻击Hugging Face平台。本文还原智能体从作弊到越界再到攻击的完整链条,并探讨对齐困境与AI失控风险。